在可持续城市发展的背景下，快速的城市化和物质消费趋势正在深刻重塑城市系统的运作方式，并对城市环境治理提出了前所未有的挑战。最新研究表明，到2050年，全球城市物质消费量可能达到约90亿吨，而2010年仅为40亿吨（Baynes和Musango，2018年）。这一增长趋势也与人口结构的变化密切相关，预计到2025年，全球66%的人口将居住在城市地区（Olivetti和Cullen，2018年）。此外，城市固体废物（MSW）的产生量预计将大幅增加，43亿城市居民每年将产生约22亿吨的固体废物（Zhong等人，2021年）。值得注意的是，高收入群体的废物产生量明显高于低收入群体。
在这种背景下，可持续废物管理已成为联合国可持续发展目标（SDGs）的关键议题，旨在保护公共卫生和环境质量。然而，当前的固体废物管理（SWM）挑战表明，特别是在低收入和中等收入国家，迫切需要升级废物管理系统和服务能力（Esmaeilian等人，2018年）。固体废物不仅是技术和运营管理的对象，也是城市公共服务系统的重要组成部分，直接影响城市环境质量、公共卫生和社会公平。
在智慧城市发展的背景下，人工智能（AI）越来越被视为支持可持续城市治理的重要工具。通过实时数据分析和决策支持能力，AI有助于市政府在资源分配、公共服务和环境管理方面做出更可持续的决策。自从提出智慧城市概念以来，其发展逐渐转向数据驱动和治理导向的方法（Caragliu等人，2011年）。在可持续发展的背景下，智慧城市不再仅仅被视为以技术为导向的城市形态，而是利用数字技术提升城市生活质量和优化资源效率的综合性治理框架（Silva等人，2018年）。在这一转型过程中，AI被广泛认为是推动智慧城市从概念到实际应用的关键使能技术（Silva等人，2018年）。
污染控制和废物管理等环境问题与城市可持续性和居民生活质量密切相关。因此，为智慧城市制定创新和有效的城市规划和管理策略尤为重要（Esmaeilian等人，2018年）。随着全球人口持续增长和城市化进程加快，城市固体废物（MSW）的产生量呈现出显著上升趋势（Kaza等人，2018年）。因此，MSW已成为全球尤其是发展中国家城市治理面临的主要环境挑战（Yadav等人，2023年）。然而，由于MSW的高度异质性和系统复杂性，在理解和实施有效的管理机制方面仍存在重大限制（Yadav等人，2023年）。
近年来，研究人员提出了多种基于AI的模型和技术，应用于MSW管理的多个方面，包括废物产生预测、收集、分类、车辆路线规划和系统优化。这些研究已在先前的文献中进行了系统回顾（Xia等人，2022年），最新研究证实AI技术可以提高MSW管理过程的效率和自动化程度（Dawar等人，2025年；Li等人，2026年）。然而，将AI模型整合到实际MSW管理系统中仍面临重大障碍，尤其是在数据质量、跨系统集成和治理方面（Dawar等人，2025年）。此外，制度和社会因素——如缺乏战略支持、治理结构薄弱、实施成本高昂以及对AI驱动决策的不信任——进一步限制了AI在MSW管理中的广泛应用（Li等人，2026年）。
在COVID-19大流行期间，MSW的产生和管理需求发生了显著变化，凸显了现有系统在应对突发公共卫生事件时的脆弱性。一项使用机器学习的研究发现，大流行期间废物产生出现异常波动，预测模型性能也有所变化（Wan等人，2024年）。此外，个人防护装备（PPE）的使用增加和在线消费的兴起导致家庭和医疗废物大幅增加，给管理系统带来了额外压力（Olawade等人，2024年）。这些变化暴露了灵活性、实时数据整合和适应性治理能力的局限性。同时，它们也凸显了AI和数据驱动方法在提高系统韧性和实现实时决策方面的潜力。应对这些挑战对于实现可持续智慧城市至关重要。尽管AI在MSW管理中的应用提供了宝贵见解，但该领域仍缺乏系统和全面的研究。现有研究主要集中在特定技术或运营改进上，未能充分探讨AI在转变MSW系统或捕捉大流行前后结构变化方面的更广泛作用。此外，现有研究大多未能揭示潜在的语义关系、新兴研究趋势和主题演变。虽然文献计量分析常用于研究出版趋势和研究模式（Donthu等人，2021年），但它们仍难以揭示文本数据中的深层语义结构。为解决这些差距，本研究采用潜在狄利克雷分配（LDA）作为主要分析方法。LDA是一种无监督学习技术，能够从大型文本语料库中有效提取潜在主题结构（Blei等人，2003年）。与其他方法相比，LDA在处理大型数据集和识别主题分布方面具有灵活性。为了提高模型性能，本研究使用困惑度和一致性得分来优化超参数。
通过系统的基于LDA的方法，本研究分析了AI在MSW管理中的发展，并旨在：
1.分析大流行前后AI应用的发展
2.研究主题强度的变化
3.追踪主题演变
4.确定未来的研究方向
AI有潜力显著提高MSW管理效率，特别是在废物分类、收集优化和资源分配等领域。然而，实现全面实施需要利益相关者的跨学科合作（Yu等人，2021年）。未来的研究应进一步探讨AI对环境、经济和社会可持续性的实际影响（Liu等人，2022年）。
