Hvordan AI slår regneark i modellering af fremtidige mængder til håndtering af byaffald

Over hele verden, store byer er ved at løbe tør for plads til kommunalt fast affald. Eksisterende lossepladser fylder hurtigt op, og ingen ønsker et nyt sted i nærheden af ​​deres hjem eller virksomheder. I mellemtiden, skatteyderne er ikke interesseret i højere omkostninger til kvalitetsaffaldshåndtering.

En måde at forlænge levetiden på eksisterende affaldshåndteringssteder betydeligt er genbrug. Genbrug kan også give beskæftigelse, hjælpe med at etablere en cirkulær økonomi eller bevæge sig mod nul affald. Men ofte, husstande er meget modstandsdygtige over for genbrug.

En nylig undersøgelse rapporterer en kraftfuld kunstig intelligens (AI) teknik til at forudsige deponeringskrav til en by på lang sigt. Forskerne brugte maskinlæring til at forudsige kommunalt fast affald i en stor afrikansk by. Prognosen viser, hvor meget affald der vil være om 30 år, hvis genbrugsniveauet forbliver det samme.

Dr. Olusola Olaitan Ayeleru og Lanrewaju Ibrahim Fajimi offentliggjorde deres forskning i Journal of Cleaner Production . Begge er på Institut for Kemiteknik ved University of Johannesburg.

Planlægning af affald med regneark

Det er svært at forudsige, hvornår en bys lossepladser vil løbe tør for plads, selv når nøjagtige oplysninger er tilgængelige. Imidlertid, konventionel statistisk prognose ved hjælp af et regneark kan være god nok til at planlægge 30 år frem i tiden.

På samme tid, regneark med masser af manuelt justerede formler og makroer er svære at forstå. Disse kan også være tidskrævende og vanskelige at vedligeholde.

Men prognoser for forskellige genbrugsscenarier er muligvis ikke mulige på regneark. Tager befolkningstilvækst, affaldstyper, vejr og andre datasæt i betragtning i en sådan prognose er muligvis ikke mulig, enten.

I udviklingslande, oplysninger om affald, der genereres i en by, mangler ofte eller er unøjagtige. Her, regneark vil sandsynligvis ikke give byledere prognoser for langsigtet planlægning.

Imidlertid, maskinlæringsmodeller kan trænes ud fra de tilgængelige data, og fra flere data tilføjet senere. Også, maskinlæring er bedre egnet til at drage fordel af flere datasæt i forskellige formater.

En by i hastig vækst

Johannesburg er det økonomiske knudepunkt i Sydafrika og den største by i landet. Det tiltrækker mennesker fra andre provinser og udenlandske statsborgere på jagt efter job.

Til denne undersøgelse, kun City of Johannesburg Metropolitan Municipality var inkluderet. Dette strækker sig fra Diepsloot og Midrand i nord til Ennerdale/Orange Farm i syd; Doornkop/Soweto i vest til Bruma i øst. Nabobyerne Ekhurhuleni, Tshwane, Mogale, Merafong, Rand West, Emfuleni, Midvaal og Lesedi blev udelukket fra undersøgelsen.

Mellem 1996 og 2001, befolkningen i byen Johannesburg voksede fra 2,59 millioner til 3,22 millioner. I 2011, byens befolkning var 4,43 millioner, ifølge de nationale folketællingsdata. Samme år, 90% af anslået 59 millioner tons almindeligt affald produceret i Sydafrika endte på lossepladser, mens 10% blev genbrugt. Nationalt, 12,9% af storbyens husstande rapporterede selv, at de genbrugte, efterfulgt af 10,8% af husholdningerne på tværs af byområder.

For 2021, byens befolkning blev forudset til 5,3 millioner, i henhold til sin 2019/2020 integrerede udviklingsplan.

Byen driver i øjeblikket fire lossepladser. I september 2020, COO for Pickitup, byens affaldshåndteringsfirma, rapporterede, at der er fire og et halvt års kapacitet tilbage på disse steder.

I 2018, byen startede et separations-ved-kilde genbrugsprogram. Afdelingen genbruger plast, papir, glas og dåser, samt husholdningsgenereret haveaffald. I februar 2021, Pickitup annoncerede et co-produktionsprogram med 48 virksomheder. Målet er at øge affaldsopsamlingen, gadeoprydning og genbrugsbevidsthed og uddannelse i byen. Femten nye Pickitup -medarbejdere pr. Afdeling vil koordinere programmet.

Data tilsluttet AI

Ayeleru og Fajimi brugte maskinlæring til at forudsige det faste kommunale affald i Johannesburg om 30 år ved hjælp af en standard bærbar computer med en i7 -processor. Forskerne brugte folketællingsdata fra 2011, der angav befolkning, formelt ansat, arbejdsløse og antallet af familieenheder. Dataene blev leveret af det nationale regeringsorgan StatsSA. De kombinerede dette med data om samlet årligt fast kommunalt affald på byens fire lossepladser, fra 1996 til 2008. Disse data blev leveret af byen Johannesburg.

I dette studie, Fajimi brugte to slags maskinlæring til at generere 30-årige prognoser for totalt fast affald genereret i byen. Begge algoritmer er kendt for nøjagtige forudsigelser og konsistens.

Den første type er kunstige neurale netværk (ANN'er). Denne type model kan lære af sig selv. Forskerne brugte fem-, 10-, 20-, 30- og 40-neuron-modeller til at lave fem prognoser Forskerne brugte MATLAB-software, som har en robust ANN neural montering værktøjskasse.

Den anden type kaldes understøttede vektormaskiner (SVM'er). Forskerne brugte lineær, kvadratisk, kubisk, en gaussian, medium gaussiske og grove gaussiske metoder i MATLAB -software til at lave yderligere seks prognoser.

10-neuron-modellen producerede den bedste ANN-prognose. Blandt SVM'erne frembragte den lineære model den bedste prognose.

AI -bundlinjen

10-neuron-modellen forudsagde, at befolkningen i byen Johannesburg sandsynligvis vil stige fra 5,3 millioner i 2021 til 6,4 millioner i 2031; og til 8,4 millioner i 2050. I modsætning hertil var modellen forudsagde ikke den samme stigning i kommunalt fast affald. I stedet, den forudsagde en stigning i det samlede årlige affald fra 1,61 millioner tons i 2021 til 1,72 millioner tons i 2031; og til 1,95 millioner tons i 2050.

"Man kan forvente, at affaldsproduktionen burde stige i takt med, at befolkningen stiger, men dette er også afhængigt af faktorer som lav eller høj købekraft eller indtægtskilde, "siger Ayeleru.

"Når borgerne mister deres indtægtskilde, eller købekraften er lav, mængden af ​​affald, der genereres, ville blive reduceret, da de ville lave mad derhjemme i forhold til at købe færdiglavet mad på restaurant, for eksempel."

Næste skridt

I opfølgende forskning, Ayeleru og Fajimi undersøger, hvordan man bruger AI til at forudsige affaldstyperne, og hvor meget indkomst byen kan generere fra hver af dem. "City of Johannesburg gør det i øjeblikket meget bedre i sin affaldshåndtering i forhold til andre store byer på kontinentet. Denne AI -prognose kan hjælpe med at lette byens design af fremtidens affaldshåndteringsinfrastruktur, "siger Ayeleru.

"På kort sigt, det første skridt byen kan tage er at uddanne folk, så de begynder at genbruge mere. For det andet, byen skal muligvis se ud over, hvad de gør i øjeblikket for at generere indtægter fra fast affald. "