随着塑料制品的增多，废弃塑料也逐渐增加，目前，废弃塑料垃圾的处理方式主要有掩埋[1]和焚烧[2]，但一定程度上都会造成环境污染[3]。为避免废弃塑料垃圾带来的巨大危害，国家相关部门建议采用活性炭等进行吸附处理。随着深度学习[4]技术的发展，有专家依据它在大数据基础上提出多领域的故障检测、识别、分类模型。例如，周雯等[5]采用深度学习技术检测动车组是否附有塑料袋等异物，最终检测精度达到90.35%。刘月明等[6]采用大数据预测烧结矿含量，获得较好的预测效果。王玥[7]提出基于机器学习的电厂负荷预测模型，针对朝阳发电厂的运行数据进行了测试，获得较准确的预测结果。近几年，深度残差网络[8]受到广泛应用，它可传输保留丰富的原始信息，避免梯度消失现象。密集连接网络[9]可组合得多维语义特征信息，在多种类深度学习任务中取得较好的结果。本实验采用深度学习卷积神经网络的技术，提出基于大数据的工业园区塑料废气预测模型。阐述了塑料废气预测模型的架构，说明仿真环境信息，通过仿真探究批次样本量、迭代次数、残差模块、密集连接模块的特性，并得出塑料废气预测模型的预测性能。1塑料废气预测模型1.1模型架构图1为基于大数据的塑料废气预测模型的基本架构。塑料废气预测模型网络由特征提取层(残差模块特征提取层、密集连接模块特征提取层)和分类层(全连接层)组成。在残差模块特征提取层中，采用残差模块提取抽象的塑料废气语义信息；在密集连接模块特征提取层中，采用密集连接模块进一步提取高维塑料废气信息；在分类层(全连接层)中，采用一个全连接层统计塑料废气特征，预测废气值。10.15925/j.cnki.issn1005-3360.2021.01.001.F001图1塑料废气预测模型基本架构Fig.1Basic framework of plastic waste gas prediction model1.2残差模块特征提取层图2为设计的残差模块特征提取层。为从输入数据中提取抽象的塑料废气语义特征，添加由2个分支网络组成的残差模块。其中，第1个分支网络的2个卷积层均由堆叠的卷积、批次标准化BN、ReLU非线性激活操作组成，再添加窗口为1×2、步长为2的最大池化操作，卷积核数量分别为36和144；第2个分支网络由1个卷积、批次标准化BN、ReLU非线性激活操作组成，卷积核数量为144，将输出特征图相加即获得抽象的塑料废气语义特征图。10.15925/j.cnki.issn1005-3360.2021.01.001.F002图2残差模块特征提取层Fig.2Feature extraction layer of residual module1.3密集连接模块特征提取层图3为密集连接模块特征提取层。为提取高维度的特征，促进模型的特征表达能力，设计由三个卷积层组成的密集连接模块。其中，每个卷积层的卷积核数量均为288。密集连接模块的每一个卷积层拼接前面所有输入特征信息，随后传递输出特征信息至之后的所有卷积层，从而最大限度地保留塑料废气特征信息。因此，密集连接模块通过拼接操作组合多维度塑料废气信息，从而能增强模型的特征表达能力，最终输出高维度塑料废气特征。10.15925/j.cnki.issn1005-3360.2021.01.001.F003图3密集连接模块特征提取层Fig.3Feature extraction layer of dense connection module2仿真环境2.1数据集预处理为预测某一时刻的塑料废气值，需从某个工业园区中采集预测时刻前1 h内的塑料废气平均值、工作日/节假日(0/1)标识值作为输入数据。共采集20 000个小时的样本数据集，依据深度学习的常规比例6:2:2随机划分样本数据到训练集、验证集和测试集中。2.2仿真参数设计应用Tensorflow深度学习框架进行设计并实现模型，设置偏置值为0.001，设置学习率为0.000 3，除特别说明，卷积核尺寸均为1×2，步长均为1。2.3评估标准应用误差值百分比作为本塑料废气预测模型的性能评价指标，其计算公式为：EV=1n∑i=1nxi'-xixi (1)式（1）中：xi'为塑料废气预测值；xi为塑料废气实际值；n为批次样本数量；EV为塑料废气误差值百分比。3仿真分析3.1批次样本量仿真分析研究批次样本量下模型对塑料废气的预测性能。合理的批次样本量有利于增强模型的泛化能力。设置批次样本量分别为2、4、8、12、16、20，训练模型至1 000代。图4为模型在测试集上的塑料废气误差均值百分比。从图4可以看出，当批次样本量逐渐增加时，模型的塑料废气误差均值百分比首先快速降低，再稍有上升趋势，说明一定数量的样本量有利于模型逼近较优取值区间，从而促进参数的优化。当批次样本量为16时，模型具备最佳的塑料废气误差均值百分比，为0.042 9。10.15925/j.cnki.issn1005-3360.2021.01.001.F004图4不同批次样本量下的塑料废气误差均值百分比Fig. 4Error average percentage of plastic waste gas under different batch sample sizes3.2迭代次数仿真分析图5为模型的损失值，图6为模型的塑料废气误差均值百分比。从图5和图6可以看出，在约600代之后，模型的损失值趋于平缓波动状态，说明此时模型到达收敛状态，塑料废气误差值百分比具备较高的可信度；模型在800代时的训练、验证塑料废气误差值百分比最小，分别为0.047 8、0.042 7；说明训练至800代的模型具备最优的预测性能，保存此模型。10.15925/j.cnki.issn1005-3360.2021.01.001.F005图5模型的损失值Fig. 5The loss value of the model10.15925/j.cnki.issn1005-3360.2021.01.001.F006图6模型的塑料废气误差均值百分比Fig. 6Error average percentage of plastic waste gas of the model3.3残差模块仿真分析仅保留残差模块的主分支网络，即去除残差模块，在批次样本量16下保存训练至800代的模型，统计塑料废气预测误差值百分比，当去除残差模块时，模型的塑料废气预测误差值百分比为0.106 2，高于原模型约6%；说明残差模块在保持较深层次的同时，可避免特征信息的损失，从而有利于学习抽象的塑料废气特征语义信息。3.4密集连接模块仿真分析去除密集连接模块的多个短路连接，统计模型的塑料废气预测误差值百分比。当去除密集连接模块时，模型的塑料废气预测误差值百分比为0.270 4，高于原模型约13%；说明密集连接模块可通过多个短路连接获得高维度的塑料废气特征，提升模型的预测性能。综合分析，提出的塑料废气预测模型通过残差模块获得抽象的塑料废气语义特征，通过密集连接模块提取到高维塑料废气特征，在批次样本量为16、800代时获得最优的预测性能，塑料废气误差值百分比为0.042 9。4结论(1)设计由2个网络分支组成的残差模块。主分支网络的2个卷积层由卷积、批次标准化BN、ReLU非线性激活操作组成，副分支网络由1个卷积层组成，残差模块的尾端通过将其相加获得抽象的塑料废气语义特征信息。(2)设计由3个卷积层组成的密集连接模块，通过短路连接汇聚各网络层塑料废气特征信息，获得高维度塑料废气特征，促进模型的特征表达。(3)本工业园区塑料废气预测模型的输入批次样本量为16，在800代时获得最佳的塑料废气预测性能，塑料废气误差值百分比为0.042 9。