一种耦合多源大数据的街道生活垃圾收运量预测方法与流程

本发明涉及垃圾收运量预测技术领域，具体涉及一种耦合多源大数据的街道生活垃圾收运量预测方法。

背景技术：

国内外研究在生活垃圾预测中主要运用的方法可以大致分为两大类：第一类方法主要是利用经济和文化因素等作为指标作为自变量，如人均收入水平、地区生产总值、房价、受教育水平等，运用的分析模型主要包括多元回归分析模型、人均垃圾产生量预测法、人工神经网络模型、系统动力学模型等；第二类方法是通过获取研究对象的生活垃圾量的历史数据，通过使用数学方法对历史数据的比较分析来推断未来垃圾的产量，主要包括灰色模型、时间序列模型等。这些研究主要以城市、区域的垃圾量为预测对象，利用大尺度数据如国民经济生产总值、人均消费支出、城市化率等来对垃圾产生量进行预测和分析。大尺度范围的研究能够体现宏观生活垃圾产生情况，对于大型垃圾处理厂和填埋场的容量设计和建筑规划有指导意义。但是由于每个街道、社区的面积和居民数量差异，导致了垃圾收运需求的差异，而现有的大尺度范围研究并不能体现这方面的差异，因此难以为小尺度范围的垃圾收运和处理设施的设计提供参考。而随着生活分类政策的推广和收运政策的改进，相较于以往的各街道集中收运后运至填埋场或处理厂的方式，现阶段的垃圾收运和分类政策更倾向于考虑街道内或几个街道合并所产生的垃圾量集中收运到街道内的小型垃圾处理中心进行处置，各地更是积极开展“餐厨垃圾不出社区”的改革，要求餐厨垃圾直接在街道内进行收运和集中处理，以减少大型垃圾处理场和填埋场的压力。上述现行垃圾处理措施对小尺度研究范围的垃圾量预测精度提出了更高的要求，但是现有针对小尺度范围对生活垃圾产生量进行预测的方法比较缺乏，难以根据科学的预测结果设计社区、街道内垃圾分类和处理设施的容量、布局以及制定相关的垃圾处理政策。

技术实现要素：

本发明的目的是为了克服以上现有技术存在的不足，提供了一种能够对社区、街道内的垃圾收运和处理的实际情况进行准确预测的耦合多源大数据的街道生活垃圾收运量预测方法。

本发明的目的通过以下的技术方案实现：

一种耦合多源大数据的街道生活垃圾收运量预测方法，包括：

s1，将区域内的街道图与垃圾中转站地理坐标图进行连接，为各个垃圾中转站匹配所属街道信息，并进行可视化处理；

s2，将区域内的各类用地建筑基底面积数据和街道边界图进行叠加分析，得出每个地块或建筑的所属街道，并统计出每个街道的建筑面积和高度数据，再计算出各街道的建筑密度；

s3，根据区域内人口密度数据、房价数据、各街道的社会消费品零售总额得出每个街道的人口密度；

s4，对每个街道的建筑面积、高度数据、建筑密度和人口密度进行归一化处理；

s5，将归一化后的数据输入预先构建并训练好的bp神经网络中；

s6，bp神经网络输出垃圾中转站的平均日处理量。

优选地，计算出各街道的建筑密度的公式为：建筑密度＝街道建筑总面积÷街道占地面积×100％＝街道建筑密度。

优选地，归一化处理的公式为：

x＝(x-min)/(max-min)。

优选地，步骤s5中bp神经网络的输入层中的8个预测变量为输入节点，输出层节点为垃圾中转站的平均日处理量，隐藏节点有2个。

优选地，若bp神经网络输出垃圾中转站的平均日处理量的准确率低于预设阈值，则再次对已有的bp神经网络进行准确性增强操作，具体为：利用spssmodeler内神经网络分析中的继续训练现有bp神经网络，选择训练目的为提高模型的准确性；此目标方法会继续生成多个“成分模型”与已有模型进行对比，并根据前一个模型的残差对变量进行加权，根据是否具有较大残差值的变量为原则进行分析权重的赋予，残差越大，赋予权重越高，最后对所有的成分模型进行整合，构成一个新的、准确度更高的模型。

本发明相对于现有技术具有如下优点：

本发明以小尺度研究对象，耦合社区、街道内的多源大数据，并将多源大数据输入预先构建并训练好的bp神经网络中；bp神经网络输出垃圾中转站的平均日处理量，实现社区、街道内的垃圾收运量的准确预测。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本实施例的耦合多源大数据的街道生活垃圾收运量预测方法的流程示意图。

图2为本实施例的天河区垃圾中转站位置分布图。

图3为本实施例的bp神经网络对天河区垃圾中转站的日平均垃圾处理量预测结果图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明的耦合多源大数据的街道生活垃圾收运量预测方法以广州市天河区为例，着重利用多源大数据对垃圾产生量进行预测，探讨垃圾处理维度的大数据处理和应用框架，使预测结果更加全面、具体。同时立足于小尺度研究对象，并且根据社区、街道内的垃圾收运和处理的实际情况进行预测研究，参见图1，为社区、街道的垃圾中转站和处理设施的布局设计提供理论参考街道生活垃圾收运量预测方法具体如下：

(1)为了获取区域垃圾量的整体情况，通过政府信息公开网站获取天河区内各垃圾中转站的位置、日平均处理量，利用arcgis的空间连接工具(analysttools-->overlay-->spatialjoin)将天河区街道图与垃圾中转站地理坐标图进行连接，为各个垃圾中转站匹配所属街道信息，并进行可视化处理，结果如图2和表1所示。

