Die Studie schlägt ein neues intelligentes System zur Abfallbewirtschaftung von Lebensmitteln (Smart Food Waste Management System - SFWMS) vor, das die neuesten Technologien des Internets der Dinge (IoT) und des Maschinenlernens (ML) kombiniert, um die Effizienz der traditionellen Methoden zu verbessern, die derzeit zur Bekämpfung der wachsenden globalen Epidemie der Lebensmittelverschwendung eingesetzt werden. Das System verwendet IoT-fähige Sensoren, um Echtzeitdaten über die Menge an Lebensmitteln, deren Lagerorte und die Menge, die an verschiedenen Orten (z. B. Haushalten, Hostels, Restaurants) verloren geht, zu überwachen und diese Daten an eine gemeinsame cloudbasierte Plattform zu übermitteln. Es enthält auch historische und Echtzeitdaten aus beiden Quellen, die mit Algorithmen des Maschinenlernens verwendet werden können, um zukünftige Muster der Lebensmittelverschwendung vorherzusagen. Das SFWMS verwendet prädiktive Analytik, um Spitzenzeiten für Abfälle vorherzusagen und datenbasierte Empfehlungen für die optimale Verteilung, Wiederverwendung und/oder Entsorgung von Lebensmitteln zu geben. Darüber hinaus sendet das SFWMS automatisierte Warnungen und verwendet ein benutzerfreundliches Dashboard, um zeitgerechte Entscheidungen zu erleichtern und die Leistungsüberwachung zu unterstützen, während es im Vergleich zu bestehenden Systemen zur Abfallbewirtschaftung von Lebensmitteln eine verbesserte Effizienz und Skalierbarkeit bietet. Durch einen proaktiven und datenbasierten Ansatz ermöglicht das SFWMS eine effiziente Nutzung von Lebensmittelressourcen, indem prädiktive Analytik eingesetzt wird, um unnötige Lebensmittelverschwendung zu reduzieren. Die Studie präsentiert die Ergebnisse eines Pilotprojekts und hebt hervor, dass die Kombination von IoT- und ML-Technologien die Lebensmittelverschwendung erheblich verringern, positive Auswirkungen auf die Umwelt haben und nachhaltige Praktiken fördern kann. Dieses Projekt trägt zur Entwicklung intelligenter, skalierbarer und umweltfreundlicher Lösungen zur Abfallbewirtschaftung von Lebensmitteln für intelligente Städte und moderne Lebensmittelsysteme bei.
Building similarity graph...
Analyzing shared references across papers
Loading...
Amrithesh M T
GOPAL R DR.
Building similarity graph...
Analyzing shared references across papers
Loading...
T et al. (Mi,) haben diese Frage untersucht.
synapsesocial.com/papers/69d895be6c1944d70ce06e01 — DOI: https://doi.org/10.5281/zenodo.19472947
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: