Improving the accuracy of emission inventories with a machine-learning approach and investigating transferability across cities
Notice bibliographique
Résumé
This study presents a novel method for integrating the output of a microscopic emission modeling approach with a regional traffic assignment model in order to achieve an accurate greenhouse gas (GHG, in CO2-eq) emission estimate for transportation in large metropolitan regions. The CLustEr-based Validated Emission Recalculation (CLEVER) method makes use of instantaneous speed data and link-based traffic characteristics in order to refine on-road GHG inventories. The CLEVER approach first clusters road links based on aggregate traffic characteristics, then assigns representative emission factors (EFs), calibrated using the output of microscopic emission modeling. In this paper, cluster parameters including number and feature vector were calibrated with different sets of roads within the Greater Toronto Area (GTA), while assessing the spatial transferability of the algorithm. Using calibrated cluster sets, morning peak GHG emissions in the GTA were estimated to be 2,692 tons, which is lower than the estimate generated by a traditional, average speed approach (3,254 tons). Link-level comparison between CLEVER and the average speed approach demonstrates that GHG emissions for uncongested links were overestimated by the average speed model. In contrast, at intersections and ramps with more congested links and interrupted traffic flow, the average speed model underestimated GHG emissions. This proposed approach is able to capture variations in traffic conditions compared to the traditional average speed approach, without the need to conduct traffic simulation. Implications: A reliable traffic emissions estimate is necessary to evaluate transportation policies. Currently, accuracy and transferability are major limitations in modeling regional emissions. This paper develops a hybrid modeling approach (CLEVER) to bridge between computational efficiency and estimation accuracy. Using a k-means clustering algorithm with street-level traffic data, CLEVER generates representative emission factors for each cluster. The approach was validated against the baseline (output of a microscopic emission model), demonstrating transferability across different cities .
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».