城市生活垃圾產(chǎn)量預(yù)測(cè)模型研究進(jìn)展

黎彥良，呂鵬召，趙天瑞，張 軍，左 薇

(城市水資源與水環(huán)境國(guó)家重點(diǎn)實(shí)驗(yàn)室，哈爾濱工業(yè)大學(xué)環(huán)境學(xué)院，哈爾濱 150001)

1 無廢城市建設(shè)的背景

隨著大眾消費(fèi)社會(huì)的形成，大量生產(chǎn)、消費(fèi)及廢棄所產(chǎn)生的生活垃圾急劇增加.尤其以農(nóng)村生活垃圾為代表，由于缺乏管理和治理，使得不少村落出現(xiàn)垃圾圍村、垃圾堵村等現(xiàn)象，嚴(yán)重污染土地、地下水和地表水，對(duì)環(huán)境和人類的健康帶來了極大威脅[1].

隨著我國(guó)城市化進(jìn)程的推進(jìn)，城市生活垃圾的產(chǎn)生呈現(xiàn)快速增長(zhǎng)態(tài)勢(shì)，城市生活垃圾處理成為我國(guó)絕大部分城市面臨的一個(gè)難題.為貫徹落實(shí)《國(guó)務(wù)院辦公廳關(guān)于印發(fā)“無廢城市”建設(shè)試點(diǎn)工作方案的通知》(國(guó)辦發(fā)〔2018〕128號(hào))要求，篩選確定了深圳、重慶、盤錦等11個(gè)城市作為“無廢城市”建設(shè)試點(diǎn).同時(shí)將河北雄安新區(qū)等五個(gè)區(qū)作為特例，參照“無廢城市”建設(shè)試點(diǎn)一并推動(dòng).

無廢城市理念，即系統(tǒng)性地設(shè)計(jì)生活垃圾管理模式，提倡物料的循環(huán)流動(dòng)，以實(shí)現(xiàn)固體廢物的減量化與無害化，不產(chǎn)生對(duì)環(huán)境有負(fù)面影響的積存廢物的新型城市建設(shè)發(fā)展理念[2].扎曼認(rèn)為[3]，無廢城市的管理需要形成可持續(xù)發(fā)展的環(huán)狀結(jié)構(gòu)，協(xié)調(diào)環(huán)境中管理政策、環(huán)衛(wèi)技術(shù)、經(jīng)濟(jì)現(xiàn)狀、社會(huì)需求的平衡.為滿足無廢城市建設(shè)需求，進(jìn)行生活垃圾產(chǎn)量的預(yù)測(cè)，尤為重要.生活垃圾產(chǎn)量的精準(zhǔn)預(yù)測(cè)，可以提升生活垃圾的時(shí)間管理精度，細(xì)化空間管理尺度，為垃圾運(yùn)輸、處理、利用，提供輔助決策支持，促進(jìn)垃圾的減量化能效.因此，通過對(duì)近年間的生活垃圾產(chǎn)量預(yù)測(cè)研究進(jìn)行綜述分析，探討無廢城市場(chǎng)景下生活垃圾預(yù)測(cè)管理的未來發(fā)展方向.

2 多元線性回歸模型

在回歸分析中，如果有兩個(gè)或兩個(gè)以上的自變量，就稱為多元回歸.通過模型可以得到不同影響因素自變量與作為因變量的垃圾產(chǎn)量之間的關(guān)系，在垃圾產(chǎn)量預(yù)測(cè)過程中應(yīng)用廣泛.

