遼寧省沈陽(yáng)市二中 邢城祎

在訂外賣(mài)的人群中，不同的人群所訂外賣(mài)的數(shù)量有著很大差別。本文把外賣(mài)垃圾數(shù)量—人群特點(diǎn)的關(guān)系和某地區(qū)月平均降水量—該地氣候類(lèi)型的分類(lèi)方式相類(lèi)比，通過(guò)實(shí)地采集，得到外賣(mài)垃圾數(shù)量的第一手資料，并且查詢所需位置的降水量數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)清洗后，得到較為充分準(zhǔn)確的數(shù)據(jù)。同時(shí)，在分類(lèi)方法上進(jìn)行深入研究，采用深層神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練對(duì)應(yīng)的降水量—?dú)夂蝾?lèi)型數(shù)據(jù)。通過(guò)不斷的模型設(shè)計(jì)與超參數(shù)調(diào)節(jié)，使模型在降水量—?dú)夂蝾?lèi)型和外賣(mài)數(shù)量—人群種類(lèi)兩個(gè)數(shù)據(jù)集上均達(dá)到較高的分類(lèi)正確率。保存訓(xùn)練后的模型作為之后的預(yù)測(cè)，達(dá)到使用時(shí)無(wú)需訓(xùn)練，僅需輸入該地外賣(mài)垃圾數(shù)量，就能夠以較高的正確率推測(cè)該地人群特點(diǎn)的目的。此模型在實(shí)際應(yīng)用上可以通過(guò)外賣(mài)數(shù)量推測(cè)人群特點(diǎn)，從而研究更有效、更有針對(duì)性的垃圾處理方案。

一、問(wèn)題背景

2016年，全國(guó)生活垃圾年清運(yùn)量已經(jīng)高達(dá)20362萬(wàn)噸,而其中外賣(mài)垃圾所占的比例正逐年上升。根據(jù)外賣(mài)類(lèi)平臺(tái)“餓了嗎”發(fā)布的數(shù)據(jù),外賣(mài)服務(wù)業(yè)每天至少會(huì)產(chǎn)生2000萬(wàn)份廢棄的一次性包裝盒、塑料袋和一次性餐具。垃圾已嚴(yán)重影響環(huán)境和人民的生活。

二、分類(lèi)標(biāo)準(zhǔn)

通過(guò)調(diào)查得出以下帶有一定普適性的分類(lèi)標(biāo)準(zhǔn)：

1．外賣(mài)固體廢棄物

類(lèi)別舉例塑料 塑料餐具,塑料盒,塑料袋等紙紙袋,紙巾等紙皮 紙盒,宣傳單,紙杯等木頭 木制筷子等食品殘余物 各種食物殘?jiān)?/p>

2．人群種類(lèi)與所處區(qū)域

所處區(qū)域 人群種類(lèi)醫(yī)院 病人，醫(yī)護(hù)人員等研究所 科研人員等寫(xiě)字間 小型創(chuàng)業(yè)者等住宅區(qū) 普通居民等中學(xué)補(bǔ)課班 學(xué)生,老師等

三、外賣(mài)固體廢棄物數(shù)據(jù)采集

1．采集方式

為了獲取準(zhǔn)確的第一手資料，收集數(shù)據(jù)采用實(shí)地采集的方法。因?yàn)樵诶占帲赓u(mài)垃圾與其他各種垃圾混合在一起，很難準(zhǔn)確測(cè)量出僅屬于外賣(mài)的垃圾質(zhì)量。所以，我們采用單位騎手的外賣(mài)垃圾質(zhì)量乘以外賣(mài)騎手?jǐn)?shù)量作為外賣(mài)質(zhì)量的估計(jì)值。對(duì)于單位騎手外賣(mài)垃圾質(zhì)量,我們將通過(guò)模擬預(yù)定外賣(mài)來(lái)測(cè)量每位騎手所帶來(lái)的外賣(mài)垃圾質(zhì)量。

2．各人群種類(lèi)所在地區(qū)外賣(mài)固體廢棄物采集方法

通過(guò)網(wǎng)絡(luò)及實(shí)地調(diào)查，選取有代表性的人群種類(lèi)所在地區(qū)，確定所在地區(qū)能使外賣(mài)騎手進(jìn)入的大門(mén)數(shù)量，記錄7：30～19：30每一個(gè)小時(shí)內(nèi)各門(mén)外賣(mài)騎手的進(jìn)入數(shù)量，準(zhǔn)確測(cè)得數(shù)據(jù)后進(jìn)行統(tǒng)一的數(shù)據(jù)匯總。

