曼谷城市固体废物预测模型的开发

Nayseang Sun、Supachart Chungpaibulpatana

摘要：

城市固体废弃物（MSW）是人类活动的结果。准确预测城市生活垃圾的产生对可持续管理系统和规划至关重要。城市生活垃圾被认为是城市可再生能源发展计划的重要资源。由于发展中国家的不确定性和无法获得足够的MSW产生信息，包括当地条件的差异，因此有很多种建模方法被开发出来用来预测MSW的产生。本文的目的是通过采用线性和非线性模型来确定影响MSW生成量的影响变量，并预测曼谷未来的MSW。这两个模型中城市生活垃圾的主要影响因素是居民人数，15-59岁人口，家庭数量，每户收入和游客数量。在线性模型中，主成分分析能够减少多重共线性因素。这导致通过R2 = 0.86的逐步算法改进回归性能。在非线性模型中，通过在Matlab工具中设计适当的网络架构来进行人工神经网络（ANN）。隐藏层中具有一个神经元需求的这种方法表现出R2 = 0.96的拟合值，这比线性回归模型更好。在这些方面，人工神经网络中设计的网络可能存储在相同条件下进行进一步分析，准确度很高。本研究的所有结果都可以作为可再生能源开发和生态环境再循环工业的实体计划的一部分，这些工业需要MSW作为原料。

关键词：城市固体废物、MSW数量预测、回归分析、人工神经网络、曼谷

1. 简介

人类活动产生的固体废物是一个严重的问题，特别是在许多消费模式产生变化和不受控制的城市化的发展中国家 [1]。处理，存储和收集这些废物的方式可能会对环境和公共健康造成风险，并增加管理系统的支出。城市固体废物（MSW）管理是世界上大城市当局关注的问题。城市生活垃圾来自社区活动，如家庭，商业，机构，新鲜市场，建筑和拆除（C＆D）废物，不包括危险和传染性废物[2]。 MSW成分由有机，纸张，塑料，玻璃，金属和其他废物组成[3]。了解固体废物产生的性质，例如其数量、特征、组成，包括热值，是一项基本的管理活动。这导致了废物管理系统的规划，操作和优化。为了获得这些信息，许多研究人员收集了上一年的相关数据并预测了MSW数量。由于MSW量的预测不能直接进行并且取决于许多因素，因此需要适当的建模方法[1]。

根据废物预测模型的回顾，重点关注许多不同的变量，如居民人数，收入，家庭规模，居住类型，年龄组，就业，用电量，小费，消费者价格指数（CPI），国内生产总值产品（GDP），教育水平，文化，地理和气候[4]。为了研究变量和废物产生之间的关系，许多研究人员使用回归分析和时间序列模型[4]。

Ghinea等[5]使用回归分析和时间序列模型来预测罗马尼亚雅西的城市固体废物产生和成分。居民人数，15至59岁人口，城市预期寿命和产生的城市固体废物量等数据被用作输入变量。结果显示，年龄在15至59岁之间的人口和MSW总量是分析的重要因素，并且对废物部分的产生有很大影响。对于时间序列分析，S曲线趋势模型最适合于MSW预测总废物和废物分数。 Daskalopoulos等[6]通过使用多项式方程拟合模型，预测了欧盟国家和美国的MSW生成率和组成。输入变量是国内生产总值（GDP）和人口。结果表明，线性方程可以指示大多数分数的总体趋势，但不能给出它们的实际测量值，而多项式方程为大多数废物分数提供了最佳拟合曲线。

除了回归分析和时间序列之外，人工神经网络（ANN）也是一种流行且有用的工具，用于在数据缺失或不完整的发展中国家预测MSW生成量[1]。 Noori等[7]应用人工神经网络和多元线性回归（MRL），它基于主成分分析（PCA），预测德黑兰的固体废物产生并进行短期预测。WG的每周时间序列模型的有12个滞后时间（相当于一个季节）和一周中携带废物的卡车数量是输入数据。结果表明，与PCAMLR模型相比，非线性和动态建模技术的ANN具有更好的结果。ANN也被Antanasijević等[8]人成功用来模拟和预测保加利亚和塞尔维亚的MSW生成。结果表明，ANN可以在国家范围内应用，具有广泛的应用范围。

