Prédiction de la production de déchets solides municipaux à l’aide d’un modèle d’apprentissage automatique multi-villes

La production sans cesse croissante de déchets solides menace l’environnement naturel et la sécurité humaine depuis quelques années. Avec l’urbanisation croissante dans le monde, les déchets solides municipaux (MSW) ont considérablement augmenté. La gestion intégrée des MSW est une méthode efficace, mais la prédiction précise de la génération de MSW est un problème complexe. Certains modèles de prédiction traditionnels (modèle de régression linéaire multivariable, modèle d’analyse de séries chronologiques, etc.) réussissent en utilisant des méthodes simples, mais ils sélectionnent généralement un modèle mathématique de base à l’avance, ce qui limite la capacité de refléter véritablement les caractéristiques des MSW.

Les modèles de prédiction machine de haute précision, qui peuvent obtenir de nouvelles données complexes et les exploiter en profondeur, sont de plus en plus utilisés pour créer des prédictions à court, moyen et long terme pour la génération de MSW. Parmi eux, des algorithmes tels que le réseau de neurones artificiels (ANN), la machine à vecteurs de support (SVM) et l’arbre de régression à amplification de gradient (GBRT) ont été utilisés pour prévoir la génération de MSW. Cependant, l’absence d’un modèle de haute précision basé sur une collecte de données à grande échelle et un large éventail de variables d’influence limite la large applicabilité du modèle.

Pour répondre aux besoins du traitement complet à grande échelle et réaliser la prédiction de génération de MSW à court terme, le professeur Weijing Lu de l’Université de Tinghua et les membres de l’équipe ont travaillé conjointement et utilisé un large éventail de données (à l’échelle du pays, basées sur la ville) de 130 villes à travers la Chine, et variables de caractéristiques à plusieurs niveaux (par exemple, facteurs socio-économiques, conditions naturelles et conditions internes) pour établir un modèle d’apprentissage automatique multi-villes de génération de MSW avec une grande précision. Leurs travaux ont analysé et exploré les modèles de gestion des déchets de deux grandes villes typiques (Pékin et Shenzhen) en Chine. Cette étude, intitulée « Développement d’un modèle d’apprentissage automatique multi-villes pour la prédiction de la production de déchets solides municipaux », est publiée en ligne dans Frontières des sciences et de l’ingénierie de l’environnement.

Dans cette étude, une base de données de génération de MSW et de variables de caractéristiques couvrant 130 villes à travers la Chine a été construite. Sur la base de la base de données, un algorithme d’apprentissage automatique avancé (GBRT) a été adopté pour construire le modèle de prédiction de la production de déchets (WGMod). Dans le processus de développement du modèle, les principaux facteurs influençant la génération de MSW ont été identifiés par une analyse pondérée. Les principaux facteurs d’influence sélectionnés étaient les précipitations annuelles, la densité de population et la température moyenne annuelle avec des pondérations de 13 %, 11 % et 10 %, respectivement.

Le WGMod a montré de bonnes performances avec R²=0,939. La prédiction du modèle sur la production de DSM à Pékin et à Shenzhen indique que la production de déchets à Pékin augmenterait progressivement au cours des 3 à 5 prochaines années, tandis que celle à Shenzhen augmenterait rapidement au cours des 3 prochaines années. La différence entre les deux est principalement due aux différentes tendances de la croissance démographique.

Cette étude a établi une base de données sur la génération de MSW et les variables de caractéristiques avec 1 012 ensembles de données couvrant 130 villes à travers la Chine. Le WGMod développé fonctionne raisonnablement bien et est très approprié pour prédire la génération de MSW en Chine. Cette étude a fourni des méthodes scientifiques et des données de base pour le développement d’un modèle multi-villes pour la génération de MSW.

Fourni par la presse de l’enseignement supérieur