（环境工程专业论文）城市生活垃圾清运量及组分预测模型研究.pdf

i 华 中 科 技 大 学 硕 士 学 位 论 文 摘 要 随着我国经济的发展和人民生活水平的提高，特别是城市化进程的飞速发展， 城市生活垃圾的清运量日益增多，其组分也发生了很大的变化。城市生活垃圾所引 起的社会问题和环境问题日益突出，不仅造成严重的环境污染，而且影响社会稳定 和经济的发展。城市生活垃圾清运量和组分是城市建设和管理的基础性资料，准确 预测城市生活垃圾的清运量和组分可以为城市环境卫生规划提供决策信息。 论文对城市生活垃圾清运量及组分的影响因素进行了分析，运用灰色关联度分 析方法确定城市生活垃圾清运量及组分与其影响因素的关联性，判断城市生活垃圾 的主要影响因素。 针对确定 bp 神经网络输入变量的问题， 以灰色关联度分析方法确定的城市生活 垃圾主要影响因素作为 bp 神经网络的输入向量， 建立了能满足城市生活垃圾清运量 及组分预测要求的 bp 神经网络预测模型。 以上海市为例，对所建预测模型进行实证分析，通过计算模型预测值与实际值 的平均绝对百分误差和均等系数来检验模型的预测精度，结果表明本文所建模型预 测精度较高。并利用所建模型对上海市 2007 年至 2010 年的城市生活垃圾清运量及 组分进行了预测。 研究结果表明， 基于灰色关联度和 bp 神经网络的城市生活垃圾清运量和组分预 测模型能有效的预测城市生活垃圾的清运量和组分，具有较好的可行性和适用性。 关键词：城市生活垃圾清运量 组分 预测模型 灰色关联度 b p 神经网络 ii 华 中 科 技 大 学 硕 士 学 位 论 文 abstract with the development of social economy and the improvement of living standards, especially the development of urbanization process, the generation of municipal solid waste （msw） in china is rapidly increasing, and the composition of msw has changed. municipal solid waste gradually become an very important threat of urban environmental sanitation and resident health, and restrict the sustainable development of the society, economy and environment. successful planning and operation of a municipal solid waste management system depends on accurate predictions of msw transportation amount and composition. the influence factors of msw transportation amount and composition were analyzed. the grey correlation analysis method was applied to analyze contribution level of the influence factors on msw transportation amount and composition to determine the main influence factors of msw. a bp neural network prediction model of msw transportation amount and composition was set up, and the main influence factors of msw determined by grey correlation analysis were chosen as the input vectors of bp neural network. the case study on shanghai showed a high accuracy between the predicted and measured values by calculated mape and ec of the prediction model. msw transportation amount and composition in shanghai from 2007 to 2010 were predicted. the result indicated that prediction model based on grey relational