De steeds toenemende productie van vast afval vormt de laatste jaren een bedreiging voor het natuurlijke milieu en de veiligheid van mensen. Met toenemende verstedelijking wereldwijd, is gemeentelijk vast afval (MSW) aanzienlijk toegenomen. Het geïntegreerd beheer van MSW is een effectieve methode, maar de nauwkeurige voorspelling van de MSW-generatie is een complex probleem. Sommige traditionele voorspellingsmodellen (multivariabel lineair regressiemodel, tijdreeksanalysemodel, enz.) zijn succesvol met behulp van eenvoudige methoden, maar ze selecteren meestal vooraf een wiskundig basismodel, waardoor het vermogen om de kenmerken van MSW echt weer te geven, wordt beperkt.

Machinevoorspellingsmodellen met hoge nauwkeurigheid, waarmee nieuwe complexe gegevens kunnen worden verkregen en diepgaand kunnen worden ontgonnen, worden steeds vaker gebruikt om voorspellingen op korte, middellange en lange termijn te maken voor het genereren van MSW. Onder hen zijn algoritmen zoals artificieel neuraal netwerk (ANN), support vector machine (SVM) en gradient boost regression tree (GBRT) gebruikt om het genereren van MSW te voorspellen. Het ontbreken van een zeer nauwkeurig model op basis van grootschalige gegevensverzameling en een breed scala aan invloedsvariabelen beperkt echter de brede toepasbaarheid van het model.

Om te voldoen aan de behoeften van de grootschalige, uitgebreide behandeling en om de voorspelling van de MSW-generatie op korte termijn te realiseren, hebben prof. Weijing Lu van de Tinghua University en teamleden samen gewerkt en een breed scala aan gegevens (landelijk, stadsgebaseerd) gebruikt van 130 steden in heel China, en functievariabelen op meerdere niveaus (bijv. sociaaleconomische factoren, natuurlijke omstandigheden en interne omstandigheden) om met hoge nauwkeurigheid een machine learning-model voor meerdere steden van MSW-generatie vast te stellen. Hun werk analyseerde en verkende de afvalbeheermodellen van twee typische grote steden (Beijing en Shenzhen) in China. Deze studie, getiteld "Ontwikkeling van machine learning multi-city model voor voorspelling van de generatie van vast afval van gemeentelijk afval", is online gepubliceerd in Frontiers of Environmental Science &Engineering .

In deze studie werd een database geconstrueerd van MSW-generatie en kenmerkvariabelen voor 130 steden in heel China. Op basis van de database is een GBRT-algoritme (geavanceerd machine learning) gebruikt om het voorspellingsmodel voor afvalgeneratie (WGMod) te bouwen. In het modelontwikkelingsproces werden de belangrijkste beïnvloedende factoren op de opwekking van MSW geïdentificeerd door middel van gewogen analyse. De geselecteerde belangrijkste beïnvloedende factoren waren jaarlijkse neerslag, bevolkingsdichtheid en jaargemiddelde temperatuur met een gewicht van respectievelijk 13%, 11% en 10%.

De WGMod presteerde goed met R ² =0,939. Modelvoorspelling voor de productie van MSW in Beijing en Shenzhen geeft aan dat de afvalproductie in Beijing de komende 3-5 jaar geleidelijk zal toenemen, terwijl die in Shenzhen de komende 3 jaar snel zou groeien. Het verschil tussen de twee wordt voornamelijk bepaald door de verschillende trends in bevolkingsgroei.

Deze studie heeft een database opgezet van MSW-generatie en functievariabelen met 1.012 datasets die 130 steden in heel China bestrijken. De ontwikkelde WGMod presteert redelijk goed en is zeer geschikt voor het voorspellen van de opwekking van MSW in China. Deze studie leverde wetenschappelijke methoden en basisgegevens voor een modelontwikkeling voor meerdere steden voor de opwekking van MSW. + Verder verkennen

City digital twins helpen bij het trainen van deep learning-modellen om gevels van gebouwen te scheiden