CN113379569B - 餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质 - Google Patents
餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN113379569B CN113379569B CN202110643286.5A CN202110643286A CN113379569B CN 113379569 B CN113379569 B CN 113379569B CN 202110643286 A CN202110643286 A CN 202110643286A CN 113379569 B CN113379569 B CN 113379569B
- Authority
- CN
- China
- Prior art keywords
- production
- food waste
- data
- discharge
- interval
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 96
- 239000010794 food waste Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003068 static effect Effects 0.000 claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000002699 waste material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 239000010813 municipal solid waste Substances 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000007306 turnover Effects 0.000 claims description 5
- 235000013305 food Nutrition 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 235000012054 meals Nutrition 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 3
- 235000013361 beverage Nutrition 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping 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
- 239000013307 optical fiber Substances 0.000 description 1
- 235000021067 refined food Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- G06Q50/12—Hotels or restaurants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/045—Combinations of 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质,其中方法包括以下步骤:获取目标区域内餐饮单位的POI数据,根据POI数据获取餐饮单位的静态数据与动态数据;利用动态数据构建基于RBF神经网络的运营模拟模型,用于获取餐饮垃圾的变化区间,根据变化区间结果划定餐饮垃圾的产排区间;根据产排区间对静态数据处理,利用处理后的静态数据构建基于K‑means‑RBF神经网络的餐饮垃圾预测模型,基于模型的预测结果,绘画餐饮垃圾的产排图谱。本发明构建了动态运营模型与静态预测模型,对餐饮垃圾进行区间化预测,最后采取网格空间分析的方法,精细化绘画了餐饮垃圾产排图谱,可广泛应用于计算机技术领域。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质。
背景技术
垃圾分类已成为我国城市治理的重点推进工作之一,餐饮垃圾作为城市生活垃圾的重要组分,其产排源具有量大面广的特征,且驱动因素种类繁多,总体缺乏细粒度的时空分布特征,而城市餐饮垃圾精细化产排图谱的绘制亦鲜有开展,且现有研究的空间分辨率较粗,难以指导收运策略的制定。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一,本发明的目的在于提供一种餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质。
本发明所采用的技术方案是:
一种餐饮垃圾精细化产排图谱的绘制方法,包括以下步骤:
获取目标区域内餐饮单位的POI数据,根据POI数据获取餐饮单位的静态数据与动态数据;
利用动态数据构建基于RBF神经网络的运营模拟模型,用于获取餐饮垃圾的变化区间,根据变化区间结果划定餐饮垃圾的产排区间;
