夏 晶， 張 旺

(湖北工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院， 湖北 武漢 430068)

?

基于BP神經(jīng)網(wǎng)絡(luò)的武漢市生活垃圾清運(yùn)量預(yù)測(cè)研究

夏 晶， 張 旺

(湖北工業(yè)大學(xué)經(jīng)濟(jì)與管理學(xué)院， 湖北 武漢 430068)

以武漢市中心城區(qū)垃圾清運(yùn)量的歷年統(tǒng)計(jì)數(shù)據(jù)為例，用熵權(quán)法確定其主要影響因素，建立基于BP神經(jīng)網(wǎng)絡(luò)的武漢市生活垃圾清運(yùn)量預(yù)測(cè)模型，并將實(shí)際值與預(yù)測(cè)值進(jìn)行比較。結(jié)果表明，該模型具有較好的預(yù)測(cè)性和適用性。用該模型對(duì)武漢市未來(lái)幾年生活垃圾清運(yùn)量進(jìn)行了預(yù)測(cè)，研究發(fā)現(xiàn)GDP、居民人均純收入、第三產(chǎn)業(yè)產(chǎn)值、固定資產(chǎn)投資和社會(huì)消費(fèi)總額等5個(gè)因素對(duì)武漢市生活垃圾清運(yùn)量影響較大。

生活垃圾清運(yùn)量； 熵權(quán)法； BP神經(jīng)網(wǎng)絡(luò)

城市生活垃圾清運(yùn)量與城市人口、經(jīng)濟(jì)水平及生活習(xí)慣等因素密切相關(guān)。隨著我國(guó)城鎮(zhèn)化的不斷推進(jìn)，城市人口越來(lái)越集中，城區(qū)生活垃圾清運(yùn)量正在逐年增加?！?013年中國(guó)統(tǒng)計(jì)年鑒》顯示，2012年全國(guó)垃圾產(chǎn)生量已達(dá)1.70809億t，相比1979年的2508萬(wàn)t增加了5.8倍[1]。城市生活垃圾產(chǎn)生量及分類是城市環(huán)境衛(wèi)生管理的基礎(chǔ)性資料，準(zhǔn)確預(yù)測(cè)城市生活垃圾產(chǎn)生量可以為城市生活垃圾的總量控制和減量化工作提供科學(xué)的指導(dǎo)[2]。

1 武漢市生活垃圾清運(yùn)量分析

表1是武漢市2004-2014年城市生活垃圾清運(yùn)量與增長(zhǎng)率，圖1為2004-2014年武漢市生活垃圾清運(yùn)量及年增長(zhǎng)曲線圖[3]。

表1 2004-2014年武漢市生活垃圾清運(yùn)量與年增長(zhǎng)率

圖 1 生活垃圾清運(yùn)量與年增長(zhǎng)率曲線圖

2 武漢市生活垃圾清運(yùn)量影響因素分析

隨著武漢市社會(huì)經(jīng)濟(jì)的發(fā)展，城市規(guī)模的擴(kuò)大、人口數(shù)量的增加以及居民生活消費(fèi)水平的提高，武漢市生活垃圾產(chǎn)生量逐年增多，給城市生活垃圾清運(yùn)和處置帶來(lái)了巨大挑戰(zhàn)。對(duì)武漢市生活垃圾產(chǎn)生量做出準(zhǔn)確的預(yù)測(cè)，不僅有助于做好生活垃圾的清運(yùn)與處置工作，還能促進(jìn)生活垃圾總量控制和減量化工作。表2是武漢市2004-2014年城市生活垃圾清運(yùn)量及其影響因素統(tǒng)計(jì)表[3]。

表2 武漢市2004-2014年生活垃圾清運(yùn)量及其影響因素統(tǒng)計(jì)

通過(guò)熵權(quán)法對(duì)這11個(gè)影響因素求權(quán)值，來(lái)篩選影響生活垃圾清運(yùn)量的主要因素。通過(guò)MATLAB語(yǔ)言編程及算法實(shí)現(xiàn)，求得權(quán)值分別為：0.1461，0.0029， 0.0866，0.0369，0.1100，0.1362，0.2095，0.0825，0.0656，0.0022，0.1215。通過(guò)權(quán)值篩選，GDP、居民人均純收入、第三產(chǎn)業(yè)產(chǎn)值、固定資產(chǎn)投資和社會(huì)消費(fèi)總額等因素是影響武漢市生活垃圾清運(yùn)量的主要因素。

