组合预测模型在城市垃圾产量预测中的研究与应用，本文主要内容关键词为：组合论文,产量论文,模型论文,垃圾论文,城市论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
引言
在我国，随着人民生活水平的不断提高，城镇化进程的加快，城市人口的急剧增加，目前，中国城市常住人口已超过3亿，还有相当多的流动人口，故城镇人口将从3～5亿增长到9亿，因此，城市生活垃圾的产量也将逐年增加。虽然中国城市居民人均年垃圾产生量低于大多数发达国家，但其总量却相当高。据统计，2002年全国共有城市660座，城市生活垃圾年清运量约为1.4亿t。已建各类垃圾处理场（厂）660座，全年生活垃圾无害化处理量约为7840万t。简易处理约3098万t，无害化处理率（统计数据）为58.2％。目前全国生活垃圾的年产生量已达到2亿t，每年还以10％的速度递增，历年垃圾的存量已达到66亿t，全国2／3的城市陷入垃圾的重围。由于已建垃圾处理场大多没有按建设程序设计、建设，达不到标准要求，据专家估算，垃圾真正达到无害化处理的比例不足20％。
中国城市垃圾主要由灰土、砖瓦、纸类、织物、玻璃、金属、木竹、食品等类废弃物组成。其特点是无机物含量高于有机物，不可燃成分高于可燃成分。但不同类别城市之间差别较大，中小城市垃圾的有机质含量大多在2％左右，一些大城市的垃圾有机质含量可高达8％以上。在有机成分中，以生物与厨房垃圾所占比例为大，纸张较少。因在有机类垃圾中，以厨房垃圾为主，故含水量高，同时垃圾部分采用露天容器收集，一旦下雨，垃圾被雨水淋湿，其含水量也会增高。全国大多数城市，尤其是中小城市仍以煤为主要燃料，垃圾中煤渣、土沙等无机物含量高。因此，在无机成分中，以灰土砖石为主，玻璃、金属等含量很低。中国传统的垃圾有以下特点：（1）垃圾可燃物质含量低。（2）高热值物质少，垃圾热值较低。（3）有机垃圾多且含水量高。
目前在垃圾产量预测常采用的算法有灰色预测法，指数趋势模型及线性回归分析法，这些方法都有各自的特点。传统的单个预测模型只能从某个角度提供相应的有效信息，因此利用单项预测方法进行预测的缺陷表现为信息源的不够广泛性。Bates和Granger已于1969年首次提出组合预测方法的概念。由于它能有效地提高预测精度，因此受到国内外预测工作者的重视。文献[6]从对策论的观点出发，把组合预测中各单项预测模型视为合作对策的局中人，再按Shapley值法在各单项预测模型中进行分配，从而获得组合预测权系数。文献[7]提出了四种基于相关性的组合预测方法。文献[8]对变权组合预测（VWCF）的权函数进行研究，得到变权组合预测问题误差平方和的表达形式；同时在选择逼近系数向量｛Eik｝——正交的条件下，推出权函数逼近系数之间的依赖关系，以及极小误差平方和落入的区间。本文将层次分析法应用于组合预测的权系数确定[9]，得到基于AHP[10]的组合优化模型。
一、组合预测原理[11]
二、预测模型
1.人工神经网络
人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），是对人脑或自然神经网络（Natural Neural Network）若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。人工神经网络的以下几个突出的优点：
（1）可以充分逼近任意复杂的非线性关系；
（2）所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性；
（3）采用并行分布处理方法，使得快速进行大量运算成为可能；
（4）可学习和自适应不知道或不确定的系统；
（5）能够同时处理定量、定性知识。
人工神经网络的特点和优越性，主要表现在三个方面：
第一，具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、市场预测、效益预测，其应用前途是很远大的。
第二，具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。
第三，具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。
