基于大数据的生活垃圾分类投放点智能选址方法及装置与流程

本发明涉及智慧城市环境卫生设施规划与优化，具体涉及一种基于大数据的生活垃圾分类投放点智能选址方法及装置。

背景技术：

1、随着生活垃圾分类制度在全国地级及以上城市的全面推行，分类投放点作为居民分类投放行为的“第一触点”，其空间布局的合理性直接决定了居民的投放便利程度、分类参与率与投放准确率，进而影响后续分类收集、分类运输和分类处理全链条的运行效率。投放点设置过密会造成设施闲置与收运成本攀升，设置过疏则导致居民投放距离过长、投放点满溢频发并诱发混投和乱投现象。因此，如何科学、高效地确定生活垃圾分类投放点的空间布局，已成为城市精细化治理中亟待解决的技术问题。

2、现有技术主要沿以下三条技术路线发展，但均存在明显缺陷：第一条技术路线为基于地理信息系统（gis）的静态选址。现有技术通过获取地理数据建立空间数据库、制作专题图并进行空间分析，再构建递阶层次结构的综合评价体系对候选区域进行适宜度分析，从而确定选址结果。该类方案依赖人工设定的层次分析权重对静态地理要素进行叠置评分，其缺陷在于：选址依据仅包括土地利用、水文地质等静态地理要素，未融合人口时空分布、投放行为等动态大数据，无法刻画居民投放需求的时空异质性；缺少对未来垃圾产生量的预测环节，选址结果仅反映评价时点的静态状况；选址方案一经确定即固化，不能根据实际运行反馈进行调整。

3、第二条技术路线为基于智能优化算法的一次性求解。现有技术将村庄划分为道路网格区并确定可选址点集合，以垃圾投放点靠近建筑和建筑远离垃圾投放点为双目标函数，采用模拟退火算法迭代求解可选址点分布的最优解；又如，许璟琳等人在《土木建筑工程信息技术》2023年第15卷第2期发表的《基于改进模拟退火的乡村垃圾投放点选址优化》以及viktorin等人在computers&industrial engineering（2023）发表的层次聚类垃圾收集点布局方法，亦采用类似的“一次性静态优化”范式。该类方案的缺陷在于：其优化模型的需求输入为按人均产量的固定系数估算的静态值，未区分可回收物、厨余垃圾、有害垃圾和其他垃圾等不同类别垃圾在产生量与时空分布上的显著差异；求解得到的最优解对应于固定需求场景，当人口导入、季节波动、节假日人流变化引起需求分布漂移时，原选址方案迅速失优，而该类方案不具备依据运行反馈进行再优化的闭环机制，只能依赖人工重新启动选址计算。

4、第三条技术路线为机器学习在垃圾产量预测或通用设施选址中的单点应用。例如，现有技术以宏观统计数据为特征预测行政区域尺度的月度分类垃圾产量，但预测结果停留在行政区宏观尺度，无法下沉至投放点选址所需的百米级空间网格尺度，且该方案未涉及选址优化环节。

5、综上，现有技术中尚未发现将多源大数据融合、生活垃圾分类需求预测、多目标智能选址与强化学习动态优化集成为一体的生活垃圾分类投放点选址方案。现有技术至少存在以下技术缺陷：数据基础单一，缺乏对人口热力、poi、建筑轮廓、投放计量、收运轨迹等多源异构数据的统一时空融合，需求刻画粗糙；需求输入静态化，缺少面向百米级网格、区分垃圾类别的产生量时空预测，导致选址方案在实施之初即与实际需求存在偏差；选址求解静态化，一次性输出固定布局，无法响应需求分布的动态漂移；运行反馈缺失，满溢、投诉、利用率等实际运行数据未回馈至选址决策，无法形成持续优化的闭环。上述缺陷导致现有选址方案在实际运行中普遍存在居民投放距离偏长、高峰时段满溢率高、设施利用率两极分化等问题。