3 BP神經(jīng)網(wǎng)絡(luò)在武漢市生活垃圾清運(yùn)量預(yù)測(cè)中的設(shè)計(jì)與MATLAB實(shí)現(xiàn)

3.1 BP神經(jīng)網(wǎng)絡(luò)模型

本文建立的基于BP神經(jīng)網(wǎng)絡(luò)[1]的武漢市生活垃圾清運(yùn)量預(yù)測(cè)模型共有三層：輸入層、隱含層和輸出層(圖2)。根據(jù)武漢市生活垃圾清運(yùn)量與其影響主因素篩選結(jié)果，選取GDP、居民人均純收入、第三產(chǎn)業(yè)產(chǎn)值、固定資產(chǎn)投資和社會(huì)消費(fèi)總額這5項(xiàng)指標(biāo)為輸入層。

圖 2 BP神經(jīng)網(wǎng)絡(luò)模型[4]

如圖2所示，pi為輸入層節(jié)點(diǎn)，yi為隱含層節(jié)點(diǎn)，ak為輸出層節(jié)點(diǎn)，wij為輸入層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)的網(wǎng)絡(luò)權(quán)值，T1i為隱含層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)的網(wǎng)絡(luò)權(quán)值，θi為神經(jīng)網(wǎng)絡(luò)的閥值。隱含層節(jié)點(diǎn)的計(jì)算和輸出層節(jié)點(diǎn)的計(jì)算如式(1)、(2)所示，BP神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)誤差如式(3)所示。

(1)

(2)

(3)

3.2 武漢市生活垃圾清運(yùn)量預(yù)測(cè)模型參數(shù)設(shè)置

本文用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)2015-2017年武漢市生活垃圾清運(yùn)量，以2004-2014年生活垃圾清運(yùn)量作為訓(xùn)練樣本，以2007-2014年生活垃圾清運(yùn)量作為測(cè)試樣本，檢驗(yàn)本文所建模型的準(zhǔn)確性。選取隱含層神經(jīng)元的傳輸函數(shù)為“tansig”雙曲線正切S型傳輸函數(shù)，輸出層神經(jīng)元的傳輸函數(shù)為“purelin”線性傳輸函數(shù)，網(wǎng)絡(luò)訓(xùn)練函數(shù)為“trainlm”函數(shù)，最大訓(xùn)練次數(shù)設(shè)為1000，訓(xùn)練收斂均方誤差為0.0001，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法采用改進(jìn)過(guò)的LM(Levenberg-Marquardt)算法[1-5]。

[p,minp,maxp,a,mina,maxa]=premnmx(p,a);對(duì)數(shù)據(jù)進(jìn)行歸一化

net=newff(minmax(p),[11 1],{'tansig','purelin'});%創(chuàng)建神經(jīng)網(wǎng)絡(luò)

net.trainparam.show=200;%訓(xùn)練顯示間隔

net.trainParam.epochs=1000;%訓(xùn)練次數(shù)

net.trainparam.goal=0.0001;%訓(xùn)練目標(biāo)誤差

net=train(net,p,a);

a=sim(net,p)%測(cè)試數(shù)據(jù)輸出

a1=postmnmx(a,mina,maxa)%反歸一化

3.3 預(yù)測(cè)結(jié)果與分析

訓(xùn)練網(wǎng)絡(luò)誤差逼近曲線如圖3所示，從圖中可以看出當(dāng)進(jìn)行到第27次迭代后，網(wǎng)絡(luò)誤差為3.0758×10-7，達(dá)到預(yù)測(cè)的目標(biāo)。用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)武漢市2015-2017年的生活垃圾清運(yùn)量做預(yù)測(cè)(圖4)。

