پیش بینی نرخ تولید پسماند شهر تبریز با استفاده از روش های هوش مصنوعی (ANN و SVM) و پیش پردازش موجکی برای افق بلندمدت

نوع مقاله : مقاله کامل پژوهشی

نویسنده

گروه آب، دانشکده مهندسی عمران، دانشگاه تبریز

چکیده

باتوجه به نقش مؤثر الگوهای فصلی در تولید پسماند از روش هوش مصنوعی برای مدل‎سازی تولید پسماند شهر تبریز استفاده شد. ازآنجایی‌که استفاده از یک روش پیش ­پردازش که توانایی استخراج این الگوها را داشته باشد، موجب بهبود نتایج مدل‎سازی می­شود، از تبدیل موجک که توانایی آنالیز چند مقیاسی سری­ های زمانی را دارد، در این مطالعه استفاده گردید. بدین ترتیب، داده‌های آماری مربوط به جمعیت، درآمد- هزینه خانوار، دما به­ عنوان پارامتر هواشناسی و داده‌های مربوط به­ میزان تولید پسماند برای مدل­سازی مورداستفاده قرار گرفت. در مطالعه حاضر برای پیش ­بینی میزان پسماند تولیدی در شهر تبریز از مدل­ های ANN (Artificial Neural Network) و  LSSVM(Least Squares Support Vectore Machine) با روش پیش ­پردازش موجکی داده­ ها و رویکرد تغییر اقلیم استفاده شده است. نتایج به‌دست‌آمده حاکی از برتری مطلق نتایج موجک- هوش مصنوعی در مقایسه با ANN و LSSVM تنها و نیز روش رگرسیون خطی چندمتغیره می‎باشد. از بین دو مدل مبتنی بر هوش مصنوعی ANN عملکرد بهتری نسبت به LSSVM از خود نشان داد. بنابراین مدل WT-ANN به­ عنوان مدل برتر انتخاب گردید. دلیل عملکرد ضعیف روش رگرسیون خطی چند متغیره، وجود روابط غیرخطی و پیچیده بین ورودی‎ها و هدف بود که MLR توان مدل‎سازی مناسب آن را نداشت. از سوی دیگر استفاده از موجک با قدرت تفکیک فصلی داده‌ها منجر به اختصاص ضریب وزنی بالا برای فصل‎هایی با تولید پسماند بیشتر گردید که درنهایت حداکثر پسماند تولیدی در سال در ماه­ های مرداد و اسفند و حداقل تولید در بهمن و فروردین گزارش شد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Predicting Waste Generation Rate in Tabriz Using Artificial Intelligence (ANN and SVM) Methods and Wavelet Preprocessing for a Long Time

نویسنده [English]

  • Aida Hosseini Baghanam
Faculty of Civil Engineering, University of Tabriz, Tabriz , Iran
چکیده [English]

Numerous parameters affect the solid waste production rate, including weather-climate parameters and parameters related to people's economical-social and cultural conditions, format, and detail of the city population, lifestyle, etc. In studying the effects of the mentioned criteria on the waste production rate, classic methods cannot analyze the time-based changes in parameters and the dynamic changes in solid waste production rate. On the other hand, the lack of precise data, an overall plan on solid waste management increases the need for a dynamic method. Linear regression is not a decent method in this research because of the seldom linear relation between parameters. A method, including modern estimation methods and models, is needed to omit the mentioned errors. ANN and LSSVM are for modeling in this research. Considering the significant part of seasonal patterns, using a preprocessing method that can extract such patterns can improve modeling; therefore, using the WT-ANN method can help.