早在2006年，王彬，李川等人[4]即提出了可應(yīng)用于城市垃圾預(yù)測(cè)的多元線性回歸預(yù)測(cè)模型.通過分析上海1995～2004十年間的生活垃圾產(chǎn)生總量，比對(duì)了其與指數(shù)法模型、GM(1,1)模型、GM(1,1)SSODMM等模型的預(yù)測(cè)結(jié)果，論證了多元線性回歸算法的精確性；曾藏等[5]通過垃圾轉(zhuǎn)運(yùn)量模擬垃圾產(chǎn)生量，綜合分析了城市人口數(shù)量、建成區(qū)面積和地區(qū)生產(chǎn)總值(GDP)等直接因素和推行垃圾分類收集、源頭回收和回收利用等間接因素對(duì)生活垃圾產(chǎn)生量的影響，并依據(jù)2003～2016年垃圾清運(yùn)量數(shù)據(jù)預(yù)測(cè)了2017～2021年安徽省生活垃圾產(chǎn)量，并驗(yàn)證了該方法的普適性；郭華等[6]綜合考慮了政策法規(guī)、居民的垃圾丟放習(xí)慣等多種社會(huì)因素和內(nèi)在因素，建立了多元線性回歸理論模型，依據(jù)2006～2015年垃圾清運(yùn)量對(duì)我國(guó)生活垃圾產(chǎn)量進(jìn)行預(yù)測(cè)，結(jié)果表明2020年和2025年我國(guó)生活垃圾產(chǎn)量分別達(dá)到21 305.7和26 683.2萬t.王琛等[3]利用線性回歸模型預(yù)測(cè)了中國(guó)除港、澳、臺(tái)和西藏地區(qū)外的30個(gè)省份2020年的垃圾產(chǎn)量.根據(jù)經(jīng)濟(jì)和消費(fèi)指標(biāo)將中國(guó)30個(gè)省份聚類分析分為三組，針對(duì)不同省份分組建立對(duì)應(yīng)的垃圾產(chǎn)生影響因素模型，探究了地區(qū)異質(zhì)性與不同影響因素和相同影響因素產(chǎn)生的不同效應(yīng)的關(guān)系，并依據(jù)2007～2017年的垃圾清運(yùn)量數(shù)據(jù)預(yù)測(cè)了2018～2020年生活垃圾產(chǎn)量.

國(guó)外針對(duì)生活垃圾產(chǎn)量的預(yù)測(cè)，使用線性回歸的研究也較為豐富.Cristina Ghinea等[7]應(yīng)用Minitab，以居民數(shù)量、年齡分布、城市預(yù)期壽命、城市固體廢物總量等指標(biāo)作為預(yù)測(cè)模型的輸入變量，以預(yù)測(cè)固體廢物組分的數(shù)量，運(yùn)用廢物預(yù)測(cè)工具、回歸分析和時(shí)間序列分析，結(jié)合羅馬尼亞案例研究，預(yù)測(cè)了城市固體廢物的產(chǎn)生和組成，確定了六種固體廢物組分(紙張、塑料、金屬、玻璃、可生物降解廢物和其他廢物)的回歸方程.結(jié)果表明，S曲線趨勢(shì)模型最適合于城市固體廢物(MSW)的預(yù)測(cè)；J·A·Araiza-Aguilar等[8]采用多元線性回歸方法得到具有社會(huì)和人口解釋變量的預(yù)測(cè)模型以確定墨西哥恰帕斯州CCS市的城市生活垃圾產(chǎn)生量.在線性回歸的基礎(chǔ)上，也可以使用其他優(yōu)化算法，增進(jìn)產(chǎn)量預(yù)測(cè)模型的精度.Zeynep Ceylan[9]采用貝葉斯優(yōu)化的線性回歸模型對(duì)土耳其城市生活垃圾產(chǎn)生量進(jìn)行預(yù)測(cè).

上述研究主要基于線性回歸方法，并沒有定量化分析不同影響因素對(duì)垃圾產(chǎn)量的主要影響特征，以及重要性的排序，仍有進(jìn)一步提升模型效能和應(yīng)用價(jià)值的空間.

