本發(fā)明涉及再生資源回收，具體是指基于大數(shù)據(jù)的再生資源回收管理方法及系統(tǒng)。

背景技術(shù)：

1、隨著社會經(jīng)濟的發(fā)展和資源需求的不斷增長，再生資源回收利用變得越來越重要，基于大數(shù)據(jù)的再生資源回收管理方法及系統(tǒng)通過大數(shù)據(jù)技術(shù)和人工智能技術(shù)來管理再生資源的回收過程，提高了再生資源回收的效率和效益。但傳統(tǒng)再生資源回收管理方法中數(shù)據(jù)異常識別存在精確度不高、容易誤判的問題；傳統(tǒng)市場需求預(yù)測方法存在預(yù)測精度不高、模型適應(yīng)性不強、難以捕捉時間序列數(shù)據(jù)中依賴關(guān)系的問題；傳統(tǒng)模型參數(shù)訓練方法存在訓練效率低下、易陷入局部最優(yōu)解、難以找到全局最優(yōu)參數(shù)配置的問題。

技術(shù)實現(xiàn)思路

1、針對上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了基于大數(shù)據(jù)的再生資源回收管理方法及系統(tǒng)，針對傳統(tǒng)再生資源回收管理方法中數(shù)據(jù)異常識別存在精確度不高、容易誤判的問題，本方案通過定義引力權(quán)重函數(shù)、設(shè)定鄰域?qū)挾?、定義局部密度和計算異常評分來去除異常數(shù)據(jù)，提高了異常識別的準確性，降低誤判率；針對傳統(tǒng)市場需求預(yù)測方法存在預(yù)測精度不高、模型適應(yīng)性不強、難以捕捉時間序列數(shù)據(jù)中依賴關(guān)系的問題，本方案通過構(gòu)建模型、設(shè)計激勵函數(shù)、設(shè)計初始調(diào)節(jié)層、設(shè)計記憶控制層、設(shè)計注意力層、設(shè)計修正層、設(shè)計輸出層和設(shè)計損失函數(shù)來建立模型，更全面地捕捉數(shù)據(jù)中的特征和信息，提高了預(yù)測的精度、準確性和穩(wěn)定性；針對傳統(tǒng)模型參數(shù)訓練方法存在訓練效率低下、易陷入局部最優(yōu)解、難以找到全局最優(yōu)參數(shù)配置的問題，本方案通過初始化、定義動態(tài)匹配因子、定義訓練起源位置、設(shè)計參數(shù)訓練策略和設(shè)計參數(shù)訓練規(guī)則來對模型參數(shù)進行訓練，增強了訓練過程的靈活性和魯棒性，使得訓練過程更加高效和全面。

2、本發(fā)明采取的技術(shù)方案如下：基于大數(shù)據(jù)的再生資源回收管理方法，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)采集；

4、步驟s2：數(shù)據(jù)異常識別；

5、步驟s3：建立市場需求預(yù)測模型；

6、步驟s4：模型參數(shù)訓練；

7、步驟s5：綜合管理。

8、進一步地，在步驟s1中，所述數(shù)據(jù)采集是采集歷史再生資源交易數(shù)據(jù)、生產(chǎn)數(shù)據(jù)、人口數(shù)據(jù)、替代品發(fā)展數(shù)據(jù)和市場需求等級；所述歷史再生資源交易數(shù)據(jù)包括歷史的再生資源交易量、交易價格和交易時間序列數(shù)據(jù)；所述生產(chǎn)數(shù)據(jù)是指使用再生資源作為原材料的產(chǎn)品產(chǎn)量；所述人口數(shù)據(jù)是指人口數(shù)量、人口結(jié)構(gòu)和人口流動情況；替代品發(fā)展數(shù)據(jù)是指再生資源的替代產(chǎn)品的發(fā)展趨勢，包括加速發(fā)展、平穩(wěn)發(fā)展和減速發(fā)展三個發(fā)展趨勢級別；所述市場需求等級包括強烈需求、中等需求和低需求。

9、進一步地，在步驟s2中，所述數(shù)據(jù)異常識別，具體包括以下步驟：

10、步驟s21：定義引力權(quán)重函數(shù)，表示如下：

11、；

12、其中，表示計算引力權(quán)重的數(shù)據(jù)之間的歐氏距離，表示引力權(quán)重函數(shù)，e表示自然常數(shù)，表示權(quán)重調(diào)整系數(shù)；

