Predictive Analysis of Municipal Solid Waste Generation Using an Optimized Neural Network Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Developing successful municipal waste management planning strategies is crucial for implementing sustainable development. The research proposed the application of an optimized artificial neural network (ANN) to forecast quantities of waste in Poland. The neural network coupled with particle swarm optimization (PSO) algorithm is compared to the conventional neural network using five assessment metrics. The metrics are coefficient of efficiency (CE), Pearson correlation coefficient (R), Willmott’s index of agreement (WI), root mean squared error (RMSE), and mean bias error (MBE). Selected explanatory factors are incorporated in the developed models to reflect the influence of economic, demographic, and social aspects on the rate of waste generation. These factors are population, employment to population ratio, revenue per capita, number of entities by type of business activity, and number of entities enlisted in REGON per 10,000 population. According to the findings, the ANN–PSO model (CE = 0.92, R = 0.96, WI = 0.98, RMSE = 11,342.74, and MBE = 6548.55) significantly outperforms the traditional ANN model (CE = 0.11, R = 0.68, WI = 0.78, RMSE = 38,571.68, and MBE = 30,652.04). The significant level of the reported outputs is evaluated using the Wilcoxon–Mann–Whitney U-test, with a significance level of 0.05. The p-values of the pairings (ANN, observed) and (ANN, ANN–PSO) are all less than 0.05, suggesting that the models are statistically different. On the other hand, the P-value of (ANN–PSO, observed) is more than 0.05, suggesting that the difference between the models is statistically insignificant. Therefore, the proposed ANN–PSO model proves its efficiency at estimating municipal solid waste quantities and may be regarded as a cost-efficient method of developing integrated waste management systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle