Modelado predictivo avanzado de gestión de residuos sólidos municipales utilizando aprendizaje automático robusto

Área de la Ciencia:

• Ciencias Ambientales
• Ciencias de la Computación
• Ciencia de Datos

Sus antecedentes:

• El aumento de la urbanización y la tecnología ha incrementado los residuos sólidos municipales (MSW), lo que exige modelos predictivos avanzados para una gestión eficaz de los residuos sólidos municipales (MSWM).
• Los enfoques tradicionales de gestión de residuos suelen ser reactivos y carecen de la previsión necesaria para operaciones sostenibles y eficientes.
• El aprendizaje automático (ML) ofrece potencial para desarrollar estrategias proactivas de MSWM.

Objetivo del estudio:

• Integrar y evaluar técnicas de aprendizaje automático (ML), incluidas las Redes Neuronales Convolucionales (CNN), Máquinas de Vectores de Soporte (SVM), Perceptrones Multicapa (MLP) y Regresión Logística (LR), para optimizar la previsión de MSWM.
• Ser pionero en la aplicación de CNN para la predicción de MSWM, abordando una brecha en la investigación actual.
• Mejorar la planificación estratégica en MSWM a través de predicciones precisas de la generación de residuos.

Principales métodos:

• Se empleó un flujo de trabajo estructurado de nueve pasos, que incluyó la recopilación de datos, el preprocesamiento, el desarrollo del modelo y la validación.
• Se utilizó un conjunto de datos de Kaggle de 4341 registros con 20 variables (por ejemplo, densidad de población, composición de residuos) para entrenamiento, prueba y validación.
• El rendimiento se evaluó utilizando métricas estadísticas como R al cuadrado (R²) y el Error Cuadrático Medio (RMSE).

Principales resultados:

• Las Redes Neuronales Convolucionales (CNN) demostraron una precisión superior en los conjuntos de datos de entrenamiento, prueba y validación, logrando valores de R² de 0.999, 0.996 y 0.996, respectivamente.
• La CNN superó a SVM, MLP y LR en la predicción de la generación de residuos sólidos municipales.
• La capacidad del modelo para manejar relaciones no lineales e irregularidades en los datos condujo a predicciones precisas, mejorando la optimización de rutas y la asignación de recursos.

Conclusiones:

• El aprendizaje automático, en particular la CNN, ofrece un enfoque transformador para la MSWM, lo que permite pasar de una gestión reactiva a una proactiva.
• La previsión precisa de la generación de residuos mejora la eficiencia operativa y apoya los objetivos de sostenibilidad ambiental.
• El estudio destaca la novedad del uso de CNN para la predicción de MSWM y sus estrategias de regularización para prevenir el sobreajuste.