پیش بینی کمیت پسماند شهری با استفاده از مدل‌های هوشمند و آنالیز عدم قطعیت آن ها

زمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیش‌بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی می‌باشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل‌سازی پدیده‌های پیچیده را دارند، به خوبی روشن می‌باشد. هدف از این مطالعه، پیش بینی کمیت پسماند با استفاده از مدل های هوشمند، مقایسه عملکرد و آنالیز عدم قطعیت آن ها می باشدروش بررسی: در این مطالعه، شهر مشهد به عنوان مطالعه موردی انتخاب شد و از سری زمانی تولید پسماند در فاصله زمانی سال‌های 1380 تا 1390 برای پیش‌بینی هفتگی استفاده گردید. جهت مدل سازی از مدل های هوشمند شبکه عصبی، ماشین بردار پشتیبان، سیستم استنتاجی تطبیقی نروفازی و کا نزدیک ترین همسایه استفاده گردید. پس از بهینه سازی پارامترهای هر مدل، با استفاده از از شاخص های آماری، عملکرد مدل ها مورد مقایسه قرار گرفت. در نهایت، آنالیز عدم قطعیت نتایج مدل سازی با کمک روش مونت کارلو انجام گرفت.یافته ها: نتایج نشان داد که ضریب اطمینان (2r) مدل‌های شبکه عصبی، سیستم استنتاجی تطبیقی نروفازی، ماشین بردار پشتیبان و کا نزدیک‍ترین همسایه به ترتیب 0.67، 0.69، 0.72 و 0.64 می باشد. آنالیز عدم قطعیت نیز نتایج این مقایسه را تایید نمود و نشان داد مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم‍تری داشته و نسبت به داده‌های ورودی کم‍ترین حساسیت را دارد.بحث و نتیجه گیری: مدل‌های هوشمند از توانایی رضایت‌بخشی برای پیش بینی کمی پسماند برخوردارند و در بین مدل‌های هوشمند          مورد  مطالعه، مدل ماشین بردار پشتیبان بهترین نتایج را از خود نشان داد. همچنین، عدم قطعیت نتایج مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم تری برخوردار بود.

Forecasting Municipal Solid Waste Quantity by Intelligent Models and Their Uncertainty Analysis

Background and Objective: The first step in design of municipal waste management systems is complete understanding of waste generation quantity. Forecasting waste generation is one of the most complex engineering problems due to the effect of various and out of control parameters on waste generation. Therefore, it is obvious that it is necessary to develop approaches to a model such complex events. The objective of this study is forecasting waste generation quantity using intelligent models as well as their comparisons and uncertainty analysis.Method: In this study, Mashhad city was selected as a case study and waste generation time series of waste generation in 1380 to 1390 were used for weekly prediction. Intelligent models including artificial neural network, support vector machine, adaptive neurofuzzy inference system as well as Knearest neighbors were used for modelling. After optimizing the models’ parameters, models’ accuracy were compared by statistical indices. Finally, result uncertainty of the models was done by Mont Carlo technique.Findings: Results showed that coefficient of determination (R2) of artificial neural network adaptive neurofuzzy inference system, support vector machine, and Knearest neighbor models were 0.67, 0.69, 0.72 and 0.64 respectively. Uncertainty analysis was also justified the results and demonstrates that support vector machine model had the lowest uncertainty among other models and the lowest sensitivity to input variables.Conclusion: Intelligent models were successfully able to forecast waste quantity and among the studied models, support vector machine was the best predictive model. Moreover, support vector machine produced the results with the lowest uncertainty the other models.