基于BP神經網絡的天津市生活垃圾產生量預測分析

章清悅，張啟軍

（1.河海大學公共管理學院，江蘇南京211100；2.安徽師范大學數學與計算機科學學院，安徽蕪湖241000）

基于BP神經網絡的天津市生活垃圾產生量預測分析

章清悅1，張啟軍2

（1.河海大學公共管理學院，江蘇南京211100；2.安徽師范大學數學與計算機科學學院，安徽蕪湖241000）

利用BP神經網絡，對2006—2014年天津市生活垃圾產生量進行分析。將代表社會經濟發展程度、人口、居民生活水平和習慣3個層面的8項指標作為生活垃圾產生量預測模型的輸入層元素，得到擬合程度較好的預測模型，從而預測出2015—2017年生活垃圾產生量將分別達到2.234 6×106、2.386 4×106、2.498 2×106t，年增長率分別為4.29%、6.79%、4.68%。

生活垃圾；BP神經網絡；天津市；預測

國內學者對生活垃圾產生量的預測已經做了大量的研究，如周燕芳、江源等對全國生活垃圾產生的狀況利用多元線性方程進行的預測［1］，王文梅、劉丹在此基礎上改進了多元線性回歸的預測方法［2］，徐禮來以廈門市為例采用了路徑分析的方法對生活垃圾產生量的影響因素進行分析［3］，王東明、呂洪濤等利用灰色關聯度模型進行了解讀［4］，馬慧明、張政利用神經網絡以上海市生活垃圾產生量為例展開了預測［5］，整體而言，現有文獻中關于城市生活垃圾預測問題所使用的主要方法有多元線性回歸、路徑分析、灰色關聯度和神經網絡預測法，以及一些組合預測方法。BP神經網絡預測法能夠準確地處理模糊的非線性關系數據。城市生活垃圾產生量影響因素復雜，使用該方法能夠利用其預測精度高、參數自動修正等優點，從而達到很好的預測效果。在對天津市2006—2014年生活垃圾產生量及影響因素進行相關性分析后，篩選出相關度最高的因素，以此建立BP神經網絡模型，預測生活垃圾產生量，從而為天津市生活垃圾總量控制和環衛工程規劃提供決策基礎。

1 天津市生活垃圾產生量概況

根據CJ/T 106—2016生活垃圾產生量計算及預測方法［6］，選取天津市2006—2014年共9 a的基礎數據作為分析基礎。表1為2006—2014年天津市生活垃圾清運量和同比增長率。

表12006 —2014年天津市生活垃圾清運量與年增長率

2006—2014年天津市生活垃圾清運量整體呈增長趨勢，其中僅2010年和2012年有小幅下降，計算得出2006—2014年天津市生活垃圾實際清運量的平均年增長率為4.62%。

2 生活垃圾產生量影響因素分析

影響生活垃圾產生的主要因素可以分為人口、社會經濟發展程度、居民生活水平和習慣3個層面［7］，結合現有的對生活垃圾預測的相關研究，選定年末常住人口作為衡量人口的因素，人均地區生產總值、地區生產總值、建成區面積、城市綠地面積作為衡量社會經濟發展程度的因素［8］，選定道路清潔保潔面積、人均水資源量、居民消費水平、社會消費品零售總額作為衡量居民生活水平和習慣的因素。

在匯集2006—2014年各影響因素具體數值之后，利用SPSS軟件進行皮爾遜相關性分析，得到天津市垃圾實際清運量和各影響因素之間的相關系數，如表2所示。由表2可見，這3個層次的影響因素均對垃圾產生量具有非常顯著的影響，選擇相關系數最大的人均地區生產總值、地區生產總值、建成區面積、城市綠地面積和年末常住人口以及道路清掃保潔面積、居民消費水平、社會消費品零售總額8項指標作為天津市生活垃圾產生量預測模型的輸入層自變量，分別代表社會經濟發展程度、人口、居民生活水平和習慣3個層面。

表22006 —2014年天津市生活垃圾清運量與各影響因素間的皮爾遜相關系數

3 BP神經網絡模型在天津市生活垃圾產生量預測中的應用

3.1 模型擬合

建立BP神經網絡模型對天津市生活垃圾清運量進行分析，該模型具有3層結構：輸入層、隱藏層和輸出層。輸入層選定自變量為上述依據皮爾遜相關指數所選出的代表人口、社會經濟發展程度、居民生活水平和習慣3個層面的8個具體元素，隱藏層具有一個神經元節點，輸出層輸出數值為每年的垃圾清運量。神經網絡的神經結構如圖1。

圖1 神經元節點示意

設定神經網絡模型的最大訓練次數為1 000，訓練的收斂均方誤差為10-4。輸出層具有一個神經元結構，輸出的是每年天津市生活垃圾清運量的預測值。此時，可以對已有的樣本數據進行迭代訓練，得到收斂的BP神經網絡結構，該網絡在第16次迭代實現收斂，訓練結果見圖2。

圖2 誤差曲線

圖2為BP神經網絡迭代圖像，橫坐標為網絡迭代次數，縱坐標為平均標準誤差，從圖2中可以看出，在第16次迭代，誤差達到了收斂精度10-4，可以很好地模擬天津市生活垃圾產生量。

