Метод ентропійно-прогностичного аналізу інтегрального індексу екологічного ризику від муніципальних органічних відходів
DOI:
https://doi.org/10.35681/1560-9189.2026.28.1.358598Ключові слова:
муніципальні органічні відходи, екологічний ризик, багатофакторні дані, ентропійний аналіз, інтегральний індекс, машинне навчання, підтримка прийняття рішень, прогнозуванняАнотація
Розглянуто метод ентропійно-прогностичного аналізу інтегрального індексу екологічного ризику від муніципальних органічних відходів в умовах багатофакторної невизначеності міського середовища. Особливу увагу приділено використанню інформаційно-ентропійного підходу для оцінювання значущості ознак, які характеризують соціально-демографічні, просторові, інфраструктурні, виробничі й екологічні параметри системи управління органічними відходами. Інструментарій підтримки прийняття рішень розглядається в контексті формування інтегрального індексу екологічного ризику, ранжування факторів впливу та прогнозування ризикових станів на основі моделей машинного навчання. На основі проведеного аналізу сформовано послідовність процедур ентропійного відбору ознак, інтегрування показників у єдиний індекс і прог-нозного моделювання для підтримки управлінських рішень у сфері муніципального поводження з органічними відходами.
Посилання
Xu P., Zheng H. A multi-AI approach to predicting municipal solid waste generation and recycling demand in Hong Kong. Resources, Conservation and Recycling. 2026. Vol. 225. Art. 108590. https://doi.org/10.1016/j.resconrec.2025.108590
Adu T.F., Mensah L.D., Rockson M.A.D., Kemausuor F. Forecasting municipal solid waste generation and composition using machine learning and GIS techniques: A case study of Cape Coast, Ghana. Cleaner Waste Systems. 2025. Vol. 10. Art. 100218. https://doi.org/10.1016/j.clwas.2025.100218
Latif S.D., Hazrin N.A.B., Younes M.K., Ahmed A.N., Elshafie A. Evaluating different machine learning models for predicting municipal solid waste generation: A case study of Malaysia. Environment, Development and Sustainability. 2024. Vol. 26, No 5. pp. 12489–12512. https://doi.org/10.1007/s10668-023-03882-x
Rao R., Singh S., Salas M. et al. AI-powered municipal solid waste management: A comprehensive review from generation to utilization. Frontiers in Energy Research. 2025. Vol. 13. Art. 1670679. https://doi.org/10.3389/fenrg.2025.1670679
Tryhuba I., Tryhuba A., Hutsol T., Cieszewska A., Andrushkiv O., Glowacki S., Brys A., Slobodian S., Tulej W., Sojak M. Prediction of biogas production volumes from household organic waste based on machine learning. Energies. 2024. Vol. 17, No 7. Art. 1786. https://doi.org/10.3390/en17071786
Tryhuba A., Tryhuba I., Bashynsky O., Hutsol T., Rozkosz A., Prokopova O. Forecasting of environmentally efficient agricultural production based on machine learning models. Sustainability. 2023. Vol. 15. Art. 11472. https://doi.org/10.3390/su151511472
Tryhuba A., Hutsol T., Glowacki S., Bashynsky O., Rozkosz A., Prokopova O. Intelligent forecasting of resource consumption in agricultural production projects under uncertainty. Applied Sciences. 2024. Vol. 14. Art. 3128. https://doi.org/10.3390/app14073128
Chang T.-W., Huang Y.-P., Sandnes F.E. Efficient entropy-based features selection for image retrieval. In: Proceedings of the IEEE International Conference on Systems, Man and Cybernetics. 2009. https://doi.org/10.1109/ICSMC.2009.5346032
Nourani V., Baghanam A.H., Samadi E., Uzelaltinbulat S. Predicting municipal solid waste generation using artificial intelligence: A hybrid approach of entropy analysis and SHAP for optimal feature selection. Waste Management. 2025. Vol. 205. Art. 115012. https://doi.org/10.1016/j.wasman.2025.115012
Lapchuk A.S., Pryhun O.V., Manko D.Yu., Horbov I.V., Borodin Yu.O. Umovy efektyvnoho zastosuvannia pasyvnykh metodiv zmenshennia spekliv i metod dokoherentnoho fokusuvannia v lazernykh osvitliuvalnykh systemakh i proektorakh. Reiestratsiia, zberihannia i obrobka danykh. 2025. Vol. 27, No 2. pp. 3–26. https://doi.org/10.35681/1560-9189.2025.27.2.345498
Lee J.-S., Shin D.-C. Prediction of waste generation using machine learning: A regional study in Korea. Urban Science. 2025. Vol. 9, No 8. Art. 297. https://doi.org/10.3390/urbansci9080297
Alkhayrat M., Aljnidi M., Aljoumaa K. A comparative dimensionality reduction study in telecom customer segmentation using deep learning and PCA. Journal of Big Data. 2020. Vol. 7. Art. 9. https://doi.org/10.1186/s40537-020-0286-0
Tryhuba A., Koval N., Tryhuba I., Boiarchuk O. Application of SARIMA models in information systems forecasting seasonal volumes of food raw materials of procurement on the territory of communities. CEUR Workshop Proceedings. 2022. Vol. 3295. pp. 64–75.
Suknark P., Youwai S., Kitkobsin T., Towprayoon S. Explainable artificial intelligence model for evaluating shear strength parameters of municipal solid waste across diverse compositional profiles. arXiv preprint. 2025. https://doi.org/10.48550/arXiv.2502.15827
Fung P.L., Savadkoohi M., Zaidan M.A., Niemi J.V., Timonen H., Pandolfi M., Alastuey A., Querol X., Hussein T., Petaja T. Constructing transferable and interpretable machine learning models for black carbon concentrations. Environment International. 2024. Vol. 184. Art. 108449. https://doi.org/10.1016/j.envint.2024.108449
Tryhuba A., Bashynskyi O., Medvediev Y., Slobodian S., Skorobogatov D. Justification of models of changing project environment for harvesting grain, oilseed and legume crops. Independent Journal of Management & Production. 2019. Vol. 10, No 7. pp. 658–672. https://doi.org/10.14807/ijmp.v10i7.922
Lips S., DeYoung S., Schonsteiner M., Lens H. Closed-loop identification of a MSW grate incinerator using Bayesian optimization for selecting model inputs and structure. Control Engineering Practice. 2024. Vol. 153. Art. 106075. https://doi.org/10.1016/j.conengprac.2024.106075
El Jaouhari A., Samadhiya A., Kumar A., Mulat-Weldemeskel E., Luthra S., Kumar R. Turning trash into treasure: Exploring the potential of AI in municipal waste management – an in-depth review and future prospects. Journal of Environmental Management. 2025. Vol. 373. Art. 123658. https://doi.org/10.1016/j.jenvman.2024.123658
Wang Y., Chen X., Li J. Urban municipal organic waste forecasting using machine learning and environmental indicators. Waste Management. 2024. Vol. 182. pp. 95–108.
Malanchuk O., Tryhuba A., Tryhuba I., Bandura I. A conceptual model of adaptive value management of project portfolios of creation of hospital districts in Ukraine. In: Proceedings of the International Conference on Information Technologies in Project Management. 2020. pp. 82–95.
Khan M., Alhussain A., Alotaibi S. Municipal solid waste generation forecasting using deep learning and socio-economic indicators. Journal of Cleaner Production. 2023. Vol. 430. Art. 139684.
