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 investigates decarbonization strategies for urban traffic in downtown Toronto through microsimulation, focusing on eco-routing and eco-driving strategies, as well as the adoption of different fuel technologies: Battery Electric Vehicles (BEVs), Hybrid Electric Vehicles (HEVs), and conventional vehicles. A total of 140 scenarios are analyzed, incorporating varying levels of Connected and Automated Vehicle (CAV) penetration, anticipatory routing strategies, and driving behavior. Using transformer-based prediction models, the study evaluates Greenhouse Gas (GHG) and Nitrogen Oxides (NOx) emissions, average speed, and travel time. The findings demonstrate that 100% BEV adoption can reduce GHG emissions by 75%, but infrastructure and cost challenges persist. HEVs achieve moderate GHG reductions of 35%–40%, while e-fuels offer limited reductions of 5%. The study also highlights the role of eco-routing and eco-driving strategies in reducing emissions and improving travel time. However, it acknowledges potential unintended consequences, including modal shifts from active and public transportation to EVs, which could increase Vehicle Kilometers Traveled (VKT) and congestion, potentially offsetting some benefits of vehicle electrification. Integrating CAVs with anticipatory routing shows additional gains in reducing emissions and optimizing traffic flows. By providing a comprehensive evaluation of fuel technologies, traffic management strategies, and driving behaviors, this study offers actionable insights for policymakers to balance the benefits of electrification with its broader transportation impacts, supporting the development of sustainable urban mobility 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 | 0,001 | 0,001 |
| 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 ».