degree and bp neutral network can predict msw delivering quantity and composition, and was proved to be feasible and suitable. key words: msw transportation amount msw composition prediction model grey relational degree bp neutral network 独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他 个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集 体， 均已在文中以明确方式标明。 本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有 权保留并向国家有关部门或机构送交论文的复印件和电子版， 允许论文被查阅和 借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密， 在 年解密后适用本授权书。 不保密。 （请在以上方框内打“” ） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 本论文属于 1 华 中 科 技 大 学 硕 士 学 位 论 文 1 绪论 1.1 研究背景与意义 随着经济发展和人民生活水平的提高，特别是近几年来我国城市化进程的飞快 发展，城市生活垃圾的清运量日益增多。城市生活垃圾所引起的社会问题和环境问 题日益突出，不仅造成严重的环境污染，而且影响社会稳定和经济的发展。垃圾问 题已经成为制约城市化进程和城市经济发展的重大问题之一。 城市生活垃圾清运量和组分是城市建设和管理的基础性资料，是城市生活垃圾 从清运到最终处置整个决策系统的关键参数，是生活垃圾处理工程的重要设计依据。 城市生活垃圾清运量和组分不仅随经济发展水平而异，而且受城市人口数量、城市 能源结构、城市居民生活习惯、地域、季节和气候等变化的影响。准确预测城市生 活垃圾的清运量和组分是合理进行城市环境卫生规划的先决条件，是对生活垃圾进 行全过程管理的基础性工作。 1.2 国内外研究现状 预测是根据事物过去和现在的演变规律，利用一定的资料、数据和方法，对事 物的发展趋势进行科学的推测和判断，常规的预测方法主要分为定性预测方法和定 量预测方法两种1。定性预测方法主要是根据事物的性质、特点、过去和现在的延续 及有关的资料等对事物进行非数量化的分析，然后根据这种分析对事物的发展趋势 做出判断和预测。定性预测在很大程度上依靠人们的主观判断来取得预测结果，它 以专家知识为基础，也称主观预测或判断预测。当缺乏统计数据，不能构成数学模 型，或者环境变化很快，历史统计数据的规律无法反映事物变化规律时，一般用定 性预测。定量预测方法主要是利用历史统计数据并通过一定的数学方法建立模型， 对事物进行数量分析，从而对事物的未来做出判断和预测。定量预测方法以模型为 主，也称客观预测。 目前国内外在对城市生活垃圾产生量的预测方面已经做了大量工作，但是预测 工作主要偏重于城市生活垃圾产生量的预测，而对城市生活垃圾的组成、热值、含 2 华 中 科 技 大 学 硕 士 学 位 论 文 水率等特性的预测工作开展不多。经常使用的模型有：平均增长率模型、多元回归 分析模型、灰色预测模型、时间序列分析模型等。 以下对主要的预测模型进行简要介绍： （1）平均增长率模型 平均增长率模型对城市生活垃圾产生量的预测，依靠的是人均垃圾产生量，所 以增长率指的是人均垃圾产生量的增长率。也就是根据所收集到的有关资料数据， 经过数值拟合得出人均垃圾产生量与时间的关系函数，然后再根据城市发展规划等 相关的资料数据推算出未来的人口数量，乘以对应时间的人均垃圾产生量，就得到 当年的城市生活垃圾产生量。平均增长率模型简便易用，在历史资料数据充分的情 况下，得到较为广泛的应用。 平均增长率模型的通式为： t aqq)1 ( 0 += （1- 1） 式中 q 为预测年度的人均垃圾产生量，q0为基准年度的人均垃圾产生量，a 为人 均垃圾产生量的年增长率，t 为预测年度与基准年度的差值。 （2）多元回归分析模型 回归分析是研究因变量和自变量之间数量变化规律，并通过一定的数学表达式 来描述这种关系，进而确定一个或几个自变量的变化对因变量的影响程度2。回归分 析是常规统计预测方法中常用的一种方法。多元回归分析的依据是各种可能影响城 市生活垃圾产生量的影响因素（一般为社会经济指标）对产生量的影响具有历史的 延续性，利用这些影响因素作为自变量，应用数理统计回归揭示这些影响因素与城 市生活垃圾产生量之间的数量关系。这一关系可应用于在确定相关指标变化趋势的 前提下，对城市生活垃圾产生量的趋势进行定量分析。 