13、步驟s22：設(shè)定鄰域?qū)挾?，計算所有?shù)據(jù)點之間的歐氏距離，選取距離最遠的兩個數(shù)據(jù)點，將它們之間的歐氏距離設(shè)置為數(shù)據(jù)的域?qū)挾?，設(shè)定數(shù)據(jù)的鄰域?qū)挾?，表示如下?/p>

14、；

15、其中，表示數(shù)據(jù)的鄰域?qū)挾龋硎緮?shù)據(jù)的域?qū)挾?，表示?shù)據(jù)總數(shù)；

16、步驟s23：定義局部密度，以數(shù)據(jù)點為中心，將數(shù)據(jù)點的鄰域?qū)挾确秶鷥?nèi)的區(qū)域設(shè)置為數(shù)據(jù)點的鄰域，計算局部密度，表示如下：

17、；

18、其中，m表示數(shù)據(jù)點的索引，表示第m個數(shù)據(jù)點的局部密度，表示第m個數(shù)據(jù)點的鄰域范圍內(nèi)的所有數(shù)據(jù)索引的集合，表示第m個數(shù)據(jù)點的鄰域范圍內(nèi)的數(shù)據(jù)的索引，表示屬于符號，表示第m個數(shù)據(jù)點和第個數(shù)據(jù)點之間的歐氏距離，div表示數(shù)據(jù)的維度；

19、步驟s24：計算異常評分，將數(shù)據(jù)的局部密度的倒數(shù)設(shè)置為異常評分，表示如下：

20、；

21、其中，表示第m個數(shù)據(jù)的異常評分；

22、步驟s25：去除異常數(shù)據(jù)，計算出所有數(shù)據(jù)點的異常評分，將異常評分最高的百分之一的數(shù)據(jù)點設(shè)置為異常數(shù)據(jù)，去除異常數(shù)據(jù)。

23、進一步地，在步驟s3中，所述建立市場需求預(yù)測模型具體包括以下步驟：

24、步驟s31：構(gòu)建模型，市場需求預(yù)測模型包括初始調(diào)節(jié)層、記憶控制層、注意力層、修正層和輸出層；同時將市場需求等級設(shè)置為模型的標簽數(shù)據(jù)；

25、步驟s32：設(shè)計激勵函數(shù)，表示如下：

26、；

27、其中，表示強化控制激勵函數(shù)，表示強化控制激勵函數(shù)的輸入，表示適應(yīng)性均值，表示開根號，表示激勵權(quán)重，表示線性整流函數(shù)，表示激勵閾值；

28、步驟s33：設(shè)計初始調(diào)節(jié)層，表示如下：

29、；

30、其中，表初始調(diào)節(jié)層的輸出值，p表示初始調(diào)節(jié)層的層數(shù)索引，和分別表示第p層的初始調(diào)節(jié)層的權(quán)重和偏置，表示第p層的初始調(diào)節(jié)層的輸入值；

31、步驟s34：設(shè)計記憶控制層，記憶控制層由輸入控制單元、遺棄控制單元、更新控制單元和輸出控制單元連接組成，具體包括以下內(nèi)容：

32、步驟s341：設(shè)計輸入控制單元，表示如下：

33、；

34、其中，t表示時刻點的索引，表示在t時刻點的輸入控制單元的輸出值，表示sigmoid函數(shù)，和分別表示輸入控制單元的權(quán)重和偏置，表示記憶控制層在t-1時刻的控制狀態(tài)，表示輸入控制單元在t時刻點的輸入值；

35、步驟s342：設(shè)計遺棄控制單元，表示如下：

36、；

37、其中，表示在t時刻點的遺棄控制單元的輸出值，和分別表示遺棄控制單元的權(quán)重和偏置，表示遺棄控制單元在t時刻點的輸入值，表示取l2范數(shù)；

38、步驟s343：設(shè)計更新控制單元，表示如下：

39、；

40、其中，表示在t時刻點的更新控制單元的輸出值，表示雙曲正切激活函數(shù)，和分別表示更新控制權(quán)重和更新控制偏置，表示更新控制單元在t時刻點的輸入值，表示逐元素乘法運算，表示記憶控制層在t-2時刻的控制狀態(tài)，表示更新控制單元在t-1時刻點的輸入值；

