許尊誠,宋煒煒
(昆明理工大學(xué),云南 昆明 650000)
對于城市中居民生活和經(jīng)濟活動,城市垃圾的產(chǎn)生和管理有著直接且重要的影響。其中城市生活垃圾是重要部分之一。數(shù)百項流行病學(xué)研究證明了其管理、處理和運輸過程中員工和居民的各種可能疾病的發(fā)生率[1]。
同時垃圾收集效率低、資金緊張、規(guī)劃不善、缺乏對城市垃圾復(fù)雜變化的應(yīng)對方案等問題,導(dǎo)致城市生活垃圾相關(guān)問題的惡化,從而掩蓋了其可持續(xù)管理的目標[2]。這些問題很多是在城市固體垃圾的生命周期中造成的,具體是指固體垃圾從個體或區(qū)域中產(chǎn)生,到區(qū)域集中,轉(zhuǎn)運和最終處理過程中的二次污染和回收效率過低。因此探索現(xiàn)代城市垃圾分類和處理問題,已經(jīng)是各個地方政府的管理者和相關(guān)利益者的關(guān)鍵問題之一[3,4]。
在國外,一些政府在垃圾處置領(lǐng)域的投入甚至占到整個環(huán)境治理總支出的33%[5]。根據(jù)中國國家統(tǒng)計局的數(shù)據(jù),2019年全國城市垃圾清運量 24 206.2萬噸,2000年全國城市垃圾清運量 11 818.88萬噸[6]。而“制造-消耗-廢棄-新一輪制造”是一段時間內(nèi)中國社會經(jīng)濟生產(chǎn)的常態(tài),在其中每一個過程都存在超過限度的資源浪費和過度生產(chǎn)。在如今的中國城鎮(zhèn)化建設(shè)新階段,已經(jīng)成為其中重要的制約因素之一[7]。
同時城市生活垃圾的管理涵蓋了計劃,工程,組織,行政,財務(wù)和法律等各方面的活動。所以盡管人口增長和垃圾產(chǎn)生是全球性挑戰(zhàn),但發(fā)展中國家的狀況尤其嚴重[8]。所以,作為城市垃圾處理主要手段的填埋與焚燒是無法跟上垃圾生產(chǎn)的增長速度,根本解決思路還是在于“減量化”和“資源化”[9,10]。城市生活垃圾分類收集和管理是垃圾有效管理的必要前提,是實現(xiàn)垃圾無害化、減量化和資源化的一個關(guān)鍵環(huán)節(jié),是提高生活垃圾循環(huán)利用的最有效手段之一。因此被認為是現(xiàn)代生活垃圾管理規(guī)劃中最優(yōu)先考慮實施的方法[11]。
在本文中以昆明市為例,根據(jù)城市公共區(qū)域的分布情況,合理地定義了城市垃圾的區(qū)域分布與城市擴張成長所產(chǎn)生的垃圾量之間的關(guān)系。依據(jù)公共資源與預(yù)測結(jié)果實行動態(tài)規(guī)劃,以及給出同時期垃圾產(chǎn)生量與公共資源的負載程度計算模型。其余的結(jié)構(gòu)如下:第二部,分回顧和總結(jié)了基于國內(nèi)外垃圾相關(guān)研究的國內(nèi)外城市垃圾處理研究結(jié)果。第三部分,描述了本文中使用的相關(guān)算法和決策邏輯。第四部分,介紹了昆明市現(xiàn)階段的公共數(shù)據(jù)和相關(guān)數(shù)據(jù)集。第五部分,將以相關(guān)數(shù)據(jù)驗證所提出的方法。第六部分,說明本文的主要貢獻,總結(jié)研究結(jié)果,并討論了潛在的局限性。
近年來的研究表明,城市生活垃圾的增長與GDP、人口數(shù)和居民收入密切相關(guān)[12]。同時消費水平也是影響城市生活垃圾產(chǎn)生的重要因素[13]。進一步研究指出,居民消費結(jié)構(gòu)會對城市生活垃圾的總量和組成有著重要影響[14]。
