基于BP神经网络的天津市生活垃圾产生量预测分析

章清悦，张启军

（1.河海大学公共管理学院，江苏南京211100；2.安徽师范大学数学与计算机科学学院，安徽芜湖241000）

基于BP神经网络的天津市生活垃圾产生量预测分析

章清悦1，张启军2

（1.河海大学公共管理学院，江苏南京211100；2.安徽师范大学数学与计算机科学学院，安徽芜湖241000）

利用BP神经网络，对2006—2014年天津市生活垃圾产生量进行分析。将代表社会经济发展程度、人口、居民生活水平和习惯3个层面的8项指标作为生活垃圾产生量预测模型的输入层元素，得到拟合程度较好的预测模型，从而预测出2015—2017年生活垃圾产生量将分别达到2.234 6×106、2.386 4×106、2.498 2×106t，年增长率分别为4.29%、6.79%、4.68%。

生活垃圾；BP神经网络；天津市；预测

国内学者对生活垃圾产生量的预测已经做了大量的研究，如周燕芳、江源等对全国生活垃圾产生的状况利用多元线性方程进行的预测［1］，王文梅、刘丹在此基础上改进了多元线性回归的预测方法［2］，徐礼来以厦门市为例采用了路径分析的方法对生活垃圾产生量的影响因素进行分析［3］，王东明、吕洪涛等利用灰色关联度模型进行了解读［4］，马慧明、张政利用神经网络以上海市生活垃圾产生量为例展开了预测［5］，整体而言，现有文献中关于城市生活垃圾预测问题所使用的主要方法有多元线性回归、路径分析、灰色关联度和神经网络预测法，以及一些组合预测方法。BP神经网络预测法能够准确地处理模糊的非线性关系数据。城市生活垃圾产生量影响因素复杂，使用该方法能够利用其预测精度高、参数自动修正等优点，从而达到很好的预测效果。在对天津市2006—2014年生活垃圾产生量及影响因素进行相关性分析后，筛选出相关度最高的因素，以此建立BP神经网络模型，预测生活垃圾产生量，从而为天津市生活垃圾总量控制和环卫工程规划提供决策基础。

1 天津市生活垃圾产生量概况

根据CJ/T 106—2016生活垃圾产生量计算及预测方法［6］，选取天津市2006—2014年共9 a的基础数据作为分析基础。表1为2006—2014年天津市生活垃圾清运量和同比增长率。

表12006 —2014年天津市生活垃圾清运量与年增长率

2006—2014年天津市生活垃圾清运量整体呈增长趋势，其中仅2010年和2012年有小幅下降，计算得出2006—2014年天津市生活垃圾实际清运量的平均年增长率为4.62%。

2 生活垃圾产生量影响因素分析

影响生活垃圾产生的主要因素可以分为人口、社会经济发展程度、居民生活水平和习惯3个层面［7］，结合现有的对生活垃圾预测的相关研究，选定年末常住人口作为衡量人口的因素，人均地区生产总值、地区生产总值、建成区面积、城市绿地面积作为衡量社会经济发展程度的因素［8］，选定道路清洁保洁面积、人均水资源量、居民消费水平、社会消费品零售总额作为衡量居民生活水平和习惯的因素。

在汇集2006—2014年各影响因素具体数值之后，利用SPSS软件进行皮尔逊相关性分析，得到天津市垃圾实际清运量和各影响因素之间的相关系数，如表2所示。由表2可见，这3个层次的影响因素均对垃圾产生量具有非常显著的影响，选择相关系数最大的人均地区生产总值、地区生产总值、建成区面积、城市绿地面积和年末常住人口以及道路清扫保洁面积、居民消费水平、社会消费品零售总额8项指标作为天津市生活垃圾产生量预测模型的输入层自变量，分别代表社会经济发展程度、人口、居民生活水平和习惯3个层面。

表22006 —2014年天津市生活垃圾清运量与各影响因素间的皮尔逊相关系数

3 BP神经网络模型在天津市生活垃圾产生量预测中的应用

3.1 模型拟合

建立BP神经网络模型对天津市生活垃圾清运量进行分析，该模型具有3层结构：输入层、隐藏层和输出层。输入层选定自变量为上述依据皮尔逊相关指数所选出的代表人口、社会经济发展程度、居民生活水平和习惯3个层面的8个具体元素，隐藏层具有一个神经元节点，输出层输出数值为每年的垃圾清运量。神经网络的神经结构如图1。

图1 神经元节点示意

设定神经网络模型的最大训练次数为1 000，训练的收敛均方误差为10-4。输出层具有一个神经元结构，输出的是每年天津市生活垃圾清运量的预测值。此时，可以对已有的样本数据进行迭代训练，得到收敛的BP神经网络结构，该网络在第16次迭代实现收敛，训练结果见图2。

图2 误差曲线

图2为BP神经网络迭代图像，横坐标为网络迭代次数，纵坐标为平均标准误差，从图2中可以看出，在第16次迭代，误差达到了收敛精度10-4，可以很好地模拟天津市生活垃圾产生量。