技术实现思路

1、（一）解决的技术问题

2、针对现有技术存在的上述缺陷，本发明的目的在于提供一种基于大数据的生活垃圾分类投放点智能选址方法及装置，以解决现有垃圾分类投放点选址技术中数据基础单一、需求输入静态、布局方案固化、缺乏运行反馈闭环的技术问题，实现投放点选址由静态经验规划向数据驱动的动态闭环优化的转变。

3、（二）技术方案

4、为解决上述技术问题，本发明提出了一种基于大数据的生活垃圾分类投放点智能选址方法，包括以下步骤：

5、步骤s1，多源大数据融合：获取目标区域内多类异构数据源的数据，所述异构数据源至少包括历史生活垃圾分类投放计量数据和道路网络数据，并包括人口统计数据、手机信令人口热力数据、兴趣点poi数据、建筑轮廓数据、垃圾收运车辆轨迹数据中的至少一类，对各数据源的数据进行坐标统一、时间对齐、缺失值补全和异常值剔除的预处理，并将预处理后的数据映射至预设尺度的空间网格单元，构建以空间网格单元为基本单元、以时间片为序列的多源融合时空数据集；

6、步骤s2，生活垃圾分类需求预测：以所述空间网格单元为节点、以空间网格单元之间的路网可达关系为边构建时空图结构，将所述多源融合时空数据集中各空间网格单元的历史分类垃圾产生量序列及对应的协变量输入经训练的时空预测模型，输出未来预设时段内各空间网格单元对应各垃圾类别的产生量预测值及其预测区间，得到垃圾分类需求时空分布数据；其中，所述时空预测模型包括用于提取空间依赖关系的图卷积层和用于提取时间依赖关系的时序注意力层；

7、步骤s3，多目标智能选址：根据所述垃圾分类需求时空分布数据确定各空间网格单元的需求权重，在目标区域内依据用地适宜性规则筛选候选投放点，以居民加权投放距离最小化、设施建设与运维成本最小化以及邻避负效应最小化为目标函数，以服务覆盖率、投放点容量和投放点数量为约束条件，其中，任一投放点被分配的各类垃圾产生量预测值按所述预测区间的上分位数值确定，并以该上分位数值校核该投放点的容量上限，构建多目标选址优化模型；对所述多目标选址优化模型进行求解获得帕累托解集，并从所述帕累托解集中确定折中选址方案，作为生活垃圾分类投放点的初始布局方案；

8、步骤s4，强化学习动态优化：将生活垃圾分类投放点的布局调整过程建模为马尔可夫决策过程，其中，状态空间至少包括各空间网格单元的产生量预测值、各投放点的利用率、满溢事件次数和居民投诉次数，动作空间至少包括投放点的启用、停用、迁移和容量调整，奖励函数至少包括加权投放距离项、满溢惩罚项、布局调整成本项和投诉惩罚项；基于所述马尔可夫决策过程训练强化学习智能体，并在所述初始布局方案投入运行后，按照预设优化周期采集实际投放反馈数据更新状态，由经训练的强化学习智能体输出布局调整动作，对生活垃圾分类投放点的布局进行滚动式动态优化。

9、优选的，所述步骤s1中，将预处理后的数据映射至预设尺度的空间网格单元，具体包括：将目标区域划分为预设边长的正方形网格或依据社区边界、道路围合区域划分的不规则网格；将所述手机信令人口热力数据按时间片聚合至各空间网格单元，得到各空间网格单元的常住人口热力值和流动人口热力值；将所述兴趣点poi数据按住宅类、商业类、学校类和办公类分别统计各空间网格单元内各类poi的数量及混合度指数；将所述建筑轮廓数据用于计算各空间网格单元的建筑总面积、容积率和居住建筑面积占比；将所述历史生活垃圾分类投放计量数据按投放点归属映射至对应的空间网格单元，并按可回收物、厨余垃圾、有害垃圾和其他垃圾四个类别分别聚合，形成分类垃圾产生量时间序列；所述缺失值补全采用基于空间相邻网格的克里金插值或基于矩阵分解的协同过滤补全。

