建筑廢棄物全過(guò)程管理電子聯(lián)單判別模型研究

張曉峰，田英杰，金典琦，畢 軍，2，王付軍

（1.北京交通大學(xué) 交通運(yùn)輸學(xué)院，北京 100044；2.綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室，北京 100044；3.深圳市城市公共安全技術(shù)研究院，廣東 深圳 518000）

近年來(lái)，隨著我國(guó)經(jīng)濟(jì)社會(huì)和城市建設(shè)的快速發(fā)展，尤其是城市軌道交通、舊城改造及大批重點(diǎn)工程項(xiàng)目的開(kāi)工建設(shè)，建筑廢棄物排放量呈爆炸式增長(zhǎng)，現(xiàn)行的基于紙質(zhì)聯(lián)單建筑廢棄物監(jiān)管模式無(wú)法應(yīng)對(duì)日益增長(zhǎng)的建筑廢棄物監(jiān)管需求。隨著車(chē)聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)蓬勃發(fā)展，給建筑廢棄物全過(guò)程監(jiān)管提供了新思路?；陔娮勇?lián)單的建筑廢棄物全過(guò)程監(jiān)管模式應(yīng)運(yùn)而生，根據(jù)工地和消納場(chǎng)的真實(shí)邊界在地圖上虛擬出電子圍欄，輔助判斷渣土車(chē)是否進(jìn)入工地消納場(chǎng)區(qū)域。當(dāng)渣土車(chē)識(shí)別到電子圍欄后，渣土車(chē)在電子圍欄內(nèi)的停留時(shí)長(zhǎng)、車(chē)載設(shè)備狀態(tài)變化情況都會(huì)進(jìn)入渣土車(chē)監(jiān)管系統(tǒng)，在渣土車(chē)離開(kāi)電子圍欄時(shí)，系統(tǒng)會(huì)生成一條包含統(tǒng)計(jì)結(jié)果信息的記錄。通過(guò)判斷該記錄中渣土車(chē)在工地和消納場(chǎng)內(nèi)是否有裝卸行為，識(shí)別渣土車(chē)運(yùn)輸?shù)钠鹗键c(diǎn)和終點(diǎn)，最終實(shí)現(xiàn)建筑廢棄物產(chǎn)生地和消納位置自動(dòng)識(shí)別、自動(dòng)監(jiān)管，使每方建筑廢棄物都有跡可循。能體現(xiàn)渣土車(chē)在電子圍欄內(nèi)裝卸建筑廢棄物的記錄稱為電子聯(lián)單，渣土車(chē)經(jīng)過(guò)電子圍欄生成的記錄統(tǒng)計(jì)結(jié)果的信息被稱為節(jié)點(diǎn)?，F(xiàn)有判別電子聯(lián)單方法主要通過(guò)車(chē)載傳感器實(shí)時(shí)顯示渣土車(chē)的運(yùn)輸狀態(tài)和運(yùn)輸位置，當(dāng)車(chē)輛到達(dá)工地電子圍欄內(nèi)并有裝卸土行為即判斷聯(lián)單開(kāi)始，當(dāng)渣土車(chē)到達(dá)消納場(chǎng)并有裝卸土行為即判斷聯(lián)單結(jié)束，包含這個(gè)過(guò)程的一條記錄即為一條電子聯(lián)單。這種判別方法在試運(yùn)行初期，能夠保持一定的精度。然而，在運(yùn)輸行為發(fā)生一段時(shí)間后，車(chē)載設(shè)備出現(xiàn)故障，使采用這種判別電子聯(lián)單的方法無(wú)法保證精度，大大降低了建筑廢棄物監(jiān)管效率。在此背景下，充分利用含有較多噪點(diǎn)的渣土車(chē)車(chē)載設(shè)備數(shù)據(jù)，制定合理的電子聯(lián)單判別策略，對(duì)提升建筑廢棄物監(jiān)管水平具有現(xiàn)實(shí)意義。

