本發(fā)明涉及垃圾產(chǎn)生量預(yù)測(cè)方法。
背景技術(shù)：
近年我國(guó)經(jīng)濟(jì)迅猛發(fā)展，人們的生活消費(fèi)水平也隨之大大提高，不過人們?nèi)粘Ｉ罾堪殡S著人們生活消費(fèi)水平的提高呈現(xiàn)逐漸遞增的趨勢(shì)，甚至出現(xiàn)了“垃圾圍城”的現(xiàn)象。對(duì)垃圾產(chǎn)生量的有效預(yù)測(cè)能夠幫助環(huán)衛(wèi)部門制定合理的環(huán)衛(wèi)決策，因此，對(duì)垃圾產(chǎn)生量的預(yù)測(cè)具有現(xiàn)實(shí)意義。
垃圾產(chǎn)生量影響因素的確定會(huì)直接影響垃圾產(chǎn)生量預(yù)測(cè)結(jié)果，所以影響因素的確定是非常關(guān)鍵的。通常可以通過分析相關(guān)性進(jìn)行變量選擇。多變量信息基于信息熵理論，既能描述線性關(guān)系，又能描述變量間的非線性關(guān)系，且其能夠同時(shí)衡量相關(guān)性和冗余性。常見的預(yù)測(cè)方法有多元線性回歸分析法、灰色系統(tǒng)模型、組合預(yù)測(cè)法等，這些方法由于沒考慮相關(guān)因素的變動(dòng)對(duì)預(yù)測(cè)模型的影響，導(dǎo)致預(yù)測(cè)精度不太高。多元線性回歸分析方法容易出現(xiàn)多重共線性導(dǎo)致預(yù)測(cè)失真。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法具有良好的非線性映射能力及自適應(yīng)、自學(xué)習(xí)和良好的泛化能力。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明要克服現(xiàn)有技術(shù)的上述缺點(diǎn)，提供一種基于多變量信息及徑向基函數(shù)網(wǎng)絡(luò)的有效的垃圾產(chǎn)生量預(yù)測(cè)算法，既考慮影響因素與垃圾產(chǎn)生量之間的相關(guān)性，又考慮到影響因素間的冗余性，并且提高預(yù)測(cè)的準(zhǔn)確率。
本發(fā)明的基于多變量信息及徑向基函數(shù)網(wǎng)絡(luò)的垃圾產(chǎn)生量預(yù)測(cè)方法，包括以下步驟：
1)、擬定垃圾產(chǎn)生量影響因素；
2)、基于互信息確定垃圾產(chǎn)生量影響因素；
3)、基于徑向基函數(shù)網(wǎng)絡(luò)初步預(yù)測(cè)垃圾產(chǎn)生量；
4)、垃圾產(chǎn)生量預(yù)測(cè)誤差方向修正
進(jìn)一步，所述步驟(2)由以下步驟組成：
(2.1)輸入訓(xùn)練數(shù)據(jù)集訓(xùn)練數(shù)據(jù)集u＝d(f,c),其中f表示所有的輸入變量，c表示類變量；
(2.2)初始化選擇特征集s＝φ，s為選擇特征集，φ為空集；
(2.3)確定首個(gè)特征變量。計(jì)算所有輸入變量與類變量的互信息i(fi；c)，fi∈f，選擇使互信息i(fi；c)達(dá)到最大值的輸入變量fi，將該輸入變量加入到特征集中s＝s+{fi}，并從輸入集剔除f＝f-{fi}；
(2.4)遍歷f中的所有元素，計(jì)算該元素fi與特征集s及類變量c間的多變量信息i(fi；s；c)，滿足maxi(fi；s；c)＞βi(s；c)，β是用戶自定義量，則選擇該fi，s＝s+{fi}，f＝f-{fi}
(2.5)循環(huán)步驟(2.4)直至不存在元素fi。
(2.6)輸出選擇特征集s。
進(jìn)一步，所述步驟(3)由以下步驟組成：
(3.1)樣本輸入；
(3.2)采用最小-最大變化進(jìn)行數(shù)據(jù)預(yù)處理；
(3.3)初始化徑向基函數(shù)網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)個(gè)數(shù)k；
(3.4)采用k-means++聚類確定網(wǎng)絡(luò)聚類中心點(diǎn)；
(3.5)確定徑向基函數(shù)擴(kuò)展常數(shù)及初始化權(quán)值；
(3.6)計(jì)算徑向基函數(shù)網(wǎng)絡(luò)輸出；
(3.7)計(jì)算當(dāng)前預(yù)測(cè)值與真實(shí)值之間的方差，若方差小于設(shè)定的最小方差或者當(dāng)?shù)螖?shù)達(dá)到總迭代次數(shù)時(shí)，則終止徑向基網(wǎng)絡(luò)訓(xùn)練；否則采用梯度下降法修正中心、擴(kuò)展常數(shù)及權(quán)值，進(jìn)入步驟(3.6)；
