集成机器学习方法与过量采样技术用于预测废物转化为能源焚烧项目的区域适用性

科学领域:

• 环境工程 环境工程
• 可持续发展 可持续发展 可持续发展
• 机器学习应用 机器学习应用

背景情况:

• 中国的废物能源 (WtE) 战略需要改进选址方法.
• 传统的WtE场地评估与创新,数据适应和刚性假设作斗争.

研究的目的:

• 通过使用数据驱动的方法来增强WtE工厂选址方法.
• 为了提高预测性能,并为WtE位置提供实用,可适应的解决方案.

主要方法:

• 用机器学习 (ML) 来处理复杂的选址关系.
• 集成过量采样与堆叠组合模型,以提高ML性能.
• 评估了四个ML模型,包括堆叠和XGBoost.

主要成果:

• 堆叠组合模型实现了92%的曲线下面积 (AUC).
• 使用过量采样数据提高了精度 (85.2%) 和回忆 (85.08%).
• 堆叠模型导致精度 (83.1%);XGBoost显示最低的回忆 (85.07%).

结论:

• 增强的ML方法提供了创新的WtE站点替代方案.
• 堆叠模型为WtE位置选择提供了可重复使用,可适应的工具.
• 为可持续废物管理提供实际解决方案,并与可持续发展目标保持一致.