10、优选的，所述步骤s2中，所述时空预测模型包括依次连接的图卷积层、时序注意力层和多任务输出层；所述图卷积层以归一化的路网可达邻接矩阵对节点特征进行空间聚合，所述邻接矩阵的边权根据空间网格单元之间的路网最短路径距离的倒数确定；所述时序注意力层对图卷积层输出的各节点时间序列特征施加多头自注意力计算，以捕捉垃圾产生量的日周期、周周期和节假日波动模式；所述多任务输出层包括与垃圾类别一一对应的多个输出分支，每个输出分支输出对应类别垃圾产生量的至少两个分位数值，以所述分位数值表征产生量预测值的预测区间；所述协变量至少包括人口热力值、poi混合度指数、节假日指示变量和气象数据。

11、优选的，所述步骤s3中，所述需求权重根据各空间网格单元在未来预设时段内各类垃圾产生量预测值的加权和确定，各类垃圾的权重系数根据对应类别的清运频次和单位收运成本设定；所述居民加权投放距离为各空间网格单元的需求权重与该空间网格单元至其被分配的投放点之间沿路网的最短步行距离的乘积之和；所述邻避负效应根据候选投放点与住宅建筑、学校和医院之间的邻近度以及候选投放点的服务规模确定；所述约束条件包括：任一空间网格单元至其被分配的投放点的步行距离不超过预设服务半径，任一投放点被分配的垃圾产生量预测值不超过该投放点的容量上限，投放点总数量不超过预算约束对应的最大数量。

12、优选的，所述步骤s3中，对所述多目标选址优化模型进行求解采用带精英保留策略的非支配排序遗传算法，其中，以各候选投放点的启停状态编码为染色体，以所述目标函数为适应度评价依据，通过非支配排序和拥挤度计算迭代进化，并在交叉变异操作中依据候选投放点的需求密度自适应调整变异概率，得到帕累托解集；从所述帕累托解集中确定折中选址方案采用熵权法与逼近理想解排序法相结合的多属性决策方法：对帕累托解集中各解的各目标函数值进行归一化，利用熵权法确定各目标的客观权重，计算各解与正理想解和负理想解的相对贴近度，选取相对贴近度最大的解作为所述折中选址方案。

13、优选的，所述步骤s4中，所述强化学习智能体采用深度q网络或近端策略优化算法进行训练；训练过程包括离线训练阶段和在线优化阶段，所述离线训练阶段在依据所述多源融合时空数据集构建的仿真环境中进行，所述仿真环境根据历史分类垃圾产生量序列模拟需求波动、满溢事件和投放行为；所述奖励函数中加权投放距离项的权重系数、满溢惩罚项的权重系数、布局调整成本项的权重系数和投诉惩罚项的权重系数根据目标区域的管理偏好设定；所述预设优化周期为一周至一个季度，在每个优化周期末，依据该周期内采集的投放点计量数据、满溢传感数据和投诉记录更新状态；当所述强化学习智能体采用深度q网络时，计算当前状态下各候选动作的动作价值，执行动作价值最大的布局调整动作；当所述强化学习智能体采用近端策略优化算法时，由策略网络输出当前状态下各候选动作的概率分布，执行概率最大的布局调整动作；并将执行结果的实际反馈存入经验回放池，对强化学习智能体的网络参数进行增量更新。

14、优选的，当目标区域为无历史生活垃圾分类投放计量数据的新建区域时，所述步骤s2还包括：选取与目标区域在人口结构、用地构成和气候条件方面相似度满足预设阈值的已建成区域作为源区域，将所述源区域训练得到的时空预测模型的图卷积层参数迁移至目标区域的时空预测模型，并以目标区域的规划人口导入数据、规划用地数据和类比网格的先验需求估计对迁移后的模型进行校准；随着目标区域实际投放计量数据的积累，按预设比例逐步提高实际数据在模型再训练样本中的占比，实现需求预测的滚动校准。

