一种基于机器学习的城市生活垃圾产生量预测方法及系统技术方案

本发明专利技术提供一种基于机器学习的城市生活垃圾产生量预测方法及系统，包括以下步骤：获取预设时间段内城市生活垃圾产生量和N种社会经济因素，构成数据集；确定数据集中影响城市生活垃圾产生量的关键因素，根据所述关键因素对数据集进行筛选；使用筛选后的数据集训练五类机器学习模型，根据训练结果选取效果最佳的模型；本发明专利技术的有益效果为：通过确定出数据集中影响城市生活垃圾产生量的关键因素，然后根据该关键因素对数据集进行筛选，然后使用筛选后的数据集训练五类机器学习模型，根据训练结果选取效果最佳的模型，然后通过效果最佳的模型确定未来特定情景下的城市生活垃圾产生量，从而保证了未来城市生活垃圾产生量预测的准确性。确性。确性。

【技术实现步骤摘要】
一种基于机器学习的城市生活垃圾产生量预测方法及系统


[0001]本专利技术涉及城市生活垃圾产生量
，特别是涉及一种基于机器学习的城市生活垃圾产生量预测方法及系统。

技术介绍

[0002]在践行生态文明建设和无废城市规划的双重目标下，城市生活垃圾产生量的准确预测是固废收运体系和处理设施能力规划等精准管理的基础，并有助于针对性地提出各类固废减量政策，其不合理的评估可能会带来垃圾处置不及时、基础设施分配不均、资源浪费等一系列的社会问题。机器学习逐渐被广泛应用于金融、教育、电力等各行业，在决策支持、危险预警、图像识别等方面发挥着重要作用，随着人们对生态环境保护的重视，机器学习算法已越来越广泛应用于环境领域。目前机器学习算法的预测准确度和可靠性较高，已得到业内公认。
[0003]近年来，机器学习模型开始在城市生活垃圾产生量预测领域中得到应用，主要存在以下几方面缺陷：(1)现有城市生活垃圾产生量预测模型大都基于小数据集，如某地区近几年至几十年的生活垃圾年产量数据，由于数据集较小，此类数据若用于机器学习模型训练，将从一定程度上影响模型的准确性；(2)在城市生活垃圾产生量预测中，传统机器学习模型的使用较为常见，如：决策树、支持向量机等，一些新兴模型虽然模型结构更优、拟合效果较好，目前在城市生活垃圾产生量预测中还较为罕见；(3)目前城市生活垃圾产生量预测模型更注重模型构建和结构调整等技术层面的创新，而不包括对未来特定年份或特定情景的产量预估，因此无法根据需求得到确切的城市生活垃圾产生量预测数据；(4)缺少基于预测结果对未来城市生活垃圾产生量的特征和原因的深入挖掘。

