文献

J-GLOBAL ID：202202238586155560   整理番号：22A0500954

都市固形廃棄物発生予測のためのサポートベクター回帰と人工ニューラルネットワークの比較性能解析【JST・京大機械翻訳】

Comparative performance analysis of support vector regression and artificial neural network for prediction of municipal solid waste generation

著者 (3件)： Jassim Majeed S (Department of Chemical Engineering, College of Engineering, University of Bahrain, Isa Town, Kingdom of Bahrain) ,  Coskuner Gulnur (Department of Chemical Engineering, College of Engineering, University of Bahrain, Isa Town, Kingdom of Bahrain) ,  Zontul Metin (Department of Computer Engineering, Faculty of Engineering and Architecture, Istanbul Arel University, Istanbul, Turkey)
資料名： Waste Management & Research  (Waste Management & Research)
巻： 40  号： 2  ページ： 195-204  発行年： 2022年 
JST資料番号： H0970A  ISSN： 0734-242X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 機械学習(ML)アルゴリズムの進化は,複雑な関係を動的にモデル化するための最先端のツールを持つ研究者と技術者を提供する。都市固形廃棄物(MSW)管理システムの設計と運用は,発生速度の正確な推定を必要とする。本研究では,Bahrainにおける年間MSW発生速度を予測するために,迅速,非線形およびノンパラメトリックデータ駆動MLアルゴリズム,多層パーセプトロン人工ニューラルネットワーク(MLP-ANN)およびサポートベクトル回帰(SVR)モデルを適用した。1997~2019年の期間のMSW発生データを用いて,モデルを訓練し試験した。人口,総国内製品,年間観光客数,年間電力消費および全年間CO_2排出量を説明変数として選択し,開発したモデルに組み込んだ。ゼロスコア正規化(ZSN)と最小最大正規化(MMN)法を用いて,データの品質を改善し,次にMLアルゴリズムの性能を強化した。統計的計量を用いてMLP-ANNとSVRモデルの性能を評価した。最適SVRモデルを見つけるために,線形,多項式,動径基底関数(RBF)およびシグモイドカーネル関数を研究した。結果は,R2値が0.97%と4.82%のRBF-SVRモデルと2008年と2019の期間の絶対予測誤差(AFE)がMLP-ANNと比較して優れた予測とロバスト性を示した。MLP-ANNモデルの有効性も,0.94のR2値で合理的に成功した。MMN前処理が最適MLP-ANNモデルを生成し,一方ZSN前処理が最適RBF-SVRモデルを生成することを示した。本研究はまた,政策決定者による廃棄物管理システムに対するロードマップを計画し,実施するためのMLモデリング手法の適用の重要性を強調した。Copyright The Author(s) 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  多項式 ,  管理システム ,  電力消費 ,  *ニューラルネットワーク ,  観光 ,  ノンパラメトリック法 ,  排出量 ,  正規化 ,  廃棄物管理 ,  多層パーセプトロン ,  機械学習 ,  予測誤差
準シソーラス用語： ロードマップ ,  *サポートベクトル回帰 , 【Automatic Indexing@JST】

著者キーワード (8件)： 人工知能 ,  バーレーン ,  埋立地 ,  機械学習 ,  多層パーセプトロン ,  都市固形廃棄物 ,  予測モデリング ,  廃棄物発生速度

分類 (2件)： 廃棄物処理一般  (SC05010S) ,  ごみ処理  (SC05030O)

タイトルに関連する用語 (5件)： 都市固形廃棄物 ,  発生予測 ,  サポートベクター回帰 ,  人工ニューラルネットワーク ,  性能解析