Exploring the combined effects of major fuel technologies, eco-routing, and eco-driving for sustainable traffic decarbonization in downtown Toronto
Notice bibliographique
Résumé
As global efforts to combat climate change intensify, transitioning to sustainable transportation is crucial. This study explores decarbonization strategies for urban traffic in downtown Toronto through microsimulation, evaluating the environmental and economic impacts of vehicle technologies, traffic management strategies (eco-routing), and driving behaviours (eco-driving). The study analyzes 140 decarbonization scenarios involving different fuel types, Connected and Automated Vehicle (CAV) penetration rates, and anticipatory routing strategies. Using transformer-based prediction models, we forecast Greenhouse Gas (GHG) and Nitrogen Oxides (NOx) emissions, along with average speed and travel time. The key findings show that 100% Battery Electric Vehicles (BEVs) reduce GHG emissions by 75%, but face challenges related to cost and infrastructure. Hybrid Electric Vehicles (HEVs) achieve GHG reductions of 35-40%, while e-fuels result in modest reductions of 5%. Integrating CAVs with anticipatory routing strategies significantly reduces GHG emissions. Additionally, eco-driving practices and eco-routing strategies have a notable impact on NOx emissions and travel time. By incorporating a comprehensive cost analysis, the study offers valuable insights into the economic feasibility of these strategies. The findings provide practical guidance for policymakers and stakeholders in developing effective decarbonization policies and supporting sustainable transportation systems.
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 ».