目前，針對(duì)電子聯(lián)單判別的相關(guān)研究主要集中于人工輸入和自動(dòng)識(shí)別2個(gè)方面。人工輸入方面，電子聯(lián)單就是紙質(zhì)聯(lián)單電子化的一種表示形式。文獻(xiàn)［1］中，運(yùn)輸企業(yè)在危廢管理系統(tǒng)中登記電子聯(lián)單，包含危險(xiǎn)廢物的產(chǎn)生地和消納地等信息，通過(guò)人為記錄的方式判別電子聯(lián)單。文獻(xiàn)［2］中，工地申報(bào)項(xiàng)目時(shí)在建廢管理系統(tǒng)中指定運(yùn)輸單位和消納場(chǎng)，運(yùn)輸廢棄物時(shí)，運(yùn)輸車(chē)輛向系統(tǒng)輸入起點(diǎn)工地，在消納場(chǎng)所設(shè)置車(chē)牌識(shí)別等設(shè)備，自動(dòng)檢測(cè)并生成電子聯(lián)單。文獻(xiàn)［3］中，電子聯(lián)單每個(gè)環(huán)節(jié)設(shè)置操作人員，利用PDA設(shè)備在每個(gè)階段進(jìn)行聯(lián)單錄入管理系統(tǒng)，渣土車(chē)消納完成以后錄入生成電子聯(lián)單。自動(dòng)識(shí)別方面，利用物聯(lián)網(wǎng)設(shè)備自動(dòng)識(shí)別渣土車(chē)。文獻(xiàn)［4］中，利用車(chē)載傳感器和GPS設(shè)備進(jìn)行電子聯(lián)單自動(dòng)判別，當(dāng)渣土車(chē)GPS進(jìn)入工地時(shí)檢測(cè)渣土車(chē)廂體是否變化，如果發(fā)生變化，則該工地作為電子聯(lián)單起始點(diǎn)，當(dāng)渣土車(chē)到達(dá)消納場(chǎng)后，廂體狀態(tài)發(fā)生變化則該消納場(chǎng)為電子聯(lián)單結(jié)束點(diǎn)。文獻(xiàn)［5］中，在工地和消納場(chǎng)安設(shè)地磅和車(chē)牌識(shí)別模型的方法，判別車(chē)輛在工地和消納場(chǎng)內(nèi)是否存在裝卸土行為，以此作為電子聯(lián)單的起始點(diǎn)和結(jié)束點(diǎn)。

目前，關(guān)于電子聯(lián)單人為判別策略，就是將紙質(zhì)聯(lián)單電子化的過(guò)程，大多需要人為介入，比較繁瑣。而且建筑廢棄物運(yùn)輸過(guò)程中，對(duì)運(yùn)輸人員的管理存在較大漏洞，沒(méi)有考慮建筑廢棄物偷排偷放的問(wèn)題。現(xiàn)有的關(guān)于電子聯(lián)單自動(dòng)判別的研究，沒(méi)有考慮渣土車(chē)車(chē)載設(shè)備的檢測(cè)精度和數(shù)據(jù)傳輸過(guò)程中的數(shù)據(jù)丟失問(wèn)題。工地消納場(chǎng)安裝相關(guān)設(shè)備成本過(guò)高，無(wú)法監(jiān)測(cè)車(chē)輛運(yùn)輸過(guò)程，無(wú)法杜絕偷排偷放行為的發(fā)生。在實(shí)際應(yīng)用場(chǎng)景中，渣土車(chē)車(chē)載設(shè)備傳回的數(shù)據(jù)存在較多噪聲和異常，僅僅依靠車(chē)載傳感器和GPS位置數(shù)據(jù)無(wú)法準(zhǔn)確判別出電子聯(lián)單，極大影響政府監(jiān)管效率和企業(yè)生產(chǎn)效益。本文針對(duì)渣土車(chē)車(chē)載設(shè)備傳回的數(shù)據(jù)存在較多噪聲數(shù)據(jù)，提出一種基于邏輯回歸的建筑廢棄物電子聯(lián)單自動(dòng)判別模型，能夠高效準(zhǔn)確地判別電子聯(lián)單。

