摘要：為提高垃圾清運量預(yù)測結(jié)果的可靠性、規(guī)范校園垃圾管理，引進粒子群優(yōu)化—支持向量機（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）模型，開展自動清運量預(yù)測方法的設(shè)計研究。根據(jù)校園垃圾站的記錄內(nèi)容，采集每日垃圾清運量數(shù)據(jù)、垃圾類型分布數(shù)據(jù)，通過設(shè)定閾值，進行采樣數(shù)據(jù)的標準化處理；引進PSO-SVM，建立垃圾清運量與時間、季節(jié)、學(xué)生人數(shù)等因素之間的復(fù)雜關(guān)系模型；將提取的特征輸入到完成訓(xùn)練的模型中，得到預(yù)測的垃圾清運量，引進校正因子，進行預(yù)測值的校正。對比實驗結(jié)果表明：設(shè)計的方法可以在垃圾自動清運量預(yù)測準確率的基礎(chǔ)上，提高預(yù)測的效率。

關(guān)鍵詞：PSO-SVM模型 預(yù)測方法 校園垃圾" 垃圾清運量

Analysis of the Prediction Method for Campus Garbage Automatic Removal Volume Based on PSO-SVM

LIANG Yaodong

Guangxi Modern Polytechnic College， Hechi， Guangxi Zhuang Autonomous Region， 547099 China

Abstract： In order to improve the reliability of the prediction results of garbage removal volume and standardize campus garbage management， the Particle Swarm Optimization Support Vector Machine （PSO-SVM） model is introduced to carry out the design and research of automatic garbage removal volume prediction method. According to the records of campus garbage station， it collects the daily garbage removal volume data and garbage type distribution data， and standardizes the sampling data by setting thresholds; PSO-SVM was introduced to establish a complex relationship model between garbage removal volume and factors such as time， season， number of student. The extracted features were input into the trained model， the predicted garbage removal volume is obtained， and the correction factor is introduced to correct the predicted value. The comparative experimental results show that the designed method can improve the prediction efficiency on the basis of automatic garbage removal volume prediction accuracy.

Key Words： PSO-SVM model; Prediction method; Campus garbage; Garbage removal volume

環(huán)保意識的提升使校園垃圾管理備受關(guān)注。有效的垃圾清運管理不僅能夠提升校園環(huán)境，還能夠減少資源浪費和環(huán)境污染。然而，現(xiàn)有的垃圾清運方式往往依賴人工判斷和定期清理，效率低下且難以準確預(yù)測垃圾量的變化，導(dǎo)致清運不及時或資源浪費。

燕飛等人[1]等利用多種灰色模型（Grey Model，GM）[wl2] 對廣州市2015—2019年的城市固體廢棄物進行模擬，發(fā)現(xiàn)代謝GM（1，1）模型預(yù)測能力較強。但此種方法對數(shù)據(jù)要求較高，如果數(shù)據(jù)中有缺漏或不正常，則會對預(yù)測的精度產(chǎn)生不利影響。王陳建等人[2]利用福建省2010—2019年的固體廢棄物清運量數(shù)據(jù)，建立GM（1，1）預(yù)報模型，可以在中、短期內(nèi)對城市固體廢棄物清運量進行預(yù)報，但在長期預(yù)報中會出現(xiàn)很大的誤差。

為規(guī)范校園環(huán)境管理，實現(xiàn)對校園垃圾清運的全自動化與智能化，本文引進粒子群優(yōu)化—支持向量機（Particle Swarm Optimization-Support Vector Machine，PSO-SVM）[wl3] [wl4] 模型，開展自動清運量預(yù)測方法的設(shè)計研究，為校園的垃圾清運等相關(guān)作業(yè)提供技術(shù)支持與指導(dǎo)。

1歷史數(shù)據(jù)采集與標準化處理[wl5]

為實現(xiàn)對垃圾自動清運量的預(yù)測，需要采集校園垃圾站的每日清運量數(shù)據(jù)、垃圾類型分布數(shù)據(jù)作為預(yù)測模型的主要輸入變量，以反映垃圾產(chǎn)生的日常波動情況[3]。數(shù)據(jù)采集過程如下所示。

式（1）中：表示每日清運量數(shù)據(jù)采集；表示第個垃圾收集點日清運量；表示垃圾收集點的總數(shù)。

垃圾類型分布數(shù)據(jù)用于區(qū)分不同種類的垃圾，并記錄每種垃圾的比例或數(shù)量[4]。垃圾類型比例計算公式如下。

式（2）中：表示垃圾類型比例；表示額定清運量；表示第種類型垃圾；表示當(dāng)日的清運總量。

考慮到原始數(shù)據(jù)存在量綱不一致等問題，通過設(shè)定閾值或基于統(tǒng)計方法進行數(shù)據(jù)的識別和處理[5]，如下計算公式所示。