多元回归分析模型的通式如下： exbxbxbby nn += 22110 （1- 2） 式（1- 2）中 y 为与城市生活垃圾相关的量，如产生量、某一物理组分的百分比 等；xk（k=1，2，3，n）为各项影响城市生活垃圾的社会经济指标，如城市人口 数等；b0为回归常数；bk（k=1，2，3，n）为回归参数；e 为随机误差。 3 华 中 科 技 大 学 硕 士 学 位 论 文 （3）灰色预测模型 城市生活垃圾系统同时存在大量已知和未知信息，是典型的灰色系统。一般来 说，城市生活垃圾的产生量单调递增，变化率不均匀，符合灰色理论的建模条件3。 灰色模型记为 gm（n，h） ，其中 n 为微分方程的阶数，h 为变量个数。在垃圾产生 量预测中应用的最广的是 gm（1，1）预测模型，即一阶单变量微分方程的灰色动态 模型。 灰色预测模型可在数据较少的情况下对非线性、不确定系统的数据序列进行预 测。但是当系统中出现了突变、切换、故障或大扰动等情况，对预测序列造成了干 扰，就会出现异常数据，从而破坏预测数据的平稳性，导致预测误差大幅上升。 （4）时间序列分析模型 时间序列分析模型4是揭示时间序列自身的变化规律和相互联系的数学表达式。 影响城市生活垃圾产生的因素错综复杂，而且有关影响因素的资料难于得到，但可 以时间综合替代这些因素，将其作为一维随机过程来处理。时间序列分析就是通过 分析这种一维随机过程的演变规律来进行预测。时间序列分析的特点是城市生活垃 圾产生量仅与时间有关。但是注重的是垃圾产生量自身随着时间的变化规律，而对 其各种影响因素缺乏定量研究。 1.2.1 国外研究现状 目前，国内外对于城市生活垃圾预测的研究已经做了大量工作。总体而言，国 外比国内尝试的预测模型更多，研究的内容和范围也较国内更广。 daniel hockett5等采用回归分析的方法分析美国东南部地区人均城市垃圾的影 响因素。 annegrete bruvoll6等通过可计算一般均衡模型模拟影响固体废弃物的关键经济 因素，预测挪威制造业的固体废弃物产生量。 anastasia katsamaki 7等利用时间序列分析方法中的 box- jenkins 预测模型来分 析城市垃圾的日产生率，结果表明该模型预测的趋势是令人满意的。 e. daskalopoulos8等在建立欧盟与美国的城市固体废物的产生率和组分的预测 动力学时，将国内生产总值（gdp） ，国家人口数量与总消费性支出（tce）作为主 4 华 中 科 技 大 学 硕 士 学 位 论 文 要的考虑因素，并提出了与生活垃圾产出相关的消费性支出（rtce）预测模型，结 果表明所建预测模型精度都较高。 j. navarro- esbr 9等人对城市垃圾产生量的时间序列数据进行动力学分析，建立 非线性动力学预测方法，适用于城市垃圾产生量的短期和中期预测。通过对西班牙 和瑞士的三座城市的实例分析，预测精度较好。brian dyson 10等人提出了城市垃圾 产生量系统动力学预测模型，用于快速发展并且缺少历史数据的城市。通过对美国 得克萨斯州圣安东尼奥市的实例研究，表明对于缺少历史数据、人口变动大、因为 发展速度快而带来的不确定性因素多的地区，系统动力学模型比传统回归预测模型 更有优势。这为现代预测技术及模型的发展提供了一个很好的思路。 1.2.2 国内研究现状 目前我国对城市生活垃圾进行预测采用最多的为回归分析模型和灰色预测模 型。 吴文伟11通过对城市生活垃圾影响因素的分析，采用最小二乘多项式回归法建 立预测模型，对北京市城市生活垃圾产量和成份进行预测。周翠红12等采用逐步降 元分析建立多元线性回归方程对北京市 2001 年至 2010 年的生活垃圾产量进行预测。 李小明13等运用灰色理论模型 gm（1，1）对湖南省娄底市 2001 年至 2030 年 垃圾产生量进行预测计算，研究结果表明该模型预测精度较高。王彬14等运用 gm （1，1）ssodmm 模型对成都市年城市生活垃圾产生量进行了预测，研究结果表明 模型预测精度达到一级，对成都市垃圾产生量的预测精度达到了较为满意的效果。 李金惠15等采用幂指数平滑的时间序列分析方法对我国县及县以上企业2015年 固体废物和危险废物的产生量进行预测，研究结果表明时间序列分析模型对固体废 物的预测是一个较好的工具。 杨涛和廖利16提出了应用于预测城镇垃圾产生量的最优组合模型，通过对福州 市 1989 至 1999 年城市垃圾产生量的分析，研究表明组合预测模型的预测值比参加 组合的任一单项模型预测值更为精确，该方法是一种新型实用简单易行的预测方法， 在城镇垃圾产生量预测中有一定的应用价值。吴丽和廖利17进一步提出了基于预测 有效度一致的城市生活垃圾产生量预测。 5 华 中 科 技 大 学 硕 士 学 位 论 文 杨先海18等提出基于bp 神经网络城市生活垃圾产生量预测模型， 对上海市2002 至 2005 年城市生活垃圾产量进行了预测，同时采用灰色理论预测法和以城市人口数 量为变量的预测模型同时预测城市生活垃圾产生量作为对比试验。 结果表明用 bp 神 经网络模型的预测值与实际垃圾产生量非常吻合。 聂永丰19等采用预测类比法分析了影响城市生活垃圾产生量的因素，用层次分 析法选择类比城市并根据其历史数据建立城市生活垃圾产生量预测模型。 张蕾20等在系统地分析生活垃圾产生量影响因素以及影响因素之间互动关系的 基础上，建立了基于 vensim 软件的系统动力学模型，并将该模型应用于深圳市城 市生活垃圾产生系统。结果表明运用系统动力学方法可以较好地进行城市生活垃圾 产生量预测。 ni- bin chang21等采用基于干预分析的时间序列分析模型对固体废弃物产生量 进行预测，着重考虑废弃物回收与循环利用因素对预测模型的干预。研究结果表明 基于干预分析的时间序列分析模型是进行固体废弃物产生量预测的有效工具。 h.w. chen 22等通过建立基于模糊预测的灰色动力学模型来解决许多发展中国 家由于缺乏相关的数据而无法对城市生活垃圾的数量进行预测的问题，并显示出这 种方法比传统的模糊回归法更实用。 1.3 论文的主要内容 本文对城市生活垃圾清运量及组分的影响因素进行了分析，运用灰色关联度分 析方法确定城市生活垃圾清运量及组分与其影响因素的关联性，判断城市生活垃圾 的主要影响因素。 针对确定 bp 神经网络输入变量的问题， 以灰色关联度分析方法确定的城市生活 垃圾主要影响因素作为 bp 神经网络的输入向量， 建立了能满足城市生活垃圾清运量 及组分预测要求的 bp 神经网络预测模型。 以上海市为例，对所建预测模型进行实证分析，通过计算模型预测值与实际值 的平均绝对百分误差和均等系数来检验模型的预测精度。并利用所建模型对上海市 2007 年至 2010 年的城市生活垃圾清运量及组分进行了预测。 6 华 中 科 技 大 学 硕 士 学 位 论 文 本文共分为六个部分： 绪论部分介绍了本文研究背景与意义、国内外研究现状以及主要研究内容。 第二部分分析了城市生活垃圾的影响因素，并利用灰色关联度分析确定城市生 活垃圾主要影响因素。 第三部分介绍了 bp 神经网络的原理、结构、学习规则和其主要能力。 第四部分建立了基于灰色关联度和 bp 神经网络的城市生活垃圾清运量和组分 预测模型。 第五部分运用本文所建城市生活垃圾 bp 神经网络预测模型对上海市城市生活 垃圾的清运量及组分进行实证分析应用。 结论部分归纳总结了本文的研究成果并明确了下一步的研究方向。 7 华 中 科 技 大 学 硕 士 学 位 论 文 2 城市生活垃圾影响因素及其灰色关联度分析 2.1 城市生活垃圾影响因素分析 城市生活垃圾一般定义为城市居民生活垃圾、道路清扫垃圾、商业垃圾、单位 机构垃圾和交通运输垃圾等城市居民在日常生活、工作或生产活动中所抛弃或产生 的固态、半固态废物。在环境卫生行业中，关于城市生活垃圾数量的常用术语有城 市生活垃圾产生量与清运量。城市生活垃圾产生量是指在一定区划范围内人们在生 活和社会活动过程产生的垃圾量；城市生活垃圾清运量是指在一定区划范围内的城 市生活垃圾被运出区划范围的吨位量23。目前中国统计年鉴 、 城市建设统计年 报等统计资料对城市环境卫生状况进行统计时，一般只列出城市生活垃圾清运量 的数据。 2.1.1 城市生活垃圾清运量及组分调查统计方法 由于目前我国大部分城市还没有严格采用按重量统计垃圾量的方法，多数采用 根据垃圾运输车辆的载重吨位及车辆数来估算城市生活垃圾清运量。即所谓的车吨 位。由于垃圾运输车辆普遍存在亏载问题，因而车吨位实际无法真实地反映垃圾的 清运量。例如，北京市 1999 年统计年报生活垃圾清运量为 449.5 万吨，就是用车辆 运送次数乘以车辆额定载重量来统计的，2000 年用实际称重量进行统计后，年清运 量为 296 万吨24。因而在我国大部分城市垃圾清运量的变化更多地是反映垃圾体积 量的变化。近年来，部分有条件的城市（如北京、上海）开始逐渐采用实吨位来统 计垃圾清运量，由于统计年报中的生活垃圾清运量既有实际吨位也有车吨位，因而 对生活垃圾清运量统计指标的分析带来一定的影响。统计标准的不一致，影响了历 年数据间的可比性，为了解我国城市生活垃圾产生量的真实情况增加了难度。 我国的城市生活垃圾按物理组分一般分为厨房有机物、纸类、塑料橡胶、纺织 物、玻璃、金属、木竹、灰土、砖瓦陶瓷等，如表 2.1 所示。由于城市生活垃圾的组 分复杂，性质很不稳定，因而在城市生活垃圾的调查统计中欲获得准确数据，离不 开正确地选取代表性的样品，城市生活垃圾样品的采集、制备和物理成分、物理性 8 华 中 科 技 大 学 硕 士 学 位 论 文 质的分析方法应参照 cj/t3039- 95城市生活垃圾采样和物理分析方法进行。 表 2.1 城市生活垃圾物理成分 可回收物 厨房有机物 无机物 纸类 塑料、橡胶 织物 玻璃 金属 木竹 植物 动物 灰土 砖瓦、陶瓷 2.1.2 城市生活垃圾清运量及组分影响因素分析 在我国，影响城市生活垃圾清运量及组分的因素有很多，一般分为四类25：第 一类为内在因素，是指直接导致城市生活垃圾清运量及组分变化的因素。