9220

پيش‌بيني مقادير پسماند شهري با استفاده از الگوريتم‌هاي يادگيري ماشين (مطالعه موردي)

كارشناسي

مهندسي صنايع

1403

سركار خانم دكتر فرناز برزين‌پور

1403/07/06

مهندسي صنايع

Predicting Municipal Waste Quantities Using Machine Learning Algorithms (A Case Study)

مديريت بهينه جمع‌آوري و دفع پسماند به دليل تأثيرات مهم آن بر بهداشت عمومي و محيط زيست اهميت زيادي دارد. پيش‌بيني دقيق پسماندها مي‌تواند به تخصيص بهينه منابع و كاهش مشكلات زيست‌محيطي كمك كند. در اين پروژه، جزيره كيش به عنوان مطالعه موردي انتخاب شد و هدف پيش‌بيني مقادير مختلف پسماندها با استفاده از مدل‌هاي يادگيري ماشين و مدل‌هاي پيش‌بيني مكاني-زماني بود. ابتدا داده‌هاي روزانه شامل انواع پسماندها جمع‌آوري و مقادير از دست رفته با استفاده از الگوريتم SAITS جايگزين شد. پس از آن، همبستگي ميان پسماندها و داده‌ي تعداد مسافران ورودي و خروجي از طريق فرودگاه و بندرگاه شناسايي و از اين اطلاعات براي پيش‌بيني پسماندها به صورت تك متغيره يا چندمتغيره-تك متغيره استفاده شد. مدل‌هاي مورد استفاده در اين زمينه بر پايه ترنسفرمر، شبكه‌هاي عصبي بازگشتي و مدل‌هاي خطي چند لايه هستند. در پيش‌بيني مكاني-زماني ماهانه، مدل‌هاي DCRNN، AGCRN، AT-GCN، DyGrEncoder، EvolveGCNO، GConvGRU، GConvLSTM، TGCN كه بر پايه شكبه عصبي گراف هستند، مورد ارزيابي قرار گرفتند. سپس با تغيير توابع فعالساز در اين مدل‌ها، نتايج حاصل شده با هم مقايسه شدند. بررسي‌ها نشان داد كه مدل‌ها و توابع فعالساز در هر پسماند نتايج متفاوتي ارائه كردند. بنابراين براي هر پسماند، بهترين مدل‌ها و توابع فعالساز شناسايي و نتايج تحليل شدند. در پيش‌بيني روزانه، مدل‌هاي iTransformer، PatchTST و SegRNN بهترين نتايج را نشان دادند، در حالي كه مدل‌هاي DLinear، TimeMixer و SparseTSF به دليل پيچيدگي داده و ساده بودن مدل‌ها عملكرد ضعيف‌تري داشتند. از اين نتايج مي‌تواند براي انتخاب درست مدل‌هاي پيش‌بيني استفاده و به بهبود فرآيند مديريت پسماند در جزيره كيش و افزايش كارايي در تخصيص منابع كمك كرد.

مديريت پسماند , پيش‌بيني پسماند جامد شهري , پيش‌بيني مكاني-زماني , ترنسفرمر , شبكه عصبي بازگشتي , جايگذاري داده از دست رفته