Forecasting hazardous waste generation using short data sets: case study of Lithuania

Abstract

Due to inefficient waste sorting in primary and secondary waste generation sources Lithuania fails in trying to meet EU requirements for waste management sector regarding the amount of waste flow that reaches landfills. Especially sensitive situation is with hazardous waste, which often are disposed along with municipal solid waste and with it reaches landfills and due to the fact that mechanical and biological treatment plant are only now being established in the biggest cities of Lithuania, landfills becomes a big issue. The main purpose of this research is to find out which mathematical modelling methods could be fitted and if it is possible to forecast annual hazardous waste generation by using automotive, medical and daylight lamps waste generation statistical data. This is part of a research of medical, automotive and daylight lamps waste generation forecasting possibilities. Tests on the performance of artificial neural networks, multiple linear regression, partial least squares, support vector machines and four nonparametric regression methods were conducted on two developed data sets. The best and most promising results in both cases were demonstrated by generalized additives method (R2 = 0.99) and kernel regression (R2 = 0.99).

Article in English.

Pavojingųjų atliekų susidarymo prognozavimas naudojant trumpas duomenų imtis: Lietuvos atvejis

Santrauka 

Dėl nepakankamai efektyvaus pirminio ir antrinio atliekų rūšiavimo jų susidarymo šaltiniuose, Lietuva neatitinka ES atliekų tvarkymui keliamų reikalavimų, kurie apibrėžia į sąvartynus patenkančių atliekų srauto procentinę dalį. Pavojingosios atliekos yra ypač daug dėmesio reikalaujantis atliekų tvarkymo sektoriaus aspektas, nes didelė dalis pavojingųjų atliekų kartu su komunalinių atliekų srautu patenka į sąvartynus. Mechaninio ir biologinio apdorojimo įrenginiai, kurie padėtų spręsti šią ir sąvartynų pavojingumo aplinkai problemą, daugelyje didžiųjų šalies miestų tik dabar baigiami įrengti ar pradėti statyti. Pagrindinis šio tyrimo tikslas yra išsiaiškinti, kurie matematinio modeliavimo metodai galėtų būti pritaikyti prognozuojant metinį susidarančių pavojingųjų atliekų kiekį remiantis medicininių, automobilinių ir dienos šviesos lempų atliekų susidarymo duomenimis. Tai yra medicininių, automobilinių ir dienos šviesos lempų atliekų susidarymo prognozavimo galimybių tyrimo dalis. Atliekant tyrimą su dviem duomenų imtimis buvo išbandyti dirbtinių neuronų tinklų, daugialypės tiesinės regresijos, dalinių mažiausių kvadratų, atraminių vektorių, neparametrinės regresijos ir laiko eilučių metodai. Abiejų duomenų imčių atvejais geriausi rezultatai buvo pasiekti taikant bendrųjų adityvų (R2 = 0,99) ir branduolinės regresijos (R2 = 0,99) metodus.

Reikšminiai žodžiai: prognozavimas, pavojingosios atliekos, bendrieji adityvai, branduolinė regresija, medicininės atliekos, dienos šviesos lempos automobilinės atliekos.

Keyword : forecasting, hazardous waste, generalized additives, kernel regression, medical waste, daylight lamps, automotive waste