城市生活垃圾产量预测模型研究进展

黎彦良，吕鹏召，赵天瑞，张 军，左 薇

(城市水资源与水环境国家重点实验室，哈尔滨工业大学环境学院，哈尔滨 150001)

1 无废城市建设的背景

随着大众消费社会的形成，大量生产、消费及废弃所产生的生活垃圾急剧增加.尤其以农村生活垃圾为代表，由于缺乏管理和治理，使得不少村落出现垃圾围村、垃圾堵村等现象，严重污染土地、地下水和地表水，对环境和人类的健康带来了极大威胁[1].

随着我国城市化进程的推进，城市生活垃圾的产生呈现快速增长态势，城市生活垃圾处理成为我国绝大部分城市面临的一个难题.为贯彻落实《国务院办公厅关于印发“无废城市”建设试点工作方案的通知》(国办发〔2018〕128号)要求，筛选确定了深圳、重庆、盘锦等11个城市作为“无废城市”建设试点.同时将河北雄安新区等五个区作为特例，参照“无废城市”建设试点一并推动.

无废城市理念，即系统性地设计生活垃圾管理模式，提倡物料的循环流动，以实现固体废物的减量化与无害化，不产生对环境有负面影响的积存废物的新型城市建设发展理念[2].扎曼认为[3]，无废城市的管理需要形成可持续发展的环状结构，协调环境中管理政策、环卫技术、经济现状、社会需求的平衡.为满足无废城市建设需求，进行生活垃圾产量的预测，尤为重要.生活垃圾产量的精准预测，可以提升生活垃圾的时间管理精度，细化空间管理尺度，为垃圾运输、处理、利用，提供辅助决策支持，促进垃圾的减量化能效.因此，通过对近年间的生活垃圾产量预测研究进行综述分析，探讨无废城市场景下生活垃圾预测管理的未来发展方向.

2 多元线性回归模型

在回归分析中，如果有两个或两个以上的自变量，就称为多元回归.通过模型可以得到不同影响因素自变量与作为因变量的垃圾产量之间的关系，在垃圾产量预测过程中应用广泛.

早在2006年，王彬，李川等人[4]即提出了可应用于城市垃圾预测的多元线性回归预测模型.通过分析上海1995～2004十年间的生活垃圾产生总量，比对了其与指数法模型、GM(1,1)模型、GM(1,1)SSODMM等模型的预测结果，论证了多元线性回归算法的精确性；曾藏等[5]通过垃圾转运量模拟垃圾产生量，综合分析了城市人口数量、建成区面积和地区生产总值(GDP)等直接因素和推行垃圾分类收集、源头回收和回收利用等间接因素对生活垃圾产生量的影响，并依据2003～2016年垃圾清运量数据预测了2017～2021年安徽省生活垃圾产量，并验证了该方法的普适性；郭华等[6]综合考虑了政策法规、居民的垃圾丢放习惯等多种社会因素和内在因素，建立了多元线性回归理论模型，依据2006～2015年垃圾清运量对我国生活垃圾产量进行预测，结果表明2020年和2025年我国生活垃圾产量分别达到21 305.7和26 683.2万t.王琛等[3]利用线性回归模型预测了中国除港、澳、台和西藏地区外的30个省份2020年的垃圾产量.根据经济和消费指标将中国30个省份聚类分析分为三组，针对不同省份分组建立对应的垃圾产生影响因素模型，探究了地区异质性与不同影响因素和相同影响因素产生的不同效应的关系，并依据2007～2017年的垃圾清运量数据预测了2018～2020年生活垃圾产量.

国外针对生活垃圾产量的预测，使用线性回归的研究也较为丰富.Cristina Ghinea等[7]应用Minitab，以居民数量、年龄分布、城市预期寿命、城市固体废物总量等指标作为预测模型的输入变量，以预测固体废物组分的数量，运用废物预测工具、回归分析和时间序列分析，结合罗马尼亚案例研究，预测了城市固体废物的产生和组成，确定了六种固体废物组分(纸张、塑料、金属、玻璃、可生物降解废物和其他废物)的回归方程.结果表明，S曲线趋势模型最适合于城市固体废物(MSW)的预测；J·A·Araiza-Aguilar等[8]采用多元线性回归方法得到具有社会和人口解释变量的预测模型以确定墨西哥恰帕斯州CCS市的城市生活垃圾产生量.在线性回归的基础上，也可以使用其他优化算法，增进产量预测模型的精度.Zeynep Ceylan[9]采用贝叶斯优化的线性回归模型对土耳其城市生活垃圾产生量进行预测.

上述研究主要基于线性回归方法，并没有定量化分析不同影响因素对垃圾产量的主要影响特征，以及重要性的排序，仍有进一步提升模型效能和应用价值的空间.