3 灰色預(yù)測(cè)模型

灰色預(yù)測(cè)模型是通過少量的、不完全的信息，建立數(shù)學(xué)模型并做出預(yù)測(cè)的一種預(yù)測(cè)方法.灰色系統(tǒng)理論是研究解決灰色系統(tǒng)分析、建模、預(yù)測(cè)、決策和控制的理論.灰色預(yù)測(cè)模型所需建模信息少，運(yùn)算方便，建模精度高，在各種預(yù)測(cè)領(lǐng)域都有著廣泛的應(yīng)用，是處理小樣本問題的有效工具.

李宏等[10]通過調(diào)研成都市生活垃圾的產(chǎn)量及現(xiàn)狀，對(duì)不同采樣點(diǎn)的垃圾組分及其關(guān)鍵性質(zhì)進(jìn)行特性分析，并利用GM模型依據(jù)2001～2013年成都市垃圾產(chǎn)量預(yù)測(cè)了2014～2023年的生活垃圾產(chǎn)量.經(jīng)過檢驗(yàn)，所建立的理論模型能夠比較真實(shí)的反應(yīng)城市生活垃圾產(chǎn)量在未來的變化趨勢(shì)；Zhenying Zhang等[11]采用嶺回歸模型和灰色系統(tǒng)理論建立了一個(gè)考慮影響因素和混合過程的模型，以實(shí)現(xiàn)對(duì)杭州城市生活垃圾產(chǎn)生量的準(zhǔn)確預(yù)測(cè)；孫李紅等[12]利用GM模型對(duì)影響哈爾濱市生活垃圾產(chǎn)量的8個(gè)因素進(jìn)行分析，從中選出5個(gè)與垃圾產(chǎn)量關(guān)聯(lián)度較高的影響因素作為指標(biāo)，利用GM模型所得出的5個(gè)指標(biāo)進(jìn)行多元線性回歸方程模擬預(yù)測(cè)未來5年的垃圾產(chǎn)量，同時(shí)也用時(shí)間序列分析中的三次指數(shù)平滑法進(jìn)行垃圾產(chǎn)量預(yù)測(cè)，結(jié)果表明得出的組合預(yù)測(cè)模型更有可靠性，克服了單項(xiàng)預(yù)測(cè)模型的局限性.

灰色預(yù)測(cè)模型并不考慮系統(tǒng)內(nèi)在機(jī)理，其可靠性及預(yù)測(cè)精度過渡依賴于原始數(shù)據(jù)集合的光滑性，僅僅針對(duì)數(shù)據(jù)情況開展特征重要性的解析研究，有時(shí)會(huì)出現(xiàn)較大的錯(cuò)誤.在無廢城市的建設(shè)場(chǎng)景下，伴隨固廢管理智能化的加強(qiáng)建設(shè)與數(shù)據(jù)體量的增加，對(duì)數(shù)據(jù)噪聲的規(guī)避能力有限.

4 人工智能預(yù)測(cè)模型

人工智能模型的訓(xùn)練，不需要任何先驗(yàn)公式，就能從已有數(shù)據(jù)中自動(dòng)地歸納規(guī)則，獲得這些數(shù)據(jù)的內(nèi)在規(guī)律，具有良好的自學(xué)習(xí)、自適應(yīng)、聯(lián)想記憶、并行處理和非線性形轉(zhuǎn)換的能力，特別適合于因果關(guān)系復(fù)雜的非確定性推理、判斷、識(shí)別和分類等問題.對(duì)于任意一組隨機(jī)的、正態(tài)的數(shù)據(jù)，都可以用人工智能算法進(jìn)行統(tǒng)計(jì)分析，做出擬合和預(yù)測(cè).

吳曉紅[13]以BP神經(jīng)網(wǎng)絡(luò)模型為主要架構(gòu)，通過引入人口數(shù)量和人均可支配收入對(duì)垃圾產(chǎn)量的影響，利用灰色預(yù)測(cè)模型預(yù)測(cè)了2014～2023年杭州市生活垃圾產(chǎn)量.