式（3）中：表示標準化處理后的清運量數(shù)據(jù)；表示均值；表示標準差。將整理輸出的數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)，實現(xiàn)校園垃圾自動清運量的歷史數(shù)據(jù)采集與標準化處理。

2基于PSO-SVM的垃圾清運量關(guān)系模型構(gòu)建

在上述基礎(chǔ)上，引入PSO-SVM，建立垃圾清運量與時間、季節(jié)、學(xué)生人數(shù)等因素的復(fù)雜關(guān)系模型。采用SVM預(yù)測，結(jié)合PSO，對模型的參數(shù)進行優(yōu)化[6]。收集垃圾清運量、時間、學(xué)生人數(shù)等數(shù)據(jù)，轉(zhuǎn)換特征星期幾和季節(jié)編碼，時間信息為時間序列特征。使用PSO優(yōu)化核函數(shù)參數(shù)，通過模擬鳥群覓食搜索最優(yōu)解。在PSO算法中，根據(jù)自身的經(jīng)驗和同伴的經(jīng)驗，每個粒子更新其速度、位置。更新過程如下所示。

式（4）中：、表示當(dāng)前時刻點與下一時刻點的粒子變化速度；表示粒子權(quán)重；表示學(xué)習(xí)率；表示損失率；表示時刻點；、表示當(dāng)前時刻點與上一時刻點的粒子位置；表示位置更新量。

輸出最優(yōu)位置，建立在此位置中不同參數(shù)之間的關(guān)系，定義一個超平面，區(qū)分在此平面中不同樣本數(shù)據(jù)的類別，建立垃圾清運量關(guān)系模型如下。

式（5）中：表示垃圾清運量關(guān)系模型；表示線性函數(shù)；表示超平面；表示核函數(shù)。

通過上述步驟，完成基于PSO-SVM的垃圾清運量關(guān)系模型構(gòu)建。

3自動清運量預(yù)測與校正

完成上述設(shè)計后，利用該模型進行自動清運量的預(yù)測，并且設(shè)計自適應(yīng)偏差校正機制，以提高預(yù)測的準確性。將提取的特征輸入到完成訓(xùn)練的PSO-SVM模型中，得到預(yù)測的垃圾清運量，引進自適應(yīng)偏差校正機制，動態(tài)調(diào)整預(yù)測值。調(diào)整過程中，記錄模型在過去一段時間內(nèi)的預(yù)測誤差，即實際清運量與預(yù)測清運量之差。根據(jù)歷史預(yù)測誤差，計算校正因子，公式如下。

式（6）中：表示校正因子；表示歷史誤差；表示輸入特征向量；表示歷史記錄的數(shù)量均值；表示歷史記錄次數(shù)。利用計算得到的校正因子，對上述公式預(yù)測的數(shù)值進行校正。

4對比實驗

4.1實驗準備

本次實驗選擇了某城市中心的綜合性高校作為研究試點。該高校在校生約25 000人，教職工3 000余人，據(jù)統(tǒng)計，人均生活垃圾產(chǎn)生量約為1.2 kg/（人·d），因此，整個校園每日產(chǎn)生的垃圾總量可達30 t左右。對校園垃圾產(chǎn)生的類別、產(chǎn)出量等進行分析，如表1所示。

4.2實驗步驟

收集校園內(nèi)各個垃圾收集點的歷史清運量數(shù)據(jù)，包括每日、每周、每月的清運量，將其作為實驗中的樣本數(shù)據(jù)。對部分數(shù)據(jù)進行匯總，如表2所示。

記錄與垃圾產(chǎn)生量可能相關(guān)的因素，如學(xué)生人數(shù)、活動安排、季節(jié)變化等。在應(yīng)用本文方法時，設(shè)定PSO-SVM模型的參數(shù)，包括粒子數(shù)量、懲罰參數(shù)和核函數(shù)參數(shù)等，按照設(shè)計的步驟，進行垃圾自動清運量的預(yù)測。

預(yù)測過程中，引進燕飛等人[1]、[wl6] 王陳建等人[2]提出的基于GM預(yù)測方法、基于GM（1，1）模型的預(yù)測方法作為對照，對比3種方法在進行垃圾自動清運量預(yù)測中的應(yīng)用效果。

