基于机器学习的全球固体废物产生量及成分预测

《Scientific Reports》：Machine learning-based prediction of global solid waste generation and composition

　　

摘要

由于城市化、人口增长和经济发展，城市固体废物（MSW）的迅速增加已成为一个重大的全球环境挑战，因此需要有效的规划和资源管理。然而，准确预测MSW的产生量和组成成分对于有效治理至关重要，但目前全球数据的不一致性和高度异质性阻碍了这一目标的实现。为了解决这一问题，本研究提出了一个基于数据驱动的框架，利用多元线性回归（MLR）和人工神经网络（ANN）来预测217个国家的MSW情况。这些模型纳入了社会经济和人口统计参数，包括GDP、人口数量、识字率、城市化程度和家庭规模。结果表明，在预测准确性方面，ANN的表现优于MLR：总MSW产量的预测R2值为0.94，而MLR的R2值约为0.57，现有全球模型的R2值约为0.68。虽然废物产生量的预测具有较高的准确性，但组成成分的预测仍然具有挑战性（R2值最高为0.15），这表明未考虑的行为和区域因素的影响。尽管由于数据异质性和组成复杂性导致预测准确性存在局限，但本研究的结果仍可为政策制定者和规划者提供支持，帮助他们改进废物管理策略、优化资源回收，并基于数据做出决策，从而实现与可持续发展目标相一致的可持续和循环型废物管理系统。