Improving commercial truck fleet composition in emission modeling using 2021 US VIUS data
Notice bibliographique
Résumé
Commercial trucks are essential elements of the nation’s supply chain system. Meanwhile, intensive truck movements contribute significantly to system externalities, such as energy use and air pollution. However, collecting detailed fleet composition and distribution of operational patterns remains a barrier to accurately accounting for these impacts. The recently released 2021 US Vehicle Inventory and Use Survey (US VIUS) fills a critical gap in understanding commercial truck fleet distributions, their operations, and business constraints at the national scale. This study aims to understand the latest US commercial vehicle fleet composition and operational characteristics using 2021 US VIUS data and calibrate the fleet inputs in regulatory emission models to assess the potential emission implications of the VIUS-derived fleet composition. The emission rates for commercial trucks and default fleet composition are collected from the U.S. EPA’s MOtor Vehicle Emission Simulator (MOVES4). The 2021 US VIUS data is applied to improve fleet characteristics such as the long-haul fraction and the vehicle mileage accumulation rate. The study also investigates potential emission reduction benefits under various forecasted fleet electrification scenarios. The energy consumption and critical air pollutant rates by vehicle types are compared between MOVES4 and US VIUS fleets for both current and future scenarios to provide insights into the latest U.S. commercial vehicle fleet characteristics and their implications on energy and emissions. This study helps policymakers and practitioners advance the commercial fleet generation for emission models. It also deepens the understanding of the emission reduction potential of the commercial fleet under various fleet projections.
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 | 0,001 |
| 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 ».