- 日益增长的城市往往耗尽废物管理和新的垃圾填埋场。
- 人工智能可以帮助城市管理人员创造更强大的固体废物卷和垃圾填埋需求的预测，即使是缺失或不准确的数据。
- UJ研究人员发现，10神经元模型为一个不断增长的城市生产了最佳的30年的市政固体废物预测。
世界各地，大城市耗尽市政固体垃圾。现有的垃圾填埋场迅速填补，没有人想要在家庭或企业附近的任何地方。与此同时，纳税人对质量废物管理的更高成本不感兴趣。
显着延长现有废物管理网站的工作寿命的一种方式是回收。Rocyling也可以减少失业，帮助建立循环经济或走向零浪费。
但通常，家庭对回收的耐受性高，或再循环更多。
最近的一项研究显示了人工智能（AI）如何为城市废物管理人员提供更强大的方式，从长远来看，这是一个城市的垃圾填埋需求。
研究人员使用机器学习预测大非洲城市的市政固体废物。预测显示30年的时间有多少浪费，如果回收水平保持不变。
Olusola Olaitan Ayeleru博士和Lanrewaju议员伊布拉希姆法吉岛发表了他们的研究清洁生产杂志。两者都是约翰内斯堡大学化学工程系。
用电子表格计划浪费
即使有许多准确的信息，也可以预测城市的垃圾填埋场难以做到的空间。然而，使用电子表格的常规统计预测可能足够好，以便在未来30年内计划。
与此同时，具有许多手动调整的公式和宏的电子表格很难理解。这些也可能是耗时且难以维护。
但在电子表格上可能无法对不同的回收方案预测。在此类预测中，在此预测中考虑人口增长，浪费，天气和其他数据集的类型可能是不可能的。
机器学习可以击败宏
在发展中国家，有关在城市产生的废物的信息往往丢失或不准确。在这里，电子表格不太可能为城市经理提供长期规划。
但是，机器学习可以自身从可用的数据“学习”，并且从稍后添加的更多数据。
此外，机器学习更适合以不同的格式利用多个数据集。
一个快速增长的城市
约翰内斯堡是南非的经济中心，是该国最大的城市。它吸引了来自其他省和外国国民的人寻找工作。
对于这项研究，仅包括约翰内斯堡大都市城市。从Diepsloot和Midrand在北部的这种跨度;南方的恩纳代尔/橙色农场;Doornkop / Soweto在西方;到东方的弥伦亚。
研究之外，邻近的Ekhurhuleni，Tshwane，Mogale，Merafong，Rand West West，Emfleni，Midvaal和Lesedi被排除在外。
1996年至2001年期间，约翰内斯堡市人口从259万人增加到322万。根据国家人口普查数据，到2011年，该市的人口为443万。
同年，南非生产的90％估计在南非生产的一般废物最终填埋场，而10％则被回收。全国人士，12.9％的大都会家庭自我报告，他们回收，其次是城市地区的10.8％的家庭。
根据其2019/2020 2019/2020综合发展计划，预测了2021年，该市的人口预计为530万。
在垃圾填埋场只剩下几年
该市目前经营四个垃圾填埋场。
2020年9月，该市废物管理公司Cotitup的Coo表示，媒体留在这些网站上的四年半的能力。
2018年，该市开始分离源回收计划。塑料，纸张，玻璃和罐头以及家庭产生的花园废物被回收。
2021年2月，Pickitup宣布了一个带48家公司的合作计划。目标是增加城市的废物采摘，街头清洁和回收意识和教育。每位病房十五件新的Pickitup工作人员将协调该计划。
数据插入AI
Ayeleru和Fajimi使用的机器学习预测约翰内斯堡的固体城市垃圾30年的时间，使用带有I7处理器的标准笔记本电脑。
研究人员使用2011年的人口普查数据表明人口，正式就业，失业和家庭单位数量。数据由国家政府机构统计数据提供。
他们将这一点与全年四个垃圾填埋场的年度固体城市垃圾的数据组合在一起，从1996年到2008年。该数据由约翰内斯堡市提供。
不同种类的ai
在这项研究中，法吉利用两种机器学习在城市产生的全固体废物的30年预测。这两种算法都是已知的，用于准确的预测和一致性。
第一类被称为人工神经网络（ANNS）。它们使用5,10,20,30和40个神经元模型来创建五个预测。这种类型的模型可以自行学习。他在MATLAB软件中创建了模型，它具有坚固的ANN神经拟合工具箱。
第二种类型称为支持的向量机（SVM）。他在Matlab软件中使用了线性，二次，立方，？网格高斯，中等高斯和粗高斯方法，以创造另外六种预测。
10-neuron模型产生了最好的ANN预测。在SVM中，线性模型产生了最佳预测。
ai底线
10-neuron模型预测，约翰内斯堡市的人口可能从2021年的530万增加到2031年的640万;2050年和840万。
相比之下，该模型未预测市中心垃圾的同样增加。相反，它预测了2021吨的161万吨的年度浪费的增加，2031年的172万吨;2050年和2050年的195万吨。
“有人希望废物产生随着人口的增加而增加，但这也取决于低购买力或收入来源等的因素，”Ayeleru说。
“当公民失去收入来源或购买力很低时，与在餐厅购买成熟的食品相比，它们会产生的废物量将减少，因为在餐厅购买成熟的食品。”
下一步
在后续研究中，Ayeleru和Fajimi正在调查如何使用AI预测废物类型以及城市可以从每一个产生多少收入。
“与大陆的其他大城市相比，约翰内斯堡市目前在废物管理方面做得更好。这款AI预测可以帮助促进城市的未来废物管理基础设施设计，“Ayeleru说。
“在短期内，城市可以采取的第一步是教育人们，所以他们开始回收更多。其次，这座城市可能需要超越他们目前正在做的事情，以产生来自固体垃圾的收入。“
###
由MS Therese Van Wyk撰写
