基于LSTM多变量时序预测的节假日生活垃圾产量反演方法

基于lstm多变量时序预测的节假日生活垃圾产量反演方法
技术领域
1.本发明涉及市政工程、环境工程、遥感技术、数学建模与计算机技术交叉领域，特别涉及基于lstm多变量时序预测的节假日生活垃圾产量反演方法。


背景技术：

2.随着社会的发展，垃圾的产量越来越多，对生活垃圾的处理成为专家研究的课题，因此生活垃圾管理应运而生。生活垃圾规划管理已经在国内外发展为了重要的新兴产业，因此如何根据垃圾的产量合理安排垃圾处理装置引发了广泛的关注。渐渐地，本领域技术人员发现垃圾的产量并不总是一致的，因此需要对未来一段时间的垃圾产量进行预测，再根据预测的产量合理布置垃圾处理装置。因此如何对垃圾产量预测成为本领域的研究重点。
3.目前本领域专家已经实现了利用神经网络预测未来一段时间内的生活垃圾产量。但是目前的垃圾产量预测方法只能粗略地预测出总的产量，并不能单独预测出各个组分的产量。而生活垃圾的产生与组分，直接关乎了生活垃圾后期的收集、运输、处理的资源配置情况，垃圾产量与组分特征，往往由于各种外界影响而产生变化，在节假日场景下的返乡潮、旅游潮等带来的巨大人流量差异会对生活垃圾的组分特征产生明显的影响，在垃圾分类场景下，尤其值得广泛的关注，以便不同种类，不同组分特征的生活垃圾相关处理或者回收资源的提前配置。因此目前的垃圾产量预测方法仅能预测垃圾的总产量而无法预测各个种类的垃圾产量会导致在节假日这种垃圾产量波动大的时期预测无法准确预测垃圾产量，从而造成无法合理安排垃圾处理装置布局。


