A produção cada vez maior de resíduos sólidos vem ameaçando o meio ambiente natural e a segurança humana nos últimos anos. Com o aumento da urbanização em todo o mundo, os resíduos sólidos urbanos (RSU) aumentaram significativamente. A gestão integrada de RSU é um método eficaz, mas a previsão precisa da geração de RSU é um problema complexo. Alguns modelos tradicionais de previsão (modelo de regressão linear multivariável, modelo de análise de séries temporais, etc.) são bem-sucedidos usando métodos simples, mas geralmente selecionam um modelo matemático básico com antecedência, o que limita a capacidade de refletir verdadeiramente as características do RSU.
Modelos de previsão de máquina com alta precisão, que podem obter novos dados complexos e minerá-los em profundidade, são cada vez mais utilizados para criar previsões de curto, médio e longo prazo para geração de RSU. Entre eles, algoritmos como rede neural artificial (RNA), máquina de vetores de suporte (SVM) e árvore de regressão de impulso de gradiente (GBRT) têm sido empregados para prever a geração de RSU. No entanto, a falta de um modelo de alta precisão baseado na coleta de dados em larga escala e uma ampla gama de variáveis ​​de influência limita a ampla aplicabilidade do modelo.

Para atender às necessidades do tratamento abrangente em larga escala e realizar a previsão de geração de RSU de curto prazo, o Prof. Weijing Lu da Universidade de Tinghua e os membros da equipe trabalharam em conjunto e usaram uma ampla gama de dados (em todo o país, com base na cidade) de 130 cidades em toda a China e variáveis ​​de recursos de vários níveis (por exemplo, fatores socioeconômicos, condições naturais e condições internas) para estabelecer um modelo multi-cidade de aprendizado de máquina de geração de RSU com alta precisão. Seu trabalho analisou e explorou os modelos de gestão de resíduos de duas grandes cidades típicas (Pequim e Shenzhen) na China. Este estudo, intitulado "Desenvolvimento de modelo multi-cidade de aprendizado de máquina para previsão de geração de resíduos sólidos municipais", foi publicado on-line em Frontiers of Environmental Science &Engineering .

Neste estudo, foi construído um banco de dados de geração de RSU e variáveis ​​de características cobrindo 130 cidades em toda a China. Com base no banco de dados, um algoritmo de aprendizado de máquina avançado (GBRT) foi adotado para construir o modelo de previsão de geração de resíduos (WGMod). No processo de desenvolvimento do modelo, os principais fatores influenciadores na geração de RSU foram identificados por meio de análise ponderada. Os principais fatores de influência selecionados foram precipitação anual, densidade populacional e temperatura média anual com pesos de 13%, 11% e 10%, respectivamente.

O WGMod apresentou bom desempenho com R ² =0,939. A previsão do modelo sobre a geração de RSU em Pequim e Shenzhen indica que a geração de resíduos em Pequim aumentaria gradualmente nos próximos 3-5 anos, enquanto a de Shenzhen cresceria rapidamente nos próximos 3 anos. A diferença entre os dois é predominantemente impulsionada pelas diferentes tendências de crescimento populacional.

Este estudo estabeleceu um banco de dados de geração de RSU e variáveis ​​de recursos com 1.012 conjuntos de dados cobrindo 130 cidades em toda a China. O WGMod desenvolvido funciona razoavelmente bem e é muito adequado para prever a geração de RSU na China. Este estudo forneceu métodos científicos e dados básicos para o desenvolvimento de um modelo multi-cidades para geração de RSU. + Explorar mais

Os gêmeos digitais da cidade ajudam a treinar modelos de aprendizado profundo para separar fachadas de edifícios