基于可解释集成机器学习与生物能源潜力评估的有机家庭废弃物预测决策支持框架
《Energies》:Explainable Machine Learning Framework for Forecasting Household Organic Waste Generation to Support Sustainable Bioenergy Systems
【字体:
大
中
小
】
时间:2026年09月27日
来源:Energies 3.9
编辑推荐:
# 摘要
有机家庭废弃物量的增长以及向循环经济转型的需求,要求开发出可靠的预测工具,以确保废物回收和生物能源生产系统的有效规划。尽管机器学习方法取得了重大进展,但大多数当前研究侧重于提高预测精度,而对模型可解释性以及利用结果支持管理决策方面关注不足。本研究旨在开发并基于经验
# 摘要有机家庭废弃物量的增长以及向循环经济转型的需求,要求开发出可靠的预测工具,以确保废物回收和生物能源生产系统的有效规划。尽管机器学习方法取得了重大进展,但大多数当前研究侧重于提高预测精度,而对模型可解释性以及利用结果支持管理决策方面关注不足。本研究旨在开发并基于经验市政数据进行验证,构建一个可解释的机器学习框架,用于预测有机家庭废弃物的产生量,以支持沼气及生物天然气系统开发的决策。所提出的框架将数据预处理、特征工程、集成机器学习算法、预测质量评估、可解释人工智能(XAI)方法和生物能源潜力评估整合为一个统一的决策支持系统。研究使用了一个包含20个本地社区、共10,800个观测值的经验数据集,数据来源于乌克兰利沃夫市LKП"绿城"的监测与核算记录,涵盖2024年1月1日至2025年6月23日的时间段。数据集包括人口统计、社会经济、区域、旅游相关、自然与气候、基础设施、物流、组织与经济以及时序特征。为预测有机家庭废弃物产生的归一化指数,我们开发并比较了随机森林、Extra Trees、梯度提升、XGBoost、LightGBM和CatBoost模型。在时间顺序留出集上,基于重叠指标相关预测变量的线性回归基线模型取得了MAE = 0.02339、RMSE = 0.02886和R2 = 0.96412,表明所构建的目标变量中有相当一部分可线性重构。在六个集成模型中,CatBoost取得了最优的点估计值,MAE = 0.02933、RMSE = 0.03720、R2 = 0.84958。严格的留一社区外验证表明零样本空间迁移能力较低,其中Extra Trees取得了最高的池化性能(MAE = 0.05198、RMSE = 0.06464、R2 = 0.58159)。基于Extra Trees的本地适配显著改善了向此前未见社区的迁移能力,在积累120天的社区特定观测后,池化MAE达到0.03234、RMSE达到0.04121、R2达到0.83424,尽管各市政区域之间的性能仍存在异质性。SHAP分析确定旅游活动、气温、家庭收入、城市人口比例、周末以及距水域距离是影响模型预测的重要因素,并揭示了旅游活动、气温和收入方面存在非线性且模型特有的关联。基于预测的有机废弃物产生量,对所调查社区的年度生物能源潜力进行了情景化评估,结果显示各社区间的潜在发电量差异显著。本研究的科学贡献在于将集成预测、可解释人工智能方法和情景化生物能源潜力评估整合在一个决策支持框架中。所提出方法的实用价值在于可用于有机废弃物资源可用性的初步预测及生物能源潜力的情景化评估。进一步的运营、基础设施或投资应用需要利用独立市政数据集进行外部验证,并在实际运行条件下进行检验。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号