本发明涉及面向我国污水资源化利用以及生活垃圾减量化、资源化的需求，提出一种基于机器学习xgboost方法来预测城市生活污水的产生量、城市生活垃圾产生量，从而为之后生活污水、生活垃圾资源化提供理论支持，属于市政工程、环境工程、数学建模与计算机技术交叉领域。
背景技术：
1、围绕高质量发展主题，对于污水以及生活垃圾减量化、再利用、资源化的需求更加迫切，这与低碳发展的目标是协同一致的。同时生活污水的处理以及生活垃圾管理规划与民生息息相关，引发了广泛的关注。但由于我国各个区域之间存在区域差异，如：生活污水和垃圾的处理技术与管理模式、消费模式、经济水平等，生活污水与生活垃圾的总量不清晰，为满足日后的生活污水以及生活垃圾的精细化管理、资源化利用，需要对生活污水以及生活垃圾进行时间和空间尺度上的细化。生活污水与生活垃圾产量预测的相关研究，已经证明生活污水与生活垃圾的产生与人口社会结构特征之间存在明显的关系。然而，相对于粗放的人口数量统计，考虑年龄结构可以更加清晰的解释经济、科技、文化教育等方面造成的影响，因此提出本发明。
技术实现思路
1、针对现有生活污水与生活垃圾产量预测不足的问题，本发明提供一种基于人群年龄解析的生活污水与生活垃圾产率协同预测方法。
2、本发明所述基于人群年龄解析的生活污水与生活垃圾产率协同预测方法，该方法包括以下步骤：
3、s1、基于我国第5、6、7次人口普查记录，利用三次样条插值的方法补全每次人口普查记录之间缺少的四年时间中每个年龄段的人口数据，获取2000-2020年人口数据；
4、s2、根据人口年龄结构比划分三个年龄组，将0-14岁划分为儿童组，将15-64岁划分为青壮年组，将65岁以上划分为老年组；获取2000-2020年中每年各年龄组的人口数量；
5、s3、建立生活污水模型和生活垃圾模型两个机器学习模型：并利用openbox开源黑盒优化系统进行优化，获取模型超参数；
6、所述生活污水模型以生活污水产量为因变量，以各年龄组人口数量为自变量；所述生活垃圾模型以生活垃圾产量为因变量，以各年龄组人口数量为自变量；
7、s4、根据2000-2020年人口数据预测2021-2040年的人口数据；进而获取2021-2040年每年各年龄组的人口数量；
8、s5、将2021-2040年中每年各年龄组的人口数量代入s3获取的两个机器学习模型中，预测2021-2040年中每年的生活污水产量和生活垃圾产量。
9、优选地，步骤s1获取2000-2020年人口数据的过程为：
10、第5、6、7次人口普查的年份分别为2020年、2010年和2020年，利用三次样条插值的方法补全每次人口普查记录之间缺少的四年时间中每个年龄段的人口数据，三次样条插值函数s(x)：
11、
12、结合以下约束条件构建方程组：
13、约束条件1、两段小区间的插值函数se(x)三次函数必须穿过所有已知插值点：
14、se(xe)＝ye,e＝0,1,2，x0,x1,x2分别对应2020年、2010年和2020年，y0,y1,y2为对应年份的人口数量；
15、约束条件2、插值点(x1,y1)处0阶连续：
16、s0(x1)＝s1(x1)
17、约束条件3、插值点(x1,y1)处1阶连续：
18、s′0(x1)＝s′1(x1)
19、约束条件4、插值点(x1,y1)处2阶连续：
20、s″0(x1)＝s″1(x1)
21、约束条件5、端点的斜率自由的在某一位置保持平衡：
22、s″0(x0)＝0,ands″1(x2)＝0
23、根据上述方式程获取系数a0,b0,c0,a1,b1,c1，进而根据三次样条插值函数进而补全2000-2020年人口数据。
24、优选地，步骤s3中两个机器学习模型获取过程为：
