[发明专利]一种基于机器学习的城市垃圾分类工作的评估方法及系统

权利要求书

1.一种基于机器学习的城市垃圾分类工作的评估方法，其特征在于，包括以下步骤：

获取历史季度的垃圾产生量，并将所获取的历史季度的垃圾产生量按比例划分为训练集和测试集，且进一步进行数据归一化处理，使样本值映射到(-1，1)区间；

采用多层循环神经网络搭建LSTM神经网络模型，将训练集输入该LSTM神经网络模型进行训练，将测试集的数据输入该LSTM神经网络模型进行测试，且进一步将训练后的数据反归一化，输出结果并进行模型每层的结构及参数的表述，得到训练好的LSTM神经网络模型；其中，所述LSTM神经网络模型以Adam算法进行优化，选用均方根误差作为模型损失函数进行模型评价，以及采用Dropout方法防止模型过拟合；

获取当前季度的垃圾产生量，并将当前季度的垃圾产生量导入训练好的LSTM神经网络模型中进行预测，得到下一季度的垃圾产生量；

将预测所得的下一季度的垃圾产生量与下一季度的实际垃圾产生量进行对比，并将对比结果导入预先定义好的LASSO回归模型中进行计算，得到居民垃圾分类满意度；其中，所述LASSO回归模型的自变量为垃圾分类成效影响因素，包括年龄、性别、学历、垃圾分类习惯、垃圾分类奖励、垃圾分类惩罚和垃圾分类宣传。

2.如权利要求1所述的基于机器学习的城市垃圾分类工作的评估方法，其特征在于，所述LASSO回归模型是利用R语言LARs包分别进行最小角回归法实现LASSO回归，具体构建步骤如下：

步骤1：利用R语言函数lars()，实现lasso回归分析并可视化；

步骤2：获取模型的自变量系数，当R²＝0.348，选取cp值最小时对应的模型为最优模型；其中，cp＝8.000，step＝7；

步骤3：获取cp值最小时对应的模型的截距值；

步骤4：获得LASSO回归模型公式。

3.如权利要求1所述的基于机器学习的城市垃圾分类工作的评估方法，其特征在于，所述多层循环神经网络具有100个神经元。

4.一种基于机器学习的城市垃圾分类工作的评估系统，其特征在于，包括：

获取单元，用于获取历史季度的垃圾产生量，并将所获取的历史季度的垃圾产生量按比例划分为训练集和测试集，且进一步进行数据归一化处理，使样本值映射到(-1，1)区间；

训练及测试单元，用于采用多层循环神经网络搭建LSTM神经网络模型，将训练集输入该LSTM神经网络模型进行训练，将测试集的数据输入该LSTM神经网络模型进行测试，且进一步将训练后的数据反归一化，输出结果并进行模型每层的结构及参数的表述，得到训练好的LSTM神经网络模型；

其中，所述LSTM神经网络模型以Adam算法进行优化，选用均方根误差作为模型损失函数进行模型评价，以及采用Dropout方法防止模型过拟合；

预测单元，用于获取当前季度的垃圾产生量，并将当前季度的垃圾产生量导入训练好的LSTM神经网络模型中进行预测，得到下一季度的垃圾产生量；

评估单元，用于将预测所得的下一季度的垃圾产生量与下一季度的实际垃圾产生量进行对比，并将对比结果导入预先定义好的LASSO回归模型中进行计算，得到居民垃圾分类满意度；其中，所述LASSO回归模型的自变量为垃圾分类成效影响因素，包括年龄、性别、学历、垃圾分类习惯、垃圾分类奖励、垃圾分类惩罚和垃圾分类宣传。

5.如权利要求4所述的基于机器学习的城市垃圾分类工作的评估系统，其特征在于，所述LASSO回归模型是利用R语言LARs包分别进行最小角回归法实现LASSO回归。

6.如权利要求4所述的基于机器学习的城市垃圾分类工作的评估系统，其特征在于，所述多层循环神经网络具有100个神经元。