基于PSO-SVM的校园垃圾自动清运量预测方法分析

基于PSO-SVM的校园垃圾自动清运量预测方法分析摘要：为提高垃圾清运量预测结果的可靠性、规范校园垃圾管理，引进粒子群优化—支持向量机（ParticleSwarmOptimization-SupportVectorMachine，PSO-SVM）模型，开展自动清运量预测方法的设计研究。根据校园垃圾站的记录内容，采集每日垃圾清运量数据、垃圾类型分布数据，通过设定阈值，进行采样数据的标准化处理；引进PSO-SVM，建立垃圾清运量与时间、季节、学生人数等因素之间的复杂关系模型；将提取的特征输入到完成训练的模型中，得到预测的垃圾清运量，引进校正因子，进行预测值的校正。对比实验结果表明：设计的方法可以在垃圾自动清运量预测准确率的基础上，提高预测的效率。关键词：PSO-SVM模型预测方法校园垃圾"垃圾清运量AnalysisofthePredictionMethodforCampusGarbageAutomaticRemovalVolumeBasedonPSO-SVMLIANGYaodongGuangxiModernPolytechnicCollege，Hechi，GuangxiZhuangAutonomousRegion，547099ChinaAbstract：Inordertoimprovethereliabilityofthepredictionresultsofgarbageremovalvolumeandstandardizecampusgarbagemanagement，theParticleSwarmOptimizationSupportVectorMachine（PSO-SVM）modelisintroducedtocarryoutthedesignandresearchofautomaticgarbageremovalvolumepredictionmethod.Accordingtotherecordsofcampusgarbagestation，itcollectsthedailygarbageremovalvolumedataandgarbagetypedistributiondata，andstandardizesthesamplingdatabysettingthresholds;PSO-SVMwasintroducedtoestablishacomplexrelationshipmodelbetweengarbageremovalvolumeandfactorssuchastime，season，numberofstudent.Theextractedfeatureswereinputintothetrainedmodel，thepredictedgarbageremovalvolumeisobtained，andthecorrectionfactorisintroducedtocorrectthepredictedvalue.Thecomparativeexperimentalresultsshowthatthedesignedmethodcanimprovethepredictionefficiencyonthebasisofautomaticgarbageremovalvolumepredictionaccuracy.KeyWords：PSO-SVMmodel;Predictionmethod;Campusgarbage;Garbageremovalvolume环保意识的提升使校园垃圾管理备受关注。有效的垃圾清运管理不仅能够提升校园环境，还能够减少资源浪费和环境污染。然而，现有的垃圾清运方式往往依赖人工判断和定期清理，效率低下且难以准确预测垃圾量的变化，导致清运不及时或资源浪费。燕飞等人[1]等利用多种灰色模型（GreyModel，GM）[wl2]对广州市2015—2019年的城市固体废弃物进行模拟，发现代谢GM（1，1）模型预测能力较强。但此种方法对数据要求较高，如果数据中有缺漏或不正常，则会对预测的精度产生不利影响。王陈建等人[2]利用福建省2010—2019年的固体废弃物清运量数据，建立GM（1，1）预报模型，可以在中、短期内对城市固体废弃物清运量进行预报，但在长期预报中会出现很大的误差。为规范校园环境管理，实现对校园垃圾清运的全自动化与智能化，本文引进粒子群优化—支持向量机（ParticleSwarmOptimization-SupportVectorMachine，PSO-SVM）[wl3][wl4]模型，开展自动清运量预测方法的设计研究，为校园的垃圾清运等相关作业提供技术支持与指导。1历史数据采集与标准化处理[wl5]为实现对垃圾自动清运量的预测，需要采集校园垃圾站的每日清运量数据、垃圾类型分布数据作为预测模型的主要输入变量，以反映垃圾产生的日常波动情况[3]。数据采集过程如下所示。式（1）中：表示每日清运量数据采集；表示第个垃圾收集点日清运量；表示垃圾收集点的总数。垃圾类型分布数据用于区分不同种类的垃圾，并记录每种垃圾的比例或数量[4]。垃圾类型比例计算公式如下。式（2）中：表示垃圾类型比例；表示额定清运量；表示第种类型垃圾；表示当日的清运总量。