圖 4 武漢市生活垃圾清運(yùn)量預(yù)測(cè)走勢(shì)圖

用“trainlm”函數(shù)訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)對(duì)2007-2014年武漢市生活垃圾清運(yùn)量進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)值與真實(shí)值進(jìn)行比較(表3)。由表3可知，預(yù)測(cè)樣本平均相對(duì)誤差為0.56%，達(dá)到高精度預(yù)測(cè)。用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)2015-2017年武漢市生活垃圾清運(yùn)量、GDP、居民人均純收入、第三產(chǎn)業(yè)產(chǎn)值、固定資產(chǎn)投資和社會(huì)消費(fèi)總額的值如表4所示。

表3 2007-2014年武漢市生活垃圾

表4 2015-2017年武漢市生活垃圾清運(yùn)量及其主要影響因素的預(yù)測(cè)值

4 結(jié)論

本文分析了武漢市生活垃圾清運(yùn)量影響因素，用熵權(quán)法篩選發(fā)現(xiàn)GDP、居民人均純收入、第三產(chǎn)業(yè)產(chǎn)值、固定資產(chǎn)投資和社會(huì)消費(fèi)總額這五個(gè)因素對(duì)武漢市生活垃圾清運(yùn)量影響較大。本文建立了基于BP神經(jīng)網(wǎng)絡(luò)的武漢市生活垃圾清運(yùn)量預(yù)測(cè)模型，將模型的預(yù)測(cè)值與實(shí)際值進(jìn)行比較，預(yù)測(cè)平均相對(duì)誤差為0.56%，表明該預(yù)測(cè)模型的預(yù)測(cè)精度較高。用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)2015-2017年武漢市生活垃圾清運(yùn)量進(jìn)行了預(yù)測(cè)，該預(yù)測(cè)方法和預(yù)測(cè)結(jié)果對(duì)武漢市生活垃圾收運(yùn)管理和環(huán)境衛(wèi)生規(guī)劃具有一定的參考價(jià)值。

[1] 馬惠民,張政.基于BP神經(jīng)網(wǎng)絡(luò)的城市生活垃圾產(chǎn)生量預(yù)測(cè)研究——以上海市為例[J].環(huán)境科學(xué)與管理，2015(2):56-73.

[2] 鄭文.基于神經(jīng)網(wǎng)絡(luò)模型的城市生活垃圾預(yù)測(cè)[J].西南師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014(8):51-56.

[3] 湖北省統(tǒng)計(jì)局.湖北省統(tǒng)計(jì)年鑒[EB/OL](2016-09-09)http://www.stats-hb.gov.cn/info/iList.jsp?cat_id=10436.

[4] 于濤, 黃濤, 潘膺希,等. 基于BP神經(jīng)網(wǎng)絡(luò)和灰色關(guān)聯(lián)度組合模型的城市生活垃圾清運(yùn)量預(yù)測(cè)[J]. 安全與環(huán)境學(xué)報(bào), 2013(4):98-101.

[5] 張玨，張建強(qiáng).基于灰色理論與 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)成都市生活垃圾產(chǎn)生量[J].環(huán)境科學(xué)與管理，2012(8):52-56.

[6] 湯鳴.基于BP神經(jīng)網(wǎng)絡(luò)模型的西安市生活垃圾產(chǎn)生量預(yù)測(cè)[J].西安航空技術(shù)高等專科學(xué)校學(xué)報(bào)，2011(5):75-77.

[責(zé)任編校： 張 眾]

Prediction Study on Municipal Solid Waste Yields Based on BP Neural Network in Wuhan

XIA Jing, ZHANG Wang

(SchoolofEconomicsandManagement,HubeiUniv.ofTech.,Wuhan430068,China)

This paper analyzed the factors that influence the municipal solid waste yields. Taking Wuhan as an example and according to historical statistics of municipal solid waste yields in Wuhan, this paper used entropy weight method to determine its main influencing factors and established the BP neural network forecasting model of Wuhan solid waste yields. After comparing the actual value with predicted value, the results show that this model has good predictability and applicability. This paper used the model to predict municipal solid waste yields in Wuhan over the next few years, in order to provide a decision-making reference for municipal solid waste management and environmental planning in Wuhan.

municipal solid waste yields; entropy weight method; BP(Back Propagation) neural network

1003-4684(2016)06-0020-03

X705

A

2016-09-30

夏 晶(1968-)， 女， 湖北武漢人，管理學(xué)博士，湖北工業(yè)大學(xué)教授，研究方向?yàn)槲锪鞴芾?/p>