基于GRA-BiLSTM組合模型的深圳市生活垃圾預測研究

摘要：城市生活垃圾的日益增多帶來的環境問題和能源資源瓶頸是我國面臨的重要挑戰。為保證城市生活垃圾的有效管理，以深圳市作為研究對象，首先，構建灰色關聯度分析與雙向長短期記憶神經網絡組合模型（GRA-BiLSTM）；其次，運用灰色關聯度分析方法篩選關聯度較高的指標作為模型的輸入指標；最后，對深圳市2021—2035年城市生活垃圾清運量進行預測。結果表明，組合模型GRA-BiLSTM對預測深圳市城市生活垃圾清運量表現出良好的適用性，可為城市生活垃圾的管理提供參考。

關鍵詞：生活垃圾清運量預測；GRA-BiLSTM組合模型；神經網絡；可持續發展

0 引言

隨著我國城市化進程步伐的加快，城市人口日益增長，經濟繁榮，顯著增加了城市生活垃圾產量^[1]。城市生活垃圾是人類活動產生的各種固體廢物的混合物，包括食物垃圾、紙張、生物質、玻璃、金屬、塑料、橡膠和紡織品^[2]。目前，城市生活垃圾通過填埋、堆肥和焚燒的方式進行管理^[3]，特別是焚燒處理逐漸成為管理策略。垃圾焚燒處理方式更能滿足城市生活垃圾處理的減量化和無害化發展需求，未來焚燒處理方式將進一步成為生活垃圾處理的主流方向。

深圳市作為我國經濟特區，人口持續凈流入，生活垃圾清運量持續高速增長，城市生活垃圾的處理需求不斷增加。低估城市生活垃圾的產生會導致處置能力不足，對環境造成嚴重污染，而預測城市生活垃圾新技術的出現^[1]，為城市生活垃圾管理提供了有力的數據支撐。在最新的研究中，深度學習方法已逐漸應用到城市生活垃圾清運量預測過程中，但簡單的長短期記憶神經網絡模型的預測精度往往低于組合模型預測方法。本研究結合灰色關聯分析和深度學習方法的優勢，構建灰色關聯分析和雙向長短期記憶網絡模型GRA-BiLSTM，利用9個關鍵影響因素實現對2021—2035年深圳市城市生活垃圾清運量的準確預測，并提出相應的可持續發展的建議。

1 模型

1.1 GRA-BiLSTM組合模型

1.1.1 BiLSTM

在傳統長短期記憶（Long Short-Term Memory，LSTM）網絡中，輸入的時間序列數據以串聯方式處理，會丟棄未來的數據信息^[4]。與LSTM相比，雙向長短期記憶神經網絡（BiLSTM）結構充分考慮輸入數據在時間序列中的雙向關系。本文運用BiLSTM模型，通過雙向處理基于門機制獲取更多結構信息，可增強信息增益的能力^[5]。BiLSTM模型將信息按前后順序進行編碼，獲取前后數據的信息特征，從而提高泛化能力。LSTM單元從輸入序列出發，輸入序列的反形式集成到LSTM網絡中。前向層和后向層生成BiLSTM模型。雙向長短期神經記憶網絡的基本結構如圖1所示。

該模型運行公式如下

h_t=f（w₁x_t+w₂h_t－1+b）""" （1）

h′_t=f（w₃x_t+w₅h_t－1+b′）""" （2）

y_t=w₄h_t+w₆h′_t+b_y""" （3）

式中，w₁～w₆為對應的權重系數；x_t為輸入層；y_t為輸出層；h_t為前向層；h′_t為后向層；b、b′、b_y為對應的偏差向量。

1.1.2 GRA

灰色關聯度分析（GRA）是一種多因素統計分析方法^[6]，其基本思想是通過確定參考數據列和若干個比較數據列的幾何形狀相似程度來判斷二者關系，可反映指標間的關聯程度。由于系統中各因素列中的數據可能有不同的范圍和單位，不便于比較或在比較時難以得到正確的結論。因此，在進行灰色關聯度分析前要進行數據的無量綱化處理。

設參考數列x₀={x₀（1），x₀（2），…，x₀（n）}，其中，n為輸入數據個數，比較數列x_i={x_i（1），x_i（2），…，x_i（n）｝（i=0，1，2，…，m－1），其中m為所有指標數量。每個指標作為一個參考序列，其余指標序列作為比較序列。

首先，將m組指標進行均值化處理，以消除維數的影響，即

然后，計算t時刻y_i（t）和y₀（t）的灰色關聯系數，即

式中，ξ_i（t）是灰色關聯系數。調整參數ρ∈（0，1），使得各指標的關聯性增強。計算y₀和y_i兩者之間的關聯系數，即

各指標作為一個參考序列，借助式（7）計算得到每個指標的關聯系數矩陣，式（7）如下

通過計算關聯系數的平均值，作為比較序列與參考序列間關聯程度的數量，得到各指標對應的權重。綜上，關聯系數的絕對值與關聯性的強弱相對應。絕對值越大，關聯性越強；反之，關聯性越弱。