15、为解决上述技术问题，本发明还提出了一种基于大数据的生活垃圾分类投放点智能选址装置，包括：

16、数据融合模块，用于获取目标区域内多类异构数据源的数据，所述异构数据源至少包括历史生活垃圾分类投放计量数据和道路网络数据，并包括人口统计数据、手机信令人口热力数据、兴趣点poi数据、建筑轮廓数据、垃圾收运车辆轨迹数据中的至少一类；对各数据源的数据进行坐标统一、时间对齐、缺失值补全和异常值剔除的预处理，并将预处理后的数据映射至预设尺度的空间网格单元，构建以空间网格单元为基本单元、以时间片为序列的多源融合时空数据集；

17、需求预测模块，用于以所述空间网格单元为节点、以空间网格单元之间的路网可达关系为边构建时空图结构，将所述多源融合时空数据集中各空间网格单元的历史分类垃圾产生量序列及对应的协变量输入经训练的时空预测模型，输出未来预设时段内各空间网格单元对应各垃圾类别的产生量预测值及其预测区间，得到垃圾分类需求时空分布数据；其中，所述时空预测模型包括用于提取空间依赖关系的图卷积层和用于提取时间依赖关系的时序注意力层；

18、选址计算模块，用于根据所述垃圾分类需求时空分布数据确定各空间网格单元的需求权重，在目标区域内依据用地适宜性规则筛选候选投放点，以居民加权投放距离最小化、设施建设与运维成本最小化以及邻避负效应最小化为目标函数，以服务覆盖率、投放点容量和投放点数量为约束条件，构建多目标选址优化模型；对所述多目标选址优化模型进行求解获得帕累托解集，并从所述帕累托解集中确定折中选址方案，作为生活垃圾分类投放点的初始布局方案；

19、动态优化模块，用于将生活垃圾分类投放点的布局调整过程建模为马尔可夫决策过程，其中，状态空间至少包括各空间网格单元的产生量预测值、各投放点的利用率、满溢事件次数和居民投诉次数，动作空间至少包括投放点的启用、停用、迁移和容量调整，奖励函数至少包括加权投放距离项、满溢惩罚项、布局调整成本项和投诉惩罚项；基于所述马尔可夫决策过程训练强化学习智能体，并在所述初始布局方案投入运行后，按照预设优化周期采集实际投放反馈数据更新状态，由经训练的强化学习智能体输出布局调整动作，对生活垃圾分类投放点的布局进行滚动式动态优化；

20、输出模块，用于输出所述初始布局方案和所述布局调整动作对应的选址方案。

21、优选的，所述需求预测模块中的时空预测模型包括依次连接的图卷积层、时序注意力层和多任务输出层，所述多任务输出层包括与垃圾类别一一对应的多个输出分支，每个输出分支输出对应类别垃圾产生量的至少两个分位数值；所述动态优化模块还包括经验回放池和参数更新单元，所述经验回放池用于存储布局调整动作及其实际反馈，所述参数更新单元用于在每个优化周期末依据所述经验回放池中的数据对强化学习智能体的网络参数进行增量更新；所述输出模块还用于将所述选址方案以电子地图图层叠加、布局对比图表和调整建议清单中的至少一种形式输出。

22、本发明还提出了一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1至7任一项所述的基于大数据的生活垃圾分类投放点智能选址方法的步骤。

23、（三）有益的技术效果

24、与现有的技术相比，本发明的有益效果是：

25、1.需求预测下沉至百米级网格并区分四个垃圾类别，经实施例验证，未来一周分类垃圾产生量预测的平均绝对百分比误差（mape）不高于12%，显著优于现有宏观尺度预测方法，从源头提高了选址方案与实际需求的匹配度；

26、2.以预测需求为权重优化加权投放距离，实施例中居民平均投放步行距离较人工经验布点方案缩短20%以上，95%以上居民住户处于预设服务半径覆盖范围内；

27、3.强化学习动态优化使投放点布局随需求漂移持续调整，实施例中高峰时段投放点满溢事件率较固定布局下降35%以上，设施利用率的区域差异系数下降40%以上；

28、4.全流程自动化计算替代人工踏勘与多轮评审，实施例中数千网格规模的选址方案生成时间由人工方式的数周缩短至2小时以内，且每个优化周期的布局调整决策可在分钟级时间内完成。