Para citar este trabalho use um dos padrões abaixo:
A logística reversa é amplamente reconhecida na academia como uma estratégia essencial para a gestão sustentável dos resíduos eletrônicos, garantindo sua coleta e destinação adequada. No entanto, a eficiência desse processo pode ser aprimorada por meio da aplicação de técnicas de Machine Learning (ML). Este estudo propõe o uso de algoritmos de ML para prever a quantidade de resíduos eletrônicos a serem gerados na região de São Paulo. Com base no modelo treinado, são feitas previsões futuras da quantidade de resíduos eletrônicos a serem coletados. Observa-se que os modelos de ML com melhor desempenho no processo de previsão são apresentados, sendo a técnica ARIMA a que obteve destaque, com um erro de 7%. Em resumo, o melhor modelo de ML selecionado permitiu a geração de previsões para a quantidade de resíduos eletrônicos. Para pesquisas futuras, sugere-se explorar mais a técnica, aproveitando as funções de ajuste disponíveis na biblioteca para otimizar os hiperparâmetros dos modelos.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo