Traffic NO<sub>x</sub> Pollution Prediction and Health Cost Estimation Using Machine Learning: A Case Study of Toronto, Canada
Notice bibliographique
Résumé
Road traffic is a significant source of air pollution that has a harmful impact on human health. To reduce the health and environmental impacts of fossil fuel consumption in the transportation sector, many countries have implemented policies to promote the deployment of electric vehicles (EVs). A vital factor to consider when designing policies to support EV use is the monetized health impacts of fossil fuel consumption. This research aims to investigate the health benefit of replacing internal combustion engine vehicles (ICEVs) with zero-emission vehicles in the city of Toronto, Canada. A long short-term memory (LSTM) model is developed in this work to predict future NO<sub>x</sub> concentrations considering the effect of the traffic volume, weather, time of day, and historical NO<sub>x</sub> concentrations. The developed model is then used to predict long-term NO<sub>x</sub> concentrations and annual average NO<sub>x</sub> reduction from zero-emission vehicle deployment in four different scenarios in Toronto. Additionally, interpolation methods are used to predict the pollution reduction in all Dissemination Areas (DA) of Toronto, and a health cost assessment is conducted to estimate the health benefit in all the scenarios. The results of the modeling in this work show that the western areas of Toronto experience higher NO<sub>x</sub> concentration reduction in all scenarios. These reductions are the result of the higher correlation between traffic volume and pollution in those areas. The results also show that with a 10% reduction in ICEV traffic volume, 70 premature deaths can be prevented annually, equivalent to 560 million CAD in health benefits per year.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».