How to Use Advanced Fleet Management System to Promote Energy Saving in Transportation: A Survey of Drivers’ Awareness of Fuel-Saving Factors
Notice bibliographique
Résumé
Despite the broad application of advanced fleet management systems (FMSs) in third-party logistics (3PL) companies, there is a marginally limited understanding of how to employ them to enhance transport energy efficiency. In a case study of a Chinese 3PL company, this paper analyzed data obtained from the online FMS to assess drivers’ awareness of fuel-saving factors. A questionnaire was primarily designed to investigate the drivers’ awareness of fuel-saving factors based on the reliability and validity test. Then, Extreme Gradient Boosting (XGBoost), a machine learning algorithm, was utilized to explore the intrinsic impacts of various factors on fuel consumption with the outputs providing the evaluation basis for individual awareness of the drivers. The results show a significant deviation in the driver’s awareness of fuel-saving factors, among which the three indicators of engine speed, idling condition, and rolling without engine load are seriously underestimated, while the indicators related to the environment are seriously overestimated due to social expectations. In addition, the average speed was found to be the most important fuel-saving indicator besides the load. Based on these findings, this paper recommends that the 3PL companies choose a route with more freeways when planning, and the mileage should be controlled within 800 km as far as possible.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».