根据产排区间对静态数据处理,利用处理后的静态数据构建基于K-means-RBF神经网络的餐饮垃圾预测模型,基于模型的预测结果,利用GIS软件的空间分析功能绘画餐饮垃圾的产排图谱。
进一步,所述绘制方法还包括以下步骤:
获取实际的垃圾收运数据,定期更新餐饮单位的数据库,以提高图谱的准确度;
其中,所述定期更新餐饮单位的数据库,包括:
将新增餐饮单位的预测产排区间加入产排图谱,将歇业、退出餐饮单位的预测产排区间应从产排图谱中剔除。
进一步,所述运营模拟模型以三个动态数据及餐位数作为输入参数,以餐饮垃圾的产排量作为输出参数;
所述运营模拟模型通过将动态数据以单独变化、两两组合变化、全部变化的方式模拟不同运营情景,以产排量的波动值作为产排区间间隔;
其中,所述三个动态数据为餐饮单位的预设时段的客流量、营业额、备料量。
进一步,所述基于RBF神经网络的餐饮垃圾预测模型,以三个静态数据作为输入参数,以餐饮垃圾的产排量作为输出参数;
其中,所述三个静态数据为餐饮单位类型、餐位数、人均消费。
进一步,所述根据产排区间对静态数据处理,包括:
根据产排区间将静态数据中的餐位数、人均消费划分成相应区间,并采用由小到大的方式进行编号,以数据所在区间编号代替原有数据;
餐饮垃圾的产排量采用独热编码,以使预测结果以产废区间的形成呈现;
所述餐饮垃圾预测模型的训练过程中,通过K-means聚类算法求出中心,根据中心计算方差;
采用有监督学习方式获取模型的其他参数;
其中,餐饮垃圾预测模型中所采用的RBF网络具有1个隐藏层以及10个隐藏神经元。
进一步,所述绘画城市餐饮垃圾产排图谱,包括:
根据图谱的分辨率构建空间网格,以网格内餐饮企业的产排区间叠加而成的总区间作为该网格的产排区间。
进一步,所述定期更新餐饮单位的数据库还包括:
将目标区域划分为若干个具有相似特征的典型区域,从典型区域选取典型餐饮企业进行跟踪,以典型餐饮企业的实际收运数据与预测区间的特征系数作为该典型区域内所有餐饮企业的特征系数。
本发明所采用的另一技术方案是:
一种餐饮垃圾精细化产排图谱的绘制系统,包括:
数据获取模块,用于获取目标区域内餐饮单位的POI数据,根据POI数据获取餐饮单位的静态数据与动态数据;
产排区分模块,用于利用动态数据构建基于RBF神经网络的运营模拟模型,用于获取餐饮垃圾的变化区间,根据变化区间结果划定餐饮垃圾的产排区间;
产排绘图模块,用于根据产排区间对静态数据处理,利用处理后的静态数据构建基于K-means-RBF神经网络的餐饮垃圾预测模型,基于模型的预测结果,利用GIS软件的空间分析功能绘画餐饮垃圾的产排图谱。
本发明所采用的另一技术方案是:
一种餐饮垃圾精细化产排图谱的绘制装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是:
一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是:本发明将数据分为动态数据与静态数据,基于K-means-RBF网络分别构建了动态运营模型与静态预测模型,对餐饮垃圾进行区间化预测,最后采取网格空间分析的方法,精细化绘画了餐饮垃圾产排图谱。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员而言,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种餐饮垃圾精细化产排图谱的绘制方法的总体流程示意图;
图2是本发明实施例中基于动态运营模型的参数变化与餐饮垃圾产生量变化的示意图;
图3是本发明实施例中绘制的目标区域餐饮企业热力分布图;
图4是本发明实施例中绘制的目标区域餐饮垃圾产生图谱。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1所示,本实施例提供一种餐饮垃圾精细化产排图谱的绘制方法,包括以下步骤:
S101、获取目标区域内餐饮单位的POI(POINT OF INTREST,兴趣点)数据,抽样调研部分餐饮单位实际运营数据。
S102、对运营数据集进行相关性分析,筛选高相关度数据,将高相关度数据分为静态数据与动态数据。静态数据指餐饮单位类型、餐位数、人均消费等;动态数据指餐饮单位某时段客流量、营业额、备料量等。
S103、利用动态数据构建基于RBF神经网络的运营模拟模型,根据不同情境下对应参数的变化获取餐饮垃圾变化区间;根据变化区间结果合理划定餐饮垃圾产排区间。
基于RBF神经网络的运营模拟模型以三个动态数据及餐位数作为输入参数,以餐饮垃圾产排量作为输出参数。通过将动态数据以单独变化、两两组合变化、全部变化的方式模拟不同运营情景,以产废量的波动值作为产废区间间隔。
S104、利用静态参数构建基于K-means-RBF神经网络的餐饮垃圾预测模型。
基于RBF神经网络的餐饮垃圾预测模型,以餐饮单位类型、餐位数、人均消费三个静态数据作为输入参数,以餐饮垃圾产排量作为输出参数。
将数据进行预处理后再输入神经网络,主要指对数据进行处理,将餐位数、人均消费划分成相应区间,由小到大以数字编号,然后以数据所在区间编号代替原有数据。餐饮垃圾产生量采用独热编码,故预测结果亦以产废区间的形成呈现;训练过程中,先通过K-means聚类算法求出中心,并计算方差,再通过有监督学习得到其他参数,所用RBF网络具有1个隐藏层,10个隐藏神经元。
S105、基于预测模型的预测结果,利用GIS软件的空间分析功能,绘画城市餐饮垃圾产排图谱。基于预期图谱分辨率构建空间网格,以网格内餐饮企业产废区间叠加而成的总区间作为该网格的产废区间。
S106、根据实际收运数据对预测区间进一步收窄,并定期更新餐饮单位数据库,提高图谱的准确度。
对目标区域划分为若干个具有相似特征的典型区域,各典型区域选取典型餐饮企业进行跟踪,以该企业实际收运数据与预测区间的特征系数作为该典型区域内所有餐饮企业的特征系数,例如预测范围是0-30,但是实际收运数据是15-20,两个区间之间的关系就是特征系数;同时定期更新餐饮企业POI数据,以反映网格内产废单元的变化。
以下结合附图及具体实施例对上述方法进行详细说明。
本实施例提供一种城市餐饮垃圾精细化产排图谱的绘制方法,包括以下步骤:
S1、通过网络爬虫方法,获取目标城市餐饮企业POI数据与目标城市人口热力分布,绘制目标城市餐饮企业热力分布图与人口人力分布图,并查阅目标城市计年鉴中餐饮业单位数。爬虫所得餐饮企业POI数据数应与官方统计数差别在10%内,餐饮企业热力分布图与人口人力分布图应具有相似的分布特征。
S2、检查所得POI数据,对重复数据、非餐饮单位数据进行删除。对实地调研与问卷调查数据进行清洗,排除未量化数据与失实数据。
某餐饮单位人均产废量=餐饮垃圾产生量÷客流量,某类型餐饮单位人均产废量为该类型餐饮单位人均产废量的平均值。
S3、以客流量、营业额、备料量三个动态数据及餐位数作为输入参数,以餐饮垃圾产排量作为输出参数,参见图2,构建并训练K-means-RBF神经网络,设定学习率为0.005,最终准确率可达95%以上。
S4、通过将动态数据以单独变化、两两组合变化、全部变化的方式模拟不同运营情景。餐饮垃圾预测产量的变化范围处于5kg~47kg之间,平均变化范围为28kg,故餐饮垃圾产量以30kg为一组的标准对其进行区间离散化处理来作为神经网络的输出参数。
S5、对数据进行处理,将餐位数、人均消费划分成相应区间,由小到大以数字编号,然后以数据所在区间编号代替原有数据,餐饮垃圾产生量采用独热编码,如表1所示。
表1不同餐饮垃圾产量区间的独热编码矩阵
S6、以人均产废量、与处理后的餐位数、人均消费作为输入参数,以处理后的餐饮垃圾产生量作为输出参数,训练新的K-means-RBF神经网络,并基于目标区域内餐饮企业POI数据,输出各产废单元的产废区间。
训练完成后的RBF神经网络对餐饮垃圾产量区间的最佳预测正确率达91.8%。对某一4.5kM×5kM范围内的4040家餐饮单位的“餐厅类型”、“餐位数”和“人均消费”数据,并将数据作为输入参数传入训练完成的K-means-RBF神经网络进行预测。其中,所用RBF网络具有1个隐藏层,10个隐藏神经元。
S7、在Arc Map软件中,打开Arctool box——数据管理工具——采样——创建渔网,根据预期分辨率设置网格参数。构建网格后,打开选择——按位置选择,在目标图层选择上一步得到的网格,源图层选择地图矢量数据,目标图层要素的空间选择方法选择与源图层相交,对网格进行进一步修剪。载入预测结果,包括坐标与餐饮垃圾产量预测区间,打开Arctool box——分析工具——叠加分析——空间连接,目标要素选择构建好的网格,连接要素选择已载入的预测结果,连接要素的字段映射选择产废区间,合并规则选择总和,匹配选项选择Contains,输出要素即为目标区域内餐饮垃圾产废图谱,如图4所示。同时可根据相同步骤,输出目标区域内餐饮单位热力分布图,如图3所示。餐饮单位热力分布图与餐饮垃圾产废图谱应具有一定相似性。
S8、基础餐饮单位的POI数据库应定期更新,对新增餐饮单位的预测产废区间应加入图谱绘画,对歇业、退出餐饮单位的预测产废区间应从图谱中剔除。同时,对目标区域可划分为若干典型片区,通过对典型片区中典型单位进行收运数据跟踪,可获知实际收运数据与预测区间的统计关系。以此统计关系作为该典型片区改进预测区间与原有预测区间的统计关系,可进一步精确区间范围。
综上所述,本实施例方法相对于现有技术,具有如下有益效果:结合了网络爬虫与实地、问卷调研的方式,兼顾了数据广泛性与当地特征性,将数据分为动态数据与静态数据,基于K-means-RBF网络分别构建了动态运营模型与静态预测模型,提出了区间化预测餐饮垃圾的方法,最后采取网格空间分析的方法,精细化绘画了餐饮垃圾产排图谱。
本实施例还提供一种餐饮垃圾精细化产排图谱的绘制系统,包括:
数据获取模块,用于获取目标区域内餐饮单位的POI数据,根据POI数据获取餐饮单位的静态数据与动态数据;
产排区分模块,用于利用动态数据构建基于RBF神经网络的运营模拟模型,用于获取餐饮垃圾的变化区间,根据变化区间结果划定餐饮垃圾的产排区间;
产排绘图模块,用于根据产排区间对静态数据处理,利用处理后的静态数据构建基于K-means-RBF神经网络的餐饮垃圾预测模型,基于模型的预测结果,利用GIS软件的空间分析功能绘画餐饮垃圾的产排图谱。
本实施例的一种餐饮垃圾精细化产排图谱的绘制系统,可执行本发明方法实施例所提供的一种餐饮垃圾精细化产排图谱的绘制方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本实施例还提供一种餐饮垃圾精细化产排图谱的绘制装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现图1所示方法。