邢布飛[14]分別用線性回歸模型、灰色預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)模型依據(jù)2000～2012年北京城市生活垃圾產(chǎn)量對(duì)2013～2022年生活垃圾產(chǎn)量進(jìn)行了預(yù)測(cè).結(jié)果分析發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)最準(zhǔn)確，更適合預(yù)測(cè)北京市生活垃圾產(chǎn)量.

Leaksmy Chhay等[15]利用GM (1,1)、線性回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型對(duì)中國(guó)城市固體廢棄物進(jìn)行了預(yù)測(cè).結(jié)果表明，城市人口增長(zhǎng)是城市垃圾產(chǎn)生最具影響的社會(huì)經(jīng)濟(jì)因素，而GDP對(duì)垃圾產(chǎn)生的影響并不明顯.而且發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型被認(rèn)為是預(yù)測(cè)中國(guó)固體廢棄物產(chǎn)量最適合的模型.利用人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)表明，到2030年中國(guó)的固體廢棄物產(chǎn)量將達(dá)到24 666.65萬t.

Maryam Abbasi等[16]采用4種不同的人工智能模型，即SVM模型、神經(jīng)網(wǎng)絡(luò)模型、自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型和人工神經(jīng)網(wǎng)絡(luò)模型，來預(yù)測(cè)澳大利亞洛根市每月的生活垃圾產(chǎn)生量.結(jié)果表明，人工智能模型具有良好的預(yù)測(cè)性能，可以成功地應(yīng)用于城市生活垃圾預(yù)測(cè)模型的建立.此外，還發(fā)現(xiàn)自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型對(duì)峰值預(yù)測(cè)最準(zhǔn)確，而神經(jīng)網(wǎng)絡(luò)模型成功預(yù)測(cè)了廢物量的月平均值.

P·Jiang, X· Liu[17]采用隱馬爾可夫模型(神經(jīng)網(wǎng)絡(luò))預(yù)測(cè)城市生活垃圾和污水產(chǎn)生量.通過基于隱馬爾可夫模型的加權(quán)平均高斯混合模型進(jìn)行預(yù)測(cè)上海和北京的城市生活垃圾產(chǎn)生量，通過基于隱馬爾可夫模型的最相似模式搜索(SMSP)進(jìn)行預(yù)測(cè)西班牙曼雷薩污水處理廠的污水產(chǎn)生量.

Miyuru Kannangara等[18]采用決策樹和神經(jīng)網(wǎng)絡(luò)兩種機(jī)器學(xué)習(xí)算法建立模型，預(yù)測(cè)加拿大地區(qū)固體廢物產(chǎn)生.結(jié)果表明，機(jī)器學(xué)習(xí)算法可以成功地生成具有良好預(yù)測(cè)性能的廢物模型，而且神經(jīng)網(wǎng)絡(luò)模型具有良好的性能，描述了數(shù)據(jù)中72%的變化.本研究中提出的方法證明了創(chuàng)建有助于區(qū)域廢物規(guī)劃的工具的可行性.

Umang Soni等[19]通過人工神經(jīng)網(wǎng)絡(luò)(ANN)、自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFS)、離散小波理論-人工神經(jīng)網(wǎng)絡(luò)(DWT-ANN)、離散小波理論-自適應(yīng)神經(jīng)模糊推理系統(tǒng)(DWT-ANFS)、遺傳算法-人工神經(jīng)網(wǎng)絡(luò)(GA-ANN)和遺傳算法-自適應(yīng)神經(jīng)模糊推理系統(tǒng)(GA-anfs)預(yù)測(cè)印度新德理市的垃圾產(chǎn)生量，并比較不同模型對(duì)垃圾產(chǎn)量預(yù)測(cè)的能力.按照模型的性能進(jìn)行排序，發(fā)現(xiàn)遺傳神經(jīng)網(wǎng)絡(luò)的模型是最準(zhǔn)確的.

