CN114742302A - 基于lstm多变量时序预测的节假日生活垃圾产量反演方法 - Google Patents
基于lstm多变量时序预测的节假日生活垃圾产量反演方法 Download PDFInfo
- Publication number
- CN114742302A CN114742302A CN202210404678.0A CN202210404678A CN114742302A CN 114742302 A CN114742302 A CN 114742302A CN 202210404678 A CN202210404678 A CN 202210404678A CN 114742302 A CN114742302 A CN 114742302A
- Authority
- CN
- China
- Prior art keywords
- garbage
- yield
- inversion
- data
- lstm
- 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
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 238000011160 research Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 5
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000007670 refining Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 239000010791 domestic waste Substances 0.000 description 2
- 239000010806 kitchen waste Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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
- 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
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (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
基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，涉及市政工程、环境工程、遥感技术、数学建模与计算机技术交叉领域。本发明是为了解决目前的垃圾产量预测方法无法预测各个种类的垃圾产量从而导致预测节假日垃圾产量准确率低进而无法合理安排节假日垃圾处理装置的问题。本发明包括：将待预测时间点的特征数据输入最优反演分析模型中获得待预测时间点的垃圾总产量；待预测时间的特征数据包括：月、年份、经济总值与三类产业总值、人口、节假日；构建逆转差分函数与逆转MinMaxScaler函数，将待预测时间点的垃圾总产量输入逆转差分函数与逆转MinMaxScaler函数中，获得预测时间点的每类垃圾月产量。本发明用于细化预测各个类型垃圾的产量。
Description
技术领域
本发明涉及市政工程、环境工程、遥感技术、数学建模与计算机技术交叉领域，特别涉及基于LSTM多变量时序预测的节假日生活垃圾产量反演方法。
背景技术
随着社会的发展，垃圾的产量越来越多，对生活垃圾的处理成为专家研究的课题，因此生活垃圾管理应运而生。生活垃圾规划管理已经在国内外发展为了重要的新兴产业，因此如何根据垃圾的产量合理安排垃圾处理装置引发了广泛的关注。渐渐地，本领域技术人员发现垃圾的产量并不总是一致的，因此需要对未来一段时间的垃圾产量进行预测，再根据预测的产量合理布置垃圾处理装置。因此如何对垃圾产量预测成为本领域的研究重点。
目前本领域专家已经实现了利用神经网络预测未来一段时间内的生活垃圾产量。但是目前的垃圾产量预测方法只能粗略地预测出总的产量，并不能单独预测出各个组分的产量。而生活垃圾的产生与组分，直接关乎了生活垃圾后期的收集、运输、处理的资源配置情况，垃圾产量与组分特征，往往由于各种外界影响而产生变化，在节假日场景下的返乡潮、旅游潮等带来的巨大人流量差异会对生活垃圾的组分特征产生明显的影响，在垃圾分类场景下，尤其值得广泛的关注，以便不同种类，不同组分特征的生活垃圾相关处理或者回收资源的提前配置。因此目前的垃圾产量预测方法仅能预测垃圾的总产量而无法预测各个种类的垃圾产量会导致在节假日这种垃圾产量波动大的时期预测无法准确预测垃圾产量，从而造成无法合理安排垃圾处理装置布局。
发明内容
本发明目的是为了解决目前的垃圾产量预测方法无法预测各个种类的垃圾产量从而导致对包含节假日的月份垃圾产量预测准确率低进而无法合理安排节假日垃圾处理装置的问题，而提出了基于LSTM多变量时序预测的节假日生活垃圾产量反演方法。
基于LSTM多变量时序预测的节假日生活垃圾产量反演方法具体过程为：
S1、将待预测时间点的特征数据输入到生活垃圾反演分析模型中获得待预测时间点的垃圾总产量；
所述待预测时间点的特征数据包括：月、年份、经济总值与三类产业总值、人口、节假日；
所述生活垃圾反演分析模型为LSTM模型；
S2、构建逆转差分函数与逆转MinMaxScaler函数，将S1获得的待预测时间点的垃圾总产量输入逆转差分函数与逆转MinMaxScaler函数中，获得预测时间点的每类垃圾月产量；
垃圾类型包括：垃圾、湿垃圾、有害垃圾、其他垃圾。
本发明的有益效果为：
本发明利用LSTM算法善于解决时间序列分析的特点，综合了生活垃圾时间预测过程中的各类影响因素，生成了不同种类垃圾产量的时间序列预测结果；创新性的选择用于垃圾时间产量变化的节假日与地区等特征，并构建了独有的模型分析结构，从而获得分区域、分月份的各类垃圾预测结果，且充分结合了经济社会发展与节假日波动特征，得到了包含节假日影响在内的月度各个种类的垃圾预测结果，提升了对于包含节假日的月份垃圾产量预测的准确率，为城市环保卫生以及生活垃圾分类处理、源头减量的发展规划提供客观合理的建议，同时也可以合理布置节假日的垃圾处理装置。
附图说明
图1为本发明流程图。
具体实施方式
具体实施方式一：本实施方式基于LSTM多变量时序预测的节假日生活垃圾产量反演方法具体过程如图1所示，包括以下步骤：
步骤一、获取研究区域垃圾产量预测数据集：
步骤一一、获取研究区域相关数据集；
所述研究区域相关数据集包括：同等时间长度的研究区域的各级区县行政区划数据、区县名称、年度人口数据、年度经济数据、分区分月的干垃圾、湿垃圾、有害垃圾、其他垃圾的分类产量数据；
步骤一二、将研究区域相关数据集基于时间关系进行数据索引获得研究区域垃圾产量预测数据集。
步骤二、利用步骤一获取的研究区域垃圾产量预测数据集获取以月为尺度波动的产量预测反演分析自变量构成的数据集：
步骤二一、利用ONE-HOT独热编码方法将研究区域垃圾产量预测数据集中研究区域的区县名称对应的数据列从类别变量转化为数值变量获得转换后的研究区域垃圾产量预测数据集A；
步骤二二、基于数据时间数据索引，将月份、该月所在季节、该月包含节日、该月包含天数作为分析变量加入数据集A获得以月为尺度波动的产量预测反演分析自变量构成的数据集；
其中将该月包含节日的类型使用ONE-HOT独热编码方法，将该月包含节日的类型由的类别变量转化为数值变量，
节日类型包含：春节、劳动节、端午节、中秋节、国庆节、元旦、圣诞节等带来较大居民生活节奏波动的节日。
步骤三、利用步骤二获得的以月为尺度波动的产量预测反演分析自变量构成的数据集获取以年为尺度波动的反演分析自变量构成的数据集：
研究区域全年的经济生产总值、三类产业总值、人口与以月为尺度波动的产量预测反演分析自变量构成的数据集中共同构成以年为尺度波动的反演分析自变量构成的数据集。
步骤四、构建反演分析模型，利用步骤三获得的以年为尺度波动的反演分析自变量构成的数据集获取训练好的反演分析模型，并对训练好的反演分析模型进行测试和验证，获得生活垃圾反演分析模型：
步骤四一、构建Python函数的np.diff()函数，计算以年为尺度波动的反演分析自变量构成的数据集中各个特征的差分转化值，将差分转化值代替原有数据集，获得生活垃圾差分影响数据列；
将上一年数据特征的每一列的值转化为与本年各项数据的差值；
步骤四二、基于MinMaxScaler函数，对生活垃圾差分影响数据列中的所有数据进行量纲标准归一化操作，保证模型拟合过程中的可用性；
其中，MinMaxScaler函数为现有技术，本发明不进行详细赘述。
步骤四三、将归一化后的生活垃圾差分影响数据列划分为训练集和测试集；
步骤四四、构建LSTM模型，利用归一化后的生活垃圾差分影响数据列对LSTM模型拟合训练获得训练好的反演分析模型；
其中，归一化后的生活垃圾差分影响数据列中60％数据作为训练集用于训练模型，30％数据作为测试集用于测试模型，进行调优迭代，最后剩余10％的数据作为验证集模型用于训练结果的验证；
所述LSTM模型神经元个数设置为4、训练次数设置为3；
步骤四五、利用测试集采用K-Fold的5叉验证方法，以MAPE(平均绝对百分误差)为训练目标参数，对训练好的反演分析模型进行迭代优化测试，直至MAPE最小，获得最优反演分析模型；
步骤四六、利用验证集对最优反演分析模型进行验证，输入验证集中的特征进入调试好的反演分析模型，通过验证结果对模型效果进行评估，当模型精度不理想即MAPE≥20％时，对模型再次进行超参数调优，直至构建完善的预测模型即MAPE<20％获得生活垃圾反演分析模型。
步骤五、将待预测时间点的特征数据输入到生活垃圾反演分析模型中获得待预测时间点的垃圾总产量；
所述待预测时间点的特征数据包括：月、年份、经济总值与三类产业总值、人口、节假日；
其中，经济总值、产业总值、人口，可以基于应用城市的发展规划、以及线性预测，或者经济社会管理领域的相关专业预测方法得出。
步骤六、构建逆转差分函数与逆转MinMaxScaler函数，将步骤六得到的待预测时间点的垃圾总产量输入到逆转差分函数与逆转MinMaxScaler函数中，获得预测时间点的每类垃圾月产量，为研究区域的环卫宏观规划提供建议。
具体实施方式二：基于LSTM多变量时序预测的节假日生活垃圾产量反演系统用于实现基于LSTM多变量时序预测的节假日生活垃圾产量反演方法。
实施例：将具体实施方式所述的方法应用于北京10年内不同种类生活垃圾收集能力分析的研究，具体实施过程如下：
(1)数据采集：
首先，整合垃圾产量数据，时间尺度包含2010年1月-2020年12月，包含当地各个区的垃圾总产量、餐饮厨余、生活厨余量的变化情况；
