An agent-based framework for prioritizing building retrofits
Notice bibliographique
Résumé
As the urgency to address climate change grows, municipalities face the challenge of lowering carbon emissions from buildings, which account for a large portion of total emissions. However, many cities lack the tools and data required to develop effective policies. This study proposes a practical framework for solving this by creating a user-friendly dashboard tailored to the needs of decision-makers in municipalities. The framework analyses current energy consumption, carbon emissions and building characteristics by leveraging existing datasets such as energy assessment databases and the property tax databases. Decision-makers can visualize the potential impact of various retrofit alternatives using scenario analysis and policy simulation, anticipate future construction rates and analyze the embodied carbon impact. The framework provides insights into the current carbon status and targets and enables municipalities to effectively identify and prioritize climate solutions. This paper applies the framework to single-family houses in the City of Victoria, British Columbia, Canada, however its flexibility enables adaption to other contexts around the world. This study adds to the expanding discussion about municipal climate action by proposing a practical, comprehensive approach to inform policy decisions and expedite progress towards carbon reduction targets. • A data-driven framework for municipal carbon reduction strategies. • Combines building assessment and property tax data for detailed emissions analysis. • Uses agent-based modeling to simulate real-world retrofitting behaviors. • Features a dashboard for policymakers to model retrofit scenarios interactively. • Prioritizes retrofits by actual energy-saving potential for tailored interventions.
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 | 0,000 |
| 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 ».