• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • Previsione della produzione di rifiuti solidi urbani utilizzando un modello multi-città di apprendimento automatico

    Nessuno. Crediti:Wenjing Lu, Weizhong Huo, Huwanbieke Gulina, Chao Pan.

    Negli ultimi anni la produzione di rifiuti solidi in costante aumento ha minacciato l'ambiente naturale e la sicurezza umana. Con la crescente urbanizzazione in tutto il mondo, i rifiuti solidi urbani (RSU) sono aumentati in modo significativo. La gestione integrata dei RSU è un metodo efficace, ma la previsione accurata della generazione di RSU è un problema complesso. Alcuni modelli di predizione tradizionali (modello di regressione lineare multivariabile, modello di analisi di serie temporali, ecc.) hanno successo utilizzando metodi semplici, ma di solito selezionano in anticipo un modello matematico di base, che limita la capacità di riflettere veramente le caratteristiche dei rifiuti solidi urbani.

    I modelli di previsione delle macchine con elevata precisione, in grado di ottenere nuovi dati complessi ed estrarli in profondità, sono sempre più utilizzati per creare previsioni a breve, medio e lungo termine per la generazione di RSU. Tra questi, algoritmi come la rete neurale artificiale (ANN), la macchina vettoriale di supporto (SVM) e l'albero di regressione del gradiente boost (GBRT) sono stati impiegati per prevedere la generazione di RSU. Tuttavia, la mancanza di un modello ad alta precisione basato su una raccolta di dati su larga scala e un'ampia gamma di variabili di influenza limita l'ampia applicabilità del modello.

    Per soddisfare le esigenze del trattamento completo su larga scala e realizzare la previsione a breve termine della generazione di RSU, il Prof. Weijing Lu dell'Università di Tinghua e i membri del team hanno lavorato insieme e utilizzato un'ampia gamma di dati (a livello nazionale, in città) da 130 città in tutta la Cina e variabili caratteristiche multi-livello (ad es. fattori socioeconomici, condizioni naturali e condizioni interne) per stabilire un modello multi-città di apprendimento automatico della generazione di RSU con elevata precisione. Il loro lavoro ha analizzato ed esplorato i modelli di gestione dei rifiuti di due tipiche grandi città (Pechino e Shenzhen) in Cina. Questo studio, intitolato "Development of machine learning multi-city model for municipal solid waste generation forecast", è pubblicato online in Frontiers of Environmental Science &Engineering .

    In questo studio è stato costruito un database della generazione di RSU e delle variabili caratteristiche che copre 130 città in tutta la Cina. Sulla base del database, è stato adottato un algoritmo di apprendimento automatico avanzato (GBRT) per costruire il modello di previsione della generazione dei rifiuti (WGMod). Nel processo di sviluppo del modello, i principali fattori di influenza sulla generazione di RSU sono stati identificati mediante analisi ponderata. I fattori di influenza chiave selezionati sono stati le precipitazioni annuali, la densità di popolazione e la temperatura media annuale con i pesi rispettivamente del 13%, 11% e 10%.

    Il WGMod ha mostrato buone prestazioni con R 2 =0,939. La previsione del modello sulla produzione di RSU a Pechino e Shenzhen indica che la produzione di rifiuti a Pechino aumenterebbe gradualmente nei prossimi 3-5 anni, mentre quella a Shenzhen crescerebbe rapidamente nei prossimi 3 anni. La differenza tra i due è principalmente determinata dalle diverse tendenze di crescita della popolazione.

    Questo studio ha creato un database di generazione di RSU e variabili caratteristiche con 1.012 set di dati che coprono 130 città in tutta la Cina. Il WGMod sviluppato funziona abbastanza bene ed è molto adatto per prevedere la generazione di RSU in Cina. Questo studio ha fornito metodi scientifici e dati di base per lo sviluppo di un modello multi-città per la generazione di RSU. + Esplora ulteriormente

    I digital twin delle città aiutano a formare modelli di deep learning per separare le facciate degli edifici




    © Scienza https://it.scienceaq.com