[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

说明书

本发明提供一种基于机器学习的城市垃圾分类工作的评估方法，包括获取历史季度数据的垃圾产生量并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；搭建LSTM神经网络模型，将训练集和测试集的数据输入该LSTM神经网络模型进行训练和测试；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；获取当前季度的垃圾产生量；将当前季度的垃圾产生量导入预先训练好的LSTM神经网络模型中进行预测，得到下一季度的垃圾产生量。实施本发明，不仅使垃圾预测精度更高，预测结果更稳定，还能有效识别及筛选垃圾分类成效主要影响因素，提高了识别准确度。

技术领域

本发明涉及垃圾分类技术领域，尤其涉及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。

背景技术

目前，我国正在大力推进垃圾分类工作，对垃圾分类工作成效的及时反馈及管理，对于缓解“垃圾围城”，促进可持续、高质量的发展具有重要的战略意义。预测垃圾的产生量是推进城市固体废弃物管理与改进的重要组成部分，能直观地表征目前垃圾分类的减量成效。同时，城市居民作为生活垃圾源头分类的主体，居民的参与度更是影响垃圾减量化的关键因素，分析及识别居民对垃圾分类工作满意度主要的影响因素，也有助于提高城市垃圾管理的效率。

目前常见的垃圾产生量预测模型主要有灰色模型、时间序列分析(Auto-regressive Integrated Moving Average model,ARIMA)等；对垃圾分类的影响因素的研究方法主要有主成分分析、多元回归线性、系统动态模型等。

然而，传统的预测模型易忽略垃圾产生量与社会因素(如基础设施、居民生活水平等)、居民内在因素(如：性别、年龄、学历等)等非线性关系，影响垃圾产生预测量及垃圾分类成效主要影响因素识别的准确度，从而造成城市固废管理的低效决策。

因此，有必要建立一套高效的垃圾分类评估体系，客观评价垃圾分类减量效果，对于推动城市固体废物的管理至关重要。

发明内容

本发明实施例所要解决的技术问题在于，提供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，不仅使垃圾预测精度更高，预测结果更稳定，还能有效识别及筛选垃圾分类成效主要影响因素，提高了识别准确度。

为了解决上述技术问题，本发明实施例提供了一种基于机器学习的城市垃圾分类工作的评估方法，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。

其中，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；