Modeling and spatial analysis of heavy-duty truck CO2 using travel activities
Notice bibliographique
Résumé
Heavy-duty trucks (HDTs) are vital components of the freight industry yet have faced criticism for their substantial CO 2 emissions. This study, focusing on Xi'an, a crucial freight hub city in China, aims to investigate the factors influencing CO 2 emission from HDTs. A unique aspect of this study is using a Latent Dirichlet Allocation (LDA) model to evaluate the potential impact of different travel activities on CO 2 emissions using travel activities of HDTs extracted from extensive GPS data. Subsequently, the Random Forest (RF) model with a GeoShapley explainer was used to examine both the main and spatial effects of travel activities, road density, land use, and freight hub accessibility on CO 2 emissions. The results revealed the existence of fifteen distinct travel activities among HDTs in Xi'an, eight of which clearly influence CO 2 emissions. Considerable variations were observed in the magnitudes of the impact of different variables on CO 2 emissions, as indicated by GeoShapley values. The density of expressways and main roads has the greatest impact on CO 2 emissions, while various types of travel activities also significantly affect CO 2 emissions, with the impact of different travel activities varying to some extent. Additionally, there is evident spatial heterogeneity in the impact of various variables on CO 2 emissions, with larger positive GeoShapley values tending to concentrate around the 3rd Ring and expressways in Xi'an City. These findings, shedding light on the complex interplay of factors influencing CO 2 emissions from HDTs, provide valuable insights for formulating environmentally sustainable management policies concerning HDTs from spatial perspectives.
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 | 0,001 | 0,001 |
| 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 ».