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 NOx concentrations considering the effect of the traffic volume, weather, time of day, and historical NOx concentrations. The developed model is then used to predict long-term NOx concentrations and annual average NOx 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 NOx 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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».