3 灰色预测模型

灰色预测模型是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法.灰色系统理论是研究解决灰色系统分析、建模、预测、决策和控制的理论.灰色预测模型所需建模信息少，运算方便，建模精度高，在各种预测领域都有着广泛的应用，是处理小样本问题的有效工具.

李宏等[10]通过调研成都市生活垃圾的产量及现状，对不同采样点的垃圾组分及其关键性质进行特性分析，并利用GM模型依据2001～2013年成都市垃圾产量预测了2014～2023年的生活垃圾产量.经过检验，所建立的理论模型能够比较真实的反应城市生活垃圾产量在未来的变化趋势；Zhenying Zhang等[11]采用岭回归模型和灰色系统理论建立了一个考虑影响因素和混合过程的模型，以实现对杭州城市生活垃圾产生量的准确预测；孙李红等[12]利用GM模型对影响哈尔滨市生活垃圾产量的8个因素进行分析，从中选出5个与垃圾产量关联度较高的影响因素作为指标，利用GM模型所得出的5个指标进行多元线性回归方程模拟预测未来5年的垃圾产量，同时也用时间序列分析中的三次指数平滑法进行垃圾产量预测，结果表明得出的组合预测模型更有可靠性，克服了单项预测模型的局限性.

灰色预测模型并不考虑系统内在机理，其可靠性及预测精度过渡依赖于原始数据集合的光滑性，仅仅针对数据情况开展特征重要性的解析研究，有时会出现较大的错误.在无废城市的建设场景下，伴随固废管理智能化的加强建设与数据体量的增加，对数据噪声的规避能力有限.

4 人工智能预测模型

人工智能模型的训练，不需要任何先验公式，就能从已有数据中自动地归纳规则，获得这些数据的内在规律，具有良好的自学习、自适应、联想记忆、并行处理和非线性形转换的能力，特别适合于因果关系复杂的非确定性推理、判断、识别和分类等问题.对于任意一组随机的、正态的数据，都可以用人工智能算法进行统计分析，做出拟合和预测.

吴晓红[13]以BP神经网络模型为主要架构，通过引入人口数量和人均可支配收入对垃圾产量的影响，利用灰色预测模型预测了2014～2023年杭州市生活垃圾产量.

邢布飞[14]分别用线性回归模型、灰色预测模型和BP神经网络模型依据2000～2012年北京城市生活垃圾产量对2013～2022年生活垃圾产量进行了预测.结果分析发现BP神经网络预测最准确，更适合预测北京市生活垃圾产量.

Leaksmy Chhay等[15]利用GM (1,1)、线性回归模型和人工神经网络模型对中国城市固体废弃物进行了预测.结果表明，城市人口增长是城市垃圾产生最具影响的社会经济因素，而GDP对垃圾产生的影响并不明显.而且发现人工神经网络模型被认为是预测中国固体废弃物产量最适合的模型.利用人工神经网络模型预测表明，到2030年中国的固体废弃物产量将达到24 666.65万t.

Maryam Abbasi等[16]采用4种不同的人工智能模型，即SVM模型、神经网络模型、自适应神经模糊推理系统模型和人工神经网络模型，来预测澳大利亚洛根市每月的生活垃圾产生量.结果表明，人工智能模型具有良好的预测性能，可以成功地应用于城市生活垃圾预测模型的建立.此外，还发现自适应神经模糊推理系统模型对峰值预测最准确，而神经网络模型成功预测了废物量的月平均值.

P·Jiang, X· Liu[17]采用隐马尔可夫模型(神经网络)预测城市生活垃圾和污水产生量.通过基于隐马尔可夫模型的加权平均高斯混合模型进行预测上海和北京的城市生活垃圾产生量，通过基于隐马尔可夫模型的最相似模式搜索(SMSP)进行预测西班牙曼雷萨污水处理厂的污水产生量.

Miyuru Kannangara等[18]采用决策树和神经网络两种机器学习算法建立模型，预测加拿大地区固体废物产生.结果表明，机器学习算法可以成功地生成具有良好预测性能的废物模型，而且神经网络模型具有良好的性能，描述了数据中72%的变化.本研究中提出的方法证明了创建有助于区域废物规划的工具的可行性.

Umang Soni等[19]通过人工神经网络(ANN)、自适应神经模糊推理系统(ANFS)、离散小波理论-人工神经网络(DWT-ANN)、离散小波理论-自适应神经模糊推理系统(DWT-ANFS)、遗传算法-人工神经网络(GA-ANN)和遗传算法-自适应神经模糊推理系统(GA-anfs)预测印度新德理市的垃圾产生量，并比较不同模型对垃圾产量预测的能力.按照模型的性能进行排序，发现遗传神经网络的模型是最准确的.