四、假設(shè)

1.假設(shè)外賣(mài)固體廢棄物僅分為如上類(lèi)別,忽略其余垃圾種類(lèi)。

2.假設(shè)人群種類(lèi)僅分為如上類(lèi)別,忽略其他人群種類(lèi)。

3.假設(shè)所采集數(shù)據(jù)的地方具有強(qiáng)代表性，可以代表其他類(lèi)似場(chǎng)所。

4.假設(shè)所調(diào)查的地方每日所產(chǎn)生的外賣(mài)固體廢棄物質(zhì)量相同。

5.假設(shè)模擬預(yù)定的外賣(mài)固體廢棄物質(zhì)量經(jīng)過(guò)平均計(jì)算，可以代表每位騎手所帶來(lái)的外 賣(mài)固體廢棄物質(zhì)量。

五、估算每位騎手所帶來(lái)的外賣(mài)固體廢棄物質(zhì)量

為估計(jì)每位騎手所帶來(lái)的外賣(mài)垃圾質(zhì)量,我們訂了不同種類(lèi)的外賣(mài),分別稱(chēng)量種類(lèi)不同的固體廢棄物的質(zhì)量，經(jīng)多次稱(chēng)量，得出如下數(shù)據(jù)（單位：g）：

外賣(mài)垃圾種類(lèi) 塑料 紙 紙皮 食品殘余物 木頭快餐：漢堡，圣代 28 6 22 8 0盒飯：普通飯菜 46 0 0 71 5面類(lèi)：米粉 45 2 0 408 5平均質(zhì)量 40 3.6 7.3 162 3.3

六、基于相似性的外賣(mài)—人群深層神經(jīng)網(wǎng)絡(luò)分類(lèi)模型建立

1．?dāng)?shù)據(jù)采集

通過(guò)既定的方法，選取中國(guó)人民解放軍沈陽(yáng)軍區(qū)總醫(yī)院、中國(guó)科學(xué)院金屬研究所、沈陽(yáng)市華潤(rùn)大廈、豐澤花園與某補(bǔ)課班實(shí)地采集數(shù)據(jù)如下（單位：輛）：

陸軍總院 金屬研究所 華潤(rùn)大廈豐澤花園 某補(bǔ)課班7：30～8：30 39 0 11 0 0 8：30～9：30 36 2 9 0 0 9：30～10：30 45 0 7 0 0 10：30～11：30 47 5 9 0 0 11：30～12：30 46 18 22 7 0 12：30～13：30 41 11 17 2 45 13：30～14：30 37 1 10 0 0 14：30～15：30 40 0 12 2 0 15：30～16：30 46 0 21 6 0 16：30～17：30 45 0 19 1 0 17：30～18：30 39 0 11 0 0 18：30～19：30 33 0 7 0 0

2．模型建立思路

實(shí)地采集各地外賣(mài)騎手?jǐn)?shù)量,發(fā)現(xiàn)各區(qū)域的每小時(shí)外賣(mài)騎手?jǐn)?shù)量分布特點(diǎn)與一些氣候類(lèi)型所對(duì)應(yīng)的每月平均降水量分布特點(diǎn)極為相似，故以相似為基礎(chǔ)，將各個(gè)人群特點(diǎn)所處區(qū)域一一映射至如下的氣候類(lèi)型：

區(qū)域 數(shù)量特點(diǎn) 氣候類(lèi)型 降水量特點(diǎn)陸軍總院 數(shù)量較平均且均較高 熱帶雨林氣候 全年多雨金屬研究所 在中午附近人群有所增加 溫帶季風(fēng)氣候 夏季濕潤(rùn)冬季干燥華潤(rùn)大廈 數(shù)量較平均且中等亞熱帶季風(fēng)氣候 全年濕潤(rùn)豐澤花園 數(shù)量較平均且很少溫帶大陸性氣候 夏季濕潤(rùn)冬季干燥某補(bǔ)課班 在中午附近有驟增熱帶季風(fēng)氣候 旱雨季節(jié)分明

選取典型氣候類(lèi)型地區(qū)：新加坡、哈爾濱、南京、烏魯木齊、新德里。收集歷史平均月降水量數(shù)據(jù)如下（單位：mm）：

新加坡 哈爾濱 南京 烏魯木齊 新德里1 166 4 33 7 15 2 180 6 51 8 10 3 163 15 69 17 14 4 195 23 93 26 3 5 262 42 93 31 11 6 298 89 145 32 42 7 250 164 180 25 205 8 166 117 118 20 246 9 181 56 89 21 112 10 187 31 48 19 26 11 166 10 50 14 3