25、s31、将2000-2020年的每年各年龄组的人口数量，及对应年份的生活污水的产量、生活垃圾的产量按8:2的比例划分为两组，分别用于构建训练集和测试集；
26、s32、将训练集中的数据输入到改进的xgboost机器学习模型中进行训练，通过训练好的模型得到各年龄组人口数量和生活污水产量、生活垃圾产量的相关关系；
27、两个机器学习模型的损失函数为：
28、
29、式中，y(k)为k年各个年龄组的人口数矩阵，儿童组、青壮年组和老年组人口数量构成的1×3矩阵；k∈[2000-2020年]，n为插值后数据采样年的数量，n＝21；
30、z(k)为k年的生活污水产量矩阵或生活垃圾产量矩阵；
31、λ——控制l1和l2的惩罚强度，λ∈[0,1]；l1是套索范数，l2是山脊回归范数；
32、α——en惩罚的正则化系数，α>0；
33、θ为回归参数，θk为k年回归参数。
34、s33、利用openbox开源黑盒优化系统对以上的两个机器学习模型，根据对于测试集上的预测效果调整超参数，得到最佳超参数设置值，测试时选取决策树的数量、树的最大深度、学习率、α和λ五个超参数，返回模型平衡错误率作为评价训练模型在测试数据集的标准。设置优化轮数以及每轮最大验证时间，防止优化过程过长；优化结束后，输出超参数的优化结果，完成两个机器学习模型的构建。
35、优选地，步骤s4根据2021-2040年每年各年龄组的人口数量的预测过程为：
36、按下式，根据预测k∈[2020-2040年]：
37、
38、式中，
39、表示k+1年、i+1岁、地区j、性别l的人口数量；
40、j表示地区，j＝1表示城市，j＝2表示农村；
41、l表示性别，l＝m表示男性，l＝w表示女性；
42、表示k年、i岁、地区j、性别l的人口存活率；
43、——k年、i岁、地区j、性别l的人口数量；
44、表示k年、i岁、地区j、性别l的迁移数量(迁入为正，迁出为负)；
45、再根据人口年龄结构比划分获取三个年龄组2021-2040年每年各年龄组的人口数量。
46、本发明的有益效果：本发明依靠xgboost机器学习的高效、准确特点，提出一种基于人群年龄解析的生活污水与生活垃圾产率协同预测解释方法，从人口数量、年龄结构等数据入手，解析出不同年龄层段对于污水量以及生活垃圾量的贡献，并进行预测和驱动力分析，服务于人居环境的良好建设。
47、本发明根据不同地区人口数量而且利用各个年龄结构组成数据，科学且可观地建立其与生活污水产量以及生活垃圾产量的数学关系，并且考虑到不同年龄段之间的内在相关性，修改了正则化条件来改进xgboost机器学习模型，从而抵抗变量之间的严重相关性，以防止过拟合现象的发生。预测人口时采用了多个年龄段的人口作为预测的根据，而非总人口数，可以对于未来人口实现更加精确的分析，为之后的预测生活污水产量和生活垃圾产量提供了可靠的基础数据支撑。通过模型的建立详细的剖析了不同的年龄段人口是如何对于生活污水产量和生活垃圾产量产生影响的。基于本方法生活污水产量以及生活垃圾产量在时空尺度上得到了细化，有助于资源化利用以及相关管理方面的全面性，精确性。最终帮助做出关于资源分配、环境保护、可持续发展等流程顺利进行。
1.基于人群年龄解析的生活污水与生活垃圾产率协同预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于人群年龄解析的生活污水与生活垃圾产率协同预测方法，其特征在于，步骤s1获取2000-2020年人口数据的过程为：
3.根据权利要求1所述基于人群年龄解析的生活污水与生活垃圾产率协同预测方法，其特征在于，步骤s3中两个机器学习模型获取过程为：
4.根据权利要求1所述基于人群年龄解析的生活污水与生活垃圾产率协同预测方法，其特征在于，步骤s4根据2021-2040年每年各年龄组的人口数量的预测过程为：
