• Energy Research
• Transport Research close

Forecasted/projected rise of impacts in modes of transportation has necessitated a new rethinking of the evaluation of total impact. While most researchers deal with defined parts (like environmental impact) of the total impact. The total impact calculation methodology includes: (1) analysis of all the impacts (environmental impact, safety and security, costs, cost benefits and sustainability), (2) evaluation on the transportation system level, (3) as their total value (including all the related sub-systems and elements, i.e. transport infrastructure, transport flow control), (4) generation of total impact index. Such an index might be called as transport total sustainability index. The paper defines the Total Impact Performance Index (TIPI) evaluating the total impact in the form of generalized (summarized) costs, specifies its calculation methodology, develops a simplified Excel based calculation methods. It aims to demonstrate the applicability of this methodology, which involves evaluation of impacts in more detailed forms, two parts calculation methods namely impact of road transport safety aspects and impact of the railway transport. Finally, some selected results of the applied new index calculation and developed methodology are introduced and analysed.

Affichage des formules : ?Les formules mathématiques ont été codées en MathML et sont affichées dans cette version HTML à l'aide de MathJax afin d'améliorer leur affichage. Décochez la case pour désactiver MathJax. Cette fonctionnalité nécessite Javascript. Cliquez sur une formule pour zoomer. Visualización de fórmulas: las fórmulas matemáticas se han codificado como MathML y se muestran en esta versión HTML utilizando MathJax para mejorar su visualización. Desmarque la casilla para desactivar MathJax. Esta función requiere Javascript. Haz clic en una fórmula para hacer zoom. Formulae display:?Mathematical formulae have been encoded as MathML and are displayed in this HTML version using MathJax in order to improve their display. Uncheck the box to turn MathJax off. This feature requires Javascript. Click on a formula to zoom. عرض الصيغ:? تم ترميز الصيغ الرياضية كـ MathML ويتم عرضها في إصدار HTML هذا باستخدام MathJax لتحسين عرضها. قم بإلغاء تحديد المربع لإيقاف تشغيل MathJax. تتطلب هذه الميزة جافا سكريبت. انقر على صيغة للتكبير/التصغير.

The Government of Punjab, through Government of India’s (GoI) Department of Economic Affairs (DEA) had requested the World Bank to provide non-lending technical assistance (NLTA) to provide high quality basic urban civic amenities to the residents of cities of Ludhiana and Amritsar in the areas of: water supply, sewerage, storm water drainage, solid waste management, and modern urban transport system. The study is expected to recommend measures and technologies to overcome the existing problems and transform the cities in to modern cities with substantially developed urban civic amenities. Capacity building, institution, and legal reforms will also be the component of the project report. After initial discussions with sector officials, a Bank team visited both Amritsar and Ludhiana cities to identify priority service level innovations and institutional challenges that have to be addressed under this NLTA for achieving desired transformative change. Currently, water supply is drawn from hundreds of unprotected bore wells across length and breadth of the city - which supply polluted water through an unplanned haphazard network. Utility, fully owned by the municipal corporation, will have operational autonomy to manage water and waste water services, whilst still be accountable to the corporation. Financial position will become clear, it can focus on becoming financially self-sustaining. The utility will make long term plans for water supply and sewage; and with government support may also be able to mobilize resources through this is unlikely in the short term in Amritsar.

