一种多人工智能方法，用于预测香港城市固体废物的产生量和回收需求

《Reumatología Clínica》：A multi-AI approach to predicting municipal solid waste generation and recycling demand in Hong Kong

　　香港市政固体废物生成预测与回收能力研究。通过融合AI回归模型（MLP-ANN）与时间序列模型（LSTM、ARIMA），结合社会经济变量，显著提升对食品、塑料及纸张废物的预测精度，并测算2024-2035年回收需求。

　　在全球范围内，城市固体废物（Municipal Solid Waste, MSW）的管理已成为一个亟需解决的重大挑战。随着城市化进程的加快，MSW的产量持续上升，对环境和公共健康构成了显著威胁。MSW不仅影响土地利用，还可能造成地下水污染、土壤退化以及与健康相关的风险，如癌症发病率上升、儿童死亡率增加以及出生缺陷率提高等。因此，精确预测MSW的生成量对于构建高效的废物管理体系至关重要。本文聚焦于香港这一高密度城市，探讨如何通过结合先进的人工智能驱动回归方法与时间序列模型，提高MSW预测的准确性，并据此评估未来废物回收的必要性。

### 香港的MSW现状与挑战

香港作为亚洲的一个国际都市，面临着独特的MSW管理问题。根据最新数据，香港每年产生的MSW约为600万吨，其中约70%被填埋处理。然而，随着土地资源的日益紧张，填埋场的容量正逐渐接近极限。目前，香港的三个主要填埋场——东北、东南和新界西——预计将在不久的将来达到饱和状态。这一情况凸显了在废物处理方式上进行改革的紧迫性。与此同时，废物回收率较低，这在一定程度上加剧了填埋场的压力。中国废料进口禁令的实施更是让这一问题雪上加霜，迫使香港必须寻找更有效的废物管理策略。

### 传统预测方法的局限性

传统的MSW预测方法主要包括回归分析和时间序列模型。这些方法依赖于历史数据和线性关系假设，以推断未来的废物趋势。尽管它们在某些情况下能够提供合理的预测结果，但其在处理非线性和多因素动态变化方面存在明显不足。例如，一些研究指出，线性回归模型在某些地区的R2值可以达到0.9，而在其他地区则可能低于0.7。这表明，传统方法在不同情境下的适用性存在较大差异。此外，时间序列模型如ARIMA虽然能够捕捉趋势和季节性变化，但在面对复杂或非线性模式时效果有限。它们通常需要长期且稳定的数据集，而许多城市由于数据收集不完善，难以满足这一要求。同时，传统模型在应对政策变化或工业增长等关键驱动因素时也显得力不从心，无法有效模拟这些外部变量对废物生成的影响。

### 系统动力学模型的优势与挑战

与传统统计方法不同，系统动力学（System Dynamics, SD）模型采用模拟方法，将废物管理系统视为一个由多个相互关联的组成部分构成的动态系统。这种模型的优势在于其能够纳入反馈机制，例如，增加回收率如何减少填埋量，或者废物积累如何引发政策调整。SD模型提供了一个全面、动态的视角，使研究者能够更好地理解废物系统的演变过程。例如，在孟加拉国的Khulna市，研究人员构建了一个基于智能体的SD模型，专门用于预测塑料废物的长期变化。该模型模拟了2023年至2040年期间MSW（特别是塑料）的生成和流动情况，结果显示，按照“照常营业”情景，人均塑料废物生成量预计从2023年的8.92公斤增加到2040年的11.6公斤，导致填埋场每年积累7万吨塑料废物，并有834吨塑料废物渗入河流。然而，SD模型的建立和运行需要大量的数据和复杂的建模过程，这对资源有限的地区而言可能是一个障碍。

### 人工智能模型的兴起与应用

随着技术的发展，人工智能（AI）方法，特别是机器学习（ML）和深度学习（DL）技术，正逐渐成为MSW预测的重要工具。这些模型能够捕捉复杂的非线性关系，从而提高预测的准确性。例如，Kannangara等人（2018）使用决策树和神经网络算法构建了MSW预测模型，其中神经网络模型表现最佳，能够解释数据中约72%的变化。Wan等人（2024）则利用ML模型预测了纽约市在新冠疫情期间的MSW产量，展示了AI在应对突发情况时的优势。此外，Frimpong等人（2025）结合地理信息系统（GIS）与ML方法，成功预测了加纳卡普海岸市的MSW组成，进一步证明了AI在城市环境中的应用潜力。

深度学习方法在废物预测领域同样展现出强大的能力。Coskuner等人（2021）应用多层感知器人工神经网络（MLP-ANN）预测了巴林的MSW生成率，取得了高精度的结果。Ayeleru等人（2021）则在南非约翰内斯堡使用了人工神经网络（ANN）和支持向量机（SVM）算法，预测了不同废物类别在该市的生成情况，并指出季节性变化对废物组成具有显著影响。Adeleke等人（2021）进一步利用ANN模型预测了MSW的物理组成，考虑了季节性和环境因素的影响。由于AI模型能够逼近复杂的函数关系，它们在模式识别、分类和回归问题中被广泛应用。例如，Boufakri等人（2024）使用了包括标准RNN、LSTM和GRU在内的深度学习算法，预测了石油港口地区的固体废物处置量，显示出其在预测废物生成趋势方面的优越性。

