CN112132334A - 一种用于城市生活垃圾产量的预测方法 - Google Patents
一种用于城市生活垃圾产量的预测方法 Download PDFInfo
- Publication number
- CN112132334A CN112132334A CN202010984181.1A CN202010984181A CN112132334A CN 112132334 A CN112132334 A CN 112132334A CN 202010984181 A CN202010984181 A CN 202010984181A CN 112132334 A CN112132334 A CN 112132334A
- Authority
- CN
- China
- Prior art keywords
- yield
- indexes
- correlation
- data
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 18
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000010791 domestic waste Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims 2
- 238000012549 training Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000546 chi-square test Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Processing Of Solid Wastes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于智能控制的技术领域,公开了一种用于城市生活垃圾产量的预测方法,先对收集好的与生活垃圾产量相关的数据集进行预处理,再对预处理后数据集中的各个指标进行相关性分析,筛选出与生活垃圾产量密切相关的多个指标,作为高相关度指标,最后以多个所述高相关度指标和生活垃圾产量的当前年度数据作为LSTM神经网络的输入,对下一年度的生活垃圾产量进行预测。
Description
技术领域
本发明涉及自动控制的技术领域,尤其涉及一种用于城市生活垃圾产量的预测方法。
背景技术
随着我国城市化进程的加快和人们环境卫生意识的提高,环境卫生规划成为城市建设中不可缺少的环节,而在规划的编制中,城市生活垃圾产量预测使城市生活垃圾收运、处置发展规划及至城市发展规划的重要参考指标之一,是重要的基础研究工作。
目前在垃圾产量预测中常采用的预算方法有灰色预测法、指数趋势模型及线性回归分析法等等,这些方法各有特点,但是普遍存在预测模型比较单一,指标筛选过程复杂,需要人为干涉,准确度不高的问题。
发明内容
本发明提供了一种用于城市生活垃圾产量的预测方法,解决了现有方法的指标筛选过程复杂,需要人为干涉,准确度不高等问题。
本发明可通过以下技术方案实现:
一种用于城市生活垃圾产量的预测方法,先对收集到的与生活垃圾产量相关的数据集进行预处理,再对预处理后数据集中的各个指标进行相关性分析,筛选出与生活垃圾产量密切相关的多个指标,作为高相关度指标,最后以多个所述高相关度指标和生活垃圾产量的当前年度数据作为LSTM神经网络的输入,对下一年度的生活垃圾产量进行预测。
进一步,利用相关系数法对预处理后数据中的各个指标进行相关性分析,筛选出得分超过第一阈值的多个指标,作为相关性指标,再利用GBDT梯度提升决策树和随机森林法分别对多个相关性指标逐一进行评价,筛选出得分超过第二阈值的多个相关性指标,作为高相关性指标。
进一步,所述GBDT梯度提升决策树和随机森林法中的每棵树的最大深度均设置为6,迭代500轮。
进一步,所述预处理包括先后对所述数据集进行缺失值处理和归一化处理,完成预处理。
进一步,采用拉格朗日插值法对所述数据集进行缺失值处理,其表达式为如下
其中,每一个lj(x)表示为拉格朗日基本多项式或插值基函数,其表达式为:
其中,x0,y0),……,(xk,yk)表示数据集中已知给定的k+1个取值点,x表示缺失值。
进一步,通过网络爬虫从国家到地方的各统计年鉴上收集和生活垃圾产量相关的数据集。
本发明有益的技术效果在于:
直接利用网络爬虫从网上爬下大量的参数,在不需要做调研的情况下,采用相关系数法、GBDT梯度提升决策树和随机森林方法对各个指标进行相关性分析筛选处出影响力较大的几个作为高相关性指标,简化了数据计算,为利用LSMT神经网络进行预测提供了良好的数据基础,进而提高了预测的准确度。