對于從多重線性回歸分析中,探索影響垃圾產(chǎn)生量的內(nèi)部因素進行相關(guān)分析。其中,非農(nóng)業(yè)人口、暫住人口與垃圾產(chǎn)生之間的相關(guān)系數(shù)為0.9,旅游人口與垃圾產(chǎn)生之間的相關(guān)系數(shù)為0.95,非農(nóng)業(yè)人口消費額之間的相關(guān)系數(shù)為0.94,燃氣率相關(guān)系數(shù)達到0.96,清潔面積和垃圾產(chǎn)生的相關(guān)系數(shù)僅為0.79[15]。在一項研究中計算西安市生活垃圾產(chǎn)生量與其他影響競爭的因素之間的相關(guān)系數(shù)時,人口規(guī)模的相關(guān)系數(shù)比家庭密度的相關(guān)系數(shù)高0.973。人口人口密度,人口,游客總數(shù)。游客接待總數(shù)的相關(guān)系數(shù)為0.961。區(qū)域GDP的相關(guān)系數(shù)為0.986,遠遠高于社會商品零售總額的0.932[16]。就人口而言,很明顯總?cè)丝谂c游客產(chǎn)生的垃圾量之間存在密切的正相關(guān)關(guān)系。一個地區(qū)的經(jīng)濟發(fā)展水平直接影響該地區(qū)產(chǎn)生的垃圾量。
基于時間序列,線性回歸模型或多個線性回歸模型已成為估算未來城市垃圾產(chǎn)生量的主要選擇之一。在一項采用灰色模型GM(1.1)對城市垃圾數(shù)量進行建模預(yù)測,并完成了對未來10年杭州市家庭垃圾量的預(yù)測模型[17]。通過使用最小二乘法和三個分區(qū)模型來連續(xù)預(yù)測垃圾產(chǎn)生量最高的三個省份,總結(jié)出經(jīng)濟和消費發(fā)展與城市固體垃圾產(chǎn)生正相關(guān)的結(jié)論[18]。在此研究階段,通常的做法是使用基本模型來預(yù)測縣,市或縣一級產(chǎn)生的垃圾總量,并實現(xiàn)對未來幾年的預(yù)測。但是這些方法僅給出簡單的初始估計,而不能給出多參數(shù)變化的預(yù)測。
而在垃圾從分散到集中的過程中,這是一個“反向物流”系統(tǒng),其資源高度分散,處置相對集中,并且產(chǎn)生隨季節(jié)性變化。因此,為垃圾轉(zhuǎn)運站選擇最佳位置是尋求改善垃圾收集和運輸系統(tǒng)的重要環(huán)節(jié)[19]。在一項關(guān)于使用網(wǎng)絡(luò)分析(ANP)分析固體垃圾處理方法選擇的研究中,應(yīng)用了分層網(wǎng)絡(luò)的決策結(jié)構(gòu)(Hiernet)。從分析網(wǎng)絡(luò)過程(ANP)的超級矩陣中,確定價值判斷作為各種利益相關(guān)者的輸入,并衡量對替代方案的相對需求[20]。定量和定性方法(DEA)的結(jié)合將用于評估已建成的生活垃圾轉(zhuǎn)運站的效率[21]。垃圾運輸?shù)哪P脱芯恐饕谶\輸研究,并且沒有專項研究或相關(guān)屬性研究,例如易腐垃圾和有害垃圾對整個垃圾模型的影響。中轉(zhuǎn)點所提供的特性權(quán)重不同,轉(zhuǎn)運點也不同。
而現(xiàn)在處理的最后階段方法較少,主要是垃圾填埋、焚燒、堆肥、厭氧消化、熱分解氣化、高溫高壓液化和蚯蚓處理等等。根據(jù)一項針對焚燒垃圾的粉灰飛研究,由于火焰中垃圾成分的影響,粉灰飛中所含的金屬元素的含量是土壤中金屬元素的3個數(shù)量級以上,并且向土壤中的浸出毒性和腐蝕性非常嚴重[22]。同時,垃圾焚化產(chǎn)生的能量和熱量也是一種可用的能源。鑒于當前的技術(shù)發(fā)展和廢熱產(chǎn)生的逐漸增加,焚燒是一種相對簡單且經(jīng)濟上有利于回收廢料的方法[23]。另一邊由于填埋技術(shù)導(dǎo)致的浸出和重金屬污染等因素,垃圾掩埋技術(shù)正日益達到其極限。將來,它可能會幫助其他垃圾處理方法,例如不同類型垃圾焚燒殘余物的填埋。
