基于PSO-SVM的校園垃圾自動清運量預測方法分析

摘要：為提高垃圾清運量預測結果的可靠性、規范校園垃圾管理，引進粒子群優化—支持向量機（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）模型，開展自動清運量預測方法的設計研究。根據校園垃圾站的記錄內容，采集每日垃圾清運量數據、垃圾類型分布數據，通過設定閾值，進行采樣數據的標準化處理；引進PSO-SVM，建立垃圾清運量與時間、季節、學生人數等因素之間的復雜關系模型；將提取的特征輸入到完成訓練的模型中，得到預測的垃圾清運量，引進校正因子，進行預測值的校正。對比實驗結果表明：設計的方法可以在垃圾自動清運量預測準確率的基礎上，提高預測的效率。

關鍵詞：PSO-SVM模型 預測方法 校園垃圾" 垃圾清運量

Analysis of the Prediction Method for Campus Garbage Automatic Removal Volume Based on PSO-SVM

LIANG Yaodong

Guangxi Modern Polytechnic College， Hechi， Guangxi Zhuang Autonomous Region， 547099 China

Abstract： In order to improve the reliability of the prediction results of garbage removal volume and standardize campus garbage management， the Particle Swarm Optimization Support Vector Machine （PSO-SVM） model is introduced to carry out the design and research of automatic garbage removal volume prediction method. According to the records of campus garbage station， it collects the daily garbage removal volume data and garbage type distribution data， and standardizes the sampling data by setting thresholds; PSO-SVM was introduced to establish a complex relationship model between garbage removal volume and factors such as time， season， number of student. The extracted features were input into the trained model， the predicted garbage removal volume is obtained， and the correction factor is introduced to correct the predicted value. The comparative experimental results show that the designed method can improve the prediction efficiency on the basis of automatic garbage removal volume prediction accuracy.

Key Words： PSO-SVM model; Prediction method; Campus garbage; Garbage removal volume

環保意識的提升使校園垃圾管理備受關注。有效的垃圾清運管理不僅能夠提升校園環境，還能夠減少資源浪費和環境污染。然而，現有的垃圾清運方式往往依賴人工判斷和定期清理，效率低下且難以準確預測垃圾量的變化，導致清運不及時或資源浪費。

燕飛等人[1]等利用多種灰色模型（Grey Model，GM）[wl2] 對廣州市2015—2019年的城市固體廢棄物進行模擬，發現代謝GM（1，1）模型預測能力較強。但此種方法對數據要求較高，如果數據中有缺漏或不正常，則會對預測的精度產生不利影響。王陳建等人[2]利用福建省2010—2019年的固體廢棄物清運量數據，建立GM（1，1）預報模型，可以在中、短期內對城市固體廢棄物清運量進行預報，但在長期預報中會出現很大的誤差。

為規范校園環境管理，實現對校園垃圾清運的全自動化與智能化，本文引進粒子群優化—支持向量機（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）[wl3] [wl4] 模型，開展自動清運量預測方法的設計研究，為校園的垃圾清運等相關作業提供技術支持與指導。

1歷史數據采集與標準化處理[wl5]

為實現對垃圾自動清運量的預測，需要采集校園垃圾站的每日清運量數據、垃圾類型分布數據作為預測模型的主要輸入變量，以反映垃圾產生的日常波動情況[3]。數據采集過程如下所示。

式（1）中：表示每日清運量數據采集；表示第個垃圾收集點日清運量；表示垃圾收集點的總數。

垃圾類型分布數據用于區分不同種類的垃圾，并記錄每種垃圾的比例或數量[4]。垃圾類型比例計算公式如下。

式（2）中：表示垃圾類型比例；表示額定清運量；表示第種類型垃圾；表示當日的清運總量。

考慮到原始數據存在量綱不一致等問題，通過設定閾值或基于統計方法進行數據的識別和處理[5]，如下計算公式所示。

式（3）中：表示標準化處理后的清運量數據；表示均值；表示標準差。將整理輸出的數據作為模型的訓練數據，實現校園垃圾自動清運量的歷史數據采集與標準化處理。

2基于PSO-SVM的垃圾清運量關系模型構建

在上述基礎上，引入PSO-SVM，建立垃圾清運量與時間、季節、學生人數等因素的復雜關系模型。采用SVM預測，結合PSO，對模型的參數進行優化[6]。收集垃圾清運量、時間、學生人數等數據，轉換特征星期幾和季節編碼，時間信息為時間序列特征。使用PSO優化核函數參數，通過模擬鳥群覓食搜索最優解。在PSO算法中，根據自身的經驗和同伴的經驗，每個粒子更新其速度、位置。更新過程如下所示。

式（4）中：、表示當前時刻點與下一時刻點的粒子變化速度；表示粒子權重；表示學習率；表示損失率；表示時刻點；、表示當前時刻點與上一時刻點的粒子位置；表示位置更新量。

