استفاده از یادگیری ماشین برای پیش بینی تولید زباله جامد شهری در شهرها

مدیریت پسماندهای جامد شهری نشان دهنده یک امر مهم زیست محیطی ، مالی و اجتماعی است چالش برای شهرها درک الگوهای رفتار تولید زباله شهری در خانوار و ترازوهای ساختمانی جزء حیاتی مسیریابی کارآمد مجموعه و طراحی مشوق هایی برای تشویق است بازیافت و کمپوست سازی با این حال، برآوردهای تفکیک مکانی بالا از زباله و بازیافت ساختمان انجام شده است به دلیل فقدان داده های دانه ای برای خواص فردی محدود شده است .[Redzic, N., & Ristic, M. (۲۰۱۳).] این مقاله یک رویکرد تحلیلی جدید را ارائه می دهد،که ترکیبی از تکنیک های یادگیری ماشین و تخمین مساحت کوچک است تا ضایعات هفتگی و روزانه را پیش بینی کند تولید در مقیاس ساختمان با استفاده از داده های جمع آوری روزانه از ۶۰۹ اداره بهداشت شهر نیویورک (DSNY) بخش های فرعی بیش از ده سال، همراه با داده های دقیق در مورد ویژگی های ساختمان فردی ، محله ویژگی های اجتماعی -اقتصادی ، آب و هوا و دادههای جمع آوری در سطح مسیر انتخاب شده، ما تقویت گرادیان را اعمال می کنیم درختان رگرسیون و مدل های شبکه عصبی برای تخمین تناژ زباله و بازیافت روزانه و هفتگی برای هر از بیش از ۷۵۰۰۰۰ ملک مسکون ی در شهر. به دنبال اعتبارسنجی متقاطع و فضایی دو مرحله ای اعتبارسنجی ، نتایج ما نشان می دهد که روش ما قادر به پیش بینی تولید زباله در سطح ساختمان با a است درجه بالایی از دقت روش ما پتانسیل حمایت از بهینه سازی مسیر کامیون جمع آوری را دارد نرخ تولید زباله در سطح ساختمان مورد انتظار و تسهیل مدیریت جدید عادلانه زباله جامد سیاست هایی برای تغییر رفتار و انحراف زباله از محل های دفن زباله براساس معیار و مقایسه عملکرد همتایان.[Bhargava, H. K., & Tettelbach, C. (۱۹۹۷).]

کلیدواژه ها:

مدیریت شهری ، زباله شهری ، تجزیه وتحلیل داده ها ، GIS