技术实现要素：

4.本发明目的是为了解决目前的垃圾产量预测方法无法预测各个种类的垃圾产量从而导致对包含节假日的月份垃圾产量预测准确率低进而无法合理安排节假日垃圾处理装置的问题，而提出了基于lstm多变量时序预测的节假日生活垃圾产量反演方法。
5.基于lstm多变量时序预测的节假日生活垃圾产量反演方法具体过程为：
6.s1、将待预测时间点的特征数据输入到生活垃圾反演分析模型中获得待预测时间点的垃圾总产量；
7.所述待预测时间点的特征数据包括：月、年份、经济总值与三类产业总值、人口、节假日；
8.所述生活垃圾反演分析模型为lstm模型；
9.s2、构建逆转差分函数与逆转minmaxscaler函数，将s1获得的待预测时间点的垃圾总产量输入逆转差分函数与逆转minmaxscaler函数中，获得预测时间点的每类垃圾月产量；
10.垃圾类型包括：垃圾、湿垃圾、有害垃圾、其他垃圾。
11.本发明的有益效果为：
12.本发明利用lstm算法善于解决时间序列分析的特点，综合了生活垃圾时间预测过程中的各类影响因素，生成了不同种类垃圾产量的时间序列预测结果；创新性的选择用于垃圾时间产量变化的节假日与地区等特征，并构建了独有的模型分析结构，从而获得分区域、分月份的各类垃圾预测结果，且充分结合了经济社会发展与节假日波动特征，得到了包含节假日影响在内的月度各个种类的垃圾预测结果，提升了对于包含节假日的月份垃圾产量预测的准确率，为城市环保卫生以及生活垃圾分类处理、源头减量的发展规划提供客观合理的建议，同时也可以合理布置节假日的垃圾处理装置。
附图说明
13.图1为本发明流程图。
具体实施方式
14.具体实施方式一：本实施方式基于lstm多变量时序预测的节假日生活垃圾产量反演方法具体过程如图1所示，包括以下步骤：
15.步骤一、获取研究区域垃圾产量预测数据集：
16.步骤一一、获取研究区域相关数据集；
17.所述研究区域相关数据集包括：同等时间长度的研究区域的各级区县行政区划数据、区县名称、年度人口数据、年度经济数据、分区分月的干垃圾、湿垃圾、有害垃圾、其他垃圾的分类产量数据；
18.步骤一二、将研究区域相关数据集基于时间关系进行数据索引获得研究区域垃圾产量预测数据集。
19.步骤二、利用步骤一获取的研究区域垃圾产量预测数据集获取以月为尺度波动的产量预测反演分析自变量构成的数据集：
20.步骤二一、利用one-hot独热编码方法将研究区域垃圾产量预测数据集中研究区域的区县名称对应的数据列从类别变量转化为数值变量获得转换后的研究区域垃圾产量预测数据集a；
21.步骤二二、基于数据时间数据索引，将月份、该月所在季节、该月包含节日、该月包含天数作为分析变量加入数据集a获得以月为尺度波动的产量预测反演分析自变量构成的数据集；
22.其中将该月包含节日的类型使用one-hot独热编码方法，将该月包含节日的类型由的类别变量转化为数值变量，
23.节日类型包含：春节、劳动节、端午节、中秋节、国庆节、元旦、圣诞节等带来较大居民生活节奏波动的节日。
24.步骤三、利用步骤二获得的以月为尺度波动的产量预测反演分析自变量构成的数据集获取以年为尺度波动的反演分析自变量构成的数据集：
25.研究区域全年的经济生产总值、三类产业总值、人口与以月为尺度波动的产量预测反演分析自变量构成的数据集中共同构成以年为尺度波动的反演分析自变量构成的数据集。
26.步骤四、构建反演分析模型，利用步骤三获得的以年为尺度波动的反演分析自变
量构成的数据集获取训练好的反演分析模型，并对训练好的反演分析模型进行测试和验证，获得生活垃圾反演分析模型：
27.步骤四一、构建python函数的np.diff()函数，计算以年为尺度波动的反演分析自变量构成的数据集中各个特征的差分转化值，将差分转化值代替原有数据集，获得生活垃圾差分影响数据列；
28.将上一年数据特征的每一列的值转化为与本年各项数据的差值；
29.步骤四二、基于minmaxscaler函数，对生活垃圾差分影响数据列中的所有数据进行量纲标准归一化操作，保证模型拟合过程中的可用性；
30.其中，minmaxscaler函数为现有技术，本发明不进行详细赘述。
31.步骤四三、将归一化后的生活垃圾差分影响数据列划分为训练集和测试集；
32.步骤四四、构建lstm模型，利用归一化后的生活垃圾差分影响数据列对lstm模型拟合训练获得训练好的反演分析模型；
33.其中，归一化后的生活垃圾差分影响数据列中60％数据作为训练集用于训练模型，30％数据作为测试集用于测试模型，进行调优迭代，最后剩余10％的数据作为验证集模型用于训练结果的验证；
34.所述lstm模型神经元个数设置为4、训练次数设置为3；
35.步骤四五、利用测试集采用k-fold的5叉验证方法，以mape(平均绝对百分误差)为训练目标参数，对训练好的反演分析模型进行迭代优化测试，直至mape最小，获得最优反演分析模型；
36.步骤四六、利用验证集对最优反演分析模型进行验证，输入验证集中的特征进入调试好的反演分析模型，通过验证结果对模型效果进行评估，当模型精度不理想即mape≥20％时，对模型再次进行超参数调优，直至构建完善的预测模型即mape《20％获得生活垃圾反演分析模型。
37.步骤五、将待预测时间点的特征数据输入到生活垃圾反演分析模型中获得待预测时间点的垃圾总产量；
38.所述待预测时间点的特征数据包括：月、年份、经济总值与三类产业总值、人口、节假日；
39.其中，经济总值、产业总值、人口，可以基于应用城市的发展规划、以及线性预测，或者经济社会管理领域的相关专业预测方法得出。
40.步骤六、构建逆转差分函数与逆转minmaxscaler函数，将步骤六得到的待预测时间点的垃圾总产量输入到逆转差分函数与逆转minmaxscaler函数中，获得预测时间点的每类垃圾月产量，为研究区域的环卫宏观规划提供建议。
41.具体实施方式二：基于lstm多变量时序预测的节假日生活垃圾产量反演系统用于实现基于lstm多变量时序预测的节假日生活垃圾产量反演方法。
42.实施例：将具体实施方式所述的方法应用于北京10年内不同种类生活垃圾收集能力分析的研究，具体实施过程如下：
43.(1)数据采集：
44.首先，整合垃圾产量数据，时间尺度包含2010年1月-2020年12月，包含当地各个区的垃圾总产量、餐饮厨余、生活厨余量的变化情况；
45.(2)数据格式转换
46.基于独热编码法，对于春节、劳动节、端午节、中秋节、国庆节、元旦、圣诞节等节假日与地区名称进行格式转化，服务于模型的输入；
47.(3)加入人口经济数据
48.于北京市统计年鉴中获取各区的人口、经济变化状况，根据对应的事件，加入到数据集中。
49.(4)差分转化
50.构建python函数，计算各个特征的差分转化，将差分转化值代替原有数据集；
51.(5)量纲标准归一化
52.基于minmaxscaler函数，对所有数据进行量纲标准归一化操作，保证模型拟合过程中的可用性
53.(6)训练lstm模型
54.于原数据集中选取60％数据用于训练模型，使用30％数据进行测试模型，进行调优迭代，最后剩余10％模型用于训练结果的验证，获得mae为87.65％的结果，模型结果较为可信
55.(7)进行模型预测
56.输入2021-2023的各项预测用特征数值，构建逆转差分函数与逆转minmaxscaler函数，将得到的预测值转化为分类的垃圾月产量值。获取了当地各个区2021-2023年每个月份的垃圾产量情况。
57.本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。