附图说明
图1为本发明的总体流程示意图;
图2(a)为本发明使用拉格朗日插值法对数据集中的总住户数进行缺失值处理后的效果示意图;
图2(b)为本发明使用拉格朗日插值法对数据集中的GDP增长率进行缺失值处理后的效果示意图;
图3为本发明采用相关系数法对数据集中的各个指标进行相关性分析后的热力图;
图4(a)为本发明的采用GBDT梯度上升决策树对各个指标进行评价后的重要性分布图;
图4(b)为本发明的采用随机森林方法对各个指标进行评价后的重要性分布图;
图5为本发明对LSMT神经网络进行训练的结果示意图;
图6为本发明利用训练好的LSMT神经网络对下一年度的生活垃圾产量进行预测的结果对比图。
具体实施方式
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
如图1所示,本发明提供了一种用于城市生活垃圾产量的预测方法,对收集到的与生活垃圾产量相关的数据集进行预处理,再对预处理后数据集中的各个指标进行相关性分析,筛选出与生活垃圾产量密切相关的多个指标,作为高相关度指标,以这些高相关度指标和生活垃圾产量的当前年度数据作为LSTM神经网络的输入,对下一年度的生活垃圾产量进行预测,具体如下:
S1、通过网络爬虫从国家到地方的各统计年鉴上收集与城市生活垃圾产量相关的数据集。
S2、预处理过程:由于实验数据是通过网络爬虫以及人工收集从国家到地方的各统计年鉴上收集到的,数据不是很完整,因此,需要进行缺失值处理:
(1)一般对于缺失值的处理有中位数法、平均数法、直接删除法等等方法,但是直接删除法对于本发明这种本来原始数据就不多的数据集来讲不是很理想,又因为我们的数据是带有移动性变化趋势,是时间序列数据,因此也不能用比较简单的平均数法、中位数法等。一般对于时间序列来说,需要使用LSTM或者KNN等机器学习方法去弥补,但在这里数据时间属性不是很复杂,变化趋势较明显,所以,本发明使用拉格朗日插值法来进行缺失值处理,其基本原理为:
已知有给定的k+1个取值点:
(x0,y0),……,(xk,yk)
其中,x表示自变量的位置,y表示因变量,即对应这函数在这个位置的取值,每一个y值都不等于0。
解设任意两个xi都互不相同,对应的拉格朗日插值所得到的拉格朗日插值多项式为:
其中,每一个lj(x)称之为拉格朗日基本多项式或插值基函数,其表达式为:
(2)由于数据集中不同指标的单位不同,不同指标之间数据的数量级相差很大,在后续进行相关性分析以及优化求解的时候会有极大的影响,需要对各个数据进行归一化处理,这样最优解的寻优过程明显会变得平缓,更容易正确的收敛到最优解。
S3、进行数据预测之前,我们首先要知道城市垃圾产量与其他经济社会指标之间的关系,这样我们才能够根据与其相关性最强的指标来对城市生活垃圾产量进行一个预测与分析。
相关性分析对于某个事物的预测相当重要,有些指标起了关键作用,使用相关系数的方法进行分析,并通过热力图来展现。相关系数是反应变量之间关系密切程度的统计指标,相关系数的取值区间在1到-1之间,1表示两个变量完全线性相关,-1表示两个变量完全负相关,0表示两个变量不相关。数据越趋近于0表示相关关系越弱。
首先,我们通过相关系数法对各个指标之间的相关性进行分析,并通过热力图显示出来,使得我们可以大致了解各个指标之间的相关性,从中筛选出得分超过第一阈值的多个指标,作为相关性指标,然后通过GBDT梯度提升决策树以及随机森林方法对各个相关性指标进行逐一评价,从中筛选出得分超过第二阈值的多个指相关性标,作为高相关性指标。对于梯度提升决策树,我们每一棵树的最大深度设置为n,n表示重要指标的数量,这里选择6,迭代500轮,然后我们根据GBDT划分出的各个指标之间的重要程度来评价各个指标与生活垃圾产量之间的影响因素,同理,对随机森林方法也是类似处理。
S4、通过以上的相关性分析,我们基本能够确定获得的原始数据中的某些指标和城市生活垃圾生产量有着明显的关联。下面我们就根据筛选出的与生活垃圾产量密切相关的高相关性指标,对数据集划分采用留一法(3/4作为训练接,1/4作为测试集)进行训练。
(1)这些重要指标作为训练数据,生活垃圾产量作为标签数据,数据集划分采用留一法进行训练,即3/4作为训练接,1/4作为测试集。在LSTM神经模型中,隐藏层有50个神经元,输出层1个神经元,输入变量是一个时间步t-1的特征,损失函数采用Mean AbsoluteError(MAE),优化算法采用Adam,模型采用500个epochs,并且每个batch的大小为5。
