Den ständigt ökande produktionen av fast avfall har hotat den naturliga miljön och människors säkerhet de senaste åren. Med den ökande urbaniseringen över hela världen har kommunalt fast avfall (MSW) ökat avsevärt. Den integrerade hanteringen av MSW är en effektiv metod, men korrekt förutsägelse av MSW-generering är ett komplext problem. Vissa traditionella prediktionsmodeller (multivariabel linjär regressionsmodell, tidsserieanalysmodell, etc.) är framgångsrika med enkla metoder, men de väljer vanligtvis en grundläggande matematisk modell i förväg, vilket begränsar förmågan att verkligen återspegla egenskaperna hos MSW.

Maskinförutsägelsemodeller med hög noggrannhet, som kan erhålla nya komplexa data och bryta dem på djupet, används alltmer för att skapa kort-, medellång- och långtidsförutsägelser för MSW-generering. Bland dem har algoritmer som artificiellt neuralt nätverk (ANN), support vector machine (SVM) och gradient boost regression tree (GBRT) använts för att prognostisera MSW-generering. Avsaknaden av en modell med hög noggrannhet baserad på storskalig datainsamling och ett brett utbud av påverkansvariabler begränsar dock modellens breda tillämpbarhet.

För att möta behoven av storskalig omfattande behandling och förverkliga den kortsiktiga MSW-genereringsprognosen, har professor Weijing Lu från Tinghua University och teammedlemmar arbetat tillsammans och använt ett brett utbud av data (landstäckande, stadsbaserad) från 130 städer över hela Kina, och funktionsvariabler på flera nivåer (t.ex. socioekonomiska faktorer, naturliga förhållanden och interna förhållanden) för att etablera en maskininlärningsmodell för multistadsgenerering med hög noggrannhet. Deras arbete analyserade och utforskade avfallshanteringsmodellerna i två typiska storstäder (Peking och Shenzhen) i Kina. Denna studie, med titeln "Utveckling av maskininlärningsmodell för flera städer för förutsägelse av generering av fast avfall i kommunalt avfall," publiceras online i Frontiers of Environmental Science &Engineering .

I denna studie konstruerades en databas med MSW-genererings- och funktionsvariabler som täcker 130 städer över hela Kina. Baserat på databasen antogs en avancerad maskininlärningsalgoritm (GBRT) för att bygga en modell för förutsägelse av avfallsgenerering (WGMod). I modellutvecklingsprocessen identifierades de huvudsakliga påverkande faktorerna på MSW-generering genom viktad analys. De utvalda nyckelpåverkande faktorerna var årsnederbörd, befolkningstäthet och årsmedeltemperatur med vikterna 13 %, 11 % respektive 10 %.

WGMod visade bra prestanda med R ² =0,939. Modellförutsägelser om MSW-generering i Peking och Shenzhen indikerar att avfallsgenereringen i Peking skulle öka gradvis under de kommande 3-5 åren, medan den i Shenzhen skulle växa snabbt under de kommande 3 åren. Skillnaden mellan de två drivs främst av de olika trenderna för befolkningstillväxt.

Denna studie etablerade en databas över MSW-genererings- och funktionsvariabler med 1 012 datauppsättningar som täcker 130 städer över hela Kina. Den utvecklade WGMod presterar ganska bra och är mycket lämplig för att förutsäga MSW-generering i Kina. Denna studie gav vetenskapliga metoder och grundläggande data för en multi-city modell utveckling för MSW generation. + Utforska vidare

Digitala tvillingar i staden hjälper till att träna modeller för djupinlärning för att separera byggnadsfasader