1 數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)采集

本研究數(shù)據(jù)來(lái)源于深圳市建筑廢棄物智慧監(jiān)管系統(tǒng)真實(shí)運(yùn)營(yíng)數(shù)據(jù)，時(shí)間跨度為2019年12月1日至2019年12月10日，共篩選出質(zhì)量較好的11個(gè)工地。這10 d指定工地的數(shù)據(jù)包含了判別策略所能考慮到的所有情形，也包含了所有的常見(jiàn)問(wèn)題，在其他時(shí)間段內(nèi)，其余工地的數(shù)據(jù)存在的規(guī)律和問(wèn)題能夠在這10 d的數(shù)據(jù)中找到解決方案。這10 d數(shù)據(jù)對(duì)電子聯(lián)單判別策略的研究具有代表性。

這10 d數(shù)據(jù)主要包括進(jìn)出渣土車(chē)軌跡數(shù)據(jù)、工地臺(tái)賬數(shù)據(jù)。臺(tái)賬數(shù)據(jù)包含工地車(chē)輛的車(chē)牌號(hào)、進(jìn)入時(shí)間和離開(kāi)時(shí)間等信息。渣土車(chē)軌跡數(shù)據(jù)包含車(chē)輛車(chē)牌信息、軌跡數(shù)據(jù)、車(chē)載設(shè)備實(shí)時(shí)檢測(cè)狀態(tài)。截取2019年12月1號(hào)至2019年12月10號(hào)的全部車(chē)輛軌跡數(shù)據(jù)約7 046萬(wàn)條，部分工地臺(tái)賬數(shù)據(jù)選取了對(duì)應(yīng)時(shí)間段的數(shù)據(jù)共16 447條。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 渣土車(chē)軌跡數(shù)據(jù)預(yù)處理

渣土車(chē)軌跡數(shù)據(jù)預(yù)處理主要包含2部分：節(jié)點(diǎn)生成和渣土車(chē)車(chē)載設(shè)備故障分析。因?yàn)楸疚难芯磕繕?biāo)是車(chē)載設(shè)備檢測(cè)數(shù)據(jù)不準(zhǔn)確的情況下，電子聯(lián)單判別研究。首先對(duì)渣土車(chē)車(chē)載設(shè)備進(jìn)行故障分析，明確渣土車(chē)的車(chē)載設(shè)備故障率。從設(shè)備異常次數(shù)和有聯(lián)單產(chǎn)生，但車(chē)載設(shè)備未檢測(cè)2個(gè)角度出發(fā)，分析10 d內(nèi)渣土車(chē)舉升、載重和廂體傳感器數(shù)據(jù)和臺(tái)賬數(shù)據(jù)，得到渣土車(chē)的故障率約為54%。渣土車(chē)各配件故障率如圖1所示。

圖1 渣土車(chē)故障統(tǒng)計(jì)分析結(jié)果圖

在劃分節(jié)點(diǎn)的時(shí)候，自動(dòng)識(shí)別車(chē)輛GPS定位點(diǎn)是否在工地圍欄內(nèi)，渣土車(chē)GPS定位點(diǎn)進(jìn)入工地時(shí)作為節(jié)點(diǎn)起始時(shí)間，渣土車(chē)GPS定位點(diǎn)離開(kāi)工地時(shí)作為節(jié)點(diǎn)離開(kāi)時(shí)間。從全部10 d的車(chē)輛軌跡數(shù)據(jù)7 046萬(wàn)條數(shù)據(jù)中，按照表1所示特征進(jìn)行篩選，得到83 742條節(jié)點(diǎn)。

表1 樣本特征

1.2.2 人工臺(tái)賬數(shù)據(jù)預(yù)處理

人工臺(tái)賬中存在較多非納管車(chē)輛、車(chē)載設(shè)備損壞和記錄錯(cuò)誤等問(wèn)題，這些數(shù)據(jù)都是影響模型預(yù)測(cè)精度的錯(cuò)誤數(shù)據(jù)，為了保證模型訓(xùn)練的精度，應(yīng)剔除錯(cuò)誤數(shù)據(jù)（見(jiàn)表2）。在16 447條臺(tái)賬數(shù)據(jù)中有254輛車(chē)屬于非納管車(chē)輛，覆蓋了1 672條臺(tái)賬數(shù)據(jù)；有1輛車(chē)當(dāng)天無(wú)GPS軌跡且該車(chē)輛前后1周均無(wú)軌跡數(shù)據(jù)，覆蓋了30條臺(tái)賬數(shù)據(jù)；有273條臺(tái)賬記錄存在記錄錯(cuò)誤的問(wèn)題，在臺(tái)賬記錄期間，渣土車(chē)所在位置與工地圍欄不匹配。錯(cuò)誤數(shù)據(jù)類(lèi)型如表2所示。

