Developing an Integrated Activity-Based Travel Demand Model for Analyzing the Impact of Electric Vehicles on Traffic Networks and Vehicular Emissions
Notice bibliographique
Résumé
The integrated Transport Land-use and Energy (iTLE) model is combined with traffic and emission simulators to examine the effects of electric vehicle (EV) adoption on traffic networks and greenhouse gas (GHG) emissions reduction. The research uses data from the 2022 Halifax Travel Activity (HaliTRAC) survey to develop an EV type choice model within iTLE, while traffic and emission simulators are created on PTV VISUM and MOVES3.0 platforms. Along with the base case scenario (2022), two more scenarios are considered at five-year intervals: 2027 (scenario-1), and 2032 (scenario-2). The traffic assignment model is calibrated and validated for the base year (2022) considering traffic volume data of fifty (50) different intersections of Halifax Regional Municipality (HRM). The findings reveal that the younger generation, higher-income households, and full-time workers are more inclined to adopt EVs in the future. The estimated EV adoption rate for 2027 is 16.3% from the base year (2022), increasing to 31% by 2032. Regarding GHG emissions, the morning peak period in 2027 witnessed a notable 18.5% decrease compared to the base year of 2022, and in 2032, this reduction became even more substantial at 31.8% compared to 2027. Similarly, the evening peak period also experienced significant declines, with a 22.4% decrease in 2027 and a more remarkable 32.9% reduction in 2032. The outcomes of this research will be valuable for urban planners, engineers, and government officials when implementing climate action plans as they devise effective policy measures related to vehicles.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».