A hybrid fuzzy Petri net-based approach incorporating extended grey numbers for eco-driving behaviour evaluation
Notice bibliographique
Résumé
Abstract Eco-driving behaviour reduces vehicle emissions, and its evaluation is key to enhancing fuel efficiency and mitigating pollution. However, existing assessment models face challenges in integrating multi-dimensional data and addressing uncertainties, which limits their accuracy and practical applicability. To address this gap, this study proposes an eco-driving evaluation framework based on Extended Grey-Number Weighted Fuzzy Petri Nets (EGWPNs). By inputting driving process data such as acceleration values and low-speed duration, the framework yields specific eco-driving scores. The framework raises a weighted extended grey-number set to unify heterogeneous data types, including discrete events like rapid acceleration frequency and continuous variables such as acceleration values. By incorporating the MYCIN confidence method for uncertainty reasoning and the Bonferroni mean operator for multi-attribute aggregation, the EGWPNs model achieves an objective assessment of driving behaviour. The framework was validated using 420, 000 real-world driving data points collected from 99 vehicles in actual driving emission experiments. The results indicate that frequent rapid acceleration exhibits the strongest negative correlation with eco-driving scores, with a weight coefficient of 0.232, followed by prolonged acceleration events and sustained low-speed acceleration, with weight coefficients of 0.112 and 0.110, respectively. Compared to traditional grey reasoning Petri nets, the EGWPNs model improves the evaluation interval shrinkage by 62.18% and demonstrates superior stability. The EGWPNs framework’s adaptability to heterogeneous data enables direct integration into intelligent transportation systems, reducing vehicular emissions through optimized traffic management and enhanced compliance with carbon neutrality policies. This study advances eco-driving methodologies while delivering scalable solutions to mitigate transportation-related environmental impacts.
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 ».