表1天河区垃圾中转站信息表

(2)考虑建筑总高度、建筑密度、住宅用地总面积、办公与学校用地总面积、商业用地总面积、工作日人口密度总和、周末人口密度总和、平均房价、社会消费品零售总额对垃圾产生量的影响，获取各街道的相关数据并进行数据可视化处理，如表2、表3所示。

表2天河区各街道垃圾产生量以及相关因素数据

表3天河区各街道垃圾产生量以及相关因素数据

(21)将天河区的建筑物高度数据、天河区建筑物aoi数据和天河区各类用地建筑基底面积数据，利用arcgis的空间连接工具(analysttools-->overlay-->spatialjoin)与天河区街道边界图进行叠加分析，得出每个地块或建筑的所属街道，再利用arcgis的叠加分析法(spatialanalysttools-->zonalstatistics)统计出每个街道的建筑面积和高度数据。再利用下面这一公式计算出各街道的建筑密度。

建筑密度＝街道建筑总面积÷街道占地面积×100％＝街道建筑密度结果如表2所示。

(22)从腾讯地图开放平台中的腾讯位置大数据内获取2015年广州市区域热力栅格图作为人口密度的统计数据。广州市天河区的房价数据采用了天河区2015年房价栅格图数据，2015年广州市天河区各街道的社会消费品零售总额是在广州市天河区统计局网站上申请数据公开所获取。利用上述的空间连接工具和叠加分析法得出每个街道的人口密度。本专利以街道为研究尺度，由于研究范围较小，比起使用政府统计年鉴内的数据，使用区域热力图能够更真实地反映天河区各个街道的人口密度。且本次研究将热力数据分为工作日和周末两个不同的时间段，进行各个街道总人口的统计，能够更好地反映人口密度在不同时间段对垃圾量不同程度的影响，如表3所示。

(3)本文选定三层bp神经网络对天河区垃圾量进行预测，输入层节点数为上面列举的8个影响垃圾产生量的因素，具体预测步骤如下：

①数据归一化处理：由于后续使用多层感知器对数据进行预测分析，因此在进行bp神经网络分析之前需要对数据进行标准化处理，归一化处理是数据标准化处理的一种方式，这种处理方法的目的是把不同数量级的数据转化为[0,1]之间的数，可以防止由于数据的数量级差别过大而导致网络预测产生较大的误差。处理公式如下：

x＝(x-min)/(max-min)

x是获取的数据。

②利用spssmodeler对归一化后的数据进行分析。采用mlp(多层感知器)网络结构对数据进行处理，输入层中的8个预测变量为输入节点，输出层节点为垃圾中转站的平均日处理量，隐藏节点有2个，为了防止模型拟合过度，设定中止规则为最大训练时间15分钟，防止过度拟合的参数为25％。

③输出结果后，若结果的准确率低于90％，则再次对已有的模型进行准确性增强操作。利用spssmodeler内神经网络分析中的继续训练现有模型功能，选择训练目的为提高模型的准确性。此目标方法会继续生成多个“成分模型”与已有模型进行对比，并根据前一个模型的残差对变量进行加权，根据是否具有较大残差值的变量为原则进行分析权重的赋予，残差越大，赋予权重越高，最后对所有的成分模型进行整合，构成一个新的、准确度更高的模型。分析结果图3、表4和表4所示。

表5模型预测结果

表6模型准确性分析结果

综上，本发明实施提供了一种耦合多源大数据和gis空间分析的垃圾中转站收运量分析方法。所述方法包括：考虑经济因素、建筑物因素、人口因素对垃圾收运量的影响；以街道为研究尺度，符合垃圾收运方式的更新进程，为今后的垃圾收运设施设计提供参考；利用人口热力图数据、aoi数据、建筑高度数据、社会消费品零售总额数据等多源数据，提取影响垃圾收运量的各因素的具体数据，利用gis空间分析方法为数据添加地理要素，得到各个街道各项影响因素的具体数据；利用bp神经网络对各影响因素进行权重分析和垃圾收运量预测。

从bp神经网络的分析结果来看，影响垃圾量产生的主要因素是人口因素和住宅用地面积因素，由于产生城市生活垃圾的主体是人，因此人口数量对垃圾量的产生有较大的影响，而由于生活垃圾的来源主要是家庭，因此住宅用地面积因素也获得了较高的权重。在广州市的垃圾收运布局中，餐厨垃圾的处理体系与生活垃圾不重叠，商业用地的餐饮设施和办公用地的食堂设施中产生的餐厨垃圾不流入生活垃圾中转站，因此商业用地和办公用地的面积对垃圾量的产生影响较弱。经济因素方面，房价因素的重要性为0.09，显著高于社会消费品零售总额，原因是房价与住宅用地因素的关系更为密切，反映出城市居民的数量和消费水平都对垃圾量的产生有较大的影响。

除此以外，本文的预测结果平均绝对误差为7.272，最大相对误差为46.02％，预测的准确率达到了93％，说明神经网络模型对于分析城市生活垃圾的影响因素这一类非线性变量和垃圾中转站日平均处理量之间的关系比较适用，能得到比较合理的预测数据，可用于后续的政策落实、设施规划和人员调配。综上所述，本研究认为在进行小尺度范围内的城市生活垃圾量预测时，可以选与人口密度和住宅面相关的变量，采用bp神经网络分析方法进行分析。

上述具体实施方式为本发明的优选实施例，并不能对本发明进行限定，其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式，都包含在本发明的保护范围之内。