(2)通过loss来不断调整循环网络层中的参数W和B,当训练次数达到上限,则该预测方法的训练过程完毕。
S5、利用训练好的LSTM神经模型来预测下一年度的生活垃圾产量。
以下上海市近10年的生活垃圾产量为基础,详细阐述本发明的方法。
一、通过网络爬虫从国家到地方的各统计年鉴上收集与上海市生活垃圾产量相关的数据集,部分数据如下表所示:
表1部分原始数据
二、对数据集的处理
1、缺失值处理:使用拉格朗日插值法对总住户数和GDP增长率来进行缺失值处理,结果如图2所示,其中,虚线代表通过拉格朗日插值法填补的缺失值,实线代表采集得到的实际数据值,可以看出填补后的缺失值基本符合曲线的变化规律,也符合人们基本的认知常识。
2、归一化处理:可以根据实际选择具体方法,一般常用以下两种方法,使数据集完成标准化:
(0,1)标准化
这是最简单也是最容易想到的方法,通过遍历feature vector里的每一个数据,将Max和Min的记录下来,并通过Max-Min作为基数(即Min=0,Max=1)进行数据的归一化处理:
Z-score标准化
这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布,即均值为0,标准差为1,这里的关键在于复合标准正态分布,个人认为在一定程度上改变了特征的分布,关于使用经验上欢迎讨论,我对这种标准化不是非常地熟悉,转化函数为:
三、相关性分析
1、我们通过相关系数法对收集得到的数据集中各个指标之间的相关性进行分析,并利用热力图显示出来,如图3所示,使得我们对各个指标之间的相关性有一个大致的了解。
从热力图中可以看出,住户数(Total Households),生产总值(GDP),总人口(Population),人口密度(Density of Population)的指标对于生活垃圾产量相关性影响比较大,同时住户数相关指标和人口之间的指标也呈现很强的相关性,这也是可以理解的,房屋住户数多,自然人口数就会跟你这增长,同时住户数和GDP之间也呈现明显的正相关性。
2、通过GBDT梯度提升决策树以及随机森林方法对各个指标进行逐一评价。
对于GBDT梯度上升决策树,我们每一棵树的最大深度设置为6,迭代500轮,其结果如图4(a)所示,然后根据GBDT划分出的各个指标之间的重要程度来评价其与生活垃圾产量之间的影响因素。从图中可以看出平均住户数即每个住房中的平均人数和总户数对于城市生活垃圾产量的衡量重要性最大,其次是有关经济的数据指标,包括GDP和人均GDP。
再通过随机森林来对数据矩阵进行相关性分析,同样我们将每棵树的最大深度设置为6,迭代500轮,其结果如图4(b)所示,从图中可以看到,有关经济、人口和住房的指标对于生活垃圾产量的影响重要性程度最大,而且GBDT和随机森林都认为平均住户数AveragePersons Per Households是对生活垃圾产量贡献最大的一个指标,其原因如下:
当一个地区的平均住户数增加时,相当于每一个家庭的家庭成员增加,家庭成员的增加肯定会直接导致生活垃圾产量的增量,与此同时也能够间接带动该地区人口、经济数据的增长。
同时,我们注意到以上两种评价方法都没有将人口自然增长率(Natural GrowthRate)和失业率(Unemployment Rate)作为影响因素,它们的重要性程度几乎为零,说明人口自然增长率和失业率对于城市生活垃圾产量的影响并不是很大。
下面我们通过统计学的方法去探究这几个指标之间的相关性统计分析,具体下表2所示:
表2统计指标分析
从皮尔逊相关系数的得分来看,人口、住房和经济数据的得分相对较高,从卡方检验来看,人口和经济的指标差异性明显,p检验拒绝原假设,认为和生活垃圾生生产量有关。
从皮尔逊相关系数和卡方检验的情况来看,符合我们用GBDT和随机森林得出的结论,认为经济、人口和住房数据与生活垃圾产量有相关性,而对于失业率以及人口自然增长率等指标没有很强的相关性。
四、以上述高相关性指标对应的数据为基础,采用留一法对LSTM神经网络进行训练。
通过以上的相关性分析,我们能够初步确定获得的原始数据的各个指标中只有和经济(GDP,Per Capita GDP)、人口数据(Population,Density of Population)以及住房数据(Total Households,Average Households Per)有关,其他的例如GDP增长率、人口自然增长率以及失业率等指标并不和城市生活垃圾生产量有着明显的关联。
