基于机器学习的餐饮排放预测方法及装置

本发明涉及大气环境科学，尤其涉及基于机器学习的餐饮排放预测方法及装置。

背景技术：

1、本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

2、短期或长期暴露于高浓度的pm2.5中，会引发呼吸系统疾病、心血管疾病、癌症、早逝等一系列健康问题，在不同的生命阶段的受损害程度存在差异。为了阐明这些疾病发生的机理和进行预防，需要更详细的pm2.5的浓度和组分信息及其健康影响证据来验证不同地点和时间跨度之间的多样性和相关性。

3、餐饮有机物排放是城市地区pm2.5中有机组分(organic aerosols,oa)的重要来源之一。此外，烹饪过程排放的有机组分已被证明含有多环芳烃(pah)和硝化pah等多种毒性组分，对人体健康有较大危害。而餐饮的排放又常常位于人口密集的区域，增加了公共健康风险。随着城市化进程的加速，餐饮业的快速发展进一步加剧了这一问题。因此，长时间尺度、高空间分辨率的排放估算是评估餐饮有机排放对大气环境和人体健康的长期影响的关键；而精细地解析不同时期和地区的餐饮排放驱动因素，对于针对性地制定精细、长远的管控策略具有重要意义。

4、然而，长时间尺度、高空间分辨率的排放量估算面临着收集数据难、不确定性大等挑战。现有的全国水平的餐饮源排放估算一般采用排放因子法，需要确定主要污染物的排放因子(efs)、各个餐饮源的活动水平、和各个排放源的是否安装污染控制措施以及对应的污染物去除效率。已有一些研究通过测试不同菜系的餐馆的pm2.5和voc排放因子、采用在线油烟监测系统、以及逐户摸排餐馆的污控装置，来获取以上计算排放的关键数据，但大时空分辨率的活动水平的获取仍然是一个难点。传统方法通常采用简化的统计数据(如人口和食用油消耗量)进行估算，导致结果的不确定性高，准确率较低。

技术实现思路

1、本发明实施例提供一种基于机器学习的餐饮排放预测方法，用以提高餐饮排放估算的准确性、可靠性，该方法包括：

2、获取待预测时间段内对餐饮排放有影响的数据；

3、将待预测时间段内对餐饮排放有影响的数据输入至餐饮排放预测模型，输出待预测时间段内餐饮排放量数据；所述餐饮排放预测模型预先利用预设时间段内的：对餐饮排放有影响的数据、餐饮排放量数据，对集成模型训练得到，所述集成模型基于岭回归方法，将随机森林模型、xgboost模型、梯度提升回归树模型和多层感知器神经网络模型集成训练得到。

4、本发明实施例还提供一种基于机器学习的餐饮排放预测装置，用以提高餐饮排放估算的准确性、可靠性，该装置包括：

5、数据获取模块，用于获取待预测时间段内对餐饮排放有影响的数据；

6、餐饮排放预测模块，用于将待预测时间段内对餐饮排放有影响的数据输入至餐饮排放预测模型，输出待预测时间段内餐饮排放量数据；所述餐饮排放预测模型预先利用预设时间段内的：对餐饮排放有影响的数据、餐饮排放量数据，对集成模型训练得到，所述集成模型基于岭回归方法，将随机森林模型、xgboost模型、梯度提升回归树模型和多层感知器神经网络模型集成训练得到。

7、本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于机器学习的餐饮排放预测方法。

8、本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于机器学习的餐饮排放预测方法。

9、本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述基于机器学习的餐饮排放预测方法。

10、本发明实施例中，获取待预测时间段内对餐饮排放有影响的数据；将待预测时间段内对餐饮排放有影响的数据输入至餐饮排放预测模型，输出待预测时间段内餐饮排放量数据；所述餐饮排放预测模型预先利用预设时间段内的：对餐饮排放有影响的数据、餐饮排放量数据，对集成模型训练得到，所述集成模型基于岭回归方法，将随机森林模型、xgboost模型、梯度提升回归树模型和多层感知器神经网络模型集成训练得到。本发明实施例中，基于岭回归方法，将随机森林模型、xgboost模型、梯度提升回归树模型和多层感知器神经网络模型集成建模、训练得到餐饮排放预测模型，与现有技术中排放因子法、或利用统计数据估算的技术方案相比，通过集成四种模型，这四种模型在性能上互补，能够提升整个集成模型的准确性和鲁棒性，基于岭回归方法可以优化这些模型的最终预测结果，提高餐饮排放预测模型预测精度，从而实现提高餐饮排放估算的准确性、可靠性。

技术特征：

1.一种基于机器学习的餐饮排放预测方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，所述对餐饮排放有影响的数据包括第一区域内所有子区域的对餐饮排放有影响的数据；其中，多个子区域组成第一区域，历史多个年份中第一区域按不同划分规则划分为多个子区域；

3.如权利要求2所述的方法，其特征在于，所述餐饮排放预测模型按如下方式训练得到：

4.如权利要求3所述的方法，其特征在于，根据符合划分标准的预处理后数据，建立训练集、验证集、测试集前，还包括：

5.如权利要求3所述的方法，其特征在于，得到餐饮排放预测模型后，还包括：

6.如权利要求1所述的方法，其特征在于，对集成模型训练，包括：

7.如权利要求1所述的方法，其特征在于，所述随机森林模型中构建多棵决策树，并取它们的预测结果的平均值进行计算；所述xgboost模型引入近似贪心算法进行模型优化。

8.如权利要求1所述的方法，其特征在于，基于岭回归方法，通过加权平均的方式，将随机森林模型、xgboost模型、梯度提升回归树模型和多层感知器神经网络模型集成，在损失函数中添加l2正则项。

9.如权利要求1所述的方法，其特征在于，将待预测时间段内对餐饮排放有影响的数据输入至餐饮排放预测模型前，还包括：

10.如权利要求1所述的方法，其特征在于，所述缺失值补充采用k近邻插补法或反距离加权插补法。

11.如权利要求1所述的方法，其特征在于，所述对餐饮排放有影响的数据包括如下之一或任意组合：

12.如权利要求11所述的方法，其特征在于，输出待预测时间段内餐饮排放量数据后，还包括：

13.如权利要求1所述的方法，其特征在于，输出待预测时间段内餐饮排放量数据后，还包括：

14.一种基于机器学习的餐饮排放预测装置，其特征在于，包括：

15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至13任一所述方法。

16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至13任一所述方法。

17.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至13任一所述方法。

技术总结本发明公开了一种基于机器学习的餐饮排放预测方法及装置，涉及大气环境科学技术领域，其中该方法包括：获取待预测时间段内对餐饮排放有影响的数据；将待预测时间段内对餐饮排放有影响的数据输入至餐饮排放预测模型，输出待预测时间段内餐饮排放量数据；所述餐饮排放预测模型预先利用预设时间段内的：对餐饮排放有影响的数据、餐饮排放量数据，对集成模型训练得到，所述集成模型基于岭回归方法，将随机森林模型、XGBoost模型、梯度提升回归树模型和多层感知器神经网络模型集成训练得到。本发明可以提高餐饮排放估算的准确性、可靠性。技术研发人员：赵斌,李泽祺,王书肖,李胜悦,师喆喆受保护的技术使用者：清华大学技术研发日：技术公布日：2024/6/13