Efficient IoT-Assisted Waste Collection for Urban Smart Cities
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
Waste management is one of the many major challenges faced by all urban cities around the world. With the increase in population, the current mechanisms for waste collection and disposal are under strain. The waste management problem is a global challenge that requires a collaborative effort from different stakeholders. Moreover, there is a need to develop technology-based solutions besides engaging the communities and establishing novel policies. While there are several challenges in waste management, the collection of waste using the current infrastructure is among the top challenges. Waste management suffers from issues such as a limited number of collection trucks, different types of household and industrial waste, and a low number of dumping points. The focus of this paper is on utilizing the available waste collection transportation capacity to efficiently dispose of the waste in a time-efficient manner while maximizing toxic waste disposal. A novel knapsack-based technique is proposed that fills the collection trucks with waste bins from different geographic locations by taking into account the amount of waste and toxicity in the bins using IoT sensors. Using the Knapsack technique, the collection trucks are loaded with waste bins up to their carrying capacity while maximizing their toxicity. The proposed model was implemented in MATLAB, and detailed simulation results show that the proposed technique outperforms other waste collection approaches. In particular, the amount of high-priority toxic waste collection was improved up to 47% using the proposed technique. Furthermore, the number of waste collection visits is reduced in the proposed scheme as compared to the conventional method, resulting in the recovery of the equipment cost in less than a year.
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 | 0,000 |
| 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