輸出最優位置，建立在此位置中不同參數之間的關系，定義一個超平面，區分在此平面中不同樣本數據的類別，建立垃圾清運量關系模型如下。

式（5）中：表示垃圾清運量關系模型；表示線性函數；表示超平面；表示核函數。

通過上述步驟，完成基于PSO-SVM的垃圾清運量關系模型構建。

3自動清運量預測與校正

完成上述設計后，利用該模型進行自動清運量的預測，并且設計自適應偏差校正機制，以提高預測的準確性。將提取的特征輸入到完成訓練的PSO-SVM模型中，得到預測的垃圾清運量，引進自適應偏差校正機制，動態調整預測值。調整過程中，記錄模型在過去一段時間內的預測誤差，即實際清運量與預測清運量之差。根據歷史預測誤差，計算校正因子，公式如下。

式（6）中：表示校正因子；表示歷史誤差；表示輸入特征向量；表示歷史記錄的數量均值；表示歷史記錄次數。利用計算得到的校正因子，對上述公式預測的數值進行校正。

4對比實驗

4.1實驗準備

本次實驗選擇了某城市中心的綜合性高校作為研究試點。該高校在校生約25 000人，教職工3 000余人，據統計，人均生活垃圾產生量約為1.2 kg/（人·d），因此，整個校園每日產生的垃圾總量可達30 t左右。對校園垃圾產生的類別、產出量等進行分析，如表1所示。

4.2實驗步驟

收集校園內各個垃圾收集點的歷史清運量數據，包括每日、每周、每月的清運量，將其作為實驗中的樣本數據。對部分數據進行匯總，如表2所示。

記錄與垃圾產生量可能相關的因素，如學生人數、活動安排、季節變化等。在應用本文方法時，設定PSO-SVM模型的參數，包括粒子數量、懲罰參數和核函數參數等，按照設計的步驟，進行垃圾自動清運量的預測。

預測過程中，引進燕飛等人[1]、[wl6] 王陳建等人[2]提出的基于GM預測方法、基于GM（1，1）模型的預測方法作為對照，對比3種方法在進行垃圾自動清運量預測中的應用效果。

4.3實驗結果與分析

將垃圾自動清運量預測結果偏差作為檢驗設計方法的關鍵指標，該指標通過計算預測值與實際值之間的絕對誤差或相對誤差得出。理想的預測方法應具備較小的預測結果偏差，即模型的預測值能夠緊密貼合實際數據，從而提供更加可靠的預測結果。實驗結果如圖1所示。

從圖1可以看出，本文方法連續5個月預測結果偏差小于1 t，燕飛等人[1]、王陳建等人[2][wl7] 方法的連續5個月預測結果偏差在1～7 t、2～8 t范圍內。由此可以證明，本文設計的方法在垃圾自動清運量預測方面的應用效果較好，即預測結果的偏差最小。

在此基礎上，對三3方法的預測過程進行分析，進行對應方法預測達到最優值的迭代次數統計。較少的預測迭代次數表示對應方法能夠更快地收斂到最優解，從而節省計算資源并提高預測效率。實驗結果如圖2所示。

訓練過程中，適應度值達到1.0，對應方法即可輸出最優預測結果。

從圖2所示的實驗結果可以看出，本文方法達到1.0×103次循環訓練迭代，即可輸出最優預測結果；燕飛等人[1]、王陳建等人[2][wl8] 方法分別需要達到4.0×103、8.0×103次循環訓練迭代，才能輸出最優預測結果。在考慮多種影響因素的條件下，可以證明，本文設計的方法在垃圾自動清運量預測時的效率最高，并且預測結果更為精準。

5結語

為了解決垃圾清運相關問題，本文探索基于PSO-SVM的垃圾清運量預測方法。在校園垃圾自動清運量預測中，PSO-SVM模型充分利用歷史垃圾清運數據，通過訓練和學習，建立垃圾量與時間、季節、學生人數等因素之間的復雜關系模型。利用該模型，對未來一段時間內的垃圾量進行預測，為垃圾清運工作提供科學依據。此外，PSO-SVM模型還根據校園垃圾量的實際情況進行動態調整和優化。通過不斷更新訓練集和測試集，模型逐漸適應垃圾量的變化，提高預測的準確性和穩定性。因此，本文通過自動清運量歷史數據采集與標準化處理、垃圾清運量關系模型構建、自動清運量預測與自適應偏差校正，進行垃圾清運量預測，提高垃圾清運的效率和質量，為校園環保工作提供有力的支持。

參考文獻

[1] 燕飛， 李光輝. 基于灰色預測模型的廣州市城鎮生活垃圾清運量預測[J]. 數學的實踐與認識， 2023，53（1）： 283-288.

[2] 王陳建， 方金城， 張曉婷. 基于GM（1，1）模型的福建省城市生活垃圾清運量預測[J]. 福建冶金， 2023， 52（4）： 63-66.

[3] 盧自勇， 張慧， 郭苛， 等. 雙碳背景下貴陽市城市生活垃圾產生量預測及其碳減排潛力分析[J]. 廣東化工， 2023， 50 （11）： 132-135.

[4] 都曉藝. 基于GM（1，Nr）模型的上海生活垃圾可回收量預測研究[J]. 經濟研究導刊， 2023（9）： 49-53.

[5] 劉菊芳， 劉玉芳. 基于神經網絡的城市生活垃圾產生量預測——以新疆為例[J]. 新疆開放大學學報， 2022，26（2）： 62-67.

[6] 李惠， 曾波， 周文浩. 基于灰色參數組合優化新模型的生活垃圾清運量預測研究[J]. 中國管理科學， 2022， 30 （4）： 96-107.