A Methodological Framework to Develop Optimal Sets of Driving Cycles for a Region
Notice bibliographique
Résumé
RÉSUMÉ: «RÉSUMÉ:La réduction des émissions de GES provenant des transports constitue un défi de taille en raison de la demande croissante de mobilité et de la dépendance continue aux combustibles fossiles. Même si de nombreux efforts ont été déployés pour rendre les transports plus écologiques, les émissions de GES affichent une tendance à la hausse. Selon le Conseil international pour les transports propres (ICCT), l’un des principaux problèmes consiste à assurer que les émissions des véhicules soient correctement mesurées afin que les règles de contrôle de ces gaz soient respectées. Nous utilisons ce qu'on appelle le cycle de conduite pour aider à modéliser ces émissions. Il existe principalement deux types de cycles de conduite : SDC (Standard Driving Cycle) et LDC (Local Driving Cycle). Les SDC examinent les habitudes de conduite à l’échelle nationale, voire internationale, pour évaluer les émissions d’un véhicule. En revanche, les PMA se concentrent sur les habitudes de conduite dans des zones locales spécifiques, telles que les villes ou des routes particulières. En général, les PMA peuvent représenter des comportements de conduite plus réalistes. Cependant, de nombreuses études antérieures se sont appuyées sur un ou quelques cycles de conduite seulement pour représenter les comportements de conduite, ce qui peut conduire à des imprécisions dans l’estimation des émissions. Il est important de comprendre comment les gens conduisent sur tous les types de routes et dans toutes les conditions météorologiques. Des études récentes montrent que des éléments tels que la pluie, la température, la pente de la route et les limites de vitesse peuvent modifier la façon dont les gens conduisent. Ainsi, les habitudes de conduite peuvent changer d’une ville à l’autre et même en fonction de la météo.» ABSTRACT: «ABSTRACT:There is a significant challenge in reducing GHG emissions from transportation due to the rising demand for mobility and the continued reliance on fossil fuels. Even though many efforts have been made to make transportation greener, GHG emissions shows an upward trend. According to the International Council on Clean Transportation (ICCT), one big problem is making sure we measure vehicle emissions correctly so that everyone in transportation follows the rules for controlling these gases. We use something called the driving cycle to help model these emissions. There are primarily two types of driving cycles: SDC (Standard Driving Cycle) and LDC (Local Driving Cycle). SDCs examine driving habits on a national or even international scale to evaluate a vehicle’s emissions. In contrast, LDCs focus on driving habits in specific local areas, such as cities or particular roads. Generally, LDCs can depict more realistic driving behaviors. However, many past studies have relied on just one or few driving cycles to represent driving behaviors, which can lead to inaccuracies in estimating emissions. It is important to understand how people drive on all kinds of roads and in all weather conditions. Recent studies show that things like rain, temperature, the slope of the road, and speed limits can change the way people drive. So, driving habits can change across a city and even with the weather. There can be many different driving patterns in a city. If we just use one driving pattern, we lose a lot of details about how people really drive. This means we might not get a clear idea of how many harmful gases are produced by vehicles. When we talk about “information loss”, we mean that we miss out on many details about driving patterns.»
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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 ».