表2 錯(cuò)誤數(shù)據(jù)類(lèi)型

1.2.3 節(jié)點(diǎn)數(shù)據(jù)預(yù)處理

篩選模型訓(xùn)練數(shù)據(jù)集時(shí)，假設(shè)臺(tái)賬的起始時(shí)間段與節(jié)點(diǎn)的時(shí)間段有交叉，則認(rèn)為兩者相匹配，即認(rèn)為此時(shí)該節(jié)點(diǎn)被判別為電子聯(lián)單。利用臺(tái)賬中渣土車(chē)車(chē)牌信息篩選出臺(tái)賬記錄車(chē)輛對(duì)應(yīng)的所有節(jié)點(diǎn)，理論上渣土車(chē)從工地到消納場(chǎng)運(yùn)輸廢棄物的過(guò)程中最多只有一條電子聯(lián)單，再利用臺(tái)賬中渣土車(chē)進(jìn)、出工地時(shí)間，匹配出電子聯(lián)單所在的節(jié)點(diǎn)，打成正例標(biāo)簽，該車(chē)輛在這個(gè)時(shí)間段內(nèi)其他節(jié)點(diǎn)均打成反例標(biāo)簽。節(jié)點(diǎn)打標(biāo)簽過(guò)程如圖2所示。

圖2 節(jié)點(diǎn)打標(biāo)簽過(guò)程示意圖

2 電子聯(lián)單判別模型

邏輯回歸是一種用于解決二分類(lèi)問(wèn)題的機(jī)器學(xué)習(xí)方法，用于估計(jì)某種事物的可能性。邏輯回歸常用于分類(lèi)預(yù)測(cè)建模中［6］，在交通領(lǐng)域應(yīng)用廣泛，但在建筑垃圾管控領(lǐng)域應(yīng)用極少。節(jié)點(diǎn)的產(chǎn)生需要整合渣土車(chē)位置信息和車(chē)載設(shè)備信息等數(shù)據(jù)，整合過(guò)程需要進(jìn)行大量計(jì)算，實(shí)現(xiàn)電子聯(lián)單快速識(shí)別，判別策略的計(jì)算量不宜過(guò)大。邏輯回歸算法計(jì)算時(shí)間短，分類(lèi)精度高，能夠線性化展示節(jié)點(diǎn)每個(gè)特征的重要程度，能夠滿足電子聯(lián)單打分策略的實(shí)際應(yīng)用需求。因此本文采用邏輯回歸模型作為電子聯(lián)單判別新策略。

2.1 模型變量

通過(guò)分析渣土車(chē)車(chē)載設(shè)備存在較高故障率，僅僅依靠車(chē)載載重、舉升、廂體傳感器狀態(tài)變化完全不能判斷出車(chē)輛在電子圍欄內(nèi)是否有拉土行為，是否產(chǎn)生電子聯(lián)單。通過(guò)組織建筑行業(yè)經(jīng)驗(yàn)豐富的管理人員參加座談會(huì)，從渣土車(chē)的申報(bào)狀態(tài)、停留時(shí)長(zhǎng)等六大角度出發(fā)，研究得出25項(xiàng)影響電子聯(lián)單準(zhǔn)確判別的影響因素，并以此作為模型的自變量。模型自變量參數(shù)如表3所示。

表3 自變量參數(shù)

續(xù)表（表3）

2.2 邏輯回歸模型構(gòu)建

邏輯回歸是以線性回歸為理論支持，通過(guò)Sigmod函數(shù)引入了非線性因素，將線性回歸的值域從（－∞，＋∞）處理為（0，1），解決0／1分類(lèi)問(wèn)題［7］。