由此可見(jiàn)，區(qū)域外賣(mài)騎手?jǐn)?shù)量分布與與其相對(duì)應(yīng)的地區(qū)降水量分布十分相似，故以此為基礎(chǔ)建立模型。

3．模型目的

通過(guò)訓(xùn)練,模型能夠接受一組從7：30～19：30每隔一小時(shí)的外賣(mài)騎手?jǐn)?shù)量，輸出五種人群特點(diǎn)的可信度。

4．?dāng)?shù)據(jù)收集及前期處理

（1）數(shù)據(jù)收集

從GHCN數(shù)據(jù)庫(kù)、環(huán)境云和Global Weather Data for SWAT上收集上述地區(qū)歷年的降水量數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，選取一小部分?jǐn)?shù)據(jù)作為降水量—?dú)夂蝾?lèi)型驗(yàn)證數(shù)據(jù)，將區(qū)域外賣(mài)騎手?jǐn)?shù)量作為外賣(mài)騎手?jǐn)?shù)量—人群特點(diǎn)驗(yàn)證數(shù)據(jù)。

（2）數(shù)據(jù)前期處理

由于降水量數(shù)據(jù)與外賣(mài)騎手?jǐn)?shù)量量級(jí)并不相同。對(duì)于人眼，在觀測(cè)折線統(tǒng)計(jì)圖時(shí)，主要觀測(cè)的是數(shù)據(jù)之間的相對(duì)大小關(guān)系以及數(shù)據(jù)（y）隨時(shí)間或者月份（x）的變化趨勢(shì)。因此，為統(tǒng)一數(shù)據(jù)量級(jí)，防止深層神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)學(xué)習(xí)方向的錯(cuò)誤，將每個(gè)數(shù)據(jù)除以12個(gè)單位時(shí)間或者月份（x）,五種氣候類(lèi)型或者人群特點(diǎn)的總共60個(gè)數(shù)據(jù)的和，使降水量數(shù)據(jù)與騎手?jǐn)?shù)據(jù)量級(jí)相似使大部分?jǐn)?shù)據(jù)在0～1之間。

5．模型建立

此模型總共有六層，分別是：批規(guī)范層(Batch Normalization),全連接層,丟棄層(Dropout),全連接層，全連接層，批規(guī)范層。

6．模型訓(xùn)練

（1）訓(xùn)練參數(shù)

經(jīng)過(guò)多次實(shí)驗(yàn)比對(duì)，此模型采用全部數(shù)據(jù)以每10個(gè)為一批(Batch)輸入至網(wǎng)絡(luò)，訓(xùn)練時(shí)將全部數(shù)據(jù)完整地訓(xùn)練100次(epoch=100)的方法。將模型誤差、降水量驗(yàn)證結(jié)果與外賣(mài)騎手?jǐn)?shù)量驗(yàn)證結(jié)果輸出。

（2）訓(xùn)練結(jié)果

訓(xùn)練后，保存訓(xùn)練日志。使用可視化工具TensorBoard查看模型誤差，并且使用TensorBoard畫(huà)出降水量驗(yàn)證結(jié)果與外賣(mài)騎手?jǐn)?shù)量驗(yàn)證結(jié)果折線圖。

降水量分類(lèi)正確率如下(Smoothing=0)：

外賣(mài)騎手?jǐn)?shù)量分類(lèi)正確率如下(Smoothing=0.9)：

從圖像中得出，經(jīng)過(guò)100輪(epoch)的訓(xùn)練，降水量模型的訓(xùn)練誤差在0和0.2之間，降水量的分類(lèi)正確率幾乎達(dá)到了100%,外賣(mài)騎手?jǐn)?shù)量的分類(lèi)正確率在75%到80%之間。

（7）模型結(jié)論

基于所處地人群特點(diǎn)與氣候類(lèi)型,所處地12個(gè)小時(shí)外賣(mài)數(shù)量與特定氣候類(lèi)型月平均降水量的相似性，建立深層神經(jīng)網(wǎng)絡(luò)模型，通過(guò)不斷調(diào)整超參數(shù),得出較為完善的模型，并進(jìn)行訓(xùn)練，使得此模型滿足模型目的，即，輸入12個(gè)小時(shí)的外賣(mài)騎手?jǐn)?shù)量，可以得出一個(gè)正確率在75%到80%的人群特點(diǎn)。