基于GM-ARIMA模型的成都市生活垃圾产量预测研究

发布时间：2017-10-02 12:24

  本文关键词：基于GM-ARIMA模型的成都市生活垃圾产量预测研究

  更多相关文章： 城市生活垃圾 灰色模型 ARIMA模型 粒子群优化算法 组合模型

【摘要】：在城市化快速发展的背景下,“垃圾围城”现象在全国各大中小城市愈加显著,城市生活垃圾和工业固体废物逐渐成为影响城市环境卫生、城市居民健康的重要威胁。城市生活垃圾产生量的准确预测能为环卫部门制定城市环境卫生规划,为城市管理者修建城市生活垃圾处理设施等提供重要的参考数据。基于此,本论文开展了以下工作：1.收集国内外关于城市生活垃圾产量预测的研究资料,选择适合城市生活垃圾产量预测的相关模型；2.分析生活垃圾产量预测模型的预测原理,提出模型优化的方法；3.结合模型优化方法,建立相应模型,对成都市生活垃圾产量进行预测,并提出控制和减少成都市生活垃圾产量的相应措施与建议。综合论文开展的工作,得出以下结论：第一、结合国内外关于生活垃圾产量预测的研究现状,论文选择时间序列模型(ARIMA(p,d,q))和灰色模型(GM(1,1))作为城市生活垃圾产量预测的模型。从模型优化方法角度出发,提出两类模型的优化方法,即参数优化法和残差修正法。在参数优化方面,采用了智能优化算法中的粒子群优化算法(PSO)来对灰色模型进行参数优化,建立了基于PSO算法的PSO-GM模型；同时采用残差修正法对ARIMA模型进行优化。研究结果表明两类优化模型的精度相比原模型精度有所提高。第二、通过对组合模型理论的研究,将PSO-GM模型、残差修正ARIMA(3,1,2)模型进行组合,分别建立了简单平均组合模型、加权平均组合模型以及基于粒子群优化算法(PSO)的GM-ARIMA组合模型。以成都市2013年1月-2015年12月的月度生活垃圾处理量为数据依托,将三个组合模型与单独的PSO-GM模型、残差修正ARIMA(3,1,2)模型进行模型精度验证。通过均方误差(MSE)、平均绝对误差(MAE)以及平均绝对百分比误差(MAPE)3个指标来评价模型精度,研究结果发现基于PSO算法的GM-ARIMA组合模型的预测精度明显优于其他4种模型。第三,选用了基于PSO算法的GM-ARIMA组合模型对成都市2016年-2020年的生活垃圾产量进行预测,预测结果显示至2020年成都市生活垃圾处理量为208.3101万吨。结合预测结果,论文结合成都市生活垃圾管理现状,提出成都市未来生活垃圾量的控制及处理的一些参考性建议。
【关键词】：城市生活垃圾 灰色模型 ARIMA模型 粒子群优化算法 组合模型
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：X799.3
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-19
• 1.1 研究背景11
• 1.2 国内外研究现状11-16
• 1.3 研究目标、研究内容及研究路线16-19
• 1.3.1 研究目标16
• 1.3.2 研究内容16-18
• 1.3.3 研究路线18-19
• 第2章 基于灰色理论的生活垃圾产量预测模型19-33
• 2.1 灰色系统理论及模型原理19-21
• 2.1.1 灰色系统理论19
• 2.1.2 灰色GM(1,1)模型原理19-21
• 2.2 灰色模型校验21-23
• 2.2.1 相对误差大小检验法21-22
• 2.2.2 后验差检验22-23
• 2.2.3 关联度检验23
• 2.3 灰色模型的缺陷23-24
• 2.3.1 模型边值问题23-24
• 2.3.2 最小二乘参数估计问题24
• 2.4 基于粒子群优化算法的GM(1,1)模型参数优化24-28
• 2.4.1 PSO优化算法简介24-27
• 2.4.2 基于粒子群优化算法GM(1,1)模型的参数优化27-28
• 2.5 基于灰色理论的生活垃圾产量预测算例28-32
• 2.6 本章小结32-33
• 第3章 基于时间序列的生活垃圾产量预测模型33-42
• 3.1 ARIMA模型33-34
• 3.2 ARIMA模型的优化34-35
• 3.3 基于ARIMA生活垃圾产量预测模型算例35-41
• 3.3.1 建立ARIMA(p,d,q)模型35-37
• 3.3.2 ARIMA模型的识别与建立37-39
• 3.3.3 ARIMA模型预测39-41
• 3.3.4 残差修正法在ARIMA模型的应用41
• 3.4 本章小结41-42
• 第4章 GM-ARIMA组合预测模型42-55
• 4.1 组合模型原理42-43
• 4.2 基于组合模型生活垃圾产量预测算例43-47
• 4.2.1 简单平均组合预测模型预测43-44
• 4.2.2 加权平均组合预测模型预测44
• 4.2.3 基于PSO算法的GM-ARIMA模型在生活垃圾产量的预测44-47
• 4.3 几类预测模型的比较分析47-51
• 4.4 GM-ARIMA组合模型对成都市2016年-2020年生活垃圾处理量预测51-52
• 4.5 关于成都市未来生活垃圾产量控制及对策的几点建议52-54
• 4.6 本章小结54-55
• 结论55-56
• 致谢56-57
• 参考文献57-60

