ارائه مدلی بر پایه هوش مصنوعی برای پیش بینی کمیت پسماندهای عادی شهر تبریز

چکیده

زمینه. مدیریت پسماندها امری ضروری و در عین حال پرهزینه در راستای ارتقای خدمات شهری است. پیش‌بینی کمیت پسماند تولیدی می‌تواند نقش مهمی در طراحی، بهینه‌سازی فرآیند جمع‌آوری، انتقال و دفع ایفا نماید. در این راستا، تکنیک یادگیری ماشین به عنوان ابزاری قدرتمند برای پیش بینی مقادیر پسماندهای تولیدی مطرح شده است. بنابراین، این مطالعه با هدف پیش بینی كمیت پسماندهای عادی شهر تبریز با استفاده از شبکه های عصبی انجام شد.

روش کار. به‌منظور پیش بینی کمیت پسماندهای عادی، از داده های روزانه تولید پسماند توسط سازمان مدیریت پسماند شهرداری تبریز در یک بازه زمانی شش ساله (1398 تا 1403) استفاده شد. شبکه عصبی مورد استفاده شامل یک شبکه 8 لایه از نوع LSTM بوده که در آن از توابع فعال‌سازی Adam استفاده شده است. داده های موجود به دو قسمت یادگیری و آزمون به نسبت 85 به 15 تقسیم شده و پس از طی مراحل آموزش و یادگیری مدل، نتایج پیش بینی با داده های واقعی مقایسه و دقت مدل مورد بررسی قرار گرفت. به منظور اعتبارسنجی مدل ارائه شده از پارامترهای RMSE، MAE و MAPE استفاده شده است.

یافته‌ها. نتایج، نشان‌دهنده دقت خوب مدل طراحی‌شده در پیش‌بینی روند تغییرات و مقدار تولید پسماند بوده است؛ به‌طوری‌که، مقادیر RMSE، MAE و MAPE برای داده‌های آموزش و آزمون به‌ترتیب 62/ 50 و 47/ 70 تن در روز، 61/ 32 و 02/ 53 تن در روز و 52/ 3 و 86/ 5 درصد محاسبه گردید.

نتیجه‌گیری. تحلیل یافته‌ها حاکی از توانایی مدل در کاهش انحراف پیش‌بینی‌ها و افزایش قابلیت اطمینان در برآورد مقادیر واقعی بود. مقادیر پایین MAE بیانگر آن است که به‌طور میانگین، خطای پیش بینی شده مدل در مقایسه با داده های واقعی قابل قبول بوده و مدل در پیش بینی روند کلی تولید پسماند عملکرد مناسبی داشته است. از سوی دیگر، RMSE که به خطاهای بزرگ وزن بیشتری می دهد نیز در محدوده ای منطقی قرار داشت و نشان می دهد که مدل در برابر نوسانات ناگهانی و داده های پرت مقاومت مناسبی از خود نشان داده است. این نتایج حاکی از آن است که مدل آموزش‌دیده قادر به شناسایی الگوهای پنهان در داده های سری زمانی بوده و می تواند به‌عنوان ابزاری مناسب در پیش بینی و مدیریت داده‌محور پسماندهای عادی مورد استفاده قرار گیرد.

پیام کلیدی

· پیش‌بینی دقیق کمیت پسماندهای جامد شهری، با توجه به نوسانات زمانی در میزان تولید برای برنامه‌ریزی ظرفیت جمع‌آوری، پردازش، بازیافت و دفع و در نهایت ارتقای مدیریت پایدار پسماند ضروری است.

· روش‌های سنتی و متداول پیش‌بینی، به دلیل محدودیت در نمایش الگوهای پیچیده، نوسانات زمانی و روابط غیرخطی موجود در فرایند تولید پسماند، ممکن است نتوانند کمیت پسماند را با دقت کافی پیش‌بینی کنند. این محدودیت، ضرورت استفاده از روش‌های پیشرفته‌تر و مبتنی بر هوش مصنوعی را برای پیش‌بینی سری‌های زمانی تولید پسماند مطرح می‌کند. از طرفی، استفاده از شبکه‌های عصبی برای پیش‌بینی کمیت پسماند با چالش‌هایی از جمله وابستگی مدل به دقت و اعتبار داده‌ها، محدودیت در دسترسی به داده‌های کافی و دشواری تعیین ساختار بهینه شبکه همراه است. بنابراین، نیاز به بررسی عملکرد مدل‌های مبتنی بر شبکه‌های عصبی در پیش‌بینی کمیت پسماند در شرایط داده‌های واقعی وجود دارد.

· در این مطالعه، برای پیش‌بینی کمیت پسماندهای جامد شهری از شبکه عصبی LSTM استفاده شد. با استفاده از داده‌های روزانه تولید پسماند عادی شهر تبریز طی سال‌های 2019 تا 2024، مدل LSTM برای یادگیری الگوهای موجود در داده‌ها و پیش‌بینی کمیت پسماند به کار گرفته شد و عملکرد آن با استفاده از شاخص‌های RMSE،MAE و MAPE ارزیابی گردید.

· یافته‌ها نشان دادند که مدل‌ آموزش‌دیده قادر به شناسایی الگوهای پیچیده و پنهان در داده‌های پسماند بوده و می‌تواند به‌عنوان ابزار تصمیم‌یار داده‌‌محور برای برآورد کمیت پسماند در آینده مورد استفاده قرار گیرد. این یافته‌ها به شواهد موجود درباره کاربرد روش‌های مبتنی بر هوش مصنوعی در پیش‌بینی کمیت پسماند شهری، به‌ویژه در شرایط داده‌های واقعی شهر تبریز، می‌افزاید و می‌تواند مبنایی برای مطالعات آینده با دوره‌های زمانی طولانی‌تر و داده‌های بیشتر باشد.