41、步驟s344：設(shè)計輸出控制單元，表示如下：

42、；

43、其中，表示在t時刻點的輸出控制單元的輸出值，和分別表示輸出控制單元的權(quán)重和偏置，表示輸出控制單元在t時刻點的輸入值；

44、步驟s345：更新記憶控制層控制狀態(tài)，表示如下：

45、；

46、其中，表示記憶控制層在t時刻的控制狀態(tài)，表示輸出控制單元在t-1時刻點的輸入值；

47、步驟s35：設(shè)計注意力層，計算出每一個時刻點的注意力權(quán)重，并將注意力權(quán)重通過乘積的方式分配給每一個時刻點，表示如下：

48、；

49、其中，表示t時刻點的注意力權(quán)重，表示歸一化指數(shù)函數(shù)，u表示基礎(chǔ)注意力權(quán)重，和分別表示注意力層的權(quán)重和偏置；

50、步驟s36：設(shè)計修正層，表示如下：

51、；

52、其中，表示修正層的輸出，和分別表示修正層的第二層的權(quán)重和偏置，和分別表示修正層的第一層的權(quán)重和偏置，表示修正層的第一層的基礎(chǔ)輸入值；

53、步驟s37：設(shè)計輸出層，表示如下：

54、；

55、其中，表示模型輸出層的輸出結(jié)果，、和分別表示輸出層的權(quán)重、輸入值和偏置；

56、步驟s38：設(shè)計損失函數(shù)，表示如下：

57、；

58、其中，表示模型的損失值，j表示訓練模型的數(shù)據(jù)的索引，w表示訓練模型的數(shù)據(jù)的總數(shù)，表示第j個數(shù)據(jù)的真實值，表示第j個數(shù)據(jù)的模型預(yù)測結(jié)果，表示縮放因子，表示取絕對值，和表示損失權(quán)重，表示對數(shù)運算，表示數(shù)據(jù)的預(yù)測分布，表示數(shù)據(jù)的真實分布，表示數(shù)據(jù)的預(yù)測分布和真實分布之間的kl散度。

59、進一步地，在步驟s4中，所述模型參數(shù)訓練，具體包括以下步驟：

60、步驟s41：初始化，確定模型的訓練參數(shù)，包括適應(yīng)性均值、激勵閾值、模型的權(quán)重和偏置參數(shù)，將模型的損失值的相反數(shù)設(shè)定為參數(shù)性能值，創(chuàng)建參數(shù)訓練空間，在參數(shù)訓練空間內(nèi)生成個初始的參數(shù)訓練點，計算出參數(shù)訓練空間中所有初始的參數(shù)訓練點的平均位置，計算出所有的參數(shù)訓練點對應(yīng)的參數(shù)性能值，選出參數(shù)性能值最高和參數(shù)性能值最低的訓練點；

61、步驟s42：定義動態(tài)匹配因子，表示如下：

62、；

63、其中，k表示參數(shù)訓練次數(shù)，表示第k次參數(shù)訓練時的動態(tài)匹配因子，表示初始參數(shù)訓練點的平均位置，表示當前參數(shù)性能最高的參數(shù)位置，表示當前參數(shù)性能最低的參數(shù)位置，表示取兩個點之間所有維度坐標的差值的絕對值中最大的值，表示參數(shù)訓練次數(shù)的索引，表示第fq次參數(shù)訓練時的參數(shù)位置，表示取歐氏距離，表示最大的參數(shù)訓練次數(shù)；

64、步驟s43：定義訓練起源位置，表示如下：

65、；

66、其中，表示第k次參數(shù)訓練時生成的起源位置，表示一個在0到1之間的隨機數(shù)，表示參數(shù)訓練空間的上界，表示參數(shù)訓練空間的下界，表示一個服從標準正態(tài)分布的隨機數(shù)；

67、步驟s44：設(shè)計參數(shù)訓練策略，表示如下：

68、；

69、其中，表示第k次參數(shù)訓練時的參數(shù)位置，表示第k-1次參數(shù)訓練時的參數(shù)位置，表示一個服從標準正態(tài)分布的隨機數(shù)；