尽管人工智能方法进行垃圾产量的预测有良好的自适应自学习特征，可以较为客观的筛选出数据噪音等影响因素，但是不能合理的解析生活垃圾产生的空间特征，细化无废城市场景下生活垃圾的管理尺度，提升生活垃圾公共服务设施的空间布局合理性.而无废城市的建设对垃圾进行时空尺度的预测建模尤为关键.

5 生活垃圾空间产生模型

地理信息系统(Geographic Information System, GIS)以计算机科学为核心，集空间地理学、遥感测绘学、地图学等多门科学为一体，综合数字化与可视化技术，在各类领域的空间分析上，获得了显著的研究成果[20].在生活垃圾产生的空间预测上，也可以大放异彩，将有望成为无废城市建设的最有利保障.

Karadimas[21]等人早在2005年首先提出了基于GIS的生活垃圾产量管理方法，该方法囊括了所有固废相关参数，例如人口密度、商业交通、道路网络等，基于上述关系分析固体废物的产量变化，并用生活垃圾的空间产量变化预测情况，进一步优化城市布设垃圾桶的数量与位置选址情况；Kaifeng Wang等人[27]总结了中国各省市的时空格局变化状况，使用基于GIS的莫兰指数探索性数据分析方法以及空间经济学计量方法，分析了城市生活垃圾产生的空间溢出效应与产业结构、人均病床数和道路密度等主要驱动因素.并在海洋垃圾领域GIS在时空分析上取得了显著的研究成果；J·Mansui等人[22]分析了地中海盆地的季节性与空间性的碎屑分布规律，使用虚拟粒子跟踪方法，得到了微塑料垃圾在海床上的时空堆积分布模式，并配合问卷、遥感等多元数据，GIS分析进一步提升生活垃圾空间预测的效果.Shakeel Mahmood等[23]基于通过问卷调查、全球定位系统和直接废物采样和分析获得的原始数据，应用反距离加权(IDW)技术对城市生活垃圾产生的空间趋势进行地理可视化，实现对巴基斯坦南卡纳市城市固体废物产量的预测；K Kala等人[25]利用SPSS软件，通过建立对问卷得到的生活垃圾产量数据与社会统计因素进行多项逻辑(MNL)模型建模分析，得到了印度德里的南德里市政公司服务辖区内地区家庭月收入、家庭成员数量、职业、教育程度等因素是影响生活垃圾产量变化重要统计因素的结论，并将产量预测结果空间可视化；Jannik Vetter-Gindele等人[24]基于高分辨率(VHR)卫星图像，使用问卷调查结合遥感分析的方法，对越南岘港市建筑进行人工智能识别与分类，并对不同种类的建筑物赋予不同量级的垃圾产生特征，对生活垃圾的分布进行了以民居为单位的空间分布模拟.

基于GIS技术，不仅可以预测垃圾的时空产生状况，还可以用于分析并跟踪生活垃圾的空间流向状况.Nicholas E·Johnson等[26]使用梯度推进回归模型对纽约市垃圾产量进行时间和空间预测.预测了纽约市232个不同区域每周产生的城市固体废物吨数，并形成了这些区域包括垃圾、纸张和金属/铝/塑料三种主要垃圾的空间流向.

6 结 语

本文所列举的垃圾产量预测模型可简要分为四类：多元线性回归模型、灰色预测模型、人工智能算法模型、空间预测模型.多元回归模型相对简单，结合与因变量相关性较高的诸多因素对生活垃圾产量进行预测，但需要样本数量较大，且未综合分析影响因素间的相关性差异；灰色预测模型所需建模信息少，运算方便，建模精度高，在各种预测领域都有着广泛的应用，不需要较多样本，可用于处理小样本数据，但其不考虑系统内在机理，有时可能会出现分析误差；人工智能模型是通过信息样本对神经网络的训练，能从已有数据中自动地归纳规则，获得这些数据的内在规律，具有良好的自学习、自适应、联想记忆、并行处理和非线性形转换的能力，特别适合于因果关系复杂的非确定性推理、判断、识别和分类等问题，但需要较大样本，预测结果相对准确；空间预测模型，可以结合时间预测模型的算法，形成高精度预测结果，并将生活垃圾产量的时空分布关系，绘制于空间地图上，进行全局化管理，满足无废城市的建设需求.

适宜于无废城市场景的生活垃圾产量预测模型，应当具有高时效、高时空精度的特征，社会数据、遥感数据，多以年为单位进行统计发布，时效性较低，为满足无废城市的生活垃圾减量化、无害化、资源化需求，理应寻求更加高频高效的数据源，对生活垃圾产量变化状况展开合理的预测，并结合垃圾分类政策，通过不同领域的数据，开展对于不同生活垃圾的时空预测研究，为生活垃圾产量的管理提供精准的决策支持服务，合理配置城市垃圾运输与处理资源，提升无废城市的全局垃圾消纳效能.