Impact of Electric Vehicles on Traffic Assignment and Carbon Emission for Road Network: Modeling and Analysis
Notice bibliographique
Résumé
This paper develops a method for estimating carbon‐emission specific road networks, considering the presence of electric vehicles (EVs). A mixed equilibrium traffic assignment model is set up to obtain the traffic volume for each link in the network, where oil‐fueled vehicles (OFVs) prioritizing travel time minimization, while EVs also consider charging station locations and battery charge state in route selection. A carbon‐emission estimation method is then developed, which is calculated by three parameters of traffic volume, average speed, and the road category. A case study is carried out using two networks. It is found that the travel time of the road network has increased by 27%, because EVs tend to choose paths containing charging stations. The route selection of EVs is affected by perceived risk, safe electric quantity, and expected charging electricity. EVs can reduce carbon dioxide emissions but not energy consumption for road network. In addition, it was found that the location of charging stations has a significant impact on traffic flow. After optimizing the location of charging stations, the total travel time, total carbon emissions, and balance of charging station utilization indicators in the transportation network have all relatively decreased. Among them, the total travel time has decreased by 0.2%, the total carbon emissions have decreased by 1.85%, and the balance of charging station utilization has decreased by 0.95%. The research is helpful for determining the locations of charging piles and designing road networks, and it is also helpful for estimating the traffic flow and carbon emissions.
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 ».