通过基于人工神经网络的排放点行为预测增强城市固体废物管理

《Knowledge-Based Systems》：Enhancing municipal solid waste management through artificial neural network based forecasting of discharge point behaviour

　　

时间序列数据通过滑动窗口转换以训练人工神经网络(ANN)模型。长短期记忆网络(LSTM)和卷积神经网络(CNN)模型在捕捉时间废物模式方面优于前馈人工神经网络。异常检测和插值提高了模型稳定性和数据质量。时间聚合通过平滑不规则模式提高了预测准确性。跨站点的结构聚合揭示了废物行为的总体趋势。

**论文解读：基于人工神经网络的排放点行为预测增强城市固体废物管理**

**研究背景与问题**
全球城市化进程加速导致城市固体废物(municipal solid waste, MSW)产量激增，对生态可持续性和公共健康构成挑战。现有MSW管理研究多聚焦于系统级优化（如路线规划、调度），但个体排放点(discharge point, DP)的行为预测尚未充分探索。DP是废物投放的物理单元（如容器、垃圾桶），其充填行为具有高度异质性、非线性和不规则性，传统统计和回归模型难以捕捉其动态。当前研究在系统级聚合尺度上取得进展，但缺乏对DP级精细预测的评估，导致操作决策（如收集调度、资源分配）依赖保守策略，增加不必要的清运次数、燃料消耗和溢出风险。因此，开展本研究旨在系统评估不同数据预处理、时间粒度和聚合策略对人工神经网络(artificial neural network, ANN)模型在DP级预测性能的影响，以提升MSW管理的操作效率和数据驱动决策能力。该论文发表在《Knowledge-Based Systems》。

**关键技术与方法**
研究人员采用来自西班牙北部城市（人口18,000，200个DP，四年数据，2019年1月至2023年3月，约385万条原始记录）的实时MSW系统数据。主要方法包括：数据预处理（异常检测：箱线图(Box and Whisker)和孤立森林(Isolation Forest)算法；线性插值；归一化：最小-最大(Min-Max)缩放、L2归一化、对数变换）；滑动窗口将时间序列转换为表格格式；时间聚合（1、2、3、4、6小时）；结构聚合（均值、中位数、和）跨多个DP。模型架构包括前馈ANN、长短期记忆网络(Long Short-Term Memory, LSTM)和卷积神经网络-长短期记忆(CNN-LSTM)混合模型，使用TiFoN和KNIME平台实现。训练-测试分割采用70%-30%，基于R2、平均绝对误差(MAE)和均方误差(MSE)评估性能。

**研究结果**
**Scenario 1: 前馈ANN与滑动窗口和归一化**
通过前馈ANN结合滑动窗口对全局和个体DP数据集进行预测，采用L2、对数变换和Min-Max归一化。结果表明，R2值仅达0.28–0.43，低于0.7的参考阈值。前馈架构缺乏循环层，难以捕捉不规则时间模式，滑动窗口表示在长时间静默期和突发填充事件中提供有限信息。

**Scenario 2: LSTM与异常检测和线性插值**
采用LSTM和CNN模型，对经箱线图异常检测和线性插值处理后的每小时数据建模。共测试29种LSTM配置，最佳配置R2达0.37–0.50。性能较场景1提升但仍低于0.7，表明异常检测改善有限，单变量时间序列噪声仍大。

**Scenario 3: LSTM与时间聚合**
将数据聚合为1、2、3、4、6小时间隔，结合对数变换归一化。3小时和4小时聚合显著提升性能，R2达0.72–0.75，超过0.7阈值。较细粒度（1小时）噪声大，较粗粒度（6小时）信息损失，3-4小时平衡了噪声抑制与趋势保留。对数归一化在短间隔有效，但去归一化引入误差。

**Scenario 4: LSTM与孤立森林和聚合间隔**
使用孤立森林算法替代箱线图进行异常检测，结合相同时间聚合。结果与场景3相当或更低，R2方差增大，孤立森林对局部变异过度敏感，可能误分类正常记录，导致插值失真。箱线图方法更稳健。

**Scenario 5: LSTM与跨DP结构聚合**
采用均值、中位数和和方法对多个DP进行结构聚合，结合时间聚合。均值聚合在4小时间隔达到最高R2值0.89，中位数0.83，和方法0.78。结构聚合平滑了DP间异质性，揭示共享填充模式，显著提升预测准确性，训练时间不超过7分钟，测试小于1分钟，符合操作可行性。

**讨论与结论**
讨论部分指出，预测性能主要受预处理和聚合策略影响，而非仅模型架构差异。3-4小时时间聚合窗口适用于短期规划（如路线优先级调整），结构聚合提供集体行为洞察，支持中期资源分配。孤立森林在高度不规则DP序列中可能去除有效信息，箱线图全局标准更优。与现有文献（多聚焦日、月、年聚合）相比，本研究填补了DP级中等时间尺度预测的空白。研究结论强调，MSW个体DP级预测比系统级聚合显著更复杂，ANN、LSTM和CNN模型虽具灵活性，但高度受数据不规则性和行为变异性影响。最佳策略为LSTM结合3-4小时时间聚合及适当结构聚合，构成主要方法推荐。未来工作将聚焦于基于行为聚类以识别具有相似时间模式的DP组，进一步降低异质性。本研究的贡献在于系统性地实证评估了不同预处理和聚合策略下ANN方法的适用性，为DP级MSW预测提供了实践指导。