LSTM神经网络是一种和时序性有关的神经网络,在对于时序性数据的处理上有着很好的效果,常适合用于处理与时间序列高度相关的问题,下面我们将筛选出的经济指标(GDP,Per Capita GDP)、人口指标(Population,Density of Population)以及住房指标(Total Households,Average Households Per)六个指标作为训练数据,生活垃圾产量作为标签数据,数据集划分采用留一法(3/4作为训练接,1/4作为测试集)进行训练。LSTM模型中,隐藏层有50个神经元,输出层1个神经元(回归问题),输入变量是一个时间步(t-1)的特征,损失函数采用Mean Absolute Error(MAE),优化算法采用Adam,模型采用500个epochs并且每个batch的大小为5。其训练结果如图5所示,训练集误差率能够降到2%左右,测试集的误差率能够降到4%左右,然后通过模型进行预测,其预测结果如图6所示,对预测结果使用均方根误差进行比较,得到LSTM的均方根误差RMSE为14.390,如表3所示,基本上能够和标签数据保持良好的拟合状态。
表3 LSTM模型预测效果对比
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,因此,本发明的保护范围由所附权利要求书限定。
Claims (6)
1.一种用于城市生活垃圾产量的预测方法,其特征在于:先对收集好的与生活垃圾产量相关的数据集进行预处理,再对预处理后数据集中的各个指标进行相关性分析,筛选出与生活垃圾产量密切相关的多个指标,作为高相关度指标,最后以多个所述高相关度指标和生活垃圾产量的当前年度数据作为LSTM神经网络的输入,对下一年度的生活垃圾产量进行预测。
2.根据权利要求1所述的用于城市生活垃圾产量的预测方法,其特征在于:利用相关系数法对预处理后数据中的各个指标进行相关性分析,筛选出得分超过第一阈值的多个指标,作为相关性指标,再利用GBDT梯度提升决策树和随机森林法分别对多个相关性指标逐一进行评价,筛选出得分超过第二阈值的多个相关性指标,作为高相关性指标。
3.根据权利要求2所述的用于城市生活垃圾产量的预测方法,其特征在于:所述GBDT梯度提升决策树和随机森林法中的每棵树的最大深度均设置为6,迭代500轮。
4.根据权利要求1所述的用于城市生活垃圾产量的预测方法,其特征在于:所述预处理包括先后对所述数据集进行缺失值处理和归一化处理,完成预处理。
6.根据权利要求1所述的智能过磅无人值守系统的过磅方法,其特征在于:通过网络爬虫从国家到地方的各统计年鉴上收集和生活垃圾产量相关的数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984181.1A CN112132334A (zh) | 2020-09-18 | 2020-09-18 | 一种用于城市生活垃圾产量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984181.1A CN112132334A (zh) | 2020-09-18 | 2020-09-18 | 一种用于城市生活垃圾产量的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132334A true CN112132334A (zh) | 2020-12-25 |
Family
ID=73841911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010984181.1A Pending CN112132334A (zh) | 2020-09-18 | 2020-09-18 | 一种用于城市生活垃圾产量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132334A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081749A (zh) * | 2022-07-28 | 2022-09-20 | 华中科技大学 | 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及系统 |
CN116050664A (zh) * | 2023-03-11 | 2023-05-02 | 中环洁集团股份有限公司 | 一种垃圾产量预测方法、系统、电子设备和可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09249764A (ja) * | 1996-03-15 | 1997-09-22 | Toshiba Corp | 廃棄物処理の情報管理システム |
KR101661664B1 (ko) * | 2015-03-27 | 2016-09-30 | 한양대학교 에리카산학협력단 | 도시개발 계획에 따른 환경부하 배출량 예측 시스템 및 방법 |
CN110363342A (zh) * | 2019-07-10 | 2019-10-22 | 李文瑞 | 基于物联网和5g通讯技术的密封运输生活垃圾处理系统 |
CN111243751A (zh) * | 2020-01-17 | 2020-06-05 | 河北工业大学 | 一种基于双重特征选择和XGBoost算法的心脏病预测方法 |
-
2020
- 2020-09-18 CN CN202010984181.1A patent/CN112132334A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09249764A (ja) * | 1996-03-15 | 1997-09-22 | Toshiba Corp | 廃棄物処理の情報管理システム |
KR101661664B1 (ko) * | 2015-03-27 | 2016-09-30 | 한양대학교 에리카산학협력단 | 도시개발 계획에 따른 환경부하 배출량 예측 시스템 및 방법 |
CN110363342A (zh) * | 2019-07-10 | 2019-10-22 | 李文瑞 | 基于物联网和5g通讯技术的密封运输生活垃圾处理系统 |
CN111243751A (zh) * | 2020-01-17 | 2020-06-05 | 河北工业大学 | 一种基于双重特征选择和XGBoost算法的心脏病预测方法 |
Non-Patent Citations (1)
Title |
---|
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", 环境科学与管理, no. 02, pages 56 - 59 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115081749A (zh) * | 2022-07-28 | 2022-09-20 | 华中科技大学 | 基于贝叶斯优化lstm的盾构掘进载荷超前预测方法及系统 |
CN116050664A (zh) * | 2023-03-11 | 2023-05-02 | 中环洁集团股份有限公司 | 一种垃圾产量预测方法、系统、电子设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN110135635B (zh) | 一种区域电力饱和负荷预测方法及系统 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN111105332A (zh) | 一种基于人工神经网络的高速公路智能预养护方法及系统 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN116316599A (zh) | 一种智能用电负荷预测方法 | |
CN112132334A (zh) | 一种用于城市生活垃圾产量的预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN115204035A (zh) | 基于多尺度时序数据融合模型的发电机组运行参数预测方法、装置及存储介质 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
CN115905857A (zh) | 基于数学形态学和改进Transformer的非侵入式负荷分解方法 | |
CN112184412A (zh) | 一种信用评分卡模型的建模方法、装置、介质及电子设备 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
CN117114184A (zh) | 一种城市碳排放影响因素特征提取与中长期预测方法及装置 | |
CN112819256A (zh) | 一种基于注意力机制的卷积时序房价预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
CN113190537A (zh) | 一种用于监控区域内应急抢修现场的数据表征方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |