Forudsigelse af generering af kommunalt fast affald ved hjælp af en maskinlæringsmodel for flere byer

Stadig stigende produktion af fast affald har truet det naturlige miljø og menneskers sikkerhed i de seneste år. Med stigende urbanisering på verdensplan er kommunalt fast affald (MSW) steget markant. Den integrerede styring af MSW er en effektiv metode, men den nøjagtige forudsigelse af MSW-generering er et komplekst problem. Nogle traditionelle forudsigelsesmodeller (multivariabel lineær regressionsmodel, tidsserieanalysemodel osv.) er vellykkede ved brug af simple metoder, men de vælger normalt en grundlæggende matematisk model på forhånd, hvilket begrænser muligheden for virkelig at afspejle MSWs egenskaber.

Maskinforudsigelsesmodeller med høj nøjagtighed, som kan opnå nye komplekse data og mine dem i dybden, bruges i stigende grad til at skabe kort-, mellem- og langsigtede forudsigelser for MSW-generering. Blandt dem er algoritmer som kunstigt neuralt netværk (ANN), support vektormaskine (SVM) og gradient boost regression tree (GBRT) blevet brugt til at forudsige MSW-generering. Men manglen på en model med høj nøjagtighed baseret på dataindsamling i stor skala og en bred vifte af indflydelsesvariable begrænser modellens brede anvendelighed.

For at imødekomme behovene for den omfattende omfattende behandling og realisere den kortsigtede MSW-generationsforudsigelse har prof. Weijing Lu fra Tinghua University og teammedlemmer arbejdet sammen og brugt en bred vifte af data (landsdækkende, bybaseret) fra 130 byer på tværs af Kina, og funktionsvariabler på flere niveauer (f.eks. socioøkonomiske faktorer, naturlige forhold og interne forhold) for at etablere en maskinlæringsmodel for multibyer af MSW-generering med høj nøjagtighed. Deres arbejde analyserede og udforskede affaldshåndteringsmodellerne i to typiske storbyer (Beijing og Shenzhen) i Kina. Denne undersøgelse, med titlen "Udvikling af maskinlæringsmodel for flere byer til forudsigelse af generering af kommunalt affald," er offentliggjort online i Grænser for miljøvidenskab og ingeniørvirksomhed .

I denne undersøgelse blev en database med MSW-genererings- og funktionsvariabler, der dækker 130 byer i hele Kina, konstrueret. Baseret på databasen blev en avanceret maskinlæringsalgoritme (GBRT) vedtaget til at bygge affaldsgenereringsforudsigelsesmodellen (WGMod). I modeludviklingsprocessen blev de væsentligste indflydelsesfaktorer på MSW-generering identificeret ved vægtet analyse. De udvalgte nøglepåvirkningsfaktorer var årlig nedbør, befolkningstæthed og årsmiddeltemperatur med vægtene på henholdsvis 13 %, 11 % og 10 %.

WGMod viste god præstation med R ² =0,939. Modelforudsigelser om MSW-produktion i Beijing og Shenzhen indikerer, at affaldsproduktionen i Beijing vil stige gradvist i de næste 3-5 år, mens den i Shenzhen vil vokse hurtigt i de næste 3 år. Forskellen mellem de to er overvejende drevet af de forskellige tendenser i befolkningstilvæksten.

Denne undersøgelse etablerede en database over MSW-genererings- og funktionsvariabler med 1.012 datasæt, der dækker 130 byer i hele Kina. Den udviklede WGMod fungerer rimeligt godt og er meget velegnet til at forudsige MSW-generering i Kina. Denne undersøgelse tilvejebragte videnskabelige metoder og grundlæggende data til en multi-by model udvikling for MSW generation. + Udforsk yderligere

Byens digitale tvillinger hjælper med at træne deep learning-modeller til at adskille bygningsfacader