如人口和 城市经济发展的水平等。第二类为自然因素，主要指地域（地理位置和气候等） 、季 节因素的影响。第三类为个体因素，主要是指产生垃圾的个体行为习惯、生活方式、 受教育程度等因素。第四类为社会因素，是指社会行为准则、法律规章制度等，是 一种制约内在因素和个体行为的外部因素，主要通过资源回收、减量化等从外部影 响城市生活垃圾清运量及组分。在四类影响因素中，内在因素居主导地位，城市规 模越大，聚居人口数量越多，产生的生活垃圾量也越多。此外居民生活水平提高、 城市能源结构的变化对生活垃圾产生量和成分的影响也明显。而自然因素是一种外 在因素，表现在所处的自然环境和季节变化对生活垃圾产生量和成分的影响，此影 响大小也与城市能源结构等内在因素有关。至于个体因素和社会因素的影响主要表 现在有关垃圾减量、回收、再利用等措施与法规方面。个体因素和社会因素为进行 城市生活垃圾调控的主要控制因素。 （1）内在因素 内在因素是直接导致城市生活垃圾清运量及组分变化的因素，如人口数量、城 市经济发展水平、居民生活水平和城市建设水平等。 当一个城市的人口较多的时候，随之而来产生的城市生活垃圾也会较多，城市人口 的增加必然会导致城市生活垃圾清运量的增加。此外经济多元化带来大量农村剩余劳动 力进城务工，以及旅游事业的大力发展，也将促使城市生活垃圾产生量增加。图 2.1 显 示了北京市1991 年至2006 年城市生活垃圾清运量和城镇人口的数量变化，从图中可以 看出两者均呈上升趋势，说明城市生活垃圾清运量和常住人口数量呈正相关关系。 9 华 中 科 技 大 学 硕 士 学 位 论 文 0 50 100 150 200 250 300 350 1992199319941995199619971998199920002001 年份 城市垃圾清运量( 万吨) 0 200 400 600 800 1000 1200 常住人口( 万人) 城市生活垃圾清运量常住人口 图 2.1 北京市城市生活垃圾清运量和城镇人口变化趋势 资料来源：文献24 同样，由于经济的发展，居民生活水平得到提高，居民消费品的数量和种类也 变多，相应的人均日产生垃圾量也会增加。据 1997 年北京市不同收入的家庭人均垃 圾产生量统计表明，人均月收入少于 400 元的低收入家庭垃圾产生量较大，家庭均 月收入在 400 元至 800 元之间，垃圾产生量呈下降趋势，但月收入超过 800 元后， 垃圾产生量又逐渐增加26。随着经济的发展，今后大城市低收人家庭数量的不断减 少，居民收入的不断增加，垃圾产量将呈上升态势。城市建成区范围的扩大，清扫 街道面积的增大，城市生活垃圾清运量也会随之增长。 影响城市生活垃圾组分变化的内在因素有居民生活水平、能源结构和居民消费 方式等。居民生活水平既包括城市居民的生活消费水平，也包括市场商品品种和供 应方式，例如，我国社会日常消费品过度包装的现象和日常生活中越来越多的使用 一次性塑料制品，引起了生活垃圾中有用成分和体积的改变，从而带来可燃物质含 量、可再利用物质含量、容重、发热量等的变化。在以燃煤为主的地区及我国北方 的采暖期，生活垃圾中的无机灰渣的含量比较高。随着城市集中供热和煤气化的普 及，民用燃料的消费结构发生的变化，也使城市生活垃圾的组分发生了变化。在燃 气区城市生活垃圾中的有机物占 72.12，高于无机物（占 16.84）和其他成分（占 12.04） ；在燃煤区有机物只占 25.09，无机物却占 70.76，远远高于燃气区，其 他成分只占 4.5223。经济收入直接反映城市居民生活水平，经济收入的增长表示 10 华 中 科 技 大 学 硕 士 学 位 论 文 城市居民生活水平的提高，并且直接影响着生活垃圾的成分。在发达地区，纸类在 城市生活垃圾中所占比例很大，但在欠发达地区的生活垃圾中食品是主要的组成物。 （2）自然因素 自然因素是指城市的地理位置、气候和季节等影响居民生活垃圾产生量和成分 的因素，是一种外在因素，是由于城市所处的自然环境在同期对生活垃圾产生量和 成分的影响，因此研究自然因素影响生活垃圾产生量和成分十分必要27。 我国地域辽阔，南北气候不同，燃料结构差别大，生活习惯也有很大不同，因 此，我国城市生活垃圾人均日产生量和城市生活垃圾的组分也随地域而变。表 2.2 是 2000 年对 73 座城市生活垃圾成分按南、北方分别进行统计的结果。表 2.2 中，成分 划分为 3 大类 11 小类， “其他”是指除前面 10 类组分外的物质，其中南、北方的划 分标准按冬季是否有采暖设施考虑。从表中可明显地看出，南方城市生活垃圾中的 有机物（特别是植物）和可回收物所占比例高于北方城市。其中，塑料橡胶类所占 比例比北方城市高约 1 倍，而灰土等无机物的含量则要低于一半以上。北方城市冬 季均需采暖，在燃煤区还需通过燃煤来供暖，由于家庭采暖产生的大量煤灰全部进 入生活垃圾中，因此是造成其成分与南方城市存在差异的主要原因。 