低碳转型的城市固体废物管理:对用于趋势预测的人工神经网络应用的系统审查

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 不当的城市固体废物 (MSW) 管理是温室气体排放的重要原因之一.
• 有效的MSW管理策略,包括废物减少,回收和堆肥,对于可持续的低碳未来至关重要.
• 机器学习 (ML) 模型为预测MSW产生和碳排放趋势提供了宝贵的见解,有助于制定政策.

研究的目的:

• 系统地审查人工神经网络 (ANN) 在MSW相关趋势预测中的应用.
• 确定方法改进,以减少MSW管理的ANN模型中的预测不确定性.
• 分析ANN在这个领域的缺点,最佳实践和未来前景.

主要方法:

• 2013年至2023年间发表的32篇论文的系统审查,应用ANN进行MSW相关趋势预测.
• 分析数据样本大小,超参数优化技术和在选定的研究中使用的绩效指标.
• 对ANN模型性能和不确定性的评估.

主要成果:

• 具有良好性能的ANN模型可以用33个年度数据样本来开发,这表明宏观排放建模的潜力.
• 目前的文献主要使用手动网格搜索来进行超参数优化,这表明需要更高效的自动化技术.
• 报告多个绩效指标和检查模型不确定性至关重要,因为缺乏通用绩效指标.

结论:

• 在改善废物管理实践和减少碳排放方面,ANN是有前途的.
• 未来的研究应该探索在MSW趋势预测中对ANN模型的自动化超参数优化和标准化性能基准测试.
• 这些发现支持ANN的实际应用,以改善MSW管理,并为低碳政策制定做出贡献.