Analysis and Forecasting of Multi-Region Recyclable Waste Datasets With Supervised Machine Learning Models

Abstract

Sürdürülebilir şehirler için, bölgelerin farklı atık miktarlarını tahmin etmek oldukça önemlidir; böylelikle bu miktarların bir kısmının geri dönüşü, üretim tesislerinde hammadde kullanımını enküçükleyebilecektir ve geridönüşümle karlılığı arttırabilecektir. Bu nedenlerle, bu çalışmanın amacı, farklı zaman aralıklarında ve farklı bölgelerde toplanan geri dönüşüm atık miktarlarını analiz etmektir, sonrasında farklı gözetimli makine öğrenimi yaklaşımları ile atık miktarlarını tahmin etmeyi amaçlamaktadır. Bu tahminler kuruluşların geri dönüşüm stratejilerini daha iyi tahminlerle daha iyi şekillendirmelerine ve en iyi geri dönüşüm toplama ve yatırım politikaları ile maliyetlerinin minimize etmeyi sağlayacaktır. Farklı noktalardan elde edilen geri dönüşüm atık veri setlerindeki belirsizliklerden ve değişkenliklerden dolayı, bu tez çalışması öncelikle geleneksel tahminleme yöntemlerini zaman serisi analizleri ile uygulamaktadır. Sonra, tanımlayıcı ve korrelasyon analizlerini içeren istatistiksel analizlerin dışında ARIMA, K-NN ve XGBoost gibi seçilmiş gözetimli makine öğrenmesi yaklaşımları ile ilave analizleri yapmaktadır. Geleneksel tahmin yöntemleriyle yapılan analizlere göre hareketli ortalama yöntemi, kağıt atıklarında diğer yöntemler arasında 97, plastik atıklarda ise 0,13 MSE değeriyle tüm bölgelerde en iyi tahmin sonuçlarını sağlamaktadır. Denetimli makine öğrenimi yöntemleri analizlerine göre, ARIMA yöntemi bölgelerin çoğunda daha iyi tahminleme sonuçlarını göstermektedir ve en iyi performans gösteren bölge 105 MSE değerine sahiptir. Son olarak, çalışma tahminleme algoritmalarını bir havuzda toplayarak ve en iyi tahminleri tanımlanan tahminleme performansı ölçütlerine göre seçerek otomatik bir tahminleme çerçevesi oluşturmayı amaçlamaktadır.

To have sustainable cities, it is quite crucial to forecast the recyclable waste amounts at different points of regions so that the return of some portions of such amounts would allow to minimize the raw material usage at manufacturing facilities and increase profit via recycling. For these reasons, the objective of this study is to analyze the amount of recycled waste collected at different time intervals from different regions, after that it aims to forecast the waste amounts through different supervised machine-learning approaches. These forecasts will benefit organizations to better shape their recycling strategies and minimize costs through optimal recycling collection and investment policies. Due to the uncertainties and variabilities within the collected recycled waste datasets, this thesis first applies traditional forecasting methods with time series analyses. Then, further analyses are performed through supervised machine learning approaches such as ARIMA, K-NN, and XGBoost apart from statistical analyses that cover descriptive and correlation analyses. Based on the analyses conducted by traditional forecasting methods, the moving average method provides the best forecasting results in all regions with MSE value of 97 among other methods for paper waste and 0.13 for plastic waste. Concerning the analyses by supervised machine learning methods, the ARIMA approach shows better forecasting results in the majority of the regions, and it has with MSE value of 105 for the best-performing region. Finally, the study proposes an automated forecasting framework after iteratively combining the forecasting algorithms in a pool and selecting the best forecasts according to predefined performance measures.