基于邏輯回歸的電子聯(lián)單判別模型［8］假設(shè)函數(shù)如下：

式中：g（x）是Sigmod函數(shù)；x表示自變量的不同狀態(tài)；θ表示每個(gè)自變量的不同狀態(tài)的重要程度，需要通過(guò)模型訓(xùn)練得出。

本文采用二項(xiàng)邏輯回歸模型解決二分類(lèi)問(wèn)題。二項(xiàng)邏輯回歸模型的條件概率如下：

式中：k是邏輯回歸模型中Sigmod函數(shù)劃分正反例的閾值，閾值設(shè)置為0.5，當(dāng)大于閾值0.5時(shí)，y＝1該節(jié)點(diǎn)產(chǎn)生電子聯(lián)單，反之則y＝0，該節(jié)點(diǎn)不產(chǎn)生電子聯(lián)單。

2.3 參數(shù)估計(jì)

對(duì)于給定的訓(xùn)練集數(shù)據(jù)T＝｛（x1，y1），（x2，y2），…，（xm，ym）｝，其中xi∈Rn＋1，i＝1，2，…，m。為了衡量模型預(yù)測(cè)結(jié)果h（θ）與真實(shí)值y之間的差異，構(gòu)建代價(jià)函數(shù)J（θ），并采用梯度下降的方法不斷改變?chǔ)?，從而得到不斷變小的J（θ），在理想情況下，當(dāng)取到最小J（θ）時(shí)，得到最符合訓(xùn)練樣本的模型，此時(shí)的θ即為最優(yōu)參數(shù)。

在邏輯回歸中，最常用的代價(jià)函數(shù)是交叉熵。交叉熵衡量的是在知道y的真實(shí)值時(shí)的平均偏離程度，當(dāng)預(yù)測(cè)為產(chǎn)生電子聯(lián)單，而實(shí)際就是電子聯(lián)單時(shí)，偏離程度較低，反之則較高［9］。

邏輯回歸函數(shù)的損失函數(shù)表示為

經(jīng)過(guò)梯度下降方法［10］求解后，得到使J（θ）最小的參數(shù)θ為

將訓(xùn)練集中的數(shù)據(jù)代入到模型參數(shù)估計(jì)式（5）中，得到邏輯回歸模型的權(quán)重系數(shù)，如表4所示。

表4 模型系數(shù)

3 實(shí)例分析

3.1 模型評(píng)價(jià)指標(biāo)設(shè)計(jì)

為了進(jìn)一步方便描述模型結(jié)果，做出如下定義：

電子聯(lián)單準(zhǔn)確率＝臺(tái)賬對(duì)應(yīng)電子聯(lián)單數(shù)／電子聯(lián)單數(shù)

式中：Ebill＿acc表示電子聯(lián)單準(zhǔn)確率；Ebill＿num表示電子聯(lián)單數(shù)，判別策略篩選出的節(jié)點(diǎn)數(shù)據(jù)的數(shù)目；Cor＿ebill＿num表示臺(tái)賬對(duì)應(yīng)的電子聯(lián)單數(shù)，電子聯(lián)單中滿足臺(tái)賬的數(shù)目。因?yàn)樵趯?shí)際應(yīng)用中，系統(tǒng)只篩選出符合判別策略的節(jié)點(diǎn)作為電子聯(lián)單，電子聯(lián)單中符合臺(tái)賬的即判別正確。用電子聯(lián)單準(zhǔn)確率作為模型評(píng)價(jià)指標(biāo)，能夠反映模型在實(shí)際應(yīng)用中的準(zhǔn)確度，符合實(shí)際應(yīng)用場(chǎng)景的業(yè)務(wù)要求，具有較強(qiáng)的現(xiàn)實(shí)意義。模型評(píng)價(jià)指標(biāo)如圖3所示。

