1.一种耦合多源大数据的街道生活垃圾收运量预测方法,其特征在于,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。
2.根据权利要求1所述的耦合多源大数据的街道生活垃圾收运量预测方法,其特征在于,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。
3.根据权利要求1所述的耦合多源大数据的街道生活垃圾收运量预测方法,其特征在于,归一化处理的公式为:
x=(x-min)/(max-min)。
4.根据权利要求1所述的耦合多源大数据的街道生活垃圾收运量预测方法,其特征在于,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。
5.根据权利要求1所述的耦合多源大数据的街道生活垃圾收运量预测方法,其特征在于,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。