基于相似性的外卖一人群深层神经网络分类模型.docx

    基于相似性的外卖一人群深层神经网络分类模型    邢城祎在订外卖的人群中，不同的人群所订外卖的数量有着很大差别本文把外卖垃圾数量一人群特点的关系和某地区月平均降水量一该地气候类型的分类方式相类比，通過实地采集，得到外卖垃圾数量的第一手资料，并且查询所需位置的降水量数据，经过数据清洗后，得到较为充分准确的数据同时，在分类方法上进行深入研究，采用深层神经网络模型训练对应的降水量一气候类型数据通过不断的模型设计与超参数调节，使模型在降水量一气候类型和外卖数量一人群种类两个数据集上均达到较高的分类正确率保存训练后的模型作为之后的预测，达到使用时无需训练，仅需输入该地外卖垃圾数量，就能够以较高的正确率推测该地人群特点的目的此模型在实际应用上可以通过外卖数量推测人群特点，从而研究更有效、更有针对性的垃圾处理方案一、问题背景2016年，全国生活垃圾年清运量已经高达20362万吨，而其中外卖垃圾所占的比例正逐年上升根据外卖类平台“饿了吗”发布的数据，外卖服务业每天至少会产生2000万份废弃的一次性包装盒、塑料袋和一次性餐具垃圾已严重影响环境和人民的生活二、分类标准通过调查得出以下带有一定普适性的分类标准：1.外卖固体废弃物2.人群种类与所处区域三、外卖固体废弃物数据采集1.采集方式为了获取准确的第一手资料，收集数据采用寞地采集的方法。

因为在垃圾收集处，外卖垃圾与其他各种垃圾混合在一起，很难准确测量出仅属于外卖的垃圾质量所以，我们采用单位骑手的外卖垃圾质量乘以外卖骑手数量作为外卖质量的估计值对于单位骑手外卖垃圾质量，我们将通过模拟预定外卖来测量每位骑手所带来的外卖垃圾质量2.各人群种类所在地区外卖固体废弃物采集方法通过网络及窦地调查，选取有代表性的人群种类所在地区，确定所在地区能使外卖骑手进入的大门数量，记录7：30-19： 30每一个小时内各门外卖骑手的进入数量，准确测得数据后进行统一的数据汇总四、假设1.假设外卖固体废弃物仅分为如上类别，忽略其余垃圾种类2.假设人群种类仅分为如上类别，忽略其他人群种类3.假设所采集数据的地方具有强代表性，可以代表其他类似场所4.假设所调查的地方每日所产生的外卖固体废弃物质量相同5.假设模拟预定的外卖固体废弃物质量经过平均计算，可以代表每位骑手所带来的外卖固体废弃物质量五、估算每位骑手所带来的外卖固体废弃物质量为估计每位骑手所带来的外卖垃圾质量，我们订了不同种类的外卖，分别称量种类不同的固体废弃物的质量，经多次称量，得出如下数据（单位：g）：六、基于相似性的外卖一人群深层神经网络分类模型建立1.数据采集通过既定的方法，选取中国人民解放军沈阳军区总医院、中国科学院金属研究所、沈阳市华润大厦、丰泽花园与某补课班实地采集数据如下（单位：辆）：2.模型建立思路实地采集各地外卖骑手数量，发现各区域的每小时外卖骑手数量分布特点与一些气候类型所对应的每月平均降水量分布特点极为相似，故以相似为基础，将各个人群特点所处区域一一映射至如下的气候类型：选取典型气候类型地区：新加坡、哈尔滨、南京、乌鲁木齐、新德里。

收集历史平均月降水量数据如下（单位：mm）：由此可见，区域外卖骑手数量分布与与其相对应的地区降水量分布十分相似，故以此为基础建立模型3.模型目的通过训练，模型能够接受一组从7：30-19： 30每隔一小时的外卖骑手数量，输出五种人群特点的可信度4.数据收集及前期处理（1）数据收集从GHCN数据库、环境云和Global Weather Data for SWAT上收集上述地区历年的降水量数据作为训练数据，选取一小部分数据作为降水量一气候类型验证数据，将区域外卖骑手数量作为外卖骑手数量一人群特点验证数据2）数据前期处理由于降水量数据与外卖骑手数量量级并不相同对于人眼，在观测折线统计图时，主要观测的是数据之间的相对大小关系以及数据（y）随时间或者月份（x）的变化趋势因此，为统一数据量级，防止深层神经网络模型出现学习方向的错误，将每个数据除以12个单位时间或者月份（x），五种气候类型或者人群特点的总共60个数据的和，使降水量数据与骑手数据量级相似使大部分数据在0-1之间5.模型建立此模型总共有六层，分别是：批规范层（Batch Normalization），全连接层，丢弃层（Dropout），全连接层，全连接层，批规范层。

6.模型训练（1）训练参数经过多次实验比对，此模型采用全部数据以每10个为一批（Batch）输入至网络，训练时将全部数据完整地训练100次（epoch=100）的方法将模型误差、降水量验证结果与外卖骑手数量验证结果输出2）训练结果训练后，保存训练日志使用可视化工具TensorBoard查看模型误差，并且使用TensorBoard画出降水量验证结果与外卖骑手数量验证结果折线图降水量分类正确率如下（Smoothing=0）：外卖骑手数量分类正确率如下（Smoothing=0.9）：从图像中得出，经过100轮（epoch）的训练，降水量模型的训练误差在O和02之间，降水量的分类正确率几乎达到了100%，外卖骑手数量的分类正确率在75%到80%之间7）模型结论基于所处地人群特点与气候类型，所处地12个小时外卖数量与特定气候类型月平均降水量的相似性，建立深层神经网络模型，通过不断调整超参数，得出较为完善的模型，并进行训练，使得此模型满足模型目的，即，输入12个小时的外卖骑手数量，可以得出一个正确率在75%到80%的人群特点  -全文完-。