進(jìn)一步，所述步驟(4)由以下步驟組成：
(4.1)計(jì)算每個(gè)省份在徑向基函數(shù)網(wǎng)絡(luò)初始預(yù)測(cè)后的相對(duì)平均誤差，公式如下：
m為輸入樣本的數(shù)量，y為樣本實(shí)際值；y'徑向基函數(shù)網(wǎng)絡(luò)初始預(yù)測(cè)值，
(4.2)通過如下公式計(jì)算修正后的預(yù)測(cè)值：
y”為誤差反向修正后的預(yù)測(cè)值，y'為徑向基函數(shù)網(wǎng)絡(luò)初始預(yù)測(cè)值。
本發(fā)明的技術(shù)構(gòu)思是：選擇影響因素時(shí)，需要平行相關(guān)性和冗余性，使最大相關(guān)性最小冗余性，多變量信息能夠同時(shí)衡量相關(guān)性和冗余性。預(yù)測(cè)垃圾產(chǎn)生量時(shí)，需要盡可能提高預(yù)測(cè)的準(zhǔn)確率，采用誤差修正的方式從而提高預(yù)測(cè)的準(zhǔn)確率。
本發(fā)明的優(yōu)點(diǎn)是：影響因素確定時(shí)，既考慮了相關(guān)性又考慮了冗余性，算法能夠較好地預(yù)測(cè)各省份垃圾產(chǎn)生量。
附圖說明
圖1是本發(fā)明的總的流程圖
具體實(shí)施方式
下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。
參照?qǐng)D1，基于多變量信息及徑向基函數(shù)網(wǎng)絡(luò)的垃圾產(chǎn)生量預(yù)測(cè)算法，包括以下步驟：
1)、擬定垃圾產(chǎn)生量影響因素；
2)、基于多變量信息確定垃圾產(chǎn)生量影響因素。過程如下：
(2.1)輸入訓(xùn)練數(shù)據(jù)集訓(xùn)練數(shù)據(jù)集u＝d(f,c),其中f表示所有的輸入變量，c表示類變量；
(2.2)初始化選擇特征集s＝φ，s為選擇特征集，φ為空集；
(2.3)確定首個(gè)特征變量。計(jì)算所有輸入變量與類變量的互信息i(fi；c)，fi∈f，選擇使互信息i(fi；c)達(dá)到最大值的輸入變量fi，將該輸入變量加入到特征集中s＝s+{fi}，并從輸入集剔除f＝f-{fi}；
(2.4)遍歷f中的所有元素，計(jì)算該元素fi與特征集s及類變量c間的多變量信息i(fi；s；c)，滿足maxi(fi；s；c)＞βi(s；c)，β是用戶自定義量，則選擇該fi，s＝s+{fi}，f＝f-{fi}
(2.5)循環(huán)步驟(2.4)直至不存在元素fi。
(2.6)輸出選擇特征集s。
3)、基于徑向基函數(shù)網(wǎng)絡(luò)初步預(yù)測(cè)垃圾產(chǎn)生量。過程如下：
(3.1)樣本輸入；
(3.2)采用最小-最大變化進(jìn)行數(shù)據(jù)預(yù)處理；
(3.3)初始化徑向基函數(shù)網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)個(gè)數(shù)k；
(3.4)采用k-means++聚類確定網(wǎng)絡(luò)聚類中心點(diǎn)；
(3.5)確定徑向基函數(shù)擴(kuò)展常數(shù)及初始化權(quán)值；
(3.6)計(jì)算徑向基函數(shù)網(wǎng)絡(luò)輸出；
(3.7)計(jì)算當(dāng)前預(yù)測(cè)值與真實(shí)值之間的方差，若方差小于設(shè)定的最小方差或者當(dāng)?shù)螖?shù)達(dá)到總迭代次數(shù)時(shí)，則終止徑向基網(wǎng)絡(luò)訓(xùn)練；否則采用梯度下降法修正中心、擴(kuò)展常數(shù)及權(quán)值，進(jìn)入步驟(3.6)；
4)、垃圾產(chǎn)生量預(yù)測(cè)誤差反向修正。過程如下：
(4.1)計(jì)算每個(gè)省份在徑向基函數(shù)網(wǎng)絡(luò)初始預(yù)測(cè)后的相對(duì)平均誤差，公式如下：
m為輸入樣本的數(shù)量，y為樣本實(shí)際值；y'徑向基函數(shù)網(wǎng)絡(luò)初始預(yù)測(cè)值，
(4.2)通過如下公式計(jì)算修正后的預(yù)測(cè)值：
y”為誤差反向修正后的預(yù)測(cè)值，y'為徑向基函數(shù)網(wǎng)絡(luò)初始預(yù)測(cè)值。