論文の概要: Exploring sustainable pathways for urban traffic decarbonization in downtown Toronto
- arxiv url: http://arxiv.org/abs/2308.14914v2
- Date: Sun, 20 Oct 2024 19:21:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:14:14.754523
- Title: Exploring sustainable pathways for urban traffic decarbonization in downtown Toronto
- Title(参考訳): トロント中心街における都市交通脱炭のための持続可能な経路の探索
- Authors: Saba Sabet, Bilal Farooq,
- Abstract要約: 本研究は,トロント市中心部の都市交通におけるマイクロシミュレートによる脱炭戦略について検討する。
変圧器を用いた予測モデルを用いて, 温室効果ガス (GHG) と窒素酸化物 (NOx) の排出を予測した。
キーとなる発見は、100%のバッテリ電気自動車(BEV)がGHG排出量を75%削減していることを示しているが、コストとインフラに関する課題に直面している。
- 参考スコア(独自算出の注目度): 4.378407481656902
- License:
- Abstract: As global efforts to combat climate change intensify, transitioning to sustainable transportation is crucial. This study explores decarbonization strategies for urban traffic in downtown Toronto through microsimulation, evaluating the environmental and economic impacts of vehicle technologies, traffic management strategies (eco-routing), and driving behaviours (eco-driving). The study analyzes 140 decarbonization scenarios involving different fuel types, Connected and Automated Vehicle (CAV) penetration rates, and anticipatory routing strategies. Using transformer-based prediction models, we forecast Greenhouse Gas (GHG) and Nitrogen Oxides (NOx) emissions, along with average speed and travel time. The key findings show that 100% Battery Electric Vehicles (BEVs) reduce GHG emissions by 75%, but face challenges related to cost and infrastructure. Hybrid Electric Vehicles (HEVs) achieve GHG reductions of 35-40%, while e-fuels result in modest reductions of 5%. Integrating CAVs with anticipatory routing strategies significantly reduces GHG emissions. Additionally, eco-driving practices and eco-routing strategies have a notable impact on NOx emissions and travel time. By incorporating a comprehensive cost analysis, the study offers valuable insights into the economic feasibility of these strategies. The findings provide practical guidance for policymakers and stakeholders in developing effective decarbonization policies and supporting sustainable transportation systems.
- Abstract(参考訳): 気候変動対策の世界的な取り組みが強まるにつれ、持続可能な輸送への移行が不可欠である。
本研究では,トロント中心部における都市交通の脱炭戦略をマイクロシミュレートし,自動車技術,交通管理戦略(エコローティング),運転行動(エコドライブ)の環境・経済的影響を評価する。
この研究は、異なる燃料タイプ、コネクテッド・アンド・オートマチック・ビークル(CAV)の浸透率、予測経路戦略を含む140の脱炭シナリオを分析した。
変圧器を用いた予測モデルを用いて, 温室効果ガス (GHG) および窒素酸化物 (NOx) 排出量を平均速度, 走行時間とともに予測する。
キーとなる発見は、100%のバッテリ電気自動車(BEV)がGHG排出量を75%削減していることを示しているが、コストとインフラに関する課題に直面している。
ハイブリッド電気自動車(HEV)はGHGを35-40%削減し、E燃料は5%減らす。
CAVと予測ルーティング戦略を統合することで、GHG排出量を大幅に削減できる。
さらに、エコドライブの実践とエコルート戦略はNOx排出と旅行時間に顕著な影響を及ぼす。
包括的なコスト分析を取り入れることで、この研究はこれらの戦略の経済的実現可能性に関する貴重な洞察を提供する。
本研究は, 効率的な脱炭政策を策定し, 持続可能な輸送システムを支援する上で, 政策立案者や利害関係者に実践的なガイダンスを提供するものである。
関連論文リスト
- The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。
今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。
競争は15の最高パフォーマンスのソリューションで頂点に達した。
論文 参考訳(メタデータ) (2024-05-14T17:59:57Z) - A Scoping Review of Energy-Efficient Driving Behaviors and Applied
State-of-the-Art AI Methods [2.765388013062202]
エネルギー効率の良い運転行動や戦略に関する包括的な調査は行われていない。
多くの最先端AIモデルは、エコフレンドリーな運転スタイルの分析に応用されているが、概観は得られていない。
本稿では、生態的な運転行動とスタイルに関する詳細な文献レビューを行い、エネルギー消費に影響を与える運転要因について分析する。
論文 参考訳(メタデータ) (2024-03-04T13:57:34Z) - Deep Reinforcement Learning-based Intelligent Traffic Signal Controls
with Optimized CO2 emissions [6.851243292023835]
交通ネットワークは、人間の健康や環境に悪影響を及ぼし、交通渋滞に寄与する準最適制御政策の課題に直面している。
文献における適応的な信号制御装置はいくつかあるが、それらの比較性能について限定的な研究がなされている。
EcoLightは,CO2排出量を削減するだけでなく,旅行時間などの指標で競合する結果が得られる強化学習アルゴリズムの報酬形成手法である。
論文 参考訳(メタデータ) (2023-10-19T19:54:47Z) - A Review on AI Algorithms for Energy Management in E-Mobility Services [4.084938013041068]
エモービリティ(E-mobility、電気モビリティ)は、環境や持続可能性の懸念に対処するための重要なソリューションとして登場した。
本稿では,e-mobilityシステムにおける効率的なエネルギー管理に関する様々な課題に,人工知能(AI)が取り組む可能性を探究する。
論文 参考訳(メタデータ) (2023-09-26T16:34:35Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳(メタデータ) (2023-06-13T05:58:57Z) - Driver Assistance Eco-driving and Transmission Control with Deep
Reinforcement Learning [2.064612766965483]
本稿では, モデルフリー深部強化学習(RL)制御エージェントを提案する。
燃料消費を他の運転者の収容目標と交換し、最適な牽引トルクと伝達シフトポリシーを経験から学習する。
燃料効率テーブルの知識を十分に備えたベースラインコントローラと比較して, 燃料消費量の最小化に優れた性能を示す。
論文 参考訳(メタデータ) (2022-12-15T02:52:07Z) - Federated Reinforcement Learning for Real-Time Electric Vehicle Charging
and Discharging Control [42.17503767317918]
本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。
多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。
シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
論文 参考訳(メタデータ) (2022-10-04T08:22:46Z) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳(メタデータ) (2022-07-30T16:23:45Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:08:31Z) - Learning Eco-Driving Strategies at Signalized Intersections [1.7682859739940435]
本研究では,効率的なエコドライブ制御戦略を学習するための強化学習手法を提案する。
我々は,学習戦略が燃料消費,CO2排出,旅行時間に与える影響について分析した。
その結果、25%のCAV侵入でも、全燃料および排出削減効果の少なくとも50%を得られることが示唆された。
論文 参考訳(メタデータ) (2022-04-26T19:45:11Z) - Modelling the transition to a low-carbon energy supply [91.3755431537592]
気候変動の影響を制限するため、低炭素電力供給への移行が不可欠である。
二酸化炭素排出量の削減は、世界がピーク点に達するのを防ぐのに役立ちます。
排気ガスの排出は、世界中の気象条件の極端に繋がる可能性がある。
論文 参考訳(メタデータ) (2021-09-25T12:37:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。