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。