城市智能回收系统中低价值可回收物的多站点预测

《Resources, Conservation and Recycling》：Multi-site forecasting of low-value recyclables for urban smart recycling systems

基于近200万条中国试点城市回收数据，本研究构建多站点智能回收预测框架，对比LSTM、随机森林、XGBoost和MLP模型，发现MLP在平均R2达0.76时表现最优，并揭示社区间回收异质性受天气、时间及设施便利性影响显著，提出基于预测的动态调度策略。

　　

作者：田曦 | 元可欣 | 彭飞 | 龙咪

中国南昌大学中部经济社会发展研究中心，南昌 330031

摘要

对于低价值可回收物（LVR）系统而言，高效的收集调度依赖于对处理量的准确预测。然而，现有研究缺乏针对多个站点微观层面处理量的预测方法，导致系统效率不佳。为了解决这一挑战，本研究基于在中国一个试点城市436个回收站点15个月内收集的近200万条真实处理记录，开发了一个数据驱动的预测框架。首先，我们收集外部特征以确定它们与处理量之间的相关性。然后，系统地比较了机器学习模型（LSTM、随机森林、XGBoost和MLP）的性能，以选择最佳预测器。最后，聚类分析揭示了在不同社会经济和便利条件下的社区回收差异。主要结果包括：（1）时间特征（季节、月份、工作日）和天气因素与处理量显著相关，并在提高预测准确性方面起着重要作用；（2）MLP模型在多站点预测中表现最佳（平均R2=0.76，MAPE比其他模型低7-11%）；（3）使用风险指数量化了不同社区之间回收模式的显著异质性，其中回收便利性的影响各不相同。基于这些分析，提出了一种基于预测的动态收集调度方案，以促进回收资源的合理分配。

引言

近年来，全球废物产生量持续上升（Lu等人，2024年；Shijun等人，2024年），加剧了环境污染（Henaien等人，2024年）。城市固体废物（MSW）已成为发展中国家面临的主要挑战（Hao等人，2025年；Shovon等人，2024年）。低价值可回收物（LVRs），包括废纸、塑料、纺织品和玻璃（Dong等人，2024年），是MSW的重要组成部分。回收这些材料可以通过将废物从填埋场转移出来，减少对原始材料开采和加工的需求，从而有助于资源保护（Valenzuela-Levi等人，2026年）。然而，大多数LVRs最终仍被送往填埋场并长期未经处理。2021年，中国各种类型LVRs的平均回收率仅为26.6%（国家发展改革委，2023年），导致了严重的资源浪费和环境压力。

为了解决这一问题，中国正在积极推广废物分类和“零废物城市”倡议（Lv等人，2020年；Zhang和Zhu，2020年）。在这种背景下，基于物联网（IoT）的智能回收系统作为一种提高资源回收率的有前景的方法应运而生（Zoumpoulis等人，2024年）。这些系统通过经济激励措施鼓励居民集中处理LVRs（Olawade等人，2024年）。然而，由于收集计划与居民处理需求之间的不匹配，这些系统的运营效率常常受到严重影响（Ramos等人，2018年）。不及时收集会导致垃圾桶溢出，这直接降低了居民参与回收低价值材料的积极性，形成了一个恶性循环（Imran等人，2020年）。因此，准确预测多个站点的处理量是实现精确运营管理和提高回收系统整体效率的核心挑战。

固体废物的处理行为，以处理量为量化指标（Govindan等人，2022年），是影响回收系统运营效率和回收率的关键因素（Neto等人，2024年；Tsai等人，2020年）。这种行为表现出明显的动态性和不确定性，受到天气、节假日、促销活动和政策干预等相互交织因素的影响（Han等人，2025年；Wang等人，2024年）。研究人员已经做出了许多努力来理解其复杂性。鉴于LVRs的独特性质，由于它们的经济回报较低，居民对这些材料的处理行为表现出更高的敏感性（Tian等人，2025年）。与一般固体废物处理不同，LVRs的回收行为模式不仅受时间因素的影响，还受到回收基础设施便利性和社区社会经济状况的影响（Cheng等人，2022年；Li等人，2023年）。然而，大多数现有预测模型忽略了这一维度，未能为制定针对特定站点的LVR收集策略提供基础。此外，现有研究主要依赖于问卷调查和宏观层面的统计数据作为主要信息来源（He等人，2022年；Kumar和Samadder，2017年）。第一种方法受到样本量有限、回忆偏差和主观性的限制，难以捕捉到真实的行为模式（ElHaffar等人，2020年）。第二种方法由于时空分辨率粗糙，无法揭示详细的处理波动和异质性模式（Ahmed等人，2022年）。

