A quantitative assessment of daily transportation energy demand and electrification potential across the dwelling types in the Greater Toronto and Hamilton Area
Notice bibliographique
Résumé
The urban passenger transportation sector is a major energy consumer in Canada, accounting for nearly 48% of transport-related energy use and is heavily reliant on fossil fuel-based vehicles. Electrifying private vehicles offers a promising solution to reduce fossil fuel consumption and greenhouse gas (GHG) emissions, but its full potential remains underexplored. This study focuses on the Greater Toronto and Hamilton Area (GTHA). It examines how residential dwelling types influence daily household transportation energy demand, with a specific focus on electrification barriers in multi-unit residential buildings (MURBs). Using personal and household travel surveys, the study applies supervised machine learning models, such as Random Forest and Decision Tree models, to impute vehicle engine types and estimate daily transportation energy use. The results show significant variation in energy demand by dwelling type, with detached homes consuming the most, followed by MURBs and townhouses. Moreover, there is an increase in reliance on private vehicles and ridesharing post-pandemic. Scenario analysis reveals that a complete transition to electric vehicles (EVs) has the potential to reduce daily household private vehicle energy consumption by up to 77.3%. The reductions vary by dwelling type, with detached homes projected to achieve a 54.4% decrease, while MURBs are expected to see a 14.8% reduction. Peak hour charging demand in 100% EV scenarios would reach 6640 GJ for houses and 1792 GJ for MURBs. These findings underscore the need for targeted policies to promote EV adoption, particularly for MURBs, and tailored incentives for households with detached homes. • Transportation energy demand varies by dwelling type, with detached homes highest. • Daily energy demand for private vehicles and ridesharing increased post-pandemic. • 100% EVs can reduce daily private vehicle energy consumption by 77.3%. • Detached homes may achieve a 54.4% reduction in energy demand, MURBs 14.8%. • Peak hour charging demand: 6640 GJ for detached homes, 1792 GJ for MURBs.
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 ».