浏览次
生活垃圾对生态环境及人类生存带来极大的威胁，成为重要的社会问题。研究城市生活垃圾的产生量及其特征，可为城市环境规划和总量控制提供科学的决策信息，也能为垃圾的收集、运输和处理提出科学合理的措施和实施方案。杨先海等利用BP神经网络模型对上海市城市生活垃圾进行了研究。刘够生等用灰色理论模型预测了城市生活垃圾的产量。李小明等也对上海市城市生活垃圾产生量影响因子进行了分析和灰色预测。陈金发等建立了我国南方城市垃圾产生量预测的灰色组合模型。廖智强等利用指数趋势模型进行了城市生活垃圾的预测。这些研究成果获得了非常宝贵的数据和模型。在此基础上，笔者提出了一种采用BP人工智能神经网络模型，建立了城市生活垃圾与人口数、GDP、人均收入和人均消费关系的新模型，预测精度高，实用性强，具有较好的预测效果。
1模型的建立
1.1符号说明
x1，代表北京市人口，x2代表北京市经济发展水平，x3代表北京市人均年收入，x4代表人均消费水平，g代表当前表现函数的梯度，ak代表学习速率，R代表相关系数。
1.2BP网络模型的建立
首先对输入变量和期望输出值进行离差标准化。离差标准化是将某变量中的观察值减去该变量的最小值，然后除以该变量的极差，即： 
经过离差标准化后，各种变量的观察值的数值范围都将在[0，1]，并且经标准化的数据都是没有单位的纯数量。离差标准化是消除量纲(单位)影响和变异大小因素的影响的最简单的方法。这样处理数据后在BP网络里就可以消除各个影响因素和垃圾总量间数值差异大的影响，可以使该模型的精确度进一步提高。
BP网络学习规则的指导思想是：对网络权值和闽值的修正要沿着表现函数下降最快的方向——负梯度方向。 
式中，xk是当前的权值和阈值矩阵。下面介绍BP算法的推导过程。
假设3层BP网络，输入节点xi，隐层节点yi，输出节点zl。输入节点与隐层节点间的网络权值为wji，隐层节点与输出节点间的网络权值为vij。当输出节点的期望为tl时，模型的计算公式如下。隐层节点的输出：
2BP神经网络模型的应用
2.1模型应用及求解
该研究主要根据可定量的因素进行预测。以北京市为例，通过查阅《国家统计年鉴》，收集了北京市1998-2007年的人口、GDP、人均收入、人均消费及生活垃圾清运量的数据，见表1。
由于人口、GDP、人均收入、人均消费的数值大小差异很大，为了使用BP神经网络建立生活垃圾产量中短期预测模型，首先将表2中的因素人口、GDP、人均收入、人均消费因素标准化，并作为BP网络的输入矩阵P，同时将垃圾清运量也进行标准化得到输出的期望矩阵t。
表1 1998～2007年北京市城市生活垃圾产量及相关因素数据
通过MATLAB编程计算得到输入矩阵及期望矩阵为：
通过反复地对模型进行训练，发现当学习率为0.05，训练次数为5000次，训练精度为0.001时得到的效果最好，图1为训练过程的误差图。由图1可知,BP神经网络训练结果整体误差达到了0.0024018。
图1 BP神经网络训练结果
图2 BP神经网络拟合1998-2007年北京市生活垃圾量图2为采用MATLAB算出的在BP网络模型下1998-2007年北京市生活垃圾量。表2为用BP神经网络模型和多元线性回归模型对1998～2007年北京市垃圾预测量与预测误差。由表2可知，通过BP神经网络求解得到的垃圾总量与真实值的误差都在5%以内，比多元线性回归模型求得垃圾总量的相对误差小。由
表2 BP神经网络模型与多元线性回归模型对1998-2007年北京市垃圾预测量及预测误差
此可见，该研究所建立的BP神经网络模型求解要优于多元线性回归模型，具有很高的精确度和实用性。
2.2BP神经网络模型对北京市2008～2017年垃圾产量的预测
首先对城市垃圾产量的4个影响因素进行预测，根据1998-2007年的平均增长率求出2008～2017年4个影响因素的值，带入BP网络模型得到北京市未来10年的垃圾产量，结果见图3。通过MATLAB绘出垃圾产量的年份图如图3所示。
图3 2008～2017年北京市垃圾产量预测值
3结论
运用BP神经网络建立多因素预测模型，对北京市城市生活垃圾产量进行预测，达到了较好的效果。BP神经网络模型具有自组织、自适应和自学习能力，在建模及求解过程中不必事先规定各因素权重，能合理地调整影响因子之间的关系，所以预测结果客观、合理、精确。该研究方法和预测结果对我国城市生活垃圾管理和环境规划具有指导意义。
参考文献略
