مقایسه عملکرد معماری های مختلف CNN-LSTM-Attention برای پیش بینی پسماند جامد شهری : مطالعه موردی در شهر شیراز

افزایش بی وقفه تولید پسماند و محدودیت امکانات جهت مدیریت آن، چالشی بسیار جدی برای مدیریت شهری محسوب می شود. پیش بینی تولید پسماند جامد شهری مبنایی برای مدیریت آن جهت فراهم آوردن زیرساخت های لازم است . تولید پسماند تحت تاثیر عوامل بسیاری همچون جمعیت ، رشد اقتصادی و الگوهای فصلی است . بنابراین ، به دلیل ماهیت پیچیده ی آن، کاربرد مدل های مختلف یادگیری عمیق در مطالعات اخیر مورد توجه قرار گرفته شده است . این مطالعه ، به ارزیابی و مقایسه مدل های مختلف یادگیری عمیق جهت یافتن مدلی با دقت بیشتر خواهد پرداخت . در این پژوهش با هدف یافتن مدلی با قدرت پیش بینی بالاتر و خطای کمتر برای داده های شهر شیراز، مدل های CLA (CNN-LSTM-Attention)، CAL(CNN-Attention-LSTM) و LAC (LSTM-Attention-CNN) مقایسه شده است . در نتیجه ، مدل CLA بعنوان مدلی باقدرت پیش بینی بالاتر و خطای کمتر نسبت به سایر مدل های بررسی شده (با ضریب تعیین ۷۷,۰، خطای NRMSE ۰۶۹,۰، خطای MAPE %۴۳,۲ و خطای MAE ۷۱۹ تن برای داده های تست ) انتخاب شد. نتایج حاصل از این تحقیق و مدل ساخته شده می تواند توسط تصمیم گیرندگان جهت توسعه و بهبود زیرساخت های مدیریتی مورد استفاده قرار گرفته شود. تحقیقات آینده، می تواند شامل ارزیابی مدل پیشنهادی در محیط های مختلف شهری و استفاده از پارامترهای پیش بینی کننده ی دیگر باشد.

کلیدواژه ها:

پیش بینی پسماند جامد ، یادگیری عمیق ، CNN ، LSTM