### 混合模型的创新应用

虽然单个AI模型在预测MSW方面表现出色，但近年来的研究表明，结合多种模型的混合方法可能在某些方面提供更优的预测效果。Chhay等人（2018）在预测中国MSW产量时，采用了线性回归与人工神经网络相结合的多模型方法，结果显示，城市人口增长是影响废物产量的主要社会经济因素，而ANN在预测精度方面优于传统方法。Fan等人（2021）提出的混合模型则结合了内在时间尺度分解与机器学习方法，通过先进的信号处理技术提高了MSW生成预测的准确性。Hoy等人（2022）构建了一个基于贝叶斯优化和集成学习的框架，用于预测不同类型的MSW生成，从而提高了预测的稳定性和准确性。Ghanbari等人（2023）开发了一个集成AI模型，用于在不确定性条件下预测固体废物的生成量，进一步验证了混合模型在复杂情境下的适用性。

### 本研究的创新点与贡献

本文在现有研究的基础上，提出了一个基于人工神经网络（ANN）的混合预测框架，旨在优化MSW预测体系，并评估未来废物回收的必要性。该研究特别关注了香港的五种主要MSW类别：食品、纸张、塑料、玻璃和金属，预测了这些废物在2024年至2035年间的年产量，并基于已有的回收目标，计算了每年所需的回收量。本研究的主要贡献包括：

1. **填补数据空白**：此前关于香港MSW的研究较少，缺乏系统性的数据收集和建模分析。本文通过深入分析废物生成、回收和处置的数据，结合超过60项相关的社会经济变量，提供了更全面的视角。
2. **提出新的预测框架**：传统的预测方法往往单独依赖时间序列模型或回归模型，而本文提出了一种结合时间序列模型与回归模型的新框架。通过时间序列模型预测相关城市社会经济数据，再利用回归模型预测MSW的具体量，这种方法不仅提高了预测的准确性，也增强了逻辑上的严谨性。
3. **支持政策制定**：许多研究仅关注模型的训练精度，而忽视了如何将训练后的模型应用于实际政策制定中。本文结合了香港的MSW回收目标和实现这些目标的各种趋势，得出了不同回收进度下的具体回收需求量。这些数据为未来制定更加科学合理的废物回收计划提供了重要参考。

### 研究方法与数据处理

为了实现上述研究目标，本文采用了多种人工智能模型和辅助工具。研究框架分为三个主要部分：数据收集与预处理、模型开发与预测、以及数据后处理。在数据收集阶段，研究人员获取了与MSW生成、回收和处置相关的数据，以及城市社会经济指标。随后，通过皮尔逊相关性分析，筛选出与废物生成最相关的社会经济因素作为模型输入。在模型开发阶段，研究团队整合了先进的AI驱动回归方法（如MLP-ANN）与时间序列模型（如LSTM和ARIMA），以提高预测的准确性。在数据后处理阶段，研究团队对预测结果进行了进一步的分析和验证，确保其能够为政策制定提供可靠的依据。

### MSW生成的预测趋势

不同类型的MSW在预测趋势上表现出差异。例如，食品、塑料和纸张废物的生成量预计会显著增加，而玻璃和金属废物的增长相对缓慢。这些预测结果基于多种模型的综合分析，反映了未来废物管理中需要重点关注的领域。特别是食品和塑料废物的回收需求，预计会成为未来政策制定的关键因素。研究团队通过分析不同回收进度下的需求量，为香港未来的废物回收计划提供了具体的指导。

### 未来展望与政策建议

本研究强调了混合AI模型在MSW预测中的重要性，并指出其在提高预测准确性方面具有显著优势。然而，当前的研究仍主要集中在模型的训练精度上，而对模型在实际政策应用中的潜力关注不足。因此，未来的研究应进一步探索如何将这些模型应用于废物管理的实际场景中，特别是在政策制定和实施方面。此外，研究团队建议加强数据收集和建模分析，以提高预测的可靠性。同时，应重视模型的可解释性和适用性，确保其能够在不同城市和国家的废物管理体系中发挥积极作用。

### 结论

综上所述，MSW的预测对于构建高效的废物管理体系至关重要。传统的统计方法虽然在某些情况下能够提供合理的预测结果，但其在处理非线性和多因素动态变化方面存在明显不足。系统动力学模型虽然能够捕捉系统范围内的反馈机制，但其建立和运行需要大量数据和复杂建模。而人工智能模型，特别是机器学习和深度学习方法，由于其强大的非线性建模能力，正在成为MSW预测的重要工具。本文提出的混合AI模型框架不仅提高了预测的准确性，还为政策制定提供了重要的参考依据。通过结合多种模型，研究团队能够更全面地理解MSW生成的复杂性，并据此制定更加科学合理的废物管理策略。未来，随着技术的不断进步和数据的不断完善，这些模型有望在更广泛的范围内发挥作用，为全球城市提供可持续的废物管理解决方案。