البحث المتقدم

أسلوب تصنيف المجموعة القائم على التعلم للتنبؤ بتوليد النفايات الصلبة المنزلية

Title An Ensemble Learning Based Classification Approach for the Prediction of Household Solid Waste Generation

الباحث الرئيس أسامه حامد بنر حومة

الباحثون المشاركون

التخصص: تقنية المعلومات
التخصص الدقيق: انترنت الأشياء
المستخلص: مع زيادة مبادرات التحضر والمدن الذكية ، أصبحت إدارة توليد النفايات مهمة أساسية. بدأت الدراسات الحديثة في تطبيق تقنيات التعلم الآلي للتنبؤ بتوليد النفايات الصلبة لمساعدة السلطات في التخطيط الفعال لعمليات إدارة النفايات ، بما في ذلك الجمع والفرز والتخلص وإعادة التدوير. ومع ذلك ، فإن تحديد أفضل نموذج للتعلم الآلي للتنبؤ بتوليد النفايات الصلبة هو مسعى صعب ، لا سيما في ضوء مجموعات البيانات المحدودة والافتقار إلى ميزات تنبؤية مهمة. في هذا البحث ، قمنا بتطوير تقنية تعلم المجموعة التي تجمع بين مزايا (1) تحسين المعلمة الفائقة و (2) نموذج الانحدار التلوي للتنبؤ بدقة بتوليد النفايات الأسبوعية للأسر داخل المدن الحضرية. يتم تحقيق تحسين المعلمات الفائقة للنماذج باستخدام خوارزمية Optuna ، في حين تُستخدم مخرجات نماذج التعلم الآلي الفردي المُحسَّنة لتدريب معامل الانحدار الخطي الفوقي. يتكون نموذج المجموعة من مزيج محسن من نماذج التعلم الآلي مع استراتيجيات التعلم المختلفة. حققت طريقة المجموعة المقترحة درجة R2 تبلغ 0.8 ومتوسط ​​خطأ بنسبة 0.26 ، متفوقة على أحدث الأساليب الحالية ، بما في ذلك SARIMA و NARX و LightGBM و KNN و SVR و ETS و RF و XGBoosting و ANN ، في التنبؤ بتوليد النفايات في المستقبل. لم يتفوق نموذجنا على نماذج التعلم الآلي الفردية المحسّنة فحسب ، بل تجاوز أيضًا متوسط ​​نتائج المجموعة لنماذج التعلم الآلي. تشير نتائجنا إلى أن استخدام تقنية التعلم الجماعي المقترحة ، حتى في حالة مجموعة البيانات محدودة الميزات ، يمكن أن يعزز بشكل كبير أداء النموذج في التنبؤ بتوليد النفايات المنزلية في المستقبل مقارنة بالمتعلمين الفرديين. علاوة على ذلك ، تمت مناقشة الآثار العملية لمجتمع البحث وسلطات المدينة المعنية.
Abstract: With the increase in urbanization and smart cities initiatives, the management of waste generation has become a fundamental task. Recent studies have started applying machine learning techniques to prognosticate solid waste generation to assist authorities in the efficient planning of waste management processes, including collection, sorting, disposal, and recycling. However, identifying the best machine learning model to predict solid waste generation is a challenging endeavor, especially in view of the limited datasets and lack of important predictive features. In this research, we developed an ensemble learning technique that combines the advantages of (1) a hyperparameter optimization and (2) a meta regressor model to accurately predict the weekly waste generation of households within urban cities. The hyperparameter optimization of the models is achieved using the Optuna algorithm, while the outputs of the optimized single machine learning models are used to train the meta linear regressor. The ensemble model consists of an optimized mixture of machine learning models with different learning strategies. The proposed ensemble method achieved an R2 score of 0.8 and a mean percentage error of 0.26, outperforming the existing state-of-the-art approaches, including SARIMA, NARX, LightGBM, KNN, SVR, ETS, RF, XGBoosting, and ANN, in predicting future waste generation. Not only did our model outperform the optimized single machine learning models, but it also surpassed the average ensemble results of the machine learning models. Our findings suggest that using the proposed ensemble learning technique, even in the case of a feature-limited dataset, can significantly boost the model performance in predicting future household waste generation compared to individual learners. Moreover, the practical implications for the research community and respective city authorities are discussed.
الحالة: محكم ومنشور
جهة التحكيم: peer reviews
دار النشر: MDPI
سنة النشر: 0
تحويل التاريخ