識別城市功能區(qū)并理解其分布特征,對于把握城市結(jié)構(gòu)及科學(xué)制訂城市規(guī)劃具有重要作用[24]。于人口、用地、產(chǎn)業(yè)等傳統(tǒng)調(diào)查和識別方法相比,城市大數(shù)據(jù)的出現(xiàn)為多中心識別提供了契機,尤其是基于POI(Point of Interest)大數(shù)據(jù)的分析比傳統(tǒng)方法更加準確高效[25]。
依據(jù)上海市綠化和市容局數(shù)據(jù),2019年上海日均有害垃圾處置量達到1噸,而到2020年6月整個上海市的有害垃圾日均有害垃圾處置量則達到3.3噸,但依舊不足上海市近3年各年生活垃圾總量的1%,遠遠小于其他類型垃圾總量,又因為有害垃圾的特殊性,在區(qū)域性收集中依舊需要大量的專門收集中轉(zhuǎn)專業(yè)設(shè)備和設(shè)施。
而根據(jù)住建部發(fā)布的《中國城市建設(shè)統(tǒng)計年鑒》中不同垃圾處理方式處理的生活垃圾量來看,填埋占據(jù)了我國生活垃圾處理的64%;其次是焚燒處理,占38%。在其中的3種垃圾類型總量中,易腐爛垃圾占比最高,在各地區(qū)的易腐垃圾占生活垃圾總量比在40%~60%之間,且平均值為47.66%,廚余垃圾占56%,可回收垃圾占26%,不可回收垃圾僅占17%。
在目前全國絕大部分地方生活垃圾沒有分類的情況下,四大種類全部進入環(huán)衛(wèi)清運軌道。理論上,如果把廚余垃圾和可回收垃圾分類出來,納入循環(huán)利用和資源化利用軌道,環(huán)衛(wèi)清運到填埋和焚燒的垃圾,只有17%。
生成式對抗網(wǎng)絡(luò)(GAN,Generative Adversarial Networks)是一種深度學(xué)習(xí)模型,通過框架中兩個模塊:生成模型(Generative Model)和判別模型(Discriminative Model)的相互博弈游戲,生成模型與一個對手相對立,一個判別模型,該模型學(xué)習(xí)確定樣本是來自模型分布還是來自數(shù)據(jù)分布,最后產(chǎn)生輸出結(jié)果[26],如圖1所示。
圖1 GAN生成對抗網(wǎng)絡(luò)
W是隨機噪聲(是隨機生成的數(shù),GAN生成圖像的源頭),D通過真圖和假圖的數(shù)據(jù),進行一個二分類神經(jīng)網(wǎng)絡(luò)訓(xùn)練。G根據(jù)一串隨機數(shù)可以制造出一個“假圖像”出來,用這些假圖去欺騙D,D負責(zé)辨別這是真圖還是假圖,會給出一個反饋分數(shù)。例如,G生成了一張圖,在D這里得分很高,那證明G是很成功的;如果D能有效區(qū)分真假圖,則G的效果還不太好,需要調(diào)整參數(shù)。這就是GAN的博弈過程。
同時,D和G模塊具有值函數(shù)V(G,D)的兩者最大最小等式:
(1)
對抗建??蚣茏钊菀讘?yīng)用與當模型是多層感知器時。為了了解發(fā)生器在數(shù)據(jù)x上的分布pg,先定義了一個先驗的輸入噪聲變量pz(z),然后將到數(shù)據(jù)空間的映射表示為G(z;θg),其中G是由多層感知器表示的微分函數(shù),其中參數(shù)θg。并且定義了第二個多層感知器D(x;θd),輸出一個標量。D(x)表示x來自數(shù)據(jù)而非pg的概率。為了訓(xùn)練D來最大化為G訓(xùn)練樣本和樣本分配正確標簽的可能性,同時訓(xùn)練G來最小化log(1-D(G(z)))。
通過生成對抗網(wǎng)絡(luò),我們進行多次迭代對未來完成黑箱預(yù)測。這種預(yù)測建立在內(nèi)部不可知的狀態(tài)下,來盡量避免和縮小社會城市問題中大量的干擾因素影響,以及參數(shù)限制。
在預(yù)測出未來的變化后,我們通過k-聚類算法進行的計算,來規(guī)劃已知不同觀測集的相同屬性的符合限制條件的點集。
已知觀測集(X1,X2,…,Xn),其中每個觀測都是一個d-維實向量,k-平均聚類要把這n個觀測劃分到k個集合中(k≤n),使得組內(nèi)平方和最小。函數(shù)的目標是找到使得下式滿足的聚類Si,其中μi是Si中所有點的均值。
(2)
在運用k-聚類算法時,首先需要確定一個k值,即我們希望將數(shù)據(jù)集經(jīng)過聚類得到k個集合,再從數(shù)據(jù)集中隨機選擇k個數(shù)據(jù)點作為質(zhì)心。其次對數(shù)據(jù)集中每一個點,計算其與每一個質(zhì)心的距離(如歐式距離),離哪個質(zhì)心近,就劃分到哪個質(zhì)心所屬的集合。把所有數(shù)據(jù)歸好集合后,一共有k個集合。然后重新計算每個集合的質(zhì)心。如果新計算出來的質(zhì)心和原來的質(zhì)心之間的距離小于某一個設(shè)置的閾值(表示重新計算的質(zhì)心的位置變化不大,趨于穩(wěn)定,或者說收斂),我們可以認為聚類已經(jīng)達到期望的結(jié)果,算法終止。如果新質(zhì)心和原質(zhì)心距離變化很大,需要重新迭代。
通過聚類計算,再通過權(quán)重指數(shù)來進行集合合并,得出合并點集并且給出相應(yīng)的負載指數(shù),負載指數(shù)可以用于不同時間或者不同方案的選擇或者判定。
(3)
單點線路的中轉(zhuǎn)點選擇計算,CP為一類負載數(shù),py為運輸種類權(quán)重,li為單個集點到中轉(zhuǎn)點的距離,ln為中轉(zhuǎn)點到處理點距離,cb為建設(shè)權(quán)重,pz為種類權(quán)重。
(4)
合成點線路的中轉(zhuǎn)點選擇計算,Ch為二類負載數(shù),py為運輸種類權(quán)重,li為單個集點到中轉(zhuǎn)點的距離,ln為合成中轉(zhuǎn)點到終點距離,cb為建設(shè)權(quán)重,pz為種類權(quán)重。
(5)
i個一類負載數(shù)CP和n個二類負載Ch之間的比值Cz即為負載指數(shù)。
在進行多層次點位合并時,首先我們將點集分為同等數(shù)量圖層,并且按照其中點位數(shù)量從小到大排序。第二,從最少的點位數(shù)量的圖層開始任意選擇一個點位,計算該點位與相應(yīng)的觀測集的范圍內(nèi)點位距離及終點點位的距離之和,并依據(jù)負載指數(shù)計算,找到與該點位最近的第二圖層的相應(yīng)中轉(zhuǎn)站點。第三,判斷該兩種點位之間的距離是否在規(guī)定范圍之內(nèi)。若在規(guī)定那個范圍之外,保留低圖層中轉(zhuǎn)點,并將其升格為上一圖層點。若在規(guī)定范圍之內(nèi),則計算第二圖層該中轉(zhuǎn)點的負載數(shù)。第四,假設(shè)該兩點位合成后,計算合成點位的負載數(shù),以及整體負載指數(shù)。最后,若指數(shù)小于1,則保留低圖層點位,并將其升格為上一圖層點。若指數(shù)大于1,則舍去兩單中轉(zhuǎn)點,直接保留合成點,并保留與上一圖層中。