【相似文献】

中国期刊全文数据库 前10条

1 孙彩云;杨晓静;;乘积ARIMA模型的建立及应用[J];华北科技学院学报;2008年02期

2 孟凡强;;ARIMA模型在空气污染指数预测中的应用[J];统计与决策;2009年07期

3 金良琼;;ARIMA模型在贵州省全社会固定资产投资预测中的应用[J];广西轻工业;2009年12期

4 司徒毅;;ARIMA模型在移动话务预测中的应用[J];广东轻工职业技术学院学报;2009年04期

5 陈汶滨;时琼;程大勇;王君;;ARIMA模型在研究油气田产量递减规律中的应用[J];中国西部科技;2010年06期

6 刘翔;;ARIMA模型在贸易规模预测中的适用性——基于中国服务贸易进出口规模的分析[J];陕西科技大学学报(自然科学版);2011年06期

7 郑红云;;ARIMA模型在深圳人口与医疗需求预测的应用[J];山东轻工业学院学报(自然科学版);2012年04期

8 胡永红;吴志峰;李定强;卓慕宁;;基于ARIMA模型的区域水生态足迹时间序列分析[J];生态环境;2006年01期

9 邵瑞清;张艳娟;;基于ARIMA模型的我国木薯干进口发展预测研究[J];中国市场;2010年15期

10 宋宇辰;张志启;;基于ARIMA模型对我国“十二五”能源需求的预测[J];煤炭工程;2012年01期

中国重要会议论文全文数据库 前10条

1 ;A hybrid ARIMA-ANN model and its Learning Algorithm on Short-term Load Forecasting[A];第二十三届中国控制会议论文集（下册）[C];2004年

2 王建锋;高歌;陈立凌;李红美;张明芝;王艾丽;;ARIMA模型及其在江苏省卫技人员数预测中的应用[A];中国现场统计研究会第12届学术年会论文集[C];2005年

3 李君华;王志坚;张立杰;陈雪;;基于小波理论及ARIMA模型的短期棉花价格预测[A];中国棉花学会2012年年会暨第八次代表大会论文汇编[C];2012年

4 陈兴荣;;ARIMA模型和GM(1,1)在我国白银消费需求预测应用中的比较研究[A];第25届全国灰色系统会议论文集[C];2014年

5 ;Double Trends Time Series Forecasting Using a Combined ARIMA and GMDH Model[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

6 刘军;柴洪洲;陈轲;刘先冬;;ARIMA模型预报电离层VTEC研究[A];第一届中国卫星导航学术年会论文集（下）[C];2010年

7 ;Economic Design of Integrating SPC and APC with Quality Constraints[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

8 任家福;张f ;周宗放;;基于ARIMA和BP神经网络的组合预测模型及应用研究[A];第三届（2008）中国管理学年会——技术与创新管理分会场论文集[C];2008年

9 ;Modeling Chronobiologic Data: An Introduction to Time Series Analysis[A];2004全国时间生物医学学术会议论文集[C];2004年

10 ;Traffic Flow Forecasting Based on Fuzzy-Neural[A];第二十六届中国控制会议论文集[C];2007年

中国重要报纸全文数据库 前1条

1 ;基于数量化方法对未来经济增长趋势的预测[N];第一财经日报;2009年

中国硕士学位论文全文数据库 前10条

1 梁佳琦;ARIMA模型同MAXENT模型在自然保护区内口蹄疫疫情风险预警中的应用研究[D];东北林业大学;2015年

2 张海东;基于论坛的热点话题识别与趋势预测研究[D];上海师范大学;2015年

3 王炜翔;南京市2006～2013年流感流行特征及ARIMA模型的应用[D];东南大学;2015年

4 赵佳宝;ARIMA结合BP神经网络对核心交易量预测的研究[D];东华大学;2016年

5 高金标;基于Hadoop的全国零售户数据处理与市场感知[D];浙江理工大学;2016年

6 李思洋;电力光纤线路状态预测方法研究[D];东北电力大学;2016年

7 苗亚男;基于卡尔曼滤波的ARIMA—GM雾霾预测及扩散消失模型研究[D];吉林大学;2016年

8 刘源;基于GM-ARIMA模型的成都市生活垃圾产量预测研究[D];西南交通大学;2016年

9 陈聪聪;基于ARIMA模型和ARIMAX模型的山东省GDP的预测与分析[D];山东大学;2016年

10 钟令枢;基于ARIMA-LSTM的架空线状态数据挖掘[D];华南理工大学;2016年

，

本文编号：959614