Lee J.S., Shin D.C. Prediction of waste generation using machine learning. Urban Science. 2025. Vol. 9, No 8. Art. 297. https://doi.org/10.3390/urbansci9080297
Watkins J., Bertagna L., Harper G. Entropy-based feature selection for capturing impacts in Earth system models with abrupt forcing. Journal of Computational and Applied Mathematics. 2026. Vol. 471. Art. 116724. https://doi.org/10.1016/j.cam.2025.116724
Fung P.L., Savadkoohi M., Zaidan M.A. Constructing transferable and interpretable machine learning models for black carbon concentrations. Environment International. 2024. Vol. 184. Art. 108449. https://doi.org/10.1016/j.envint.2024.108449
Nourani V., Baghanam A.H., Samadi E., Uzelaltinbulat S. Predicting municipal solid waste generation using artificial intelligence: A hybrid approach of entropy analysis and SHAP for optimal feature selection. Waste Management. 2025. Vol. 205. Art. 115012. https://doi.org/10.1016/j.wasman.2025.115012
Tryhuba I., Tryhuba A., Hutsol T., Cieszewska A., Andrushkiv O., Glowacki S., Brys A., Slobodian S., Tulej W., Sojak M. Prediction of biogas production volumes from household organic waste based on machine learning. Energies. 2024. Vol. 17. Art. 1786. https://doi.org/10.3390/en17071786
Tryhuba A., Hutsol T., Cesna J., Glowacki S., Bashynsky O., Tulej W., Sojak M. Optimizing energy systems of livestock farms with computational intelligence for achieving energy autonomy. Scientific Reports. 2025. Vol. 15. Art. 10777. https://doi.org/10.1038/s41598-025-92836-6
Kadenko S.V., Tsyhanok V.V., Andriichuk O.V., Karabchuk A.V. Analiz instrumentariiu pidtrymky pryiniattia rishen u konteksti vyrishennia zadach stratehichnoho planuvannia. Reiestratsiia, zberihannia i obrobka danykh. 2020. Vol. 22, No 2. pp. 77–91. https://doi.org/10.35681/1560-9189.2020.22.2.211281
Tsyhanok V.V. Udoskonalennia metodu tsilovoho dynamichnoho otsiniuvannia alternatyv ta osoblyvosti yoho zastosuvannia. Reiestratsiia, zberihannia i obrobka danykh. 2013. Vol. 15, No 1. pp. 90–99. https://doi.org/10.35681/1560-9189.2013.15.1.103369
Boiko O. Suchasni metody shtuchnoho intelektu dlia vyiavlennia propahandy v teksti. Reiestratsiia, zberihannia i obrobka danykh. 2025. Vol. 27, No 1. pp. 120–131. https://doi.org/10.35681/1560-9189.2025.27.1.336147
Kavrin D., Subbotin S. Bagging-based instance selection for instance-based classification. In: Proceedings of the Computer Modeling and Intelligent Systems 2020. CEUR Workshop Proceedings. 2020. Vol. 2608. pp. 703–714.
Leoshchenko S., Subbotin S., Borovikov A., Gofman Y. Transfer training tools and methods for diagnostic tasks. In: Proceedings of the Computer Modeling and Intelligent Systems 2025. CEUR Workshop Proceedings. 2025. Vol. 3988. pp. 350–361.
Kondysiuk O., Bashynsky O., Dembitskyi V., Myskovets I. Formation and risk assessment of stakeholders value of motor transport enterprises development projects. In: Proceedings of the Computer Sciences and Information Technologies. 2021. pp. 303–306. https://doi.org/10.1109/CSIT52700.2021.9648739
Tryhuba A., Padyuka R., Tymochko V., Lub P. Mathematical model for forecasting product losses in crop production projects. In: CEUR Workshop Proceedings. 2022. Vol. 3109. pp. 25–31.
Zachko O., Grabovets V., Pavlova I., Rudynets M. Examining the effect of production conditions at territorial logistic systems of milk harvesting on the parameters of a fleet of specialized road tanks. Eastern-European Journal of Enterprise Technologies. 2018. Vol. 5. pp. 59–69. https://doi.org/10.15587/1729-4061.2018.142227
