12、城市生活垃圾产生量的预测与分析

城市生活垃圾产生量的预测与分析

1. 机器学习算法在MSWG预测中的表现

在MSWG（城市生活垃圾产生量）的预测研究中，尽管训练阶段报告了非常高的 $R^2$ 值（>0.90），但MSWG仍低于0.85。通过对比分析发现，GB（梯度提升）算法的训练和测试得分分别为0.99和0.95，优于其他基于树的算法。GB算法下，基于树的算法的RMSE（均方根误差）、MAE（平均绝对误差）和 $R^2$ 分别为3.01、2.86和0.997。而ANN（人工神经网络）和DT（决策树）模型在预测MSWG率的测试阶段 $R^2$ 值分别为0.72和0.54。

部分研究将数据集按不同比例划分，如60:40、70:30、80:20、85:15和90:10，共进行了一百次任意划分，但文献中尚未报道有效的测试阶段建模技术，导致相关研究报告的相关系数值较低。不过，本研究在测试期间仍发现了较强的相关值，这是一个重要的发现。

以下是不同研究使用机器学习算法预测MSWG的情况对比表格：
|序号|作者|机器学习模型|数据集|数据集划分比例|预测性能|推断|
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|1|(Dissanayaka and Vasanthapriyan 2019)|LR、ANN、RF|2009 - 2017年的数据|80:20|训练：0.6973、0.9923、0.9608；测试：无；$R^2$：无；RMSE：2706.8、622.1、1500.1|未研究如识字率和支出等有影响的变量以提高废物管理效率|
|2|(Johnson et al. 2017)|GB|2005 - 2011年的历史数据（23