Comparative analysis of machine learning and conventional methods for waste generation forecasting
Notice bibliographique
Résumé
1. Abstract The escalating complexity of waste management systems, driven by rapid environmental and socio-economic shifts, necessitates the development of robust multi-parameter waste generation prediction models. Conventional forecasting methods such as system dynamics, time series, and linear regression have been widely utilized; however, they often fail to fully capture the nuanced dynamics of waste generation, which is influenced by various seasonal and demographic factors. Artificial intelligence (AI) models have emerged as alternative predictors that perform advanced computational techniques to generate accurate forecasts. Despite the extensive research conducted, few review articles have assessed the feasibility of utilizing multiple prediction methods for different waste streams. None has comprehensively assessed and compared the various prediction methods for different waste streams. This review summarizes and analyzes the prediction methodologies implemented for different waste types. This systematic literature review compiles 119 articles from 2000-2024. A thorough analysis of AI-based models and a summary of the most influential explanatory variables were provided. The review indicates a predominant focus on municipal waste, with considerable gaps in the forecasting of construction and medical waste streams. System dynamics models were found to excel in strategic waste management planning but can be complex to calibrate and validate. Time series and regression analyses, while useful for identifying trends and relationships, often failed to adapt to rapid or unpredictable changes. Alternatively, machine learning algorithms offer robust capabilities for modeling complex and nonlinear data, although they require substantial data quality and are prone to overfitting. It is concluded that a combined hybrid approach is recommended, leveraging the strengths of different methods to provide more accurate waste generation forecasts. The critical analyses presented can offer insights to decision-makers in the waste management sector by providing key aspects concerning the efficiency and limitations of these predictors.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».