Au cours des dix dernières années, les efforts mondiaux ont poursuivi une politique ambitieuse de développement durable, en particulier dans le secteur de l'énergie. Cette ambition s'est révélée par des progrès notables dans le déploiement et le développement d'infrastructures pour la production d'énergie électrique renouvelable. Ces infrastructures combinées au déploiement des communications filaires et sans fil pourraient soutenir les actions de recherche dans le domaine de l'électromobilité connectée. De plus, ces progrès se sont manifestés par le développement des véhicules électriques (VE), qui pénètrent de plus en plus nos routes de transport. Ils sont considérés parmi les solutions potentielles, qui sont envisagées pour réduire davantage les émissions de gaz à effet de serre du transport routier, en s'appuyant sur une production d'énergie à faible émission de carbone. Cependant, l'incertitude causée à la fois par les perturbations routières externes et le comportement des conducteurs pourrait influencer la prédiction des demandes de puissance à venir. Ces derniers sont principalement affectés par l'imprévisibilité de la vitesse des véhicules électriques sur les routes de transport. Dans ce travail, nous introduisons une plate-forme de gestion de l'énergie, qui s'interface avec des composants embarqués, en utilisant un système intégré développé, et des services externes, en utilisant les technologies IoT et Big Data, pour une utilisation efficace de l'énergie de la batterie. La plate-forme a été déployée dans des scénarios réels et testée pour la prédiction de la vitesse des véhicules électriques. En fait, nous avons utilisé des données de conduite, qui ont été collectées sur les routes urbaines de Rabat-Salé-Kénitra (RSK) par notre véhicule électrique Twizy. Un algorithme multivarié de mémoire à long terme (LSTM) a été développé et déployé pour la prévision de la vitesse. L'efficacité de LSTM a été évaluée par rapport à des algorithmes bien connus : Auto Regressive Integrated Moving Average (ARIMA), Convolutional Neural Network (CNN) et Convolutional LSTM (ConvLSTM). Des expériences ont été menées en utilisant deux approches ; l'ensemble des données de trajectoire et les ensembles de données de trajectoire segmentés pour former les modèles. Les résultats de l'expérimentation montrent que LSTM surpasse les autres algorithmes utilisés en termes de prévision de la vitesse, en particulier lors de l'utilisation de l'approche de segmentation de trajectoire. Durante los últimos diez años, los esfuerzos mundiales han perseguido una ambiciosa política de desarrollo sostenible, particularmente en el sector energético. Esta ambición fue revelada por un notable progreso en el despliegue y desarrollo de infraestructuras para la producción de energía eléctrica renovable. Estas infraestructuras combinadas con el despliegue de comunicaciones cableadas e inalámbricas podrían apoyar las acciones de investigación en el campo de la electromovilidad conectada. Asimismo, este avance se manifestó con el desarrollo de los vehículos eléctricos (VE), penetrando cada vez más en nuestras vías de transporte. Se consideran entre las posibles soluciones, que se prevén para reducir aún más las emisiones de gases de efecto invernadero del transporte por carretera, basándose en la producción de energía baja en carbono. Sin embargo, la incertidumbre causada tanto por las perturbaciones externas de la carretera como por el comportamiento de los conductores podría influir en la predicción de las próximas demandas de energía. Estos últimos se ven afectados principalmente por la imprevisibilidad de la velocidad de los vehículos eléctricos en las carreteras de transporte. En este trabajo, presentamos una plataforma de gestión de energía, que interactúa con los componentes del vehículo, utilizando un sistema integrado desarrollado, y servicios externos, utilizando tecnologías de IoT y big data, para un uso eficiente de la energía de la batería. La plataforma se implementó en escenarios reales y se probó para la predicción de la velocidad de los vehículos eléctricos. De hecho, hemos utilizado datos de conducción, que han sido recopilados en las vías urbanas de Rabat-Salé-Kénitra (RSK) por nuestro Twizy EV. Se desarrolló e implementó un algoritmo multivariante de memoria a largo plazo (LSTM) para la predicción de la velocidad. La efectividad de LSTM se evaluó frente a algoritmos bien conocidos: Auto Regressive Integrated Moving Average (ARIMA), Convolutional Neural Network (CNN) y Convolutional LSTM (ConvLSTM). Los experimentos se han realizado utilizando dos enfoques; todo el conjunto de datos de trayectoria y conjuntos de datos de trayectoria segmentados para entrenar los modelos. Los resultados de la experimentación muestran que LSTM supera a los otros algoritmos utilizados en términos de pronóstico de la velocidad, especialmente cuando se utiliza el enfoque de segmentación de trayectoria. During the past ten years, worldwide efforts have been pursuing an ambitious policy of sustainable development, particularly in the energy sector. This ambition was revealed by noticeable progress in the deployment and development of infrastructures for the production of renewable electrical energy. These infrastructures combined with the deployment of wired and wireless communications could support research actions in the field of connected electro-mobility. Also, this progress was manifested by the development of electric vehicles (EV), penetrating our transportation roads more and more. They are considered among the potential solutions, which are envisaged to further reduce road transport's greenhouse gas emissions, relying on low-carbon energy production. However, the uncertainty caused by both external road disturbances and drivers' behavior could influence the prediction of upcoming power demands. These latter are mainly affected by the unpredictability of the electric vehicles' speed on transportation roads. In this work, we introduce an energy management platform, which interfaces with in-vehicle components, using a developed embedded system, and external services, using IoT and big data technologies, for efficient battery power use. The platform was deployed in real-setting scenarios and tested for EV speed prediction. In fact, we have used driving data, which have been collected on Rabat-Salé-Kénitra (RSK) urban roads by our Twizy EV. A multivariate Long Short Term Memory (LSTM) algorithm was developed and deployed for speed forecasting. The effectiveness of LSTM was evaluated against well-known algorithms: Auto Regressive Integrated Moving Average (ARIMA), Convolutional Neural Network (CNN) and Convolutional LSTM (ConvLSTM). Experiments have been conducted using two approaches; the whole trajectory dataset and segmented trajectory datasets to train the models. The experimentation results show that LSTM outperforms the other used algorithms in terms of forecasting the speed, especially when using the trajectory segmentation approach. خلال السنوات العشر الماضية، اتبعت الجهود العالمية سياسة طموحة للتنمية المستدامة، لا سيما في قطاع الطاقة. وقد تم الكشف عن هذا الطموح من خلال التقدم الملحوظ في نشر وتطوير البنى التحتية لإنتاج الطاقة الكهربائية المتجددة. يمكن أن تدعم هذه البنى التحتية جنبًا إلى جنب مع نشر الاتصالات السلكية واللاسلكية الإجراءات البحثية في مجال التنقل الكهربائي المتصل. كما تجلى هذا التقدم في تطوير المركبات الكهربائية (EV)، واختراق طرق النقل لدينا أكثر فأكثر. وهي تعتبر من بين الحلول المحتملة، المتوخاة لزيادة خفض انبعاثات غازات الدفيئة في النقل البري، بالاعتماد على إنتاج طاقة منخفضة الكربون. ومع ذلك، فإن عدم اليقين الناجم عن كل من اضطرابات الطرق الخارجية وسلوك السائقين يمكن أن يؤثر على التنبؤ بمتطلبات الطاقة القادمة. تتأثر هذه الأخيرة بشكل أساسي بعدم القدرة على التنبؤ بسرعة المركبات الكهربائية على طرق النقل. في هذا العمل، نقدم منصة لإدارة الطاقة، تتفاعل مع المكونات داخل السيارة، باستخدام نظام مضمن متطور، وخدمات خارجية، باستخدام تقنيات إنترنت الأشياء والبيانات الضخمة، لاستخدام طاقة البطارية بكفاءة. تم نشر المنصة في سيناريوهات حقيقية واختبارها للتنبؤ بسرعة السيارة الكهربائية. في الواقع، استخدمنا بيانات القيادة، التي تم جمعها على الطرق الحضرية في الرباط - سلا - القنيطرة (RSK) بواسطة سيارتنا الكهربائية تويزي. تم تطوير خوارزمية الذاكرة طويلة المدى (LSTM) متعددة المتغيرات ونشرها للتنبؤ بالسرعة. تم تقييم فعالية LSTM مقابل خوارزميات معروفة: المتوسط المتحرك المتكامل الانحداري التلقائي (ARIMA)، والشبكة العصبية الالتفافية (CNN) و LSTM الالتفافية (ConvLSTM). تم إجراء التجارب باستخدام نهجين ؛ مجموعة بيانات المسار بأكملها ومجموعات بيانات المسار المجزأة لتدريب النماذج. تظهر نتائج التجربة أن LSTM يتفوق على الخوارزميات الأخرى المستخدمة من حيث التنبؤ بالسرعة، خاصة عند استخدام نهج تجزئة المسار.