4.3實驗結(jié)果與分析

將垃圾自動清運量預(yù)測結(jié)果偏差作為檢驗設(shè)計方法的關(guān)鍵指標，該指標通過計算預(yù)測值與實際值之間的絕對誤差或相對誤差得出。理想的預(yù)測方法應(yīng)具備較小的預(yù)測結(jié)果偏差，即模型的預(yù)測值能夠緊密貼合實際數(shù)據(jù)，從而提供更加可靠的預(yù)測結(jié)果。實驗結(jié)果如圖1所示。

從圖1可以看出，本文方法連續(xù)5個月預(yù)測結(jié)果偏差小于1 t，燕飛等人[1]、王陳建等人[2][wl7] 方法的連續(xù)5個月預(yù)測結(jié)果偏差在1～7 t、2～8 t范圍內(nèi)。由此可以證明，本文設(shè)計的方法在垃圾自動清運量預(yù)測方面的應(yīng)用效果較好，即預(yù)測結(jié)果的偏差最小。

在此基礎(chǔ)上，對三3方法的預(yù)測過程進行分析，進行對應(yīng)方法預(yù)測達到最優(yōu)值的迭代次數(shù)統(tǒng)計。較少的預(yù)測迭代次數(shù)表示對應(yīng)方法能夠更快地收斂到最優(yōu)解，從而節(jié)省計算資源并提高預(yù)測效率。實驗結(jié)果如圖2所示。

訓(xùn)練過程中，適應(yīng)度值達到1.0，對應(yīng)方法即可輸出最優(yōu)預(yù)測結(jié)果。

從圖2所示的實驗結(jié)果可以看出，本文方法達到1.0×103次循環(huán)訓(xùn)練迭代，即可輸出最優(yōu)預(yù)測結(jié)果；燕飛等人[1]、王陳建等人[2][wl8] 方法分別需要達到4.0×103、8.0×103次循環(huán)訓(xùn)練迭代，才能輸出最優(yōu)預(yù)測結(jié)果。在考慮多種影響因素的條件下，可以證明，本文設(shè)計的方法在垃圾自動清運量預(yù)測時的效率最高，并且預(yù)測結(jié)果更為精準。

5結(jié)語

為了解決垃圾清運相關(guān)問題，本文探索基于PSO-SVM的垃圾清運量預(yù)測方法。在校園垃圾自動清運量預(yù)測中，PSO-SVM模型充分利用歷史垃圾清運數(shù)據(jù)，通過訓(xùn)練和學(xué)習(xí)，建立垃圾量與時間、季節(jié)、學(xué)生人數(shù)等因素之間的復(fù)雜關(guān)系模型。利用該模型，對未來一段時間內(nèi)的垃圾量進行預(yù)測，為垃圾清運工作提供科學(xué)依據(jù)。此外，PSO-SVM模型還根據(jù)校園垃圾量的實際情況進行動態(tài)調(diào)整和優(yōu)化。通過不斷更新訓(xùn)練集和測試集，模型逐漸適應(yīng)垃圾量的變化，提高預(yù)測的準確性和穩(wěn)定性。因此，本文通過自動清運量歷史數(shù)據(jù)采集與標準化處理、垃圾清運量關(guān)系模型構(gòu)建、自動清運量預(yù)測與自適應(yīng)偏差校正，進行垃圾清運量預(yù)測，提高垃圾清運的效率和質(zhì)量，為校園環(huán)保工作提供有力的支持。

參考文獻

[1] 燕飛， 李光輝. 基于灰色預(yù)測模型的廣州市城鎮(zhèn)生活垃圾清運量預(yù)測[J]. 數(shù)學(xué)的實踐與認識， 2023，53（1）： 283-288.

[2] 王陳建， 方金城， 張曉婷. 基于GM（1，1）模型的福建省城市生活垃圾清運量預(yù)測[J]. 福建冶金， 2023， 52（4）： 63-66.

[3] 盧自勇， 張慧， 郭苛， 等. 雙碳背景下貴陽市城市生活垃圾產(chǎn)生量預(yù)測及其碳減排潛力分析[J]. 廣東化工， 2023， 50 （11）： 132-135.

[4] 都曉藝. 基于GM（1，Nr）模型的上海生活垃圾可回收量預(yù)測研究[J]. 經(jīng)濟研究導(dǎo)刊， 2023（9）： 49-53.

[5] 劉菊芳， 劉玉芳. 基于神經(jīng)網(wǎng)絡(luò)的城市生活垃圾產(chǎn)生量預(yù)測——以新疆為例[J]. 新疆開放大學(xué)學(xué)報， 2022，26（2）： 62-67.

[6] 李惠， 曾波， 周文浩. 基于灰色參數(shù)組合優(yōu)化新模型的生活垃圾清運量預(yù)測研究[J]. 中國管理科學(xué)， 2022， 30 （4）： 96-107.