第六步,重復(fù)以上步驟,直至第一圖層所有中轉(zhuǎn)點經(jīng)過判別。融合進入第二圖層,形成新的第二圖層。重復(fù)迭代,直至所有圖層全部合成完畢,輸出最終點位。
昆明是云南省省會、滇中城市群中心城市,地處中國西南地區(qū)、云貴高原中部,南北國際大通道和以深圳為起點的第三座東西向亞歐大陸橋的交匯點,是中國面向東南亞、南亞開放的門戶城市。
其中五華區(qū)、盤龍區(qū)、官渡區(qū)、西山區(qū)和呈貢區(qū)是昆明市的五個主城區(qū),總區(qū)域面積 2 622 km2,占昆明市總面積12.21%;人口241萬,占昆明市總?cè)丝?4.46%。5個主城區(qū)人口密度919人每平方千米,是全市人口密度252每平方千米的3.6倍。包含78個鄉(xiāng)鎮(zhèn)街道,分布于環(huán)滇池和群山山脈之間,人口聚集,城市發(fā)展受地形影響較大,如圖2、圖3所示。
圖2 昆明市主城區(qū)衛(wèi)星遙感圖
圖3 昆明市主城區(qū)行政街道區(qū)劃
依據(jù)Google Earth的歷史衛(wèi)星地圖,我們收集了自2005年以來,以每5年為間隔的衛(wèi)星圖像數(shù)據(jù),包括2005年、2010年、2015年和2020年衛(wèi)星遙感數(shù)據(jù)圖像。
通過對小區(qū)、景點、工廠、商鋪和平房等等房屋地標的識別,依據(jù)自然人口、用地和產(chǎn)業(yè),以及網(wǎng)絡(luò)抓取的POI數(shù)據(jù)方法,最后選取區(qū)域中心點作為計算中心。將聚集區(qū)域劃分為產(chǎn)生四種不同分類垃圾種類和數(shù)量的3類區(qū)域:居民區(qū)、商業(yè)區(qū)和工業(yè)區(qū)。這3種區(qū)域依據(jù)實際生產(chǎn)生活產(chǎn)生的對應(yīng)4種類別垃圾種類和數(shù)量都不相同,且具備非常明顯的特征,同時對于自2005年以來總?cè)丝谧兓?2005年508.47萬人,2010年643.92萬人,2015年667.7萬人,2019年695萬人)和生活垃圾清運量的變化(2005年93萬噸,2010年150.76萬噸,2015年181.04萬噸,2018年192.51萬噸)對不同位置點位平均的分別賦予相應(yīng)屬性值,如圖4、圖5所示。
圖4 三種區(qū)域歷史數(shù)量變化
圖5 2005年、2010年、2015年和2020年3種區(qū)域點分布
現(xiàn)在昆明市正在運行的3個填埋場和5個焚燒廠,分別為昆明市西郊垃圾焚燒發(fā)電廠,官渡區(qū)東郊垃圾焚燒廠,昆明西山區(qū)垃圾焚燒發(fā)電廠,昆明呈貢新區(qū)垃圾焚燒廠,昆明空港垃圾焚燒廠,尋甸縣垃圾填埋場,西郊垃圾填埋場和昆明市東郊垃圾衛(wèi)生填埋場。
通過對前4組間隔5年的數(shù)據(jù),首先利用數(shù)學(xué)擬合預(yù)測2025年3類不同區(qū)域的個數(shù)。其中的1-R2值在萬分之一以下??梢灶A(yù)測出到達2025年,居民區(qū)的點位將達到 1 936個,商業(yè)區(qū)點位219個,工業(yè)區(qū)點位316個,總點數(shù) 2 471個,如圖6所示。
圖6 2025預(yù)測與趨勢線
因此在對抗網(wǎng)絡(luò)中,我們預(yù)先設(shè)置總點數(shù) 2 600個,通過迭代預(yù)測選擇出符合各個不同區(qū)域點數(shù)量比的結(jié)果,得到最后的2025年3種區(qū)域點位的預(yù)測圖,并對符合的結(jié)果進行一定的刪選和范圍歸并,如圖7所示。