2 實驗分析

2.1 指標相關性分析

城市生活垃圾不同于其他垃圾，具有來源廣、種類雜、異質性等特點。影響城市生活垃圾產生量的因素眾多，現有研究主要集中在經濟因素、社會因素和人口因素三個方面。城市人口增長作為直接導致城市垃圾產生量的內在因素，與城市生活垃圾生成呈正相關關系。當就業人員具有一定的收入水平時，產生的濕廢物較少，干廢物較多；而當人們失業時，收入較低甚至沒有，購買力下降，城市生活垃圾的產生也將減少。

隨著城市規模擴大，經濟快速發展，城市居民經濟收入和生活水平的提高，居民消費品數量與類別增加，相應的城市生活垃圾產生量會隨之增加，因此，居民的可支配收入、消費支出及社會消費品零售總額都是城市生活垃圾產生量的重要影響因素。經研究發現，城市第三產業產值的增長與城市生活垃圾產生量呈正相關關系。

本文研究了深圳市總體城市生活垃圾產生量情況，利用1986—2020年城市生活垃圾產生量歷史數據，預測2020—2035年城市生活垃圾產生量，以此計算得到深圳市總體城市生活垃圾焚燒處理可產生的熱值。

在現有研究基礎上，本研究收集并整合了可獲得的社會、經濟和人口三大類指標12個影響因素共442筆數據，綜合構建了深圳市總體城市生活垃圾產生量的影響指標體系，其中包括5個宏觀經濟指標，可以有效反應深圳市的城市發展質量及居民消費能力，即GDP（億元）、人均可支配收入（元）、人均消費支出（元）、第三產業產值（億元）、社會消費品零售額（億元）；4個人口指標，為影響城市生活垃圾產生量的直接因素，即年末戶籍人口戶數（萬戶）、年末常住人口數（萬人）、年末就業人員（萬人）、過夜入境游客（萬人）；3個社會指標，即城市道路面積（萬平方米）、年末實有公共汽車（輛）、建成區綠化覆蓋面積（公頃）。數據均來自于深圳市統計局發布的1987—2021年《深圳統計年鑒》。

本研究將收集到的社會、經濟和人口三大類指標12個影響因素進行灰色關聯分析，指標相關性見表1?？梢钥闯?個經濟指標、4個人口指標和3個社會指標與城市生活垃圾清運量之間的關聯度排序情況。通過實驗發現，過夜入境游客與城市生活垃圾清運量的關聯性最強，建成區綠化覆蓋面積關聯性最弱。實驗結果顯示，在經濟、人口、社會三大類指標中，經濟指標與城市生活垃圾清運量的關聯度最強。為了得到更精準的預測結果，本研究選擇關聯性排序前9位的指標作為預測指標。

2.2 模型精度分析

為了能夠較為精準的預測城市生活垃圾清運量，本研究采用傳統預測模型與深度機器預測模型，進行多組對比實驗。實驗選取平均絕對誤差（MAE）、均方根誤差（RMSE）和平均絕對百分比誤差（MAPE）三個評價指標來評價所選模型的預測精度，MAE、RMSE、MAPE用來衡量模擬數據與模型數據間的差異，取值范圍為：當預測值與真實值完全吻合時，等于0；誤差越大，值越大。

平均絕對誤差計算公式如下

均方根誤差計算公式如下

平均絕對百分比誤差計算公式如下

式中，?={?₁，?₂，…，?_n}為預測值；y={y₁，y₂，…，y_n}為真實值；n為指標變量個數。

為檢驗模型預測精度，本文選取當前較為成熟且常見的機器學習模型及深度學習模型作為對比模型，即支持向量回歸（Support Vector Regression， SVR）、LSTM、門控循環單元（GRU）、灰色關聯度與支持向量回歸的組合模型（GRA-SVR）、與門控循環單元的組合模型（GRA-GRU）、與長短期記憶網絡的組合模型（GRA-LSTM）。

深度學習模型與其他模型相比，不同之處在于模型結構參數經過了優化調整，4個影響模型精度的參數分別是學習率、每層的時間步長、隱藏層數和訓練次數。每次只調整一個參數，然后觀察損失的變化，直到確定最優參數。各組模型的預測精度見表2。由實驗結果可知，灰色關聯分析處理數據對提高預測模型精度有顯著作用。在這8種預測模型中，GRA-BiLSTM模型的MAE、RMSE、MAPE的值為22.7468、28.3250、3.5882%，均低于其他模型，對深圳市城市生活垃圾清運量的預測顯出良好的適用性。

3 實驗結果

為了能夠對城市生活垃圾清運量做出更精準的預測，本研究結合所選9個指標的歷史數據和宏觀經濟的相關規劃及發展政策，充分考慮所選影響因素未來的變化趨勢，設定了低增長、基準、高增長三種情景。低增長情景即該情境的增長率是根據歷史數據合理計算經濟、社會和人口指標的最低非負增長率；基準情景即該情景的增長率是基于1986——2020年各指標年平均同比增長率；高增長情景即該情景是根據歷史數據系列的變化計算出各指標的年平均增長率，同時，將深圳市“十四五”時期的經濟社會發展目標與各指標的行業平均增長率相結合，將指標數據設定為基準增長率的1.2倍。

