earticle

영어

This study developed an LSTM-based model to predict the daily MSW inflow to the incineration facility in C City, Chungcheongbuk-do, using operational data collected from January 2015 to June 2025. Correlation analysis showed strong relationships between waste inflow and major variables such as per capita daily waste generation r = 0.87, plastics r = 0.80, paper r = 0.68, food waste r = 0.55, and fiber r = 0.54, whereas meteorological factors exhibited very weak correlations. Based on these results, input variables were selected for the LSTM model, and prediction performance was evaluated for 1-day, 3-day, 5-day, and 7-day lead time. The 1-day forecast demonstrated the highest accuracy with MAE 14,246, RMSE 19,411, and R2 0.8515. As the lead time increased, accumulated errors resulted in a gradual decline in long-term prediction performance. The 3-day lead time showed MAE 14,612, RMSE 21,284, and R² 0.8207, the 5-day lead time showed MAE 14,616, RMSE 21,415, and R2 0.8177, and the 7-day lead time resulted in MAE 15,557, RMSE 22,017, and R2 0.8085. These findings indicate that MSW inflow exhibits complex seasonality and nonlinear characteristics and that LSTM models are effective in capturing short-term temporal patterns. This study provides foundational insights that can support the selection of waste prediction models and assist municipalities in planning and managing waste treatment operations.

한국어

본 연구는 2015년 1월부터 2025년 6월까지의 장기 운영자료를 활용하여 충청북도 C시 생활폐기물 소각시설의 일일 반입량을 예측하기 위해 LSTM 기반 생활폐기물 반입량 예측 모델을 구축하였다. 1인·1일 배출량, 플라스틱, 종이, 음식물류, 섬유는 폐기물 반입량과 각각 0.87, 0.80, 0.68, 0.55, 0.54로 높은 상관성을 보였지만 온도 0.07, 습도 0.02, 일조시간–0.01로 기상 변수와는 낮은 상관성을 보였다. 상관분석을 바탕으로 LSTM의 입력 변수를 선정하고 1일, 3일, 5일, 7일 예측 시점을 설정하여 성능을 평가한 결과, 1일 예측에서는 MAE 14,246, RMSE 19,411, R² 0.8515로 가장 높은 정확도를 보였다. 예측 기간이 길어질수록 오차가 누적 되어 3일 예측에서는 MAE 14,612 RMSE 21,284, R² 0.8207, 5일에서는 MAE 14,616, RMSE 21,415, R² 0.8177, 7일 예측에서는 MAE 15,557, RMSE 22,017, R² 0.8085로 감소하는 장기 예측 성능이 저하되는 경향이 나타났다. 이러한 결과는 생활폐기물 반입량이 계절성·비선형성이 강한 복합 시계열 자료임을 반영하며, 이러한 결과는 생활폐기물 반입량이 복잡한 비선형성과 계절적 요인을 포함하고 있음에도 불구하고, LSTM이 단기 패턴을 안정적으로 학습한다는 점을 보여준다. 본 연구는 생활 폐기물 예측 모델 선정과 지자체의 폐기물 처리 계획 수립에 활용할 수 있는 기초자료를 제공한다는 점에서 의의가 있다.