在方法论上，早期的MSW预测研究主要依赖于传统的统计预测方法，如ARIMA模型和多元回归技术（Khanal，2023年；Sharma等人，2024年）。这些方法为处理宏观层面数据集和捕捉线性趋势奠定了坚实的基础，在该领域积累了宝贵的应用经验。随着数据分析技术的进步，机器学习方法被引入该领域。它们在处理高维特征和非线性关系方面的灵活性为解决更复杂的预测场景提供了新工具（Guo等人，2021年；Lin等人，2022年）。这一进展随后扩展到了智能回收研究领域（Johnson等人，2017年；Kannangara等人，2018年；Lin等人，2021年）。Chen等人（2025年）应用了双LSTM模型来预测广州的日平均处理量，展示了深度学习的优越性。尽管在方法论上取得了这些进步，研究人员传统上主要关注初始废物产生量和最终处理量的预测（Xia等人，2021年），而家庭后收集阶段的关键环节仍然相对较少被研究（Cui等人，2023年）。在智能回收系统的收集过程中，有数百个分布广泛的回收站点。因此，预测模型不仅应捕捉一般的时间模式，还应适应不同站点之间的内部变化（Medda和Bhar，2019年；Yin等人，2023年）。这对预测方法提出了更高的要求，但对优化收集效率和提高回收系统的整体性能至关重要。

为了解决这些研究空白，本研究分析了来自中国一个典型城市436个智能回收站点15个月内197万条真实且高分辨率的处理记录。首先，我们通过纳入外部变量并通过重要性排名筛选关键特征来确定处理量的影响因素。其次，我们开发并比较了多种预测算法，以建立高精度的多站点预测模型。最后，我们预测了每日站点级别的处理量，并评估了不同社区类型的回收需求，为智能回收系统的资源分配提供了有针对性的指导。本研究的创新和贡献主要体现在：1）它将研究范式从宏观尺度预测转变为社区尺度的回收预测，提供了关于LVRs居民回收行为的新见解；2）它利用物联网大数据和机器学习开发了一个高精度的多站点预测模型，填补了智能回收系统收集端预测的空白；3）它提出了基于不同社区预测的差异化优化策略，支持回收系统的精细运营。

本文的其余部分结构如下：第2节详细介绍了方法和数据，包括因素识别、预测模型开发和数据来源。第3节展示了主要结果。第4节讨论了发现和意义。第5节总结了研究结论和未来方向。

方法部分

方法论

本研究聚焦于一个LVR智能回收系统成熟的中国代表性城市。截至2024年3月，中国领先的回收公司LOVERE已部署了674个智能垃圾桶，覆盖了超过60万居民。整体框架如图1所示。首先，我们使用皮尔逊相关性和互信息选择关键输入特征（例如，工作日、天气状况和滞后处理量）。然后，我们开发并比较了四种机器学习模型——长短期记忆（Long Short-Term Memory）

外部特征相关性

为了识别影响LVRs处理量的关键外部因素，我们采用了（Cubillos，2020年）在多站点预测模型中处理特征输入的方法。对9个外部变量和日平均重量（avg.weight）进行了皮尔逊相关性分析。所得的相关系数显示了不同程度的线性关系。具体结果见补充图S2和表S6。

时间特征（季节、月份、工作日）

特征在预测中的重要性

本研究量化了天气条件对处理量的影响。结果强调了在制定智能回收系统运营策略时考虑动态天气影响的必要性（Chen和Boccelli，2018年）。此外，时间特征的效果突显了建模周期性、季节性和时间变化的重要性。这些发现与Firmansyah等人（2024年）的研究结果一致。此外，月份也是预测的重要变量

结论

本研究开发了一个多站点LVRs预测框架，并将其与社区层面的异质性分析相结合，以指导LVR收集调度。主要贡献包括：确定MLP为4种机器学习算法中在不同站点上的最佳预测算法；揭示了不同社区类型的回收模式差异；并提出了基于预测的智能回收系统动态收集策略。

具体来说，这项工作解决了两个关键研究问题

作者贡献声明

田曦：撰写——原始草稿，资源获取，数据管理，概念化。元可欣：撰写——原始草稿，可视化，方法论，正式分析，数据管理。彭飞：撰写——审稿与编辑，验证，监督，方法论。龙咪：撰写——审稿与编辑，监督，软件，资源获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（项目编号52270181）、江西省杰出青年科学基金（项目编号20242BAB23050）和中央高校基本科研业务费（项目编号2253100005）的支持。