本研究通過對比城市生活垃圾清運量的8種預測模型，得到最優模型GRA-BiLSTM，并運用GRA-BiLSTM組合模型對深圳市15年的城市生活垃圾清運量（2021—2035年）進行預測。將三種情景的指標作為最優預測模型的輸入數據，合理預測深圳市城市生活垃圾清運量。三種情景城市生活垃圾清運量預測結果如圖2所示。低增長情景結果顯示，城市生活垃圾產量呈緩慢增長趨勢，從2020年的716萬t增長至2035年的1507.71萬t；基準情景結果顯示，深圳市城市生活垃圾清運量呈遞增趨勢，從2020年的716萬t增長至2035年的1940.53萬t；高增長情景結果顯示，城市生活垃圾清運量的變化趨勢與基準增長情景相似，但增長幅度較快，從2020年的716萬t增長至2035年2788.85萬t。綜上，到2021年深圳市城市生活垃圾清運量在792.08萬t～967.54萬t波動；到2035年，城市生活垃圾清運量將在1507.71萬t～2788.85萬t波動。

綜合現有的相關政策，深圳市政府建立的再生資源回收體系和生活垃圾分類收運體系，推動生活垃圾從源頭到末端的全過程治理，在很大程度上影響了垃圾焚燒發電的環保水平。本研究考慮深圳市的能源環境、基礎設施建設等因素，從城市生活垃圾產生和焚燒處理方面給出可持續發展的政策建議。

一方面，通過預測結果可知，深圳市生活垃圾在逐年增加，隨著城市生活垃圾清運量的增加，現有垃圾焚燒廠可能無法滿足未來城市生活垃圾的處理需求，政府應健全再生資源回收體系和生活垃圾分類收運體系，嚴格按照市政府指定的垃圾分類及處罰規定執行，鼓勵垃圾分類有獎有罰，倡導城市居民綠色低碳的生活方式，從源頭限制或減少產生生活垃圾；應考慮深圳市經濟發展、社會與環境等方面的訴求，制定關于垃圾焚燒廠等無害化處理設施的建設方案，有效促進城市生活垃圾系統的可持續管理。

另一方面，對城市生活垃圾回收利用的垃圾焚燒法仍存在一定的弊端，焚燒過程中產生大量的酸性氣體，焚燒后殘留的灰渣中含有高濃度金屬成分，如將其直接排入環境，會導致二次污染，因此需要對其做出適當的處理，應強化生活垃圾焚燒發電企業對垃圾從運輸、焚燒處理到最后灰渣、排放氣體處置全流程、全環節環境管理，建立健全焚燒飛灰、臭氣、滲濾液信息化管理體系，形成常態化監管，有效防控環境風險、防范和化解“鄰避”問題。

4 結語

城市生活垃圾的清運量不斷增長，因處理不當而造成的生態環境污染也不斷加深，逐漸制約著地區及國家經濟發展和人民幸福生活。通過建立GRA-BiLSTM組合模型精準預測深圳市城市生活垃圾清運量，得出以下兩點結論：

（1）本研究運用灰色關聯度方法分析收集的12個預測指標與城市生活垃圾清運量的關聯度，明確了指標間的相互關系，篩選出9個關聯度更高的預測指標，并將原始數據做標準化處理，可有效解決數據異常變化，有助于提高城市生活垃圾清運量的預測性能。

（2）本研究提出了以GRA-BiLSTM組合模型對深圳市城市生活垃圾清運量進行預測。結果表明，該組合預測模型的MAPE為3.5882。與機器學習和單一預測模型相比，該模型可以更準確地預測深圳市城市生活垃圾清運量。

參考文獻

[1]劉菊芳，劉玉芳.基于神經網絡的城市生活垃圾產生量預測——以新疆為例[J].新疆開放大學學報，2022，26（2）：62-67.

[2]李韻.城市生活垃圾成分和產量的統計分析[J].中國國際財經（中英文），2017（7）：239.

[3]尹玉晶.城市生活垃圾處理技術現狀與管理對策思考[J].清洗世界，2022，38（9）：190-192.

[4]丁梓瓊，湯廣李，張波濤，等.基于改進的長短期記憶神經網絡交通流預測[J].網絡安全與數據治理，2023，42（8）：52-58.

[5]曹學飛，李濟洪，王瑞波，等.基于穩健設計的雙向長短期記憶神經網絡模型的調優方法[J].應用概率統計，2022，38（3）：317-332.

[6]孫金，高化猛，齊分嶺，等.基于AHP-GRA的指揮通信系統可靠性指標體系構建[J].艦船電子工程，2023，43（2）：132-138.

收稿日期：2023-09-15

作者簡介：

劉雨欣（2000—），女，研究方向：工業工程與管理。