本实施例的一种餐饮垃圾精细化产排图谱的绘制装置,可执行本发明方法实施例所提供的一种餐饮垃圾精细化产排图谱的绘制方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
本实施例还提供了一种存储介质,存储有可执行本发明方法实施例所提供的一种餐饮垃圾精细化产排图谱的绘制方法的指令或程序,当运行该指令或程序时,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种餐饮垃圾精细化产排图谱的绘制方法,其特征在于,包括以下步骤:
获取目标区域内餐饮单位的POI数据,根据POI数据获取餐饮单位的静态数据与动态数据;
利用动态数据构建基于RBF神经网络的运营模拟模型,用于获取餐饮垃圾的变化区间,根据变化区间结果划定餐饮垃圾的产排区间;
根据产排区间对静态数据处理,利用处理后的静态数据构建基于K-means-RBF神经网络的餐饮垃圾预测模型,基于模型的预测结果,利用GIS软件的空间分析功能绘画餐饮垃圾的产排图谱;
所述运营模拟模型以三个动态数据及餐位数作为输入参数,以餐饮垃圾的产排量作为输出参数;
所述运营模拟模型通过将动态数据以单独变化、两两组合变化、全部变化的方式模拟不同运营情景,以产排量的波动值作为产排区间间隔;
其中,所述三个动态数据为餐饮单位的预设时段的客流量、营业额、备料量;
所述基于K-means-RBF神经网络的餐饮垃圾预测模型,以静态数据作为输入参数,以餐饮垃圾的产排量作为输出参数;
其中,所述静态数据为餐饮单位类型、餐位数、人均消费。
2.根据权利要求1所述的一种餐饮垃圾精细化产排图谱的绘制方法,其特征在于,所述绘制方法还包括以下步骤:
获取实际的垃圾收运数据,定期更新餐饮单位的数据库,以提高图谱的准确度;
其中,所述定期更新餐饮单位的数据库,包括:
将新增餐饮单位的预测产排区间加入产排图谱,将歇业、退出餐饮单位的预测产排区间应从产排图谱中剔除。
3.根据权利要求1所述的一种餐饮垃圾精细化产排图谱的绘制方法,其特征在于,所述根据产排区间对静态数据处理,包括:
根据产排区间将静态数据中的餐位数、人均消费划分成相应区间,并采用由小到大的方式进行编号,以数据所在区间编号代替原有数据;
餐饮垃圾的产排量采用独热编码,以使预测结果以产废区间的形成呈现;
所述餐饮垃圾预测模型的训练过程中,通过K-means聚类算法求出中心,根据中心计算方差;
采用有监督学习方式获取模型的其他参数;
其中,餐饮垃圾预测模型中所采用的RBF网络具有1个隐藏层以及10个隐藏神经元。
4.根据权利要求1所述的一种餐饮垃圾精细化产排图谱的绘制方法,其特征在于,所述绘画餐饮垃圾的产排图谱,包括:
根据图谱的分辨率构建空间网格,以网格内餐饮企业的产排区间叠加而成的总区间作为该网格的产排区间。
5.根据权利要求2所述的一种餐饮垃圾精细化产排图谱的绘制方法,其特征在于,所述定期更新餐饮单位的数据库还包括:
将目标区域划分为若干个具有相似特征的典型区域,从典型区域选取典型餐饮企业进行跟踪,以典型餐饮企业的实际收运数据与预测区间的特征系数作为该典型区域内所有餐饮企业的特征系数。
6.一种餐饮垃圾精细化产排图谱的绘制系统,其特征在于,包括:
数据获取模块,用于获取目标区域内餐饮单位的POI数据,根据POI数据获取餐饮单位的静态数据与动态数据;
产排区分模块,用于利用动态数据构建基于RBF神经网络的运营模拟模型,用于获取餐饮垃圾的变化区间,根据变化区间结果划定餐饮垃圾的产排区间;
产排绘图模块,用于根据产排区间对静态数据处理,利用处理后的静态数据构建基于K-means-RBF神经网络的餐饮垃圾预测模型,基于模型的预测结果,利用GIS软件的空间分析功能绘画餐饮垃圾的产排图谱;
所述运营模拟模型以三个动态数据及餐位数作为输入参数,以餐饮垃圾的产排量作为输出参数;
所述运营模拟模型通过将动态数据以单独变化、两两组合变化、全部变化的方式模拟不同运营情景,以产排量的波动值作为产排区间间隔;
其中,所述三个动态数据为餐饮单位的预设时段的客流量、营业额、备料量;
所述基于K-means-RBF神经网络的餐饮垃圾预测模型,以静态数据作为输入参数,以餐饮垃圾的产排量作为输出参数;
其中,所述静态数据为餐饮单位类型、餐位数、人均消费。
7.一种餐饮垃圾精细化产排图谱的绘制装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现权利要求1-5任一项所述方法。
8.一种存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-5任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643286.5A CN113379569B (zh) | 2021-06-09 | 2021-06-09 | 餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110643286.5A CN113379569B (zh) | 2021-06-09 | 2021-06-09 | 餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379569A CN113379569A (zh) | 2021-09-10 |
CN113379569B true CN113379569B (zh) | 2022-10-21 |
Family
ID=77573234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110643286.5A Active CN113379569B (zh) | 2021-06-09 | 2021-06-09 | 餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379569B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391398B (zh) * | 2023-12-06 | 2024-05-28 | 鲁控数字技术(山东)有限公司 | 基于大数据的城市餐厨垃圾综合管理系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138668A (zh) * | 2015-09-06 | 2015-12-09 | 中山大学 | 基于poi数据的城市商业中心与零售业态集聚区识别方法 |
CN106684885A (zh) * | 2016-08-30 | 2017-05-17 | 上海交通大学 | 基于多场景分析的风电机组配电网无功优化方法 |
CN107423811A (zh) * | 2017-07-04 | 2017-12-01 | 河海大学 | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 |
CN108182495A (zh) * | 2017-12-29 | 2018-06-19 | 青岛图环视信息技术有限公司 | 餐饮单位的垃圾产生量异常检测方法和系统 |
CN109214423A (zh) * | 2018-08-02 | 2019-01-15 | 南京财经大学 | 一种基于动静态数据融合的食品质量判别分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9262124B2 (en) * | 2011-11-21 | 2016-02-16 | International Business Machines Corporation | Natural disaster forecasting |
CN109376969A (zh) * | 2018-12-14 | 2019-02-22 | 中南大学 | 基于深度学习的城市精细化人口分布动态预测方法及装置 |
-
2021
- 2021-06-09 CN CN202110643286.5A patent/CN113379569B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138668A (zh) * | 2015-09-06 | 2015-12-09 | 中山大学 | 基于poi数据的城市商业中心与零售业态集聚区识别方法 |
CN106684885A (zh) * | 2016-08-30 | 2017-05-17 | 上海交通大学 | 基于多场景分析的风电机组配电网无功优化方法 |
CN107423811A (zh) * | 2017-07-04 | 2017-12-01 | 河海大学 | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 |
CN108182495A (zh) * | 2017-12-29 | 2018-06-19 | 青岛图环视信息技术有限公司 | 餐饮单位的垃圾产生量异常检测方法和系统 |
CN109214423A (zh) * | 2018-08-02 | 2019-01-15 | 南京财经大学 | 一种基于动静态数据融合的食品质量判别分析方法 |
Non-Patent Citations (1)
Title |
---|
基于RBF网络的城市垃圾产量预测及可视化;秦绪佳;《中国环境科学》;20170415;第792-800页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379569A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Heberling et al. | Data integration enables global biodiversity synthesis | |
CN110737778B (zh) | 基于知识图谱和Transformer的专利推荐方法 | |
Guisan et al. | Predictive habitat distribution models in ecology | |
Chawla et al. | Modeling spatial dependencies for mining geospatial data | |
Pedrycz et al. | The design of free structure granular mappings: The use of the principle of justifiable granularity | |
Wang et al. | Comparative performance of logistic regression and survival analysis for detecting spatial predictors of land-use change | |
Zheng et al. | A cooperative coevolutionary biogeography-based optimizer | |
WO2020174233A1 (en) | Machine-learned model selection network planning | |
Geng et al. | The business model of intelligent manufacturing with Internet of Things and machine learning | |
Leprince et al. | Data mining cubes for buildings, a generic framework for multidimensional analytics of building performance data | |
CN111191839A (zh) | 一种换电预测方法和系统及存储介质 | |
Ho et al. | Machine learning applications in river research: Trends, opportunities and challenges | |
Xia et al. | Exploring the effects of partitioned transition rules upon urban growth simulation in a megacity region: A comparative study of cellular automata-based models in the Greater Wuhan Area | |
Mohammadi et al. | A genetic algorithm for simultaneous lotsizing and sequencing of the permutation flow shops with sequence-dependent setups | |
Zhu et al. | Integration of rough set and neural network ensemble to predict the configuration performance of a modular product family | |
CN113379569B (zh) | 餐饮垃圾精细化产排图谱的绘制方法、系统、装置及介质 | |
Suárez‐Seoane et al. | Scale dependence of spatial patterns and cartography on the detection of landscape change: relationships with species’ perception | |
Zhu et al. | Unveiling the knowledge structure of technological forecasting and social change (1969–2020) through an NMF-based hierarchical topic model | |
CN112364093A (zh) | 一种学习型大数据可视化方法及系统 | |
Zhang et al. | Mining multiple data sources: local pattern analysis | |
Gomonov et al. | Clustering of EU countries by the level of circular economy: An object-oriented approach | |
CN117314266B (zh) | 一种基于超图注意力机制的新型科技人才智能评价方法 | |
Huang et al. | Modeling of coal and gangue volume based on shape clustering and image analysis | |
Keenan | Changes in DSS disciplines in the Web of Science | |
Radermacher et al. | Trends in environmental information processing |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |