Development of Simulated Driving Cycles: Case Study of Waterfront Area in Toronto, Canada
Notice bibliographique
Résumé
Driving cycles are an important input for state-of-the-art vehicle emission models. Development of a driving cycle requires second-by-second vehicle speed for a representative set of vehicles. Current practice is to use standard driving cycles, like the Environmental Protection Agency's Highway Fuel Economy Driving Schedule (HWFET) or Supplemental Federal Test Procedure (SFTP)-US06, however, these driving cycles reflect small samples of vehicles, do not reflect varying conditions by time of day, by vehicle type and cannot reflect or forecast changes in traffic conditions. This paper introduces a method to develop representative driving cycles using simulated data from a calibrated microscopic traffic simulation model in the Toronto Waterfront Area. The simulation method addresses some of the limitations with standard driving cycles. The simulation model is calibrated to reflect road counts, link speeds, and accelerations using a multi-objective genetic algorithm. The simulation is validated by comparing simulated vs. observed passenger car freeway cycles. The simulation method is applied to develop AM peak hour freeway driving cycles for light, medium and heavy duty trucks. The demonstration reveals differences in speed, acceleration, and driver aggressiveness between driving cycles for different vehicle types. These driving cycles are compared against a range of available driving cycles, showing different traffic conditions and driving behaviors, and suggesting a need for city-specific driving cycles. Emissions from the simulated driving cycles are also compared with HWFET showing higher emission factors for the Toronto Waterfront freeway cycles.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».