3.2 生活垃圾产生量误差及预测

通过实际垃圾清运量及预测值的对比，给出二者之间的绝对误差和相对误差。对输入层的8个自变量进行非线性回归，得到预测年份自变量的各基本数据结果，并对这些结果进行网络拟合，预测出未来年份的垃圾产生量，在此显示2015—2017年的预测数值，结果见表3。在该模型下，预测值和实际值一样呈现出整体增长的形势，相对误差最大为3.81%，最小为0，平均误差为-0.13%，模型拟合程度较好。将根据非线性回归得到的自变量数值代入模型，预测出2015—2017天津市垃圾产生量，年增长率分别为4.29%、6.79%和4.68%。

表32006 —2017年天津市垃圾产生量预测结果

4 结束语

从人口、社会经济发展程度、居民生活水平和习惯3个层面的影响因素出发，利用BP神经网络模型拟合天津市生活垃圾产生量，并进行了预测，预测精度高、效果好。该预测结果对天津市进行生活垃圾收运和管理工作有一定的指导意义。

［1］周燕芳，江源，康慕谊，等.中国城市生活垃圾产生状况预测［J］.科技进步与对策，2003，18（24）：33-36.

［2］王文梅，刘丹.一种城市生活垃圾产量预测的改进方法［J］.四川环境，2005（1）：106-108，114.

［3］徐礼来，闫祯，崔胜辉.城市生活垃圾产量影响因素的路径分析：以厦门市为例［J］.环境科学学报，2013（4）：1180-1185.

［4］王东明，吕洪涛.基于灰色预测模型的辽宁省城市生活垃圾产生量预测［J］.环境保护与循环经济，2013（4）：30-31，44.

［5］马慧民，张政.基于BP神经网络的城市生活垃圾产生量预测研究：以上海市为例［J］.环境科学与管理，2015（2）：56-59，73.

［6］生活垃圾产生量计算及预测方法：CJ/T 106—2016［S］.北京：中国标准出版社，2016.

［7］曲英.城市居民生活垃圾源头分类行为的影响因素研究［J］.数理统计与管理，2011（1）：42-51.

［8］孙昊欣，李明章.无锡市生活垃圾产生量预测与管理探讨［J］.环境卫生工程，2016（1）：49-51.

◇征稿简则◇

一、栏目与读者对象：本刊注重创新性、科学性、实践性和规范性。栏目主要有:本刊特稿、标准规范、固废处理、检测与评价、工程应用、经验交流、设计与探讨、创新与应用、新工艺新技术、企业风采等。读者对象为：本行业机关、管理、设计、科研、教学、施工、生产、分析、检测人员和大中专院校师生等。

二、来稿要求与注意事项：（1）文稿务求论点明确，论据可靠，数据准确，文字精炼。一般稿件不超过4 000字。文稿请附英文标题，3～8个中、英文关键词，中、英文摘要（150～200字），全部作者的单位、邮政编码、所在城市及第一作者简介（出生年、职称、主要从事的工作或专业研究方向等）。（2）文稿须使用规范汉字，并务请按现行国家标准、行业标准以及本刊要求的格式撰写。（3）文后参考文献采用顺序编码制著录。（4）来稿若获得某种研究基金资助，请在文章首页地脚处标志出项目名称及编号，并附其有关证明材料。（5）请勿一稿多投。60天内未收到文稿录用通知，作者可自行处理。

三、著作权约定：文稿的著作权属于作者。文责由作者自负。编辑有权对文稿做修改或是内容删减。凡被本刊录用并发表的稿件将同时通过网络平台进行网络出版或提供服务，编辑部将按照国家相关规定一次性支付作者权使用报酬（即包括印刷版、光盘版和网络版等使用方式的报酬）。

四、联络方式：本刊只接受电子文件投稿。自2016年9月1日起，《环境卫生工程》投稿邮箱：hjwsgc@163.com用于投稿后的联络等事宜，新投稿的作者请登录环境卫生工程主页www.srhj.org.cn通过采编平台进行投稿。文稿上务必附注第一作者或通讯作者的详细地址、邮政编码、联系电话及E-mail。

Prediction Analysis of Domestic Waste Production in Tianjin Based on BP Neural Network

Zhang Qingyue1，Zhang Qijun2
（1.College of Public Administration，Hohai University，NanjingJiangsu211100；2.School of Mathematics and Computer Science，Anhui Normal University，WuhuAnhui241000）

The production of domestic waste in Tianjin city from 2006 to 2014 was analyzed by BP neural network. We chosen eight specific indicators representing three aspects of social and economic development degree，population，residents'living standard and habits as input layer elements of domestic waste production prediction model with good fitting degree. The model predicted in 2015-2015，domestic waste production will reach 2.234 6，2.3864 and 2.498 2 million tons，and annual growth will be 4.29%，6.79%，4.68%.

domestic waste；BP neural network；Tianjin；prediction

X705；X799.3

A

1005-8206（2017）02-0015-03

章清悦（1992—），硕士，主要从事环境社会学研究。

E-mail：silver2332@163.com。

2016-11-06