人口的快速增长和城市地区的持续扩张导致市政固体废物的产生显著增加，给环境保护和城市管理带来了严重挑战。为应对这些问题，近年来的研究越来越关注技术解决方案，其中机器学习得到了显著关注。机器学习能够捕捉复杂的非线性模式，因此在市政固体废物管理的各个阶段广泛应用，以增强可持续和高效的废物处理。本文综述了2000年至2022年间发表的超过一百项研究，旨在分析机器学习技术如何在废物管理过程中应用，包括废物产生预测、收集调度、运输优化和处置规划。该研究系统探讨了现有研究趋势，识别了方法上的局限性，并突出了有前景的未来研究方向，为后续调查提供了概念理解和实践指导。与以往的综述研究不同，本文特别关注废物产生和处置阶段，强调个人、家庭和市政当局如何利用先进的计算技术来减少废物体积并提高管理效率。研究结果表明，大部分现有研究集中在废物分类、区域废物数量估算和垃圾桶填满水平预测。然而，仍存在一些重要挑战，例如缺乏实时时间序列数据集、模型的稳健性和泛化能力有限、缺乏统一的基准标准，以及实现废物产生长期可靠预测的困难。
S. Vidya（周四）研究了这个问题。