在家用危险废物中应用的数据驱动模型:在上海进行量预测和分类
Kunsen Lin1, Youcai Zhao1, Jia-Hong Kuo2
1The State Key Laboratory of Pollution Control and Resource Reuse, College of Environmental Science and Engineering, Tongji University, 1239 Siping Road, Shanghai 200092, China; Shanghai Institute of Pollution Control and Ecological Security, 1515 North Zhongshan Rd. (No. 2), Shanghai 200092, China.
本研究介绍了基于数据的模型,用于在上海预测和分类家用危险废物 (HHW). 先进的方法预测,到2025年,高温废物将大幅增加,这凸显了对智能废物管理策略的需求.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 废物管理 废物管理
背景情况:
- 有效的城市管理需要精确的预测和家庭危险废物 (HHW) 的智能分类.
- 数据驱动型号具有潜力,但由于有限的HHW数据可用性而面临挑战.
- 以前的研究还没有完全探索HHW预测和分类的先进数据驱动方法.
研究的目的:
- 开发和应用数据驱动模型,用于准确的HHW数量预测和分类在上海.
- 使用先知模型进行HHW预测和HVGGNet结构进行HHW分类.
- 为了优化学习速度,使用循环学习率方法进行高效的模型训练.
主要方法:
- 先知模型与两个网络的集成集成,用于HHW数量预测.
- 基于VGG和转移学习的HVGGNet结构,用于HHW分类.
- 循环学习率方法,以有效地优化全球学习率.
主要成果:
- 平均HHW生成率为0.1g/人/天.
- 主要的HHW类别包括光灯 (30.6%),油漆桶 (26.1%),药品 (26.2%) 和电池 (15.8%).
- HVGGNet-11实现了90.5%的HHW分类精度,上海的HHW预计将从2020年的794.43t上升到2025年的2049.67t.
结论:
- 这项研究成功地证明了数据驱动模型对高高温管理的有效性.
- HVGGNet-11非常适合用于智能高温分类.
- 预计HHW的增加强调了加强废物管理基础设施和政策的紧迫性.
更多相关视频
00:05In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
09:33Visualizing Field Data Collection Procedures of Exposure and Biomarker Assessments for the Household Air Pollution Intervention Network Trial in India
Published on: December 23, 2022
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Hazard Rate