曼谷是发展中国家市政的一个例子，这些国家在过去几十年中面临着越来越多的浪费趋势，本文选择它作为案例研究。

1. 泰国曼谷的城市固体废物情况和管理

曼谷是泰国的首都，它分为50个区和154个分区。 曼谷的总面积为1,568,737平方公里，登记人口为570万。 然而，大约260万人的非登记人口使曼谷成为世界上人口最多的城市之一。 最重要的是，2010年有来自世界各地的3800万游客访问曼谷[9]，这导致每天在城市中产生大量的MSW。 在10年（2005年至2015年）期间，曼谷MSW产生量从8,291吨/天增加到11500吨/天或1.22千克/人/天至1.33千克/人/天[10]。 废物产生率随着人口和生活方式的变化而增加，因此减少活动可能不足以防止这些问题。 采用合适技术的可持续解决方案和中央城市生活垃圾处理或处置是减少城市生活垃圾处理成本和生产副产品能源的必要条件。 因此，应该进行MSW生成的预测，以便了解将来产生的MSW数量。 本文的目的是确定影响MSW产生量的影响因素，并制定适当的模型来预测泰国曼谷的城市固体废物量。

1. 材料和方法

下图流程图描述了此项研究的方法：

数据采集

收集可能的指标，如与废物有关的指标（城市固体废物总量），人口指标（居民总数，原住民，15-59岁的土着人口总数和15-59岁的总人口数），居住指标（2005年至2015年的家庭数量），经济指标（每户收入）和外部指标（游客数量）。表1列出了变量的定义和来源。

数据准备

丢失的数据是通过估算来处理的，其中缺失值被其他值替代。 我们使用插值技术和平均值替换还有居民总数。同时，每个家庭的收入用平均值代替，因为曼谷的每户收入调查是两年一次的。

Pearson系数的确定

Pearson相关系数用于搜索变量之间的多重共线性，如表2所示。Pearson 相关系数表显示废物产生与居民总数，15-59岁人口总数，家庭数量，每户收入和游客数量高度相关，但与当地15-59岁的人口数负相关。同时，一些变量间也具有很强的相关性。 因此，我们不是直接使用这些变量，而是将它们更改为主成分。

主成分分析（PCA）

主成分分析是多变量统计方法之一，用于减少输入变量的复杂性，并在观察数量涉及许多变量时避免多重共线性。 它解释了最少数量的主成分的最大方差。此方法将输入变量更改为主要成分，这些成分是原始变量的线性组合，并且提取的最大成分数始终等于原始变量的数量[7]。 在此案例研究中，我们有7个独立变量，因此我们可以创建7个主要成分，如表3所示。

表1. 变量的定义和来源

表2.变量之间的Pearson相关性

表3.相关矩阵的特征分析

回归分析

回归分析是确定预测变量变化时响应变量如何变化的一种简单方法。 回归方程采用以下形式：

因变量=常数 系数*预测值 ... 系数*预测值

或Y = bo b1X1 b2X2 ... bkXk

其中因变量（Y）是因变量的值。 常量（bo）是预测变量为零时因变量的值。 预测变量（X）是预测变量的值。 系数（b1，b2，...，bk）表示预测值中每个单位变化的平均因变量的估计变化。

人工神经网络

人工神经网络（ANN）是简化的计算模型，其功能类似于人脑。 它能够进行曲线拟合、分类、聚类和动态时间序列预测[4]。 神经拟合工具通过使用具有S形隐藏神经元和线性输出神经元的双层前馈神经网络来解决输入 - 输出拟合问题。 该网络使用Levenberg-Marquardt反向传播算法进行训练，并在数字输入数据集和一组数字目标之间进行映射。神经拟合应用程序选择数据创建和训练网络，并使用均方误差和回归分析评估其性能。