技术实现思路

[0004]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于机器学习的城市生活垃圾产生量预测方法及系统，用于解决现有技术中预测的数据准确度较低的问题。
[0005]本专利技术的实施方式提供了一种基于机器学习的城市生活垃圾产生量预测方法，包括以下步骤：获取预设时间段内城市生活垃圾产生量和N种社会经济因素，构建数据集；确定数据集中影响城市生活垃圾产生量的关键因素，根据所述关键因素对数据集进行筛选；使用筛选后的数据集训练五类机器学习模型，根据训练结果选取效果最佳的模型；设定未来情景参数，并将所述未来情景参数输入效果最佳的模型；通过所述效果最佳的模型预测未来特定情景下的城市生活垃圾产生量。
[0006]本专利技术的实施方式还提供了一种基于机器学习的城市生活垃圾产生量预测系统，包括：获取模块：用于获取预设时间段内城市生活垃圾产生量和N种社会经济因素，构成数据集；确定模块：用于确定数据集中影响城市生活垃圾产生量的关键因素，根据所述关键因素对数据集进行筛选；处理模块：用于使用筛选后的数据集训练五类机器学习模型，根据训练结果选取效果最佳的模型；设定未来情景参数，并将所述未来情景参数输入效果最佳的
模型；通过所述效果最佳的模型预测未来特定情景下的城市生活垃圾产生量。
[0007]本专利技术的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述的基于机器学习的城市生活垃圾产生量预测方法。
[0008]本专利技术实施方式相对于现有技术而言，主要区别及其效果：通过确定出数据集中影响城市生活垃圾产生量的关键因素，然后根据该关键因素对数据集进行筛选，在使用筛选后的数据集训练五类机器学习模型，根据训练结果选取效果最佳的模型，设定未来情景参数，并将未来情景参数输入效果最佳的模型，然后通过效果最佳的模型确定未来特定情景下的城市生活垃圾产生量，从而保证了未来城市生活垃圾产生量预测的准确性，防止了部分数据和学习模型不适配的问题。
[0009]作为进一步改进，其中，N＝7，所述7种社会经济因素包括：城市规模、家庭规模、人口结构、人口质量、生活水平、城市发展和产业结构。
[0010]作为进一步改进，在所述获取预设时间段内城市生活垃圾产生量和N种社会经济因素，构成数据集之后，确定数据集中影响城市生活垃圾产生量的关键因素，根据关键因素对数据集进行筛选之前，包括：对所述数据集进行预处理，其中，所述预处理包括完整性处理和归一化处理。
[0011]作为进一步改进，所述确定数据集中影响城市生活垃圾产生量的关键因素，包括：确定数据集中影响城市生活垃圾产生量的相关系数；根据所述相关系数确定出数据集中影响城市生活垃圾产生量的关键因素。
[0012]作为进一步改进，所述确定数据集中影响城市生活垃圾产生量的相关系数，包括：根据以下公式确定数据集中影响城市生活垃圾产生量的相关系数：其中，r为相关系数，n是数据集内参数的组数；A
i
和B
i
分别是变量A和B的第i个元素；μ
A
和μ
B
分别是变量A和B的平均值；σ
A
和σ
B
分别是变量A和B的标准差，变量A和B具体指代至少一项以下信息：数据集内的城市生活垃圾产生量和N种社会经济因素。
[0013]作为进一步改进，所述根据训练结果选取效果最佳的模型，包括：根据五类机器学习模型的各个参数的具体数值选取效果最佳的模型。
[0014]作为进一步改进，所述参数包括：决定系数(R2)、均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)。根据以下计算公式计算决定系数(R2)、均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)：根误差(RMSE)和平均绝对误差(MAE)：其中，y
i
和分别代表城市生活垃圾产生量的实际值和预测值。
[0015]上述方案没有采用较为主流但可靠度较低的传统统计学模型，而是选取五类不同原理的机器学习模型，五类机器学习模型既包括公认可靠的传统模型，也包括简便高效的新兴模型，以保证模型拟合结果尽可能准确，并防止部分数据和模型不适配的问题，并且五类机器学习模型通过各个参数具体数值的拟合效果以Excel表格的形式呈现，简单直观，便于检测者进行直接查看。
[0016]作为进一步改进，通过所述效果最佳的模型确定未来特定情景下的城市生活垃圾产生量的预测之后，包括：分析所述未来特定情景下的城市生活垃圾产生量，根据分析结果确定未来特定情景下的城市生活垃圾产生量的特征和原因，并根据以下公式分析所述未来特定情景下的城市生活垃圾产生量：其中，k是聚类簇的个数，C
i
是第i个聚类簇，p是第i个聚类簇中的点，m
i
是聚类簇C
i
的聚类中心。
[0017]上述方案通过分析未来特定情景下的城市生活垃圾产生量，并且根据分析结果识别未来特定情景下的城市生活垃圾产生量的特征和原因，从而可以实现对预测结果的深入挖掘，通过机器学习模型分析未来城市生活垃圾产生量的特征和原因。
附图说明
[0018]图1是本专利技术第一实施方式中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的城市生活垃圾产生量预测方法，其特征在于，包括以下步骤：获取预设时间段内城市生活垃圾产生量和N种社会经济因素，构成数据集；确定数据集中影响城市生活垃圾产生量的关键因素，根据关键因素对数据集进行筛选；使用筛选后的数据集训练五类机器学习模型，根据训练结果选取效果最佳的模型；设定未来情景参数，并将所述未来情景参数输入效果最佳的模型；通过所述效果最佳的模型确定未来特定情景下的城市生活垃圾产生量。2.根据权利要求1所述的一种基于机器学习的城市生活垃圾产生量预测方法，其特征在于：其中，N＝7，所述7种社会经济因素包括：城市规模、家庭规模、人口结构、人口质量、生活水平、城市发展和产业结构。3.根据权利要求1所述的一种基于机器学习的城市生活垃圾产生量预测方法，其特征在于：在所述获取预设时间段内城市生活垃圾产生量和N种社会经济因素，构成数据集之后，确定数据集中影响城市生活垃圾产生量的关键因素，根据关键因素对数据集进行筛选之前，包括：对所述数据集进行预处理，其中，所述预处理包括完整性处理和归一化处理。4.根据权利要求1所述的一种基于机器学习的城市生活垃圾产生量预测方法，其特征在于：所述确定数据集中影响城市生活垃圾产生量的关键因素，包括：确定数据集中影响城市生活垃圾产生量的相关系数；根据所述相关系数确定出数据集中影响城市生活垃圾产生量的关键因素。5.根据权利要求4所述的一种基于机器学习的城市生活垃圾产生量预测方法，其特征在于：所述确定数据集中影响城市生活垃圾产生量的相关系数，包括：根据以下公式确定数据集中影响城市生活垃圾产生量的相关系数：其中，r为相关系数，n是数据集内参数的组数；A
i
和B
i
分别是变量A和B的第i个元素；μ
A
和μ
B
分别是变量A和B的平均值；σ
A
和σ
B
分别是变量A和B的标准差，变量A和B具体指代至少一项以下信息：数据集内的城市生活垃圾产生量和N种社会经济因素。6.根据权利要求1所述的一种基于机器学...

【专利技术属性】
技术研发人员：董会娟，张晨怡，耿涌，吕金亚，梁泓达，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：