Forecasting residential and nonresidential solid waste generation, disposal, and diversion using three machine learning approaches
Notice bibliographique
Résumé
Abstract Accurate forecasting of solid waste quantities is essential for sustainable waste management planning, yet limited research exists in this area. This study develops a framework to forecast solid waste generation, disposal, and diversion quantities using three machine learning (ML) approaches: artificial neural networks (ANNs), support vector machines (SVMs), and multiple linear regression (MLR) models. The forecasting framework is based on 12 socioeconomic variables, the values of which were derived from publicly available data sources. Projections for 2023 to 2050 were developed considering data preprocessing, training, and testing, to create reliable datasets. Correlation analysis was used to rank predictor and response variables, and statistical tests were conducted to identify heteroscedasticity and linear relationships. A case study was conducted for Canada and four provinces: Alberta (AB), British Columbia (BC), Ontario (ON), and Quebec (QC). The results show that ML algorithms predict solid waste effectively, achieving coefficients of determination ( R 2 ) of 99.9% with ANNs and 98.6% with SVMs. The total waste generation for Canada, forecast through ANNs, SVMs, and MLRs, increased by 18.29%, 22.45%, and 22.61%, respectively, in the 28 years from 2023 to 2050. In 2050, the projected values of waste generation using the three methods were 43.67, 45.14, and 44.47 million tonnes, respectively, in Canada. ANN forecasts for 2050 project 7.75 million tonnes in AB, 5.36 in BC, 17.85 in ON, and 8.81 in QC. Waste generation is increasing with increasing population size. The method developed here can be used globally with appropriate data adjustments. The results can help in policy development and decision making.
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 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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».