盡管人工智能方法進(jìn)行垃圾產(chǎn)量的預(yù)測(cè)有良好的自適應(yīng)自學(xué)習(xí)特征，可以較為客觀的篩選出數(shù)據(jù)噪音等影響因素，但是不能合理的解析生活垃圾產(chǎn)生的空間特征，細(xì)化無廢城市場(chǎng)景下生活垃圾的管理尺度，提升生活垃圾公共服務(wù)設(shè)施的空間布局合理性.而無廢城市的建設(shè)對(duì)垃圾進(jìn)行時(shí)空尺度的預(yù)測(cè)建模尤為關(guān)鍵.

5 生活垃圾空間產(chǎn)生模型

地理信息系統(tǒng)(Geographic Information System, GIS)以計(jì)算機(jī)科學(xué)為核心，集空間地理學(xué)、遙感測(cè)繪學(xué)、地圖學(xué)等多門科學(xué)為一體，綜合數(shù)字化與可視化技術(shù)，在各類領(lǐng)域的空間分析上，獲得了顯著的研究成果[20].在生活垃圾產(chǎn)生的空間預(yù)測(cè)上，也可以大放異彩，將有望成為無廢城市建設(shè)的最有利保障.

Karadimas[21]等人早在2005年首先提出了基于GIS的生活垃圾產(chǎn)量管理方法，該方法囊括了所有固廢相關(guān)參數(shù)，例如人口密度、商業(yè)交通、道路網(wǎng)絡(luò)等，基于上述關(guān)系分析固體廢物的產(chǎn)量變化，并用生活垃圾的空間產(chǎn)量變化預(yù)測(cè)情況，進(jìn)一步優(yōu)化城市布設(shè)垃圾桶的數(shù)量與位置選址情況；Kaifeng Wang等人[27]總結(jié)了中國(guó)各省市的時(shí)空格局變化狀況，使用基于GIS的莫蘭指數(shù)探索性數(shù)據(jù)分析方法以及空間經(jīng)濟(jì)學(xué)計(jì)量方法，分析了城市生活垃圾產(chǎn)生的空間溢出效應(yīng)與產(chǎn)業(yè)結(jié)構(gòu)、人均病床數(shù)和道路密度等主要驅(qū)動(dòng)因素.并在海洋垃圾領(lǐng)域GIS在時(shí)空分析上取得了顯著的研究成果；J·Mansui等人[22]分析了地中海盆地的季節(jié)性與空間性的碎屑分布規(guī)律，使用虛擬粒子跟蹤方法，得到了微塑料垃圾在海床上的時(shí)空堆積分布模式，并配合問卷、遙感等多元數(shù)據(jù)，GIS分析進(jìn)一步提升生活垃圾空間預(yù)測(cè)的效果.Shakeel Mahmood等[23]基于通過問卷調(diào)查、全球定位系統(tǒng)和直接廢物采樣和分析獲得的原始數(shù)據(jù)，應(yīng)用反距離加權(quán)(IDW)技術(shù)對(duì)城市生活垃圾產(chǎn)生的空間趨勢(shì)進(jìn)行地理可視化，實(shí)現(xiàn)對(duì)巴基斯坦南卡納市城市固體廢物產(chǎn)量的預(yù)測(cè)；K Kala等人[25]利用SPSS軟件，通過建立對(duì)問卷得到的生活垃圾產(chǎn)量數(shù)據(jù)與社會(huì)統(tǒng)計(jì)因素進(jìn)行多項(xiàng)邏輯(MNL)模型建模分析，得到了印度德里的南德里市政公司服務(wù)轄區(qū)內(nèi)地區(qū)家庭月收入、家庭成員數(shù)量、職業(yè)、教育程度等因素是影響生活垃圾產(chǎn)量變化重要統(tǒng)計(jì)因素的結(jié)論，并將產(chǎn)量預(yù)測(cè)結(jié)果空間可視化；Jannik Vetter-Gindele等人[24]基于高分辨率(VHR)衛(wèi)星圖像，使用問卷調(diào)查結(jié)合遙感分析的方法，對(duì)越南峴港市建筑進(jìn)行人工智能識(shí)別與分類，并對(duì)不同種類的建筑物賦予不同量級(jí)的垃圾產(chǎn)生特征，對(duì)生活垃圾的分布進(jìn)行了以民居為單位的空間分布模擬.