1. 结果和讨论

PCA-回归分析

相关矩阵显示，前三个PC累计解释了97.5％的总变异性，表明这3个PC充分解释了数据的变化。

连续预测器标准化，减去均值，然后除以标准差以应用于PC值。使用候选项的逐步算法：PC1，PC2和PC3被处理以选择有效项并构造回归方程。根据显著性水平，选择Alpha-Enter为0.15，大于通常的0.05，因此在模型中输入预测变量并不困难。虽然Alpha-to-Remove是0.15，比通常的0.05更大，但是从模型中移除预测变量并不容易。逐步算法提供等式1中的最终模型。该模型具有R2 = 0.864，意味着该模型可以解释响应数据中86.4％的变化。表4是总MSW生成的方差分析，其说明了由预测变量解释的数据响应的变化量。在该回归中，p值为0.000表明至少一个回归系数显著不同于零。 PC1的P值= 0.000，并且模型中只存在一个预测因子，因此PC1是该回归模型中的重要预测因子。

因此，总的MSW量回归方程为：

x0 = 2276 0.000325 PC1 （1）

表4.方差分析

ANN模型

通过选择隐藏层中的1个神经元和输出层中的其他1个神经元来设计具有7个输入和1个输出的神经网络架构。 每次训练神经网络时，由于不同的初始权重和偏差值以及训练、验证和测试集中的数据划分，结果可能不同。 为了确保神经网络具有良好的准确性，需要多次重新训练。 在该模型中，R2总响应超过0.96。 该网络的结果令人满意，因此该网络可用于新输入以预测未来的MSW生成。 图2显示了来自PCA回归和ANN模型的观察和预测的MSW。

1. 结论

MSW产生的适当预测模型是城市生活垃圾管理系统和规划的重要工具。 居民总数，15至59岁的本地人口，15至59岁的人口，家庭数量，每户收入和游客人数被认为是影响因素，因为他们在PC1中存在高系数。ANN，非线性模型，与回归分析相比，给出了高精度的结果，回归分析是一个线性模型。 此外，隐藏层中的一个神经元足以给出MSW预测的良好结果。可以存储ANN模型以在相同条件下进行进一步分析，以获得高百分比的准确度。 如果需要更高的结果准确度，建议增加隐藏层中的神经元数量。

本研究展示了影响MSW产生量的影响因素，并为曼谷的MSW预测提供了一个合适的模型。 开发的模型可用于进一步研究城市生活垃圾管理的可持续解决方案，以及曼谷城市生活垃圾处理和发电的适用技术。

图2.来自PCA回归和ANN模型的观察和预测的MSW

致谢

感谢Sirindhorn国际技术学院（SIIT）和Thammasat大学（TU）提供硕士学位的全额奖学金。 此外，还要感谢污染控制部门，国家统计局，登记管理局，泰国曼谷市政府和旅游局提供的数据。

参考文献

[1] Kolekar K, Hazra T, Chakrabarty S. A Review on Prediction of Municipal Solid Waste Generation Models. Procedia Environmental Sciences 2016; 35: p. 238-244.

[2] Kaosol T. Sustainable solutions for municipal solid waste management in Thailand. World Acad Sci Eng Technol 2009; 60: p. 665-670.

[3] Bhada-tata D H a P. WHAT A WASTE. A Global Review of Solid Waste Management, 2012.

[4] Samarasinghe S. A Model for Assessing Waste Generation Factors and Forecasting Waste Generation using Artificial Neural Networks: A Case Study of Chile. Proceeding of #39;Waste and Recycle 2004#39; Conference (Fremantle); 21-24 September 2004. Australia.

[5] Ghinea C, Drăgoi E N, Comăniţă E-D, Gavrilescu M, Cacirc;mpean T, Curteanu S, Gavrilescu M. Forecasting municipal solid waste generation using prognostic tools and regression analysis. Journal of Environmental Management 2016; 182: p. 80-93.

[6] Daskalopoulos E, Badr O, Probert S. Municipal solid waste: a prediction m

资料编号：[3671]