考虑到原始数据存在量纲不一致等问题，通过设定阈值或基于统计方法进行数据的识别和处理[5]，如下计算公式所示。式（3）中：表示标准化处理后的清运量数据；表示均值；表示标准差。将整理输出的数据作为模型的训练数据，实现校园垃圾自动清运量的历史数据采集与标准化处理。2基于PSO-SVM的垃圾清运量关系模型构建在上述基础上，引入PSO-SVM，建立垃圾清运量与时间、季节、学生人数等因素的复杂关系模型。采用SVM预测，结合PSO，对模型的参数进行优化[6]。收集垃圾清运量、时间、学生人数等数据，转换特征星期几和季节编码，时间信息为时间序列特征。使用PSO优化核函数参数，通过模拟鸟群觅食搜索最优解。在PSO算法中，根据自身的经验和同伴的经验，每个粒子更新其速度、位置。更新过程如下所示。式（4）中：、表示当前时刻点与下一时刻点的粒子变化速度；表示粒子权重；表示学习率；表示损失率；表示时刻点；、表示当前时刻点与上一时刻点的粒子位置；表示位置更新量。输出最优位置，建立在此位置中不同参数之间的关系，定义一个超平面，区分在此平面中不同样本数据的类别，建立垃圾清运量关系模型如下。式（5）中：表示垃圾清运量关系模型；表示线性函数；表示超平面；表示核函数。通过上述步骤，完成基于PSO-SVM的垃圾清运量关系模型构建。3自动清运量预测与校正完成上述设计后，利用该模型进行自动清运量的预测，并且设计自适应偏差校正机制，以提高预测的准确性。将提取的特征输入到完成训练的PSO-SVM模型中，得到预测的垃圾清运量，引进自适应偏差校正机制，动态调整预测值。调整过程中，记录模型在过去一段时间内的预测误差，即实际清运量与预测清运量之差。根据历史预测误差，计算校正因子，公式如下。式（6）中：表示校正因子；表示历史误差；表示输入特征向量；表示历史记录的数量均值；表示历史记录次数。利用计算得到的校正因子，对上述公式预测的数值进行校正。4.1实验准备本次实验选择了某城市中心的综合性高校作为研究试点。该高校在校生约25000人，教职工3000余人，据统计，人均生活垃圾产生量约为1.2kg/（人·d），因此，整个校园每日产生的垃圾总量可达30t左右。对校园垃圾产生的类别、产出量等进行分析，如表1所示。4.2实验步骤收集校园内各个垃圾收集点的历史清运量数据，包括每日、每周、每月的清运量，将其作为实验中的样本数据。对部分数据进行汇总，如表2所示。记录与垃圾产生量可能相关的因素，如学生人数、活动安排、季节变化等。在应用本文方法时，设定PSO-SVM模型的参数，包括粒子数量、惩罚参数和核函数参数等，按照设计的步骤，进行垃圾自动清运量的预测。预测过程中，引进燕飞等人[1]、[wl6]王陈建等人[2]提出的基于GM预测方法、基于GM（1，1）模型的预测方法作为对照，对比3种方法在进行垃圾自动清运量预测中的应用效果。4.3实验结果与分析将垃圾自动清运量预测结果偏差作为检验设计方法的关键指标，该指标通过计算预测值与实际值之间的绝对误差或相对误差得出。理想的预测方法应具备较小的预测结果偏差，即模型的预测值能够紧密贴合实际数据，从而提供更加可靠的预测结果。实验结果如图1所示。从图1可以看出，本文方法连续5个月预测结果偏差小于1t，燕飞等人[1]、王陈建等人[2][wl7]方法的连续5个月预测结果偏差在1～7t、2～8t范围内。由此可以证明，本文设计的方法在垃圾自动清运量预测方面的应用效果较好，即预测结果的偏差最小。在此基础上，对三3方法的预测过程进行分析，进行对应方法预测达到最优值的迭代次数统计。较少的预测迭代次数表示对应方法能够更快地收敛到最优解，从而节省计算资源并提高预测效率。实验结果如图2所示。训练过程中，适应度值达到1.0，对应方法即可输出最优预测结果。从图2所示的实验结果可以看出，本文方法达到1.0×103次循环训练迭代，即可输出最优预测结果；燕飞等人[1]、王陈建等人[2][wl8]方法分别需要达到4.0×103、8.0×103次循环训练迭代，才能输出最优预测结果。在考虑多种影响因素的条件下，可以证明，本文设计的方法在垃圾自动清运量预测时的效率最高，并且预测结果更为精准。为了解决垃圾清运相关问题，本文探索基于PSO-SVM的垃圾清运量预测方法。在校园垃圾自动清运量预测中，PSO-SVM模型充分利用历史垃圾清运数据，通过训练和学习，建立垃圾量与时间、季节、学生人数等因素之间的复杂关系模型。利用该模型，对未来一段时间内的垃圾量进行预测，为垃圾清运工作提供科学依据。此外，PSO-SVM模型还根据校园垃圾量的实际情况进行动态调整和优化。通过不断更新训练集和测试集，模型逐渐适应垃圾量的变化，提高预测的准确性和稳定性。因此，本文通过自动清运量历史数据采集与标准化处理、垃圾清运量关系模型构建、自动清运量预测与自适应偏差校正，进行垃圾清运量预测，提高垃圾清运的效率和质量，为校园环保工作提供有力的支持。[1]燕飞，李光辉.基于灰色预测模型的广州市城镇生活垃圾清运量预测[J].数学的实践与认识，2023，53（1）：283-288.[2]王陈建，方金城，张晓婷.基于GM（1，1）模型的福建省城市生活垃圾清运量预测[J].福建冶金，2023，52（4）：63-66.[3]卢自勇，张慧，郭苛，等.双碳背景下贵阳市城市生活垃圾产生量预测及其碳减排潜力分析[J]