圖7 2025年預(yù)測的商業(yè)區(qū)、居住區(qū)、工業(yè)區(qū)三種區(qū)域點分布
多次迭代后,得到工業(yè)區(qū)374個點位,商業(yè)區(qū)224個點位,居民區(qū) 1 998個點位,共計 2 600個點位。剔除位于滇池、翠湖和盤龍江等湖泊江河上不適宜的點位,并對超過15年沒有改變的點位進行了范圍歸并。最后得到工業(yè)區(qū)點位368個,商業(yè)區(qū)點位218個,居民區(qū)點位 1 991個,可用比例分別為98.40%,97.32%,99.65%,總可用點數(shù)99.58%。與擬合估算點數(shù)量進行偏差計算,其中工業(yè)區(qū)點數(shù)偏差為16.46%,商業(yè)區(qū)點數(shù)偏差為2.28%,居民區(qū)點數(shù)偏差為2.84%,符合預(yù)測要求。
通過線性擬合預(yù)估到2025年昆明市生活垃圾清運量將達到273.66萬噸,其中廚余垃圾占56%,一般垃圾占17%,可回收垃圾占26%,有害垃圾占1%,分別為153.25萬噸,46.53萬噸,71.15萬噸,2.73萬噸。同時依據(jù)《城市垃圾轉(zhuǎn)運站設(shè)計規(guī)范》其中的關(guān)于垃圾中轉(zhuǎn)轉(zhuǎn)運站建設(shè)標準,將需要建成廚余垃圾中轉(zhuǎn)轉(zhuǎn)運站53座,一般垃圾中轉(zhuǎn)轉(zhuǎn)運站15座,可回收垃圾中轉(zhuǎn)轉(zhuǎn)運站21座。而有害垃圾因為總量較少,危害較大,建設(shè)成本較高,則根據(jù)其覆蓋范圍和涉及的區(qū)域數(shù)量進行分配,需要有害垃圾中轉(zhuǎn)轉(zhuǎn)運站25座,如圖8所示。
圖8 四類垃圾中轉(zhuǎn)站點規(guī)劃
通過負載指數(shù)和合并決策,將四類不同的垃圾中轉(zhuǎn)站進行合并。輸入數(shù)據(jù)包括3種區(qū)域點位坐標,每個點位依據(jù)區(qū)域情況產(chǎn)生的不同四類垃圾賦值。賦值依據(jù)《全國大、中城市固體廢物污染環(huán)境防治年報》,表示該地點四類垃圾存在情況。取0表示該地區(qū)該種垃圾不存在或者沒有設(shè)置收集裝置的必要,取1表示該區(qū)域需要最低的處理收集設(shè)施。k-聚類算法的k值合并閾值依據(jù)《城市垃圾轉(zhuǎn)運站設(shè)計規(guī)范》,多次迭代后設(shè)置為15,如圖9所示。
圖9 合成中轉(zhuǎn)點點位
其中橙色和紅色點位是廚余垃圾和有害垃圾的單項中轉(zhuǎn)點,主要原因在于兩者的數(shù)量和種類的特殊性,廚余垃圾單項中轉(zhuǎn)站12個,有害垃圾單項中轉(zhuǎn)站4個。而粉色點位則是一般垃圾、可回收垃圾和廚余垃圾的合成中轉(zhuǎn)點,3類合成點21個。藍色是4類垃圾的總合成中轉(zhuǎn)站點16個,總共計53個中轉(zhuǎn)站設(shè)置點位。
在多類中轉(zhuǎn)點的合并過程中,我們設(shè)置了4類不同種類垃圾的中轉(zhuǎn)站建設(shè)權(quán)重,從區(qū)域到中轉(zhuǎn)點和中轉(zhuǎn)點到終點處理點的a和b兩種不同階段運輸權(quán)重,以及合并閾值和中轉(zhuǎn)站覆蓋范圍。