70、步驟s45：設(shè)計參數(shù)訓練規(guī)則，設(shè)定最大的參數(shù)訓練次數(shù)和參數(shù)性能閾值，進行參數(shù)訓練，每進行一次參數(shù)訓練，計算訓練得到的參數(shù)點的參數(shù)性能值，更新參數(shù)性能最高的參數(shù)位置和參數(shù)性能最低的參數(shù)位置，如果在一次訓練的過程中有超過65%的參數(shù)點的性能值大于參數(shù)性能閾值，訓練結(jié)束，將此時參數(shù)性能最高的參數(shù)設(shè)置為模型參數(shù)；如果到達最大的參數(shù)訓練次數(shù)，重新進行參數(shù)訓練；否則訓練次數(shù)加一，繼續(xù)訓練。

71、進一步地，在步驟s5中，所述綜合管理是利用市場需求預(yù)測模型對再生資源的需求情況進行預(yù)測，根據(jù)市場需求情況對再生資源的回收進行管理，當市場需求等級為強烈需求時，加大再生資源回收的力度；當市場需求等級為中等需求時，維持再生資源回收的力度；當市場需求等級為低需求時，減小再生資源回收的力度。

72、本發(fā)明提供的基于大數(shù)據(jù)的再生資源回收管理系統(tǒng)系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)異常識別模塊、建立市場需求預(yù)測模型模塊、模型參數(shù)訓練模塊和綜合管理模塊；

73、所述數(shù)據(jù)采集模塊采集歷史再生資源交易數(shù)據(jù)、生產(chǎn)數(shù)據(jù)、人口數(shù)據(jù)、替代品發(fā)展數(shù)據(jù)和市場需求等級，并將數(shù)據(jù)發(fā)送至數(shù)據(jù)異常識別模塊；

74、所述數(shù)據(jù)異常識別模塊接收數(shù)據(jù)采集模塊發(fā)送的數(shù)據(jù)，去除異常數(shù)據(jù)，并將數(shù)據(jù)發(fā)送至建立市場需求預(yù)測模型模塊；

75、所述建立市場需求預(yù)測模型模塊接收數(shù)據(jù)異常識別模塊發(fā)送的數(shù)據(jù)，建立市場需求預(yù)測模型，并將數(shù)據(jù)發(fā)送至模型參數(shù)訓練模塊和綜合管理模塊；

76、所述模型參數(shù)訓練模塊接收建立市場需求預(yù)測模型模塊發(fā)送的數(shù)據(jù)，對模型的參數(shù)進行訓練，并將數(shù)據(jù)發(fā)送至綜合管理模塊；

77、所述綜合管理模塊接收建立市場需求預(yù)測模型模塊和模型參數(shù)訓練模塊發(fā)送的數(shù)據(jù)，利用市場需求預(yù)測模型對再生資源的需求情況進行預(yù)測，根據(jù)市場需求情況來對再生資源的回收進行管理。

78、采用上述方案本發(fā)明取得的有益效果如下：

79、（1）針對傳統(tǒng)再生資源回收管理方法中數(shù)據(jù)異常識別存在精確度不高、容易誤判的問題，本方案通過定義引力權(quán)重函數(shù)、設(shè)定鄰域?qū)挾?、定義局部密度和計算異常評分來去除異常數(shù)據(jù)，提高了異常識別的準確性，降低誤判率。

80、（2）針對傳統(tǒng)市場需求預(yù)測方法存在預(yù)測精度不高、模型適應(yīng)性不強、難以捕捉時間序列數(shù)據(jù)中依賴關(guān)系的問題，本方案通過構(gòu)建模型、設(shè)計激勵函數(shù)、設(shè)計初始調(diào)節(jié)層、設(shè)計記憶控制層、設(shè)計注意力層、設(shè)計修正層、設(shè)計輸出層和設(shè)計損失函數(shù)來建立模型，更全面地捕捉數(shù)據(jù)中的特征和信息，提高了預(yù)測的精度、準確性和穩(wěn)定性。

81、（3）針對傳統(tǒng)模型參數(shù)訓練方法存在訓練效率低下、易陷入局部最優(yōu)解、難以找到全局最優(yōu)參數(shù)配置的問題，本方案通過初始化、定義動態(tài)匹配因子、定義訓練起源位置、設(shè)計參數(shù)訓練策略和設(shè)計參數(shù)訓練規(guī)則來對模型參數(shù)進行訓練，增強了訓練過程的靈活性和魯棒性，使得訓練過程更加高效和全面。