3.2 生活垃圾產生量誤差及預測

通過實際垃圾清運量及預測值的對比，給出二者之間的絕對誤差和相對誤差。對輸入層的8個自變量進行非線性回歸，得到預測年份自變量的各基本數據結果，并對這些結果進行網絡擬合，預測出未來年份的垃圾產生量，在此顯示2015—2017年的預測數值，結果見表3。在該模型下，預測值和實際值一樣呈現出整體增長的形勢，相對誤差最大為3.81%，最小為0，平均誤差為-0.13%，模型擬合程度較好。將根據非線性回歸得到的自變量數值代入模型，預測出2015—2017天津市垃圾產生量，年增長率分別為4.29%、6.79%和4.68%。

表32006 —2017年天津市垃圾產生量預測結果

4 結束語

從人口、社會經濟發展程度、居民生活水平和習慣3個層面的影響因素出發，利用BP神經網絡模型擬合天津市生活垃圾產生量，并進行了預測，預測精度高、效果好。該預測結果對天津市進行生活垃圾收運和管理工作有一定的指導意義。

［1］周燕芳，江源，康慕誼，等.中國城市生活垃圾產生狀況預測［J］.科技進步與對策，2003，18（24）：33-36.

［2］王文梅，劉丹.一種城市生活垃圾產量預測的改進方法［J］.四川環境，2005（1）：106-108，114.

［3］徐禮來，閆禎，崔勝輝.城市生活垃圾產量影響因素的路徑分析：以廈門市為例［J］.環境科學學報，2013（4）：1180-1185.

［4］王東明，呂洪濤.基于灰色預測模型的遼寧省城市生活垃圾產生量預測［J］.環境保護與循環經濟，2013（4）：30-31，44.

［5］馬慧民，張政.基于BP神經網絡的城市生活垃圾產生量預測研究：以上海市為例［J］.環境科學與管理，2015（2）：56-59，73.

［6］生活垃圾產生量計算及預測方法：CJ/T 106—2016［S］.北京：中國標準出版社，2016.

［7］曲英.城市居民生活垃圾源頭分類行為的影響因素研究［J］.數理統計與管理，2011（1）：42-51.

［8］孫昊欣，李明章.無錫市生活垃圾產生量預測與管理探討［J］.環境衛生工程，2016（1）：49-51.

◇征稿簡則◇

一、欄目與讀者對象：本刊注重創新性、科學性、實踐性和規范性。欄目主要有:本刊特稿、標準規范、固廢處理、檢測與評價、工程應用、經驗交流、設計與探討、創新與應用、新工藝新技術、企業風采等。讀者對象為：本行業機關、管理、設計、科研、教學、施工、生產、分析、檢測人員和大中專院校師生等。

二、來稿要求與注意事項：（1）文稿務求論點明確，論據可靠，數據準確，文字精煉。一般稿件不超過4 000字。文稿請附英文標題，3～8個中、英文關鍵詞，中、英文摘要（150～200字），全部作者的單位、郵政編碼、所在城市及第一作者簡介（出生年、職稱、主要從事的工作或專業研究方向等）。（2）文稿須使用規范漢字，并務請按現行國家標準、行業標準以及本刊要求的格式撰寫。（3）文后參考文獻采用順序編碼制著錄。（4）來稿若獲得某種研究基金資助，請在文章首頁地腳處標志出項目名稱及編號，并附其有關證明材料。（5）請勿一稿多投。60天內未收到文稿錄用通知，作者可自行處理。

三、著作權約定：文稿的著作權屬于作者。文責由作者自負。編輯有權對文稿做修改或是內容刪減。凡被本刊錄用并發表的稿件將同時通過網絡平臺進行網絡出版或提供服務，編輯部將按照國家相關規定一次性支付作者權使用報酬（即包括印刷版、光盤版和網絡版等使用方式的報酬）。

四、聯絡方式：本刊只接受電子文件投稿。自2016年9月1日起，《環境衛生工程》投稿郵箱：hjwsgc@163.com用于投稿后的聯絡等事宜，新投稿的作者請登錄環境衛生工程主頁www.srhj.org.cn通過采編平臺進行投稿。文稿上務必附注第一作者或通訊作者的詳細地址、郵政編碼、聯系電話及E-mail。

Prediction Analysis of Domestic Waste Production in Tianjin Based on BP Neural Network

Zhang Qingyue1，Zhang Qijun2
（1.College of Public Administration，Hohai University，NanjingJiangsu211100；2.School of Mathematics and Computer Science，Anhui Normal University，WuhuAnhui241000）

The production of domestic waste in Tianjin city from 2006 to 2014 was analyzed by BP neural network. We chosen eight specific indicators representing three aspects of social and economic development degree，population，residents'living standard and habits as input layer elements of domestic waste production prediction model with good fitting degree. The model predicted in 2015-2015，domestic waste production will reach 2.234 6，2.3864 and 2.498 2 million tons，and annual growth will be 4.29%，6.79%，4.68%.

domestic waste；BP neural network；Tianjin；prediction

X705；X799.3

A

1005-8206（2017）02-0015-03

章清悅（1992—），碩士，主要從事環境社會學研究。

E-mail：silver2332@163.com。

2016-11-06