ارزيابي تكنيك‌هاي هوش محاسباتي در پيش‌بيني سرانه توليد پسماند (مطالعه موردي: استان هرمزگان)

Performance Assessment of Computational Intelligence Techniques in Solid Waste Generation Forecasting :A Case Study

شناخت كميت پسماندهاي يك شهر يا منطقه، لازمه برنامه ريزي در زمينه مديريت پسماند است. روش دستيابي به كميت پسماندها دانستن سرانه يا نرخ توليد آن است. در خصوص پيش بيني مقادير سرانه توليد پسماند تا كنون در اكثر مدل هاي تدوين شده از داده هاي سري زماني مربوط به منطقه مورد مطالعه استفاده شده است. اما در شرايطي كه چنين داده هايي موجود نباشد استفاده از سيستم هاي هوشمند پيش بيني نظير تكنيك هاي يادگيري ماشين كه بر اساس داده هاي اندازه گيري شده در يك سال تدوين شوند، بسيار مؤثر خواهند بود. از آنجا كه داده هاي زمان مندي جهت مقادير سرانه توليد پسماند مناطق جمعيتي ساحلي جنوب ايران جهت طراحي اصولي سيستم مديريت پسماند وجود نداشته است، در اين مطالعه با در نظر گرفتن پارامترهاي ارتفاع از سطح دريا، جمعيت، درجه شهري و تناوب جمع آوري پسماند، توانايي روش هاي هوشمند MLP، SVM و M5P در پيش بيني سرانه توليد پسماند شهرها و روستاهاي ساحلي استان هرمزگان بكار گرفته شده و با هم مقايسه شده است. نتايج حاصله نشان دهنده اين است كه روش M5P با مقدار مجذور ميانگين مربعات خطا (RMSE) (gr/d) 34/55 و ميانگين قدر مطلق خطاي نسبي (MARE) 26/6 درصد، بهترين عملكرد را نسبت به ساير روش ها دارد.

Knowing the quantity of generated solid waste play a very significant role in solid waste management programs in a region. Due to lack of measured data as well as unavoidable errors in measurements, assessment of volume of generated solid waste is always challenging. Also, field measurement and continues monitoring of the volume of solid waste is usually costly, difficult and time-consuming. Accurate prediction of solid waste generation can be regarded as a key factor in future solid waste management system planning. Conventional forecasting methods in solid waste generation forecasting frequently use the demographic and socioeconomic factors in a per capita basis. In most cases, insufficient funds, the limited measuring equipment, lack of appropriate management systems and due to the lack of recorded data for the volume of generated solid waste cause many problems in integrated solid waste systems management (Dyson and Chang, 2005). In this study, three computational intelligence techniques including M5P model trees, support vector machines (SVM) and multi-layer perceptron (MLP) artificial neural network are utilized to predict solid waste generation in Hormozgan Province, Iran. After a sensitivity analysis, four more influential factors including elevation, population, urban development index (measures the level of development in cities based on infrastructure, the municipality established year, the metropolitan area, population, city product and income, health and education) and the frequency of garbage collection were considered in developing models. The performance of proposed models in solid waste generation forecasting are assessed via different error evaluation indices and finally the results are compared.