高度なロバスト機械学習を用いた都市固形廃棄物管理の予測モデリング | JoVE Visualize

科学分野:

環境科学
コンピュータサイエンス
データサイエンス

背景:

都市化と技術の進歩により都市固形廃棄物（MSW）が増加しており、効果的な都市固形廃棄物管理（MSWM）のためには高度な予測モデルが求められています。
従来の廃棄物管理アプローチはしばしば事後的であり、持続可能で効率的な運用に必要な先見性が欠けています。
機械学習（ML）は、先見的なMSWM戦略の開発の可能性を提供します。

研究の目的:

畳み込みニューラルネットワーク（CNN）、サポートベクターマシン（SVM）、多層パーセプトロン（MLP）、ロジスティック回帰（LR）を含む機械学習（ML）技術を統合および評価し、MSWM予測を最適化すること。
現在の研究におけるギャップに対処するため、MSWM予測にCNNを適用することを先駆的に行うこと。
正確な廃棄物生成予測を通じてMSWMにおける戦略計画を強化すること。

主な方法:

データ収集、前処理、モデル開発、検証を含む構造化された9段階のワークフローを採用しました。
トレーニング、テスト、検証のために、人口密度、廃棄物組成などの20の変数を持つ4,341件のレコードのKaggleソースデータセットを利用しました。
決定係数（R²）および二乗平均平方根誤差（RMSE）などの統計的指標を使用してパフォーマンスを評価しました。

主要な成果:

畳み込みニューラルネットワーク（CNN）は、トレーニング、テスト、検証データセット全体で優れた精度を示し、それぞれR²値0.999、0.996、0.996を達成しました。
CNNは、都市固形廃棄物生成の予測において、SVM、MLP、LRよりも優れた性能を発揮しました。
モデルの非線形関係およびデータの異常を処理する能力により、正確な予測が可能となり、ルート最適化およびリソース割り当てが改善されました。

結論:

機械学習、特にCNNは、MSWMに革新的なアプローチを提供し、事後的な管理から先見的な管理への移行を可能にします。
正確な廃棄物生成予測は、運用効率を向上させ、環境持続可能性の目標をサポートします。
本研究は、MSWM予測におけるCNNの新規性と、過学習を防ぐための正則化戦略を強調しています。