【技术实现步骤摘要】
本专利技术属于垃圾管理的，具体涉及一种城市生活垃圾组成成分预测方法及系统。
技术介绍
1、生活垃圾组成成分(msw)是进行生活垃圾管理的最重要参数，在2020年，我国生活垃圾清运量已经达到2.35×108吨，垃圾处理过程中造成的温室气体排放已经成为了人类温室气体的主要来源之一。
2、现代生活垃圾处理主要有3种方式：填埋、焚烧、堆肥。其中，填埋和焚烧两种方式处理了中国大部分生活垃圾。近年来，中国的生活垃圾焚烧厂的数量逐年攀升，生活垃圾焚烧厂的数量已经从2004年的54个上升为2020年的463个，平均增长率为14％，垃圾焚烧过程中排放的温室气体不容忽视，垃圾组成成分预测成为了垃圾管理的重要辅助手段。
3、垃圾焚烧过程中排放的温室气体可以通过政府间气候变化专门委员会(ipcc)推荐的物料守恒法，基于msw进行计算。然而，由于缺乏足够的中国城市msw数据，现有研究大多采用区域平均值的方法，来计算中国垃圾焚烧行业的温室气体排放，由于中国不同城市的气候条件、经济发展状况、地理位置不同，msw很可能不完全相同，因此基于区域平均值方法计算的温室气体排放可能存在错误，因此，需要发展可获得不同城市msw数据的方法。
4、采样调查和模型方法都可以用来获取不同城市的msw，例如，我国的一些城市(如北京、上海、广州)定期(每月、季、年)会开展msw的采样调查，然而，这种方法不但耗时费力，并且之前已经缺少的msw数据无法被填补(例如当年没有采样调查的城市msw数据无法再获取)。
5、模型方法是快速获取城市m
6、另一方面，在现有技术中，文献environ.sci.technol.2020,54,9609-9617记载了使用人工神经网络算法，以社会经济因素作为特征的中国地级市的msw组成成分预测模型。但是，中国地域广阔，不同区域城市的气候条件不同，例如，降水、温度、蒸发量也会影响msw的组成成分，该文献只考虑了地级市的msw组成成分，中国县级市的msw并未考虑，缺乏全面考虑气候、地域差异的msw组成。
技术实现思路
1、为了克服现有技术存在的缺陷与不足，本专利技术的第一目的在于提供一种城市生活垃圾组成成分预测方法，第二目的在于提供一种城市生活垃圾组成成分预测系统，实现对城市生活垃圾成分的高效、快速预测。
2、为了达到上述目的，本专利技术采用以下技术方案。
3、一种城市生活垃圾组成成分预测方法，包括步骤如下：
4、从公开和/或非公开的数据来源中，采集相应城市的在设定时间段内的垃圾组成成分历史数据、社会经济因素历史数据、自然因素历史数据；
5、将历史数据中的垃圾组成成分历史数据进行转换；
6、搭建随机森林算法预测模型，使用社会经济因素历史数据、自然因素历史数据、垃圾组成成分历史数据对随机森林算法预测模型进行训练；
7、将相应城市在所要预测的时期内的社会经济因素数据、自然因素数据，输入到完成训练的随机森林算法预测模型中，获取相应城市在所要预测的时期内的城市垃圾组成成分数据。
8、优选地，将垃圾的类型，设定分类为厨余、纸、塑料、纺织物、木材、灰石、玻璃、金属、其他总共九类。
9、进一步地，社会经济因素历史数据设定包括户籍人口、人均地区生产总值、第一产业占gdp比重、第二产业占gdp比重、第三产业占gdp比重、燃气普及率；
10、自然因素历史数据设定包括温度、降水、蒸散、地理区位。
11、进一步地，对垃圾组成成分历史数据进行转换，过程如下：
12、将垃圾组成成分历史数据，进行非线性转换，如下式所示：
13、
14、其中，j表示垃圾的类型，j的取值范围0～8分别表示垃圾的类型依次为厨余、纸、塑料、纺织物、木材、灰石、玻璃、金属、其他，yj表示对应类型的垃圾在历史组成成分中的占比数值，xj表示对应类型的垃圾在非线性转换后的占比数值；
15、将数据xj从直角坐标(x0,x1,...,x8)的形式转换到球坐标(r,θ1,...,θ8)的形式。
16、进一步地，从直角坐标的形式转换到球坐标的形式，转换关系如下式所示：
17、x0＝sinθ1sinθ2sinθ3…sinθ8
18、x1＝cosθ1sinθ2sinθ3…sinθ8
19、x2＝cosθ2sinθ3…sinθ8
20、x3＝cosθ3sinθ4…sinθ8
21、x4＝cosθ4sinθ5…sinθ8
22、x5＝cosθ5sinθ6…sinθ8
23、x6＝cosθ6sinθ7sinθ8
24、x7＝cosθ7sinθ8
25、x8＝cosθ8
26、其中，θ的取值范围为0<θ≤π/2，换算得到的球坐标如下式所示：
27、θ8＝arccosx8
28、
29、
30、
31、
32、
33、
34、
35、进一步地，随机森林算法预测模型由若干决策树、一个投票器组成；
36、若干决策树分别与投票器连接；
37、决策树用于接收输入的单个混合有社会经济因素数据、自然因素数据的数据子集，并生成相应数据子集的垃圾组成成分的预测值；
38、投票器用于对若干决策树所生成的若干垃圾组成成分的预测值进行平均投票操作，得出最终预测的垃圾组成成分的结果。
39、进一步地，随机森林算法预测模型通过python程序中的scikit-learn库进行搭建；
40、决策树设有200个节点。
41、进一步地，训练随机森林算法预测模型时，将社会经济因素历史数据、自然因素历史数据相互混合打乱后，随机按照4:1的数据量比例设置训练集和验证集，并且每个决策树对应分配一个数据子集。
42、进一步地，使用完成训练的随机森林算法预测模型，对相应城市在所要预测的时期内的城市垃圾组成成分数据进行预测，随机森林算法预测模型得出球坐标形式的预测结果后，再将预测结果从球坐标形式根据换算为直角坐标形式的占比关系。
43、一种城市生活垃圾组成成分预测系统，包括数据采集模块、数据转换模块、随机森林算法预测模型、训练模块；
44、数据采集模块分别与数据转换模块、训练模块连接，数据转换模块连接分别与随机森林算法预测模型、训练模块连接，随机森林算法预测模型与训练模块连接；
45、数据采集模块用于从公开和/或非公开的数据来源中，采集相应城市的在设定时间段内的垃圾组成成分历史数据、社会经本文档来自技高网...
【技术保护点】
1.一种城市生活垃圾组成成分预测方法，其特征在于，包括步骤如下：
2.根据权利要求1所述城市生活垃圾组成成分预测方法，其特征在于，将垃圾的类型，设定分类为厨余、纸、塑料、纺织物、木材、灰石、玻璃、金属、其他总共九类。
3.根据权利要求2所述城市生活垃圾组成成分预测方法，其特征在于，社会经济因素历史数据设定包括户籍人口、人均地区生产总值、第一产业占GDP比重、第二产业占GDP比重、第三产业占GDP比重、燃气普及率；
4.根据权利要求3所述城市生活垃圾组成成分预测方法，其特征在于，对垃圾组成成分历史数据进行转换，过程如下：
5.根据权利要求4所述城市生活垃圾组成成分预测方法，其特征在于，从直角坐标的形式转换到球坐标的形式，转换关系如下式所示：
6.根据权利要求5所述城市生活垃圾组成成分预测方法，其特征在于，随机森林算法预测模型由若干决策树、一个投票器组成；
7.根据权利要求6所述城市生活垃圾组成成分预测方法，其特征在于，随机森林算法预测模型通过Python程序中的Scikit-learn库进行搭建；
9.根据权利要求8所述城市生活垃圾组成成分预测方法，其特征在于，使用完成训练的随机森林算法预测模型，对相应城市在所要预测的时期内的城市垃圾组成成分数据进行预测，随机森林算法预测模型得出球坐标形式的预测结果后，再将预测结果从球坐标形式根据换算为直角坐标形式的占比关系。
10.一种城市生活垃圾组成成分预测系统，其特征在于，包括数据采集模块、数据转换模块、随机森林算法预测模型、训练模块；
...【技术特征摘要】
1.一种城市生活垃圾组成成分预测方法，其特征在于，包括步骤如下：
2.根据权利要求1所述城市生活垃圾组成成分预测方法，其特征在于，将垃圾的类型，设定分类为厨余、纸、塑料、纺织物、木材、灰石、玻璃、金属、其他总共九类。
3.根据权利要求2所述城市生活垃圾组成成分预测方法，其特征在于，社会经济因素历史数据设定包括户籍人口、人均地区生产总值、第一产业占gdp比重、第二产业占gdp比重、第三产业占gdp比重、燃气普及率；
4.根据权利要求3所述城市生活垃圾组成成分预测方法，其特征在于，对垃圾组成成分历史数据进行转换，过程如下：
5.根据权利要求4所述城市生活垃圾组成成分预测方法，其特征在于，从直角坐标的形式转换到球坐标的形式，转换关系如下式所示：
6.根据权利要求5所述城市生活垃圾组成成分预测方法，其特征在于，随机森林算法预测模型由若干决策树、一个投票器组...
【专利技术属性】
技术研发人员：唐伟豪，赵青，
申请(专利权)人：广东省科学院生态环境与土壤研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。