表 2.2 2000 年不同地域城市生活垃圾成分统计结果 （%） 可回收物 有机物 无机物 地区 城市 数量 纸类 塑料 橡胶 织物 玻璃 金属 木竹 植物 动物 灰土 砖瓦 陶瓷 其他 北方 32 6.22 7.40 2.38 2.25 1.50 2.62 28.25 3.08 28.51 7.19 10.60 南方 41 6.88 13.76 2.13 2.37 0.80 3.01 48.15 2.29 12.73 3.42 4.46 资料来源：文献23 此外，季节因素对城市生活垃圾清运量及组分的影响也较为显著。无论南方城 市还是北方城市，易腐垃圾含量的高峰值都出现在夏季，此时瓜果、蔬菜用量最大， 导致易腐物和垃圾含水率随之增大。无机垃圾（以煤渣为主）含量的高峰值一般出 现在寒冷的冬末、春初。此时城市居民因取暖需要，燃煤消耗量最大，而在炎热的 七八月份，无机物垃圾含量则降至全年最低。 （3）个体因素 影响垃圾产量变化的个体因素，主要是指垃圾产生的主体城市居民本身个 11 华华 中 科中 科 技技 大 学 硕 士 学 位 论大 学 硕 士 学 位 论 文文 体的行为习惯、生活方式、受教育程度等因素28。一般来说，人们可以通过社会因 素和某种程度的教育，改变自己的行为习惯和生活方式，进而影响城市生活垃圾清 运量及组分的变化。表 2.3 显示了北京市家庭结构、文化程度和职业对人均日垃圾产 生量和成分的影响，随着居民家庭人口结构规模扩大和居民文化程度的提高，垃圾 人均日产生量分别呈下降和上升趋势。 表 2.3 北京市居民家庭结构、文化程度对人均日产垃圾量影响 家庭结构 文化程度 1- 3 人 4- 5 人 5 人以上 高中以下 大专以上 垃圾人均日产生量（kg） 0.64 0.58 0.49 0.57 0.70 资料来源：文献29 （4）社会因素 影响城市生活垃圾清运量及组分的社会因素主要指社会行为准则、社会道德规 范、法律规章制度等，是一种间接的影响因素，它实际上是人类对垃圾产生系统的 干预。如我国推行的对城市生活垃圾进行减量化、资源化和无害化处理的对策方针， 推行垃圾减量回收和再利用措施可以大幅度减少垃圾最终处理量，垃圾分类收集则 是从源头改善垃圾的特性，减少后续垃圾的处理难度。 城市生活垃圾清运量及组分的影响因素如图 2.2 所示。 图 2.2 城市生活垃圾清运量及组分影响因素 12 华 中 科 技 大 学 硕 士 学 位 论 文 2.2 影响因素灰色关联度分析 由于城市生活垃圾清运量及组分预测模型中清运量及组分与其影响因素之间存 在着不确定性和模糊性，如何在定性认识的基础上，定量地计算影响因素与预测指 标的关联大小，是一个重要的问题。上文已经对影响我国城市生活垃圾清运量及组 分的因素进行了定性分析，城市生活垃圾清运量及组分的影响因素作为预测模型的 输入向量，仅仅定性的对其进行分析是不够的，还需要定量的研究城市生活垃圾清 运量及组分与其影响因素的关联程度。 目前有多种形式的相关系数定量的研究事物之间的关联程度。但是这些系数是 以数理统计理论为基础的，因此在使用时，就要求有大量数据，因为数据量少就难 以找出统计规律，或者要求样本数据服从某个典型的概率分布。但是在实际工作中， 这种要求往往难以满足。尤其是在我国统计数据比较有限，许多数据难以找到典型 的分布规律，采用数理统计方法往往难以实现。 灰色系统是指部分信息为已知，部分信息为未知或未确定的系统。灰色系统理 论从1982年问世以来获得了飞速的发展， 已渗透到自然科学和社会科学的许多领域， 为研究解决系统分析、建模、预测、决策和控制提供了有效的工具。灰色关联度分 析3031是一种根据系统中各因素特征序列的曲线及几何形状的相似程度来判断系统 中各因素是否相关以及相关程度的一种方法，它是解决多种因素对系统的相互制约、 相互作用的大小关系的一个有效方法。灰色关联度是两个系统或两个因素间关联性 大小的量度，它描述系统发展过程中因素间相对变化的情况。利用灰色关联度可以 得到决定系统运行状态的主要及次要因素，为由此实现对系统的精度分析、客观调 控和可行决策。如果两个因素在发展过程中相对变化态势基本一致，则两者的灰色 关联度大；反之，灰色关联度就小。鉴于可用灰色关联度的大小来判断因素之间的 关联程度，本文采用灰色关联度分析讨论城市生活垃圾与其影响因素的关联性，以 利于建立城市生活垃圾预测模型。 灰色关联度计算的具体步骤32为： （1）设 x0是一组关于时间或参数的离散数列，称其为参考数列。有另一组相应 的离散数列 xi，称其为比较序列。 13 华 中 科 技 大 学 硕 士 学 位 论 文 )(,),2(),1 ( 0000 nxxxx= （2- 1） )(,),2(),1 (nxxxx iiii = （2- 2） （2）由于参考数列和比较数列中的数据可能因量纲不同和指标数值存在数量级的 差异，不便于进行比较，或在比较时难以得到正确的结论。因此在进行灰色关联度分析 时，一般都要进行标准化的数据处理。本文中采用式（2- 3）对数据进行标准化处理。 