کلیدواژه‌ها [English]

  • Solid waste
  • Tabriz
  • ANN
  • SVM
  • LSSVM
  • Population
  • Household income-expenditure
  • Wavelet
مینوسپهر م، علیزاده م، طالب بیدختی ن، "ارزیابی تکنیک ­های هوش محاسباتی در پیش­ بینی سرانه تولید پسماند (مطالعه موردی: استان هرمزگان)"، نشریه مهندسی عمران و محیط زیست دانشگاه تبریز، 1397، 48 (1)، 67-75.
Abbasi M, Abduli M, Baghvand A, “Forecasting municipal solid waste generation by hybrid support vector machine and partial least square model”, International Journal of Environmental Research, 2012, 7 (1), 27-38.
Abbasi M, Abduli M, Omidvar B, Baghvand A, “Results uncertainty of support vector machine and hybrid of wavelet transform-support vector machine models for solid waste generation forecasting”, Environmental Progress and Sustainable Energy, 2014, 33 (1), 220-228.
Abdoli MA, Falah Nezhad M, Salehi Sede R, Behboudian S, “Longterm forecasting of solid waste generation by the artificial neural networks”, Environmental Progress and Sustainable Energy, 2012, 31 (4), 628-636.
Adeleke O, Akinlabi SA, Jen TC, Dunmade I, “Prediction of municipal solid waste generation: an investigation of the effect of clustering techniques and parameters on ANFIS model performance”, Environmental Technology, 2020. DOI: 10.1080/09593330.2020.1845819.
Azadi S, Karimi-Jashni A, “Verifying the performance of artificial neural network and multiple linear regression in predicting the mean seasonal municipal solid waste generation rate: A case study of Fars province”, Iran. Waste Management, 2016, 48, 14-23.
Azarmi S, Oladipo A, Vaziri R, Alipour H, “Comparative modelling and artificial neural network inspired prediction of waste generation rates of hospitality industry: The Case of North Cyprus”, Sustainability 2018, 10, 2965. DOI:10.3390/su10092965.
Beigl P, Lebersorger S, Salhofer S, “Modelling municipal solid waste generation: A review”, Waste Management, 2008, 28 (1), 200-214.
Hagan MT, Menhaj MB, “Training feed forward networks with the Marquaradt algorithm”, IEEE Transactions on Neural Networks, 1994, 6, 861-867.
Kim T, Valdes JB, “Nonlinear model for drought forecasting based on a conjunction of wavelet transforms and neural networks”, Journal of Hydrologic Engineering, 2003, 8 (6), 319-328.
Legates D, McCabe G, “Evaluating the use of ‘goodness‐of‐fit’ Measures in hydrologic and hydro climatic model validation”, Water Resources Research, 1999, 35 (1), 233-241.
Noori R, Abdoli M, Farokhnia MA, Abbasi M, “Results uncertainty of solid waste generation forecasting by hybrid of wavelet transform-ANFIS and wavelet transform-neural network”, Expert Systems with Applications, 2009, 36 (6), 9991-9999.
Noori R, Karbassi A, Salman Sabahi M, “Evaluation of PCA and Gamma test techniques on ANN operation for weekly solid waste prediction”, Journal of Environmental Management, 2010, 91 (3), 767-771.
Nourani V, Andalib G, “Daily and monthly-suspended sediment load predictions using wavelet based artificial intelligence approaches”, Journal of Mountain Science, 2015, 12 (1), 85-100.
Nourani V, Razzaghzadeh Z, Baghanam AH, Molajou A, “ANN-based statistical downscaling of climatic parameters using decision tree predictor screening method”, Theoretical and Applied Climatology, 2019, 137 (3-4), 1729 1746.
Song J, He J, Zhen J, “Real-time data assimilation for improving linear municipal solid waste prediction model: a case study in Seattle”, Journal of Energy Engineering, 2015, 141 (4), 05014002.
Vapnik V, Cortes C, “Support vector networks”, Machine Learning, 1995, 20, 1-25.
Yetilmezsoy K, Ozkaya B, Cakmakci M, “Artificial intelligence-based prediction models for environmental engineering”, Neural Network World, 2011, 21 (3), 193-218.
Younes MK, Nopiah ZM, Ahmad Basri NE, Basri H, Abushammala MFM, Maulud KNA, “Solid waste for ecasting using modified ANFIS modeling”, Journal of the Air and Waste Management Association, 2015, 65 (10), 1229-1238.