基于GIS技術(shù)，不僅可以預(yù)測(cè)垃圾的時(shí)空產(chǎn)生狀況，還可以用于分析并跟蹤生活垃圾的空間流向狀況.Nicholas E·Johnson等[26]使用梯度推進(jìn)回歸模型對(duì)紐約市垃圾產(chǎn)量進(jìn)行時(shí)間和空間預(yù)測(cè).預(yù)測(cè)了紐約市232個(gè)不同區(qū)域每周產(chǎn)生的城市固體廢物噸數(shù)，并形成了這些區(qū)域包括垃圾、紙張和金屬/鋁/塑料三種主要垃圾的空間流向.

6 結(jié) 語(yǔ)

本文所列舉的垃圾產(chǎn)量預(yù)測(cè)模型可簡(jiǎn)要分為四類：多元線性回歸模型、灰色預(yù)測(cè)模型、人工智能算法模型、空間預(yù)測(cè)模型.多元回歸模型相對(duì)簡(jiǎn)單，結(jié)合與因變量相關(guān)性較高的諸多因素對(duì)生活垃圾產(chǎn)量進(jìn)行預(yù)測(cè)，但需要樣本數(shù)量較大，且未綜合分析影響因素間的相關(guān)性差異；灰色預(yù)測(cè)模型所需建模信息少，運(yùn)算方便，建模精度高，在各種預(yù)測(cè)領(lǐng)域都有著廣泛的應(yīng)用，不需要較多樣本，可用于處理小樣本數(shù)據(jù)，但其不考慮系統(tǒng)內(nèi)在機(jī)理，有時(shí)可能會(huì)出現(xiàn)分析誤差；人工智能模型是通過信息樣本對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，能從已有數(shù)據(jù)中自動(dòng)地歸納規(guī)則，獲得這些數(shù)據(jù)的內(nèi)在規(guī)律，具有良好的自學(xué)習(xí)、自適應(yīng)、聯(lián)想記憶、并行處理和非線性形轉(zhuǎn)換的能力，特別適合于因果關(guān)系復(fù)雜的非確定性推理、判斷、識(shí)別和分類等問題，但需要較大樣本，預(yù)測(cè)結(jié)果相對(duì)準(zhǔn)確；空間預(yù)測(cè)模型，可以結(jié)合時(shí)間預(yù)測(cè)模型的算法，形成高精度預(yù)測(cè)結(jié)果，并將生活垃圾產(chǎn)量的時(shí)空分布關(guān)系，繪制于空間地圖上，進(jìn)行全局化管理，滿足無廢城市的建設(shè)需求.

適宜于無廢城市場(chǎng)景的生活垃圾產(chǎn)量預(yù)測(cè)模型，應(yīng)當(dāng)具有高時(shí)效、高時(shí)空精度的特征，社會(huì)數(shù)據(jù)、遙感數(shù)據(jù)，多以年為單位進(jìn)行統(tǒng)計(jì)發(fā)布，時(shí)效性較低，為滿足無廢城市的生活垃圾減量化、無害化、資源化需求，理應(yīng)尋求更加高頻高效的數(shù)據(jù)源，對(duì)生活垃圾產(chǎn)量變化狀況展開合理的預(yù)測(cè)，并結(jié)合垃圾分類政策，通過不同領(lǐng)域的數(shù)據(jù)，開展對(duì)于不同生活垃圾的時(shí)空預(yù)測(cè)研究，為生活垃圾產(chǎn)量的管理提供精準(zhǔn)的決策支持服務(wù)，合理配置城市垃圾運(yùn)輸與處理資源，提升無廢城市的全局垃圾消納效能.