圖3 模型評(píng)價(jià)指標(biāo)示意圖

3.2 實(shí)例驗(yàn)證

選取2019年12月11日至2019年12月31日的402 652條渣土車(chē)節(jié)點(diǎn)數(shù)據(jù)和56 341條臺(tái)賬數(shù)據(jù)，對(duì)提出的基于邏輯回歸的電子聯(lián)單判別策略模型進(jìn)行實(shí)例驗(yàn)證。根據(jù)實(shí)際應(yīng)用場(chǎng)景設(shè)計(jì)的評(píng)價(jià)指標(biāo)，當(dāng)電子聯(lián)單準(zhǔn)確率越高，則電子聯(lián)單判別模型的判別效果越好，電子聯(lián)單制度越容易被接受。深圳市建筑廢棄物智慧監(jiān)管系統(tǒng)現(xiàn)有采用電子聯(lián)單判別方案，以渣土車(chē)在電子圍欄內(nèi)停留時(shí)長(zhǎng)超過(guò)5 min即認(rèn)為產(chǎn)生電子聯(lián)單，在實(shí)例驗(yàn)證中采用傳統(tǒng)方法電子聯(lián)單的準(zhǔn)確率為53.24%，模型結(jié)果真值分布情況如表5所示。當(dāng)以0.5作為Sigmod函數(shù)正反例概率取值時(shí)，采用基于邏輯回歸模型的電子聯(lián)單判別模型的電子聯(lián)單判別準(zhǔn)確率為75.32%，模型結(jié)果真值分布情況如表6所示。

表5 按現(xiàn)有方法得出的精度情況

表6 按0.5為分閾時(shí)模型精度情況

充分考慮不同工地所屬類(lèi)型不一致，如地鐵施工屬于交通類(lèi)，土建工地屬于房建類(lèi)。Sigmod函數(shù)對(duì)自變量預(yù)測(cè)值是個(gè)概率，邏輯回歸模型二分類(lèi)的閾值為0.5，當(dāng)高于0.5時(shí)，產(chǎn)生電子聯(lián)單類(lèi)，反之則未產(chǎn)生電子聯(lián)單。為了進(jìn)一步提升模型判別精度，對(duì)每個(gè)工地的閾值進(jìn)行單獨(dú)分析，將每個(gè)工地閾值區(qū)間劃分為20份，確定出產(chǎn)生電子聯(lián)單數(shù)最多且電子聯(lián)單準(zhǔn)確率最高的閾值，將此作為該工地產(chǎn)生電子聯(lián)單的Sigmod函數(shù)正反例概率取值。對(duì)每個(gè)工地適當(dāng)降低分閾后，模型真值分布情況如表7所示。對(duì)所有節(jié)點(diǎn)進(jìn)行判別，節(jié)點(diǎn)中判別為電子聯(lián)單的有55 181條，其中有臺(tái)賬對(duì)應(yīng)的是45 436條，電子聯(lián)單準(zhǔn)確率為82.34%。

表7 按工地劃分適當(dāng)降低分閾后模型真值分布情況

4 結(jié)論

1）提出基于邏輯回歸的電子聯(lián)單判別模型，使用深圳市12月11日至12月31日的臺(tái)賬和節(jié)點(diǎn)數(shù)據(jù)，對(duì)模型判別效果進(jìn)行驗(yàn)證，模型的準(zhǔn)確率達(dá)75.32%?？紤]不同工地間的差異性，按工地獨(dú)立劃分分閾，此時(shí)電子聯(lián)單準(zhǔn)確率達(dá)到82.34%，相比于傳統(tǒng)電子聯(lián)單判別方案準(zhǔn)確率提升29.1%，模型判別效果良好。

2）模型訓(xùn)練集只選用了10 d的數(shù)據(jù)，選用的模型是使用線性決策邊界的邏輯回歸模型，訓(xùn)練集數(shù)據(jù)量較小，非線性變量對(duì)模型參數(shù)整定影響較大。在以后的研究中，將進(jìn)一步增加訓(xùn)練集數(shù)據(jù)量，同時(shí)選用非線性機(jī)器學(xué)習(xí)算法與邏輯回歸模型進(jìn)行協(xié)同判別，優(yōu)化設(shè)計(jì)現(xiàn)有模型參數(shù)，提升電子聯(lián)單判別的客觀性和準(zhǔn)確性。