This Country Environmental Analysis (CEA) has been developed by the World Bank in cooperation with the Government of Jordan. It aims to integrate environment into development and poverty reduction priorities. The CEA will be a vital instrument for designing Jordans future policies, by integrating the economic policy tools in our decision making processes. As the latest economic crises and its implications have shown, an economic model that is based on consumption alone cannot be sustained; accordingly many countries identified the need to green their economics as the base for sustainable growth and development. Jordans green economic initiative will enhance social integration, economic growth an environmental sustainability within one focused, measured and stable economic plan. Jordan is a small country that is rich in human capital; the green journey will be a twenty years program to retrofit our infrastructure, to become energy, water and resource efficient. The recommendations identified in this document will be the main drivers for the environmental policies in the country. The issue of adequate incentives for better quantity management clearly remains important, but is not addressed in this report. After the national agenda was established, it appears that the reduction of water related subsidies and the creation of incentives for allocating water to higher value added uses are being recognized as necessities that public policies will address in the future.

The primary objective of the Southern Gobi Regional Environmental Assessment (REA) is to provide guidance for sustainable management of environmental resources in the future development of the Southern Gobi Region (SGR), development that will be led by rapid expansion of mining. The REA defines two development scenarios-a base-case and a high case-and explores their direct and indirect impacts on the natural environment, taking into account the opportunities, constraints, and vulnerabilities of the Gobi natural systems; the individual and cumulative direct environmental impacts and potential indirect impacts of the planned development; and, at a general level, the institutional capacity to manage the impacts. The REA target audience includes government officials at central, regional, and local levels; private sector investors and the consultants who are engaged for project design and environmental impact assessment; development finance organizations; and Mongolian civil society. This report was discussed in draft form at stakeholder workshops held in Ulaanbaatar and Dalanzagdad in April 2009 and has been revised to reflect comments received. Thanks are due to all those who joined those discussions. The report draws on information from workshops held in Mongolia, in May, September, and October 2008, and a field mission to the Southern Gobi Region in November 2008. Other information was obtained from various mining companies in Mongolia including Ivanhoe mines Mongolia, Inc., and its consultant Eco Trade; Rio Tinto; Energy Resources LLC; and South Gobi Sands.