بررسي ميزان تاثير پيش پردازش داده ها در دقت نتايج مدلسازي توليد پسماند شهري با استفاده از شبكه عصبي

Investigating Effect of the Preprocessing of the Data on the Accuracy of the Modeling Solid Waste Generation through ANNs

توليد پسماند در جوامع بشري امري روزمره و طبيعي است. پسماند از مرحله توليد تا مرحله مصرف و مرحله دفع نهايي توليد شده و امري غير قابل اجتناب است. توسعه شهرها و صنعتي شدن آنها باعث توليد روزافزون پسماند شهري مي شوند. براي آگاهي از كميت اين پسماندها گامي ضروري است. در اين پژوهش از شبكه عصبي مصنوعي به عنوان يك ابزار كارآمد براي مدل سازي ميزان پسماند توليدي شهر مشهد استفاده شده است. در اين راستا ابتدا پيش پردازش هايي بر روي داده هاي ورودي متغيرهاي مستقل و وابسته انجام شده كه اثر اعمال هر روش بر روي دقت مدل تخمين زده شده بررسي مي شود. نتايج نشان مي دهد كه با انجام پيش پردازشهايي بر روي داده هاي خام ورودي به مدل، مي توان نتايج دقيقتري بدست آورد. سه حالت مختلف بررسي شد و بهترين پيش پردازش شامل لگاريتم گيري، حذف روند و استاندارد سازي داده ها انتخاب شد. معماري شبكه دو لايه مخفي هركدام با 5 نرون و با MAPE 06/0، MSE 46/0 و ضريب همبستگي 86/0 بدست آمد.

Waste generation in today industries is a serious problem. Waste generation from the production stage to the final disposal is an inevitable issue. Development of the cities and the industrialization cause the everyday increase in solid waste generation. Therefore, knowing the waste values is an essential tool for the solid waste management systems. In this research, artificial neural network is used as a financial tool for modeling the solid waste generation in Mashhad. For this purpose, first, some pre-processing on the dependent and independent variables are done and the effect of this procedure on the accuracy of the model is investigated. Research findings clearly indicate that by / through using some preprocessing on the input data, accurate results can be obtained. Three different conditions have been evaluated and the best one is selected which contains logarithm, trend removing and standardizing. The selected network has two hidden layers with five neurons in each one. Network performance parameters are MAPE, MSE and R2 that equal to 0.06, 0.46 and 0.86, respectively.