參數(shù)設(shè)置同樣依據(jù)上節(jié)提到的規(guī)范性文件。對運輸種類權(quán)重、建設(shè)權(quán)重和種類權(quán)重分別賦值。對一般垃圾、可回收垃圾、易腐垃圾和有害垃圾4類垃圾的處理設(shè)施建設(shè)成本權(quán)重進行歸類計算,分別賦值2、3、5和10。兩種不同的運輸權(quán)重分別賦值6和3。
通過對參數(shù)的設(shè)置和計算單項中轉(zhuǎn)點和綜合中轉(zhuǎn)點兩者的負載數(shù),并計算之間的負載指數(shù),進行取舍,最終獲得相對最優(yōu)的規(guī)劃設(shè)置點位。在114次判定過程中,有98次負載指數(shù)小于1,因此相對舍去負載數(shù)較高的一方,保留負載數(shù)低的另一方。給予決策方案提供有效的直觀的判斷依據(jù)。
城市分類垃圾不同處理過程的研究在現(xiàn)在和未來都具有重要意義。但是限于受到時空依賴性和外部條件等多種復(fù)雜因素的影響,研究分類垃圾處理過程具有很大的挑戰(zhàn)性。
在第一階段,利用機器學(xué)習(xí)的Gan算法進行黑箱預(yù)測,盡可能地綜合考慮和擯除繁雜的影響因素,進行時間序列下的城市區(qū)域變化預(yù)測。第二階段,運用k-聚類算法,我們在上一階段的基礎(chǔ)上分化城市區(qū)域,將城市區(qū)域所導(dǎo)致的4類垃圾不同產(chǎn)量特征分化,并且計算出4類垃圾的不同中轉(zhuǎn)站建設(shè)優(yōu)化方案。而在第三階段,我們運用負載指數(shù)計算的方法進行舍去和合并。充分考慮到實際情況中,區(qū)域到中轉(zhuǎn)點、中轉(zhuǎn)點到最終點的運輸權(quán)重,擁有不同處理能力的中轉(zhuǎn)站建設(shè)成本,進行了分層次的整合。最終得到全市的相對最優(yōu)的不同層次不同類型的中轉(zhuǎn)站設(shè)置方案。模型的驗證部分里,在昆明市5個核心市區(qū)區(qū)域里,進行了假設(shè)和驗證,包括了近昆明市總?cè)丝诘囊话?,得出?3個不同類型的中轉(zhuǎn)站。
最后實驗證明運用機器學(xué)習(xí)的生成對抗網(wǎng)絡(luò)算法和啟發(fā)式算法,有效規(guī)避了人工選擇的主觀問題和巨大工作量。當收集點數(shù)量巨大時,依舊可以保證全覆蓋和精確度。這使得我們的規(guī)劃成本大幅度下降。同時利用不同機器學(xué)習(xí)算法問題的不同層次里分割解決,有效提高了預(yù)測和規(guī)劃有效性和減少時間成本。
除了城市分類垃圾中轉(zhuǎn)點選擇外,此模型還適用于其他市政需要考慮多層次覆蓋情況的問題,因此在市政規(guī)劃、站點選擇等方面城市非城市問題提供寶貴的見解?;谠摲椒?,還可以在一些具有流動屬性的場景里,分析聚合情況和影響范圍的事件。
雖然有希望,但是也注意到在研究過程中的幾個局限性和方向。一方面,沒有考慮到收集點和中轉(zhuǎn)點的承載能力,導(dǎo)致在更加具體分析層次上有一定缺陷。具體來說,在不同區(qū)域、不同承載點上的權(quán)重也會影響到選點和覆蓋范圍。另一方面,不得不承認,在時間跨度上分析時,我們選取了固定的時間段,并且平均了垃圾量的權(quán)重,并未考慮到在不同時期垃圾產(chǎn)生量、儲量等區(qū)別。
然后,受限與外部條件和現(xiàn)階段國內(nèi)相關(guān)數(shù)據(jù)匱乏,所以在城市規(guī)劃、道路和土地類型方面并未增加考慮。但我們依然認為在數(shù)據(jù)完善的情況下,此模型具有良好的擴展性和衍生性。可以對不斷變化的數(shù)據(jù)流進行變化性的模擬和分析。在未來,加入更多現(xiàn)實參數(shù)分析,以及在車輛的路線選擇都是我們工作的主要方向。