2.灰色预测
灰色预测方法通过少量的、不完全的信息，建立灰色微分预测，对事物发展规律作出模糊性的长期描述。灰色理论认为系统的行为现象尽管是朦胧的，数据是复杂的，但它毕竟是有序的，是有整体功能的。灰数的生成，就是从杂乱中寻找出规律。同时，灰色理论建立的是生成数据模型，不是原始，因此，灰色预测的数据是通过生成数据的GM（1，1）模型所得到的预测值的逆处理结果。
3.一元线性回归模型
城市垃圾产量与城市规模、数量、城市经济的发展程度、城市人口的多少及居民的收入、消费水平等诸多因素有关。通常考虑的因素包括人口、能源结构、生活方式和消费水平等。分析这些因素与城市垃圾量的关系，对垃圾的产生量做出预测，不仅能为垃圾的综合治理提供依据，有效控制垃圾的增长，减轻环境污染，还能为城市建设规划提供适用的参考数据。
三、垃圾产量组合预测权系数确定的计算步骤
1.明确问题
首先要对问题有明确的认识。了解问题所包含因素，确定因素之间的关联关系和隶属关系。
2.建立层次结构模型
对于垃圾产量预测问题，首先利用m种单项预测模型，进行量化计算，得到各种预测模型下的预测结果，可以建立垃圾产量预测的层次结构，最高层为垃圾产量预测值；中间层包括个时期，分别t为个历史时期对预测值的影响。中间层于最低层之间的层次关系为相对于不同时期的预测精度m种不同的单项预测方法之间的比较，建立判断矩阵。
将问题所包含的因素层次，用层次框图描述层次的递阶结构和因素从属关系。本文所建层次结构为图1。
m种单项预测方法相对于不同时期权重值的计算采用归一化处理的办法，得到不同预测方法相对于某一时期的权重。
四、实例分析
为了验证上述模型与方法的实用程度，下面对国内某市垃圾产量历年统计资料进行分析与计算。围绕该市垃圾产量预测这个目标，查阅了数年的《中国统计年鉴》，获得1990－2004年垃圾产量的原始数据（单位：万吨），如表1、图2。
根据1990－1999年的数据，将2000－2004年作为预测区间，运用指数趋势模型法、灰色预测模型（GM）和一元线形回归模型所得的预测结果与实际值进行比较，如表2。
将表2中数据代入到基于AHP的垃圾产量组合预测权系数确定模型中，得m种单项预测方法在时间t的预测精度
（如表3）。归一化处理后得到层次结构图中第三层相对于第二层的权重表（表4）。再对式（1）的计算结果归一化处理，得到，不同时期的相对权重。对不同时期进行加权，得到最终3种方法的权重（表5）。从而，得最优组合预测权系数
=0.34，
=0.32，
=0.34，从而得到2000-2004年得组合预测值（如表6）。
从表7的预测效果评价指标体系来看，组合预测模型的误差指标值均低于三种单项预测模型，说明在垃圾产量预测中，组合预测方法相对于单项预测方法有较好的效果。
从上述各种单项模型对垃圾产量数据进行预测结果分析可知，各种模型预测结果之间存在。
根据上面的预测效果评价指标公式，组合预测模型和三种单项预测模型的误差指标的计算结果如表7所示。
一定的差异，但平均绝对误差都比较小，说明单项模型比较可靠。但模型各有优点和不足之处，为了将每种方法包含的有用信息全部反映在预测结果里，我们采用组合模型进行预测，以达到提高预测精度和增加预测结果可靠性的效果。
根据上述组合预测模型对该市未来几年的该城市垃圾产量进行预测，结果如表8。由组合模型的预测结果可以看出在今后一段时间内该市未来几年的垃圾产量将继续快速上升，值得有关部门注意。
五、结论
城市的垃圾系统是一个复杂的系统，采用单项预测模型难以做到充分利用已有的信息资源，预测能力欠缺。目前，垃圾的处理对世界各国都是一个难题。对于城市来说，改变燃料结构，使用清洁燃料、健全垃圾收费制度以约束居民的排污量、对垃圾按不同类别进行分装、加强废品回收等都能在一定程度上降低垃圾产生量。选择合适的方法对若干年后的垃圾年产量做出预测，对于城市的整体规划。尤其是垃圾的处理设施具有十分重大的意义。本文通过运用组合预测的方法将GM（1，1）建模所需信息少、方法简单的优点和BP神经网络具有较强的非线性映射能力的特性，以及线性回归模型的产量与人口数量具有高度相关性的特点相结合，得到了预测精度高且较为实用的两种组合预测模型。实例表明，该模型可以作为用垃圾产量预测的有效工具。