(2)数据格式转换
基于独热编码法，对于春节、劳动节、端午节、中秋节、国庆节、元旦、圣诞节等节假日与地区名称进行格式转化，服务于模型的输入；
(3)加入人口经济数据
于北京市统计年鉴中获取各区的人口、经济变化状况，根据对应的事件，加入到数据集中。
(4)差分转化
构建Python函数，计算各个特征的差分转化，将差分转化值代替原有数据集；
(5)量纲标准归一化
基于MinMaxScaler函数，对所有数据进行量纲标准归一化操作，保证模型拟合过程中的可用性
(6)训练LSTM模型
于原数据集中选取60％数据用于训练模型，使用30％数据进行测试模型，进行调优迭代，最后剩余10％模型用于训练结果的验证，获得MAE为87.65％的结果，模型结果较为可信
(7)进行模型预测
输入2021-2023的各项预测用特征数值，构建逆转差分函数与逆转MinMaxScaler函数，将得到的预测值转化为分类的垃圾月产量值。获取了当地各个区2021-2023年每个月份的垃圾产量情况。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，其特征在于所述方法具体过程为：
S1、将待预测时间点的特征数据输入到生活垃圾反演分析模型中获得待预测时间点的垃圾总产量；
所述待预测时间点的特征数据包括：月、年份、经济总值与三类产业总值、人口、节假日；
所述生活垃圾反演分析模型为LSTM模型；
S2、构建逆转差分函数与逆转MinMaxScaler函数，将S1获得的待预测时间点的垃圾总产量输入逆转差分函数与逆转MinMaxScaler函数中，获得预测时间点的每类垃圾月产量；
垃圾类型包括：垃圾、湿垃圾、有害垃圾、其他垃圾。
2.根据权利要求1所述的基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，其特征在于：所述生活垃圾最优反演分析模型通过以下方式获得：
步骤一、获取研究区域垃圾产量预测数据集；
步骤二、利用步骤一获取的研究区域垃圾产量预测数据集获取以月为尺度波动的产量预测反演分析自变量构成的数据集；
步骤三、利用步骤二获得的以月为尺度波动的产量预测反演分析自变量构成的数据集获取以年为尺度波动的反演分析自变量构成的数据集；
步骤四、构建反演分析模型，利用步骤三获得的以年为尺度波动的反演分析自变量构成的数据集训练反演分析模型获取训练好的反演分析模型，并对训练好的反演分析模型进行测试和验证，获得生活垃圾反演分析模型。
3.根据权利要求2所述的基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，其特征在于：所述步骤一中的获取研究区域垃圾产量预测数据集，包括以下步骤：
步骤一一、获取研究区域相关数据集；
所述研究区域相关数据集包括：同等时间长度研究区域的各级区县行政区划数据、区县名称、年度人口数据、年度经济数据、分区分月的干垃圾、湿垃圾、有害垃圾、其他垃圾的分类产量数据；
步骤一二、将研究区域相关数据集基于时间关系进行数据索引获得研究区域垃圾产量预测数据集。
4.根据权利要求3所述的基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，其特征在于：所述步骤二中的利用步骤一获取的研究区域垃圾产量预测数据集获取以月为尺度波动的产量预测反演分析自变量，包括以下步骤：
步骤二一、利用ONE-HOT独热编码方法将研究区域垃圾产量预测数据集中研究区域的区县名称对应的数据列从类别变量转化为数值变量获得转换后的研究区域垃圾产量预测数据集A；
步骤二二、基于数据时间数据索引，将月份、该月所在季节、该月包含节日、该月包含天数作为分析变量加入数据集A获得以月为尺度波动的预测数据集；
该月包含节日类型为数值变量。
5.根据权利要求4所述的基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，其特征在于：所述步骤三中的利用步骤二获得的以月为尺度波动的产量预测反演分析自变量构成的数据集获取以年为尺度波动的反演分析自变量构成的数据集，具体为：将研究区域全年的经济生产总值、三类产业总值、人口与以月为尺度波动的产量预测反演分析自变量构成的数据集共同组成以年为尺度波动的反演分析自变量构成的数据集。
6.根据权利要求5所述的基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，其特征在于：所述步骤四中的构建反演分析模型，利用步骤三获得的以年为尺度波动的反演分析自变量构成的数据集训练反演分析模型，获取训练好的反演分析模型，并对训练好的反演分析模型进行测试和验证，获得生活垃圾反演分析模型，包括以下步骤：
步骤四一、计算以年为尺度波动的反演分析自变量构成的数据集中各个特征的差分转化值，获得生活垃圾差分影响数据列；
步骤四二、对生活垃圾差分影响数据列中的所有数据进行量纲标准归一化操作，获得归一化后的生活垃圾差分影响数据列；
步骤四三、将归一化后的生活垃圾差分影响数据列划分为训练集、测试集、验证集；
步骤四四、构建LSTM模型，利用训练集对LSTM模型拟合训练获得训练好的反演分析模型；
步骤四五、利用测试集采用K-Fold的5叉验证方法，以MAPE为目标参数，对训练好的反演分析模型进行迭代优化测试，MAPE最小的反演分析模型即为最优反演分析模型；
步骤四六、将验证集中的特征输入最优反演分析模型，获得验证结果并计算验证MAPE值，当MAPE≥20％时，对模型进行超参数调优直至MAPE<20％，获得生活垃圾反演分析模型。
7.根据权利要求6所述的基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，其特征在于：所述步骤四二中的对生活垃圾差分影响数据列中的所有数据进行量纲标准归一化操作采用MinMaxScaler函数。
8.根据权利要求7所述的基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，其特征在于：所述步骤四三中的训练集：测试集：验证集＝6:3:1。
9.根据权利要求8所述的基于LSTM多变量时序预测的节假日生活垃圾产量反演方法，其特征在于：所述步骤四四中的LSTM模型神经元个数为4、训练次数为3。
10.基于LSTM多变量时序预测的节假日生活垃圾产量反演系统，其特征在于：所述系统用于实现权利要求1-9任一项所述的基于LSTM多变量时序预测的节假日生活垃圾产量反演方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210404678.0A CN114742302A (zh) | 2022-04-18 | 2022-04-18 | 基于lstm多变量时序预测的节假日生活垃圾产量反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210404678.0A CN114742302A (zh) | 2022-04-18 | 2022-04-18 | 基于lstm多变量时序预测的节假日生活垃圾产量反演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114742302A true CN114742302A (zh) | 2022-07-12 |
Family
ID=82280734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210404678.0A Pending CN114742302A (zh) | 2022-04-18 | 2022-04-18 | 基于lstm多变量时序预测的节假日生活垃圾产量反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114742302A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115983504A (zh) * | 2023-03-18 | 2023-04-18 | 中环洁集团股份有限公司 | 一种道路垃圾点位预测方法、系统、设备以及存储介质 |
| 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 |
| CN116167585A (zh) * | 2023-02-23 | 2023-05-26 | 三一环境产业有限公司 | 应用于垃圾运收的数据处理方法、装置、设备及调度系统 |
| CN117078024A (zh) * | 2023-10-17 | 2023-11-17 | 南京进唯智能科技有限公司 | 一种基于视频分析的危废数量变化检测系统及方法 |
| CN117575193A (zh) * | 2023-10-19 | 2024-02-20 | 深圳市金地物业管理有限公司 | 一种基于Prophet模型保洁作业时刻预测方法 |
-
2022
- 2022-04-18 CN CN202210404678.0A patent/CN114742302A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167585A (zh) * | 2023-02-23 | 2023-05-26 | 三一环境产业有限公司 | 应用于垃圾运收的数据处理方法、装置、设备及调度系统 |
| 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 |
| CN115983504A (zh) * | 2023-03-18 | 2023-04-18 | 中环洁集团股份有限公司 | 一种道路垃圾点位预测方法、系统、设备以及存储介质 |
| CN117078024A (zh) * | 2023-10-17 | 2023-11-17 | 南京进唯智能科技有限公司 | 一种基于视频分析的危废数量变化检测系统及方法 |
| CN117078024B (zh) * | 2023-10-17 | 2024-02-09 | 南京进唯智能科技有限公司 | 一种基于视频分析的危废数量变化检测系统及方法 |
| CN117575193A (zh) * | 2023-10-19 | 2024-02-20 | 深圳市金地物业管理有限公司 | 一种基于Prophet模型保洁作业时刻预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114742302A (zh) | 基于lstm多变量时序预测的节假日生活垃圾产量反演方法 | |
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
| Ridha et al. | Complexity profiles: A large-scale review of energy system models in terms of complexity | |
| Xie | Explanations about grey information and framework of grey system modeling | |
| CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
| Gao et al. | An adaptive deep-learning load forecasting framework by integrating transformer and domain knowledge | |
| CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
| Xu et al. | An enhanced fuzzy robust optimization model for regional solid waste management under uncertainty | |
| Šebalj et al. | Analysis of methods and techniques for prediction of natural gas consumption: a literature review | |
| Hariyani et al. | Green sukuk-based project on sustainable waste management in Indonesia | |
| Kebede et al. | Reliability evaluation of renewable power systems through distribution network power outage modelling | |
| Johnima et al. | Improvement of an Suitable Model for Predicting Municipal Solid Waste Production | |
| Song et al. | Electricity consumption forecasting for smart grid using the multi-factor back-propagation neural network | |
| CN115660152A (zh) | 一种碳排放量的预测方法 | |
| CN117876150A (zh) | 基于非侵入式负荷分解算法的短期多元综合负荷预测方法 | |
| Durmusoglu | Updating technology forecasting models using statistical control charts | |
| Perez et al. | Performance analysis of bagging feed-forward neural network for forecasting building energy demand | |
| CN116797108A (zh) | 一种考虑节水量的城市生活用水建模方法 | |
| Toussaint | Evaluation of clustering techniques for generating household energy consumption patterns in a developing country | |
| Liu et al. | Time series forecasting fusion network model based on prophet and improved LSTM | |
| Xu et al. | [Retracted] Construction and Simulation of Economic Statistics Measurement Model Based on Time Series Analysis and Forecast | |
| CN114519460A (zh) | 一种基于离散多变量灰色预测的电力预测系统 | |
| Gao et al. | Integrated Deep Neural Networks‐Based Complex System for Urban Water Management | |
| Lu et al. | Evaluation of the Complementary Characteristics for Wind-Photovoltaic-Hydro Hybrid System Considering Multiple Uncertainties in the Medium and Long Term | |
| Abdelhafidi et al. | A two-state, multi-criteria Markov chain model for stochastic solar generators |
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 |