x x x i i = （2- 3） （3）比较数列与参考数列在各个时刻（即曲线中的各点）的关联系数可由下 式求得。 ( ) ( )( )( )( ) ( )( )( )( )|maxmax| |maxmax|minmin 00 00 kxkxkxkx kxkxkxkx k i ki i i ki i ki i + + = （2- 4） 式（2- 4）中为分辨系数，01，一般取 0.5。 ( )( )|minmin 0 kxkx i ki 为两层式取绝对差值中最小值计算，第一层为先分别由 各比较数列xi曲线上的每一个点与参考数列x0曲线上的每一个点之绝对差值中取最 小值，再由这些最小值当中选取最小值。 ( )( )|maxmax 0 kxkx i ki 为两层式取绝对差值中最大值计算，第一层为先分别由 各比较数列xi曲线上的每一个点与参考数列x0曲线上的每一个点之绝对差值取最大 值，再由这些最大值当中选取最大值。 ( )( )| 0 kxkx i 为比较数列 xi曲线上的每一个点与参考数列 x0曲线上的每一个 点之绝对差值。 （4） 因为关联系数是表示比较数列与参考数列在各个时刻 （即曲线中的各点） 的关联程度值，所以它的数不止一个。为了避免信息过于分散不便于进行整体性比 较，有必要将各个时刻的关联系数用一个值来表示，也就是求比较数列与参考数列 在各个时刻关联系数的平均值，作为比较数列与参考数列之间关联程度的数量表示， 关联度 ri公式如下： ( )k n r i n k i 1 1 = = （2- 5） 14 华 中 科 技 大 学 硕 士 学 位 论 文 3 bp 神经网络 3.1 人工神经网络 3.1.1 人工神经网络概述 人工神经网络3336也被称为神经网络，是一种新的信息处理学科，它源于人脑 神经系统，是模拟人类智能的一条重要途径。人工神经网络的主要原理是模拟生物 神经元系统之间的复杂激励过程，它是由多个非常简单的神经元彼此按某种方式相 互连接而成的系统，该系统靠其状态对外部输入信息的动态响应来处理信息。它的 信息处理功能由神经元的信息输入输出、网络的拓扑结构、连接权值的大小和神经 元的阈值等所决定。 人工神经网络37具有以下几个突出的特点： （1） 规模并行计算和分布式存贮能力； 传统计算机的计算和存贮是相互独立的， 而人工神经网络兼有信息的处理和存贮双重功能，这种计算过程的并行性决定了其 对系统的高速处理能力。 （2）非线性映射能力；人工神经网络各神经元的映射特性是非线性的，有些网 络的单元间采用复杂的非线性连接。故神经网络是一个大规模的非线性动力系统， 具有很强的非线性处理能力。 （3）较强的容错性；由于信息的分布存贮和集体协作计算，每个信息处理单元 既包括对集体的贡献又无法决定网络的整体状态，因此局部神经网络的故障并不影 响整体神经网络输出的准确性。 （4）自适应、自组织、自学习能力；具备这种能力是神经网络最突出的特点， 它可处理各种变化信息，而且在处理信息的同时，非线性动力系统本身通过对信息 的学习也在不断变化，实现对任意复杂函数的映射。 （5）非局域性、非凸性；一个神经网络通常由多个神经元广泛连接而成，一个 系统的整体行为不仅取决于单个神经元的特征，而且可能由多个神经元之间的相互 作用所决定，通过神经元之间的连接模拟大脑的非局域性。正是这种非局域性有助 于系统在维持某一特定的演化方向下又具有多个极值，使系统处于多个较稳定的平 15 华 中 科 技 大 学 硕 士 学 位 论 文 衡状态，具有多样性的演化结果，即非凸性。 3.1.2 人工神经元模型 神经元是以生物神经系统的神经细胞为基础的生物模型。在人们对生物神经系 统进行研究，以探讨人工智能的机制时，把神经元数学化，从而产生了人工神经元 模型38。人工神经元的示意图如图 3.1。 ?f x1 xn xi w1,j wi,j wn,j yj 图 3.1 人工神经元示意图 一个典型的具有 n 维输入的人工神经元是由输入向量、网络权值和阈值、激活 函数和输出向量组成，数学表达式见式（3- 1） 。 = = n i jiijj xfy 1 （3- 1） 式中 yj为神经元 j 的输出， xi为神经元的 n维输入向量， ?ij为输入向量与神经元 j 之间的网络权值，?j是神经元的阈值，当输入信号加权和超过 ?j时，则神经元 j 被 激活。 激活函数是神经元输入向量和输出之间的变换函数，在神经元获得网络输入信 号，经过激活可以得到网络输出信号。常见的激活函数有以下四种： （1）阈值型激活函数；神经元输入向量和输出之间的表达式如下： = 0 , 0 0, 1 )( x x xf （3- 2） （2）非线性激活函数；非线性激活函数为实数域 r 到0，1闭集的非减连续函 数。最常用的非线性激活函数是单极性 sigmoid 函数曲线，简称 s 型函数，其特点是 函数本身从其导数都是连续的。单极性 sigmoid 函数表达式如下： 16 华 中 科 技 大 学 硕 士 学 位 论 文 x e xf + = 1 1 )( （3- 3） 非线性激活函数有时也采用双极性 sigmoid 型函数： x x e e xf + = 1 1 )( （3- 4） （3）分段线性激活函数；该函数特点是神经元的输入和输出在一定区间内满足 线性关系。由于具有分段线性的特点，因而在实现上比较简单。其表达式如下： = xx xxcx x xf c c , 1 0, 0, 0 )( （3- 5） （4）概率型激活函数；采用概率型激活函数的神经元模型的输入与输出之间的 关系是不确定的，需采用一个随机函数来描述输出状态为 1 或者 0 的概率。设神经 元输出为 1 的概率为 tx e p / 1 1 ) 1 ( + = （3- 6） 式中 t 称为温度参数。由于采用概率型激活函数的神经元输出状态分布与热力 学中的波尔兹曼分布相类似，因此采用概率型激活函数的神经元模型也被称为热力 学模型。 3.1.3 典型的人工神经网络模型 大量神经元组成庞大的人工神经网络才能实现对复杂信息的处理与存储，并 表现出各种优越的特性。人工神经网络的强大功能与其大规模并行互连、非线性 处理以及互连结构的可塑性密切相关。因此必须按一定规则将神经元连接成人工 神经网络，并使网络中各神经元的连接权值按一定规则变化。人工神经网络中的 神经元常称为节点或处理单元，每个节点均具有相同的结构，其动作在时间上同 步。 人工神经网络的模型有很多，可以按照不同的方法进行分类。从功能特性和学 习特性来分，典型的人工神经网络主要包括感知器、线性神经网络、bp 神经网络、 径向基函数网络、自组织映射网络和反馈神经网络等。当神经元的模式确定之后， 一个人工神经网络的特性及其功能主要取决于网络的拓扑结构及学习方法。从网络 17 华 中 科 技 大 学 硕 士 学 位 论 文 拓扑结构角度来看，人工神经网络可以分为前向网络、有反馈的前向网络、层内互 连前向网络、互连网络等四种。 3.2 bp 神经网络 3.2.1 bp 神经网络的原理 在人工神经网络模型中，最具有代表意义和广泛用途的是 bp 神经网络模型。 1985 年，rumelhart 提出了误差反向传播的神经网络学习算法，建立了 bp 神经网络 模型，bp 神经网络模型具有思路清晰、结构严谨、可操作性强等特点，得到了广泛 的应用。1989 年，robert hecht- nielsen证明了对于任何在闭区间内的一个连续函数 都可以用一个隐含层的 bp 网络来逼近，因而一个三层的具有 sigmoid 神经元的非线 性 bp 网络可以以任意精度逼近任何连续函数。这进一步推进了 bp 网络在各种领域 的广泛应用。 bp算法学习过程由信息正向传播和误差反向传播组成。 在信息正向传播过程中， 输入样本从输入层传入，经各隐含层逐层处理后，传向输出层。每一层神经元的状 况只影响下一层神经元的状况。如果输出层不能得到期望的输出，则转入误差的反 向传播阶段，误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传、并 将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号，此误差信号即 作为修正各神经元权值的依据，然后再进入信息正向传播过程，如此周而复始地进 行。权值不断调整的过程，也就是网络学习训练的过程。此过程一直进行到网络输 出的误差减少到可接受的程度，或者预先设定的学习次数为止。 3.2.2 bp神经网络的结构与学习规则 bp 网络是一种单向传播的多层前向网络，一个典型的三层 bp 神经网络网络结 构如图 3.2 所示。网络结构是由输入层、输出层和隐含层组成，其中隐含层可以是一 层，也可以是多层，前层至后层节点通过网络权值相连接，同层节点中没有任何连 接，输入层和隐含层的激活函数通常为 sigmoid 型。但是在隐含层和输出层之间的激 活函数可以是线性的。 18 华 中 科 技 大 学 硕 士 学 位 论 文 x1x2xixn- 1xn y1y2yiym o1okol w1wl vmv1 图 3.2 三层 bp 神经网络结构示意图 下面以三层 bp 神经网络为例介绍 bp 算法。设在三层 bp 神经网络中，输入层 节点数为 n，隐含层节点数为 m，输出层节点数为 l。输入向量为 x=（x1，x2， xi，xn） t，隐含层输出向量为 y=（y1，y2，yj，ym）t，输出层输出向量 为 o=（o1，o2，ok，ol）t，期望输出向量为 d=（d1，d2，dk，dl） t。输入层到隐含层之间的权值矩阵用 v 表示，v=（v1，v2，vj，vm） ，其 中列向量 vj为隐含层第 j 个神经元对应的权向量；隐含层到输出层之间的权值矩阵 用 w 表示，w=（w1，w2，wk，wl） ，其中列向量 wk为输出层第 k 个神经 元对应的权向量。下面分析各层信号之间的数学关系。 对于输出层，有 lknetfo kk , 2 , 1)(= （3- 7） lkywnet m j jjkk , 2 , 1 1 = = （3- 8） 对于隐含层，有 mjn