基于可解释机器学习的塑料包装废弃物预测方法

技术领域

本申请涉及数据处理的技术领域，尤其涉及一种基于可解释机器学习的塑料包装废弃物预测方法。

背景技术

随着互联网的飞速发展，以外卖、快递等为代表的新兴消费方式已成为居民日常生活消费的重要组成部分。然而，伴随新兴产业蓬勃发展，这些产业所对应的废弃物的问题逐渐凸显，给生态环境和人类健康带来了严峻挑战，阻碍了城市可持续发展，急需加强废弃物管理。在推进废弃物管理的过程中，精准预测废弃物的产生量至关重要，废弃物的产生受到多种因素的影响，识别废弃物产生的因素将有助于提高废弃物产生量预测的精度，从而提高废弃物的管理水平。

现有关于废弃物产量的预测方法主要有统计学方法，如多元回归分析、时间序列分析等，以及机器学习方法，如决策树模型、随机森林、支持向量机、人工神经网络等。然而，统计学方法易忽略废弃物产生量与社会经济等因素之间的非线性关系，从而限制了预测精度，同时统计学利用假设检验容易受到劣势样本的影响，降低结果的可靠性。机器学习方法虽然具有强大的预测性能，但其依赖于超参数的选择，不当的超参数选择可能导致性能下降。此外机器学习方法属于黑盒模型，存在可解释性不足的问题，难以判断影响因素对塑料包装废弃物产量预测结果产生的影响，导致其预测准确度不高。

发明内容

本申请的提供一种基于可解释机器学习的塑料包装废弃物预测方法，旨在提高塑料包装废弃物产生量的预测准确性。

第一方面，本申请提供一种基于可解释机器学习的塑料包装废弃物预测方法，所述基于可解释机器学习的塑料包装废弃物预测方法包括以下步骤：

获取塑料包装废弃物的历史产生量及与所述历史产生量存在关联关系的特征数据；

基于异常值识别模型，对所述特征数据进行数据筛选处理，得到第一目标特征数据；

基于灰狼优化算法，根据所述历史产生量和所述第一目标特征数据对预设模型进行训练，得到待优化的塑料包装废弃物预测模型；

将所述第一目标特征数据输入至所述待优化的塑料包装废弃物预测模型，得到第一预测数据；

基于SHAP分析模型，根据所述第一预测数据，在所述第一目标特征数据中确定第二目标特征数据；

根据所述历史产生量和所述第二目标特征数据对所述待优化的塑料包装废弃物预测模型进行训练，得到目标塑料包装废弃物预测模型；

基于所述目标塑料包装废弃物预测模型，根据获取到的目标特征数据对所述塑料包装废弃物的产生量进行预测，得到所述塑料包装废弃物的预测产生量。

本申请提供一种基于可解释机器学习的塑料包装废弃物预测方法，本申请基于宏观或微观的外卖、快递等塑料包装废弃物对应的数据，建立与塑料包装废弃物存在关联关系的影响因素指标体系，并通过灰狼优化算法对预设模型的模型参数进行优化，得到待优化的塑料包装废弃物预测模型，以及利用SHAP分析模型对待优化的塑料包装废弃物预测模型的输入数据进行分析以识别出影响塑料包装废弃物产生量的第二目标特征数据，进而利用第二目标特征数据和塑料包装废弃物的历史产生量再次对待优化的塑料包装废弃物预测模型进行训练，得到目标塑料包装废弃物预测模型，从而提高了目标塑料包装废弃物预测模型的鲁棒性以及预测准确性，为塑料包装废弃物的产生量预测提供了解决方案，进而提升了对塑料包装废弃物的管理水平。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例。

图1为本申请实施例提供的一种基于可解释机器学习的塑料包装废弃物预测方法的流程示意图；

图2为本申请实施例提供的一种基于可解释机器学习的塑料包装废弃物预测方法的框架示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

在现有技术中，机器学习模型被许多人称为“黑盒”模型，也即，虽然用户可以利用机器学习模型获得准确的预测，但使用或构建该模型的用户却无法清楚地解释或识别这些预测背后的逻辑，在某些应用场景如塑料包装废弃物产生量的预测场景中，难以确认塑料包装废弃物产生量受何种因素的影响，从而导致模型预测精度不足的问题。本申请实施例提供一种基于可解释机器学习的塑料包装废弃物预测方法，利用了SHAP分析模型来打开“黑盒”模型，实现了机器学习的可解释性，并通过计算出模型的最优参数，以及利用识别出影响塑料包装废弃物产生量的关键影响因素对模型进行优化训练，得到的目标塑料包装废弃物预测模型，从而为塑料包装废弃物的产生量预测提供了解决方案，并提升了目标塑料包装废弃物预测模型的预测精准度。

其中，该基于可解释机器学习的塑料包装废弃物预测方法可应用于终端设备中，该终端设备可以是平板电脑、笔记本电脑、台式电脑等电子设备。也可以应用于服务器中，该服务器可以是单独的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1和图2，图1为本申请的实施例提供的一种基于可解释机器学习的塑料包装废弃物预测方法的流程示意图；图2为本申请的实施例提供的一种基于可解释机器学习的塑料包装废弃物预测方法的框架示意图。

如图1所示，该基于可解释机器学习的塑料包装废弃物预测方法包括步骤S101至步骤S104，并结合图2及下文，对基于可解释机器学习的塑料包装废弃物预测方法进行说明。

步骤S101、获取塑料包装废弃物的历史产生量及与所述历史产生量存在关联关系的特征数据。

示例性的，塑料包装废弃物的历史产生量指的是目标城市、地区或地域在目标历史时间中所产生的塑料包装废弃物，而特征数据用于指示对塑料包装废弃物的历史产生量存在影响的影响因素，也即，塑料包装废弃物的产生量会受到影响因素的影响而发生改变，其中，影响因素包括但不限于社会因素、经济因素、消费行为因素及自然环境因素。可以理解的，特征数据可以在相应的文献数据库、外卖行业报告和/或统计年鉴中获取，也可以根据用户的输入信息确定。

在具体的实施方式中，基于相关系数法和递归特征消除法对获取到的待选特征数据进行选择，以确定特征数据。具体的，利用皮尔逊相关性系数法（Pearsoncorrelationcoefficient）定量计算塑料包装废弃物与其对应的特征数据之间的相关性，选取相关系数排序的预设个数作为参考指标，再基于支持向量机的递归特征消除法评估和选择参考指标中的重要特征。

其中，递归特征消除法的具体实施步骤包括：创建基于支持向量机的评估器对象，拟合塑料包装废弃物的历史产生量和待选特征数据，得到每个待选特征数据的权重；按照各待选特征数据对应的权重由大到小对待选特征进行排序，并删除权重最小的待选特征数据，在删除权重最小的待选特征数据之后再次拟合处理并测试准确度；若得到的准确度的变化值小于或等于预设变化阈值，则确定当前所选用的待选特征数据未满足使用需求，删除对应的待选特征数据并重新执行数据获取步骤，得到新的待选特征数据，再次执行前述步骤；若得到的准确度的变化值大于预设变化阈值，则保留当前所选用的待选特征数据，并重复上述步骤，直至到达预设递归次数或待选特征数据的大小满足预设数据大小条件，结束递归，得到特征数据。

利用经过相关系数法和递归特征消除法筛选后得到的特征数据执行步骤S102以及后续步骤。

步骤S102、基于异常值识别模型，对所述特征数据进行数据筛选处理，得到第一目标特征数据。

示例性的，对在步骤S101中确定的特征数据进行数据预处理，得到第一目标特征数据，可以理解的，第一目标特征数据用于训练优化模型，通过对特征数据进行预处理得到第一目标特征数据，能够使得第一目标特征数据更符合模型训练优化的需求，从而提升利用第一目标特征数据训练得到的模型的预测准确性。

在一些实施例中，所述基于异常值识别模型，对所述特征数据进行数据筛选处理，得到第一目标特征数据，包括：基于基函数计算网络，根据所述特征数据及所述历史产生量确定目标插值数据；基于归一化处理网络，将所述目标插值数据插入至所述特征数据中，并对数据插入后的特征数据进行归一化处理，得到第一目标特征数据。

示例性的，在异常值识别模型中可以通过不同的异常值识别方式对数据中的异常值进行识别及处理，其中，异常值识别方式包括但不限于MAD异常值识别、IQA异常值识别和3Sigama异常值识别，本申请以MAD异常值识别及拉格朗日插值法对异常值进行处理的方式为例进行说明，并不对具体的异常值识别方法及数据处理方式予以限定。

具体的，通过以下公式实现MAD异常值的识别：

。

其中，

举例而言，利用拉格朗日插值法对异常值进行处理具体包括：根据特征数据确定n阶拉格朗日算法的基函数，并基于基函数，根据特征数据及历史产生量确定目标插值数据。其中，通过下式确定n阶拉格朗日算法的基函数：

。

其中，

通过拉格朗日基函数构建得到的目标插值多项式如下所示，并基于目标插值多项式及插值点计算目标插值数据：

。

其中，

以及，为了提高模型在优化训练过程中的寻优效率及最终的性能，基于归一化处理网络，对完成目标插值数据插入后的特征数据进行归一化处理，得到第一目标特征数据。可以理解的，归一化处理方式包括但不限于最小-最大缩放（Min-Max Scaling）或标准化（Z-score normalization），本申请以最小-最大缩放（Min-Max Scaling）为例进行说明。

在具体的实施方式中，通过下式完成对目标插值数据插入后的特征数据进的归一化：

。

其中，

通过上述步骤的处理，得到第一目标特征数据，以利用第一目标特征数据对预设模型进行训练，从而实现对预设模型的超参数的优化。

步骤S103、基于灰狼优化算法，根据所述历史产生量和所述第一目标特征数据对预设模型进行训练，得到待优化的塑料包装废弃物预测模型。

示例性的，通过灰狼优化算法（Grey Wolf Optimization，GWO），利用历史产生量及第一目标特征数据对预设模型进行训练，得到待优化的塑料包装废弃物预测模型，其中，预设模型可以为支持向量回归（Support Vector Regression,SVR）模型。

需要说明的是，在利用支持向量机算法训练支持向量回归模型时，由于惩罚因子参数C和RBF核函数中核参数γ的取值对训练好的模型的预测精度具有决定性的影响，且支持向量回归模型存在前期易陷入局部最优解、后期优化不明显的问题，在该步骤中通过灰狼优化算法对支持向量回归模型中的参数C和参数γ进行优化，以确定最优的参数C和参数γ的取值。

在一些实施例中，所述基于灰狼优化算法，根据所述历史产生量和所述第一目标特征数据对预设模型进行训练，得到待优化的塑料包装废弃物预测模型，包括：初始化灰狼群体中灰狼个体的个数、每个所述灰狼个体各自对应的位置信息；将各所述灰狼个体对应的位置信息作为所述预设模型的模型参数；将所述历史产生量和所述第一目标特征数据进行合并处理，得到第一数据集，并将所述第一数据集输入至参数调整后的预设模型，得到第二预测数据；基于适应度计算函数，根据所述第二预测数据和所述第一数据集确定各所述灰狼个体的适应度值；根据各所述灰狼个体的适应度值，从所有所述灰狼个体中确定第一目标灰狼个体、第二目标灰狼个体以及第三目标灰狼个体；基于位置更新计算模型，根据所述第一目标灰狼个体对应的第一位置信息、所述第二目标灰狼个体对应的第二位置信息以及所述第三目标灰狼个体对应的第三位置信息更新各所述灰狼个体的位置信息；根据更新后的各所述灰狼个体的位置信息更新所述预设模型的模型参数，并再次根据所述第一数据集对参数更新后的预设模型进行迭代训练；在所述适应度值满足迭代终止条件或迭代次数大于或等于预设迭代次数阈值的情况下，结束对所述预设模型的训练，得到待优化的塑料包装废弃物预测模型。

在具体的实施过程中，初始化灰狼群体中灰狼个体的个数，并设定参数惩罚因子C和RBF核函数中核参数γ的取值范围，具体的，参数惩罚因子C的取值范围为[0,P1]，核参数γ的取值范围为[0,P2]，解空间维度D，并且每个灰狼个体的位置信息对应SVR参数(C，γ)的一个候选解；将候选解作为支持向量回归模型的参数值，并利用第一数据集中的训练集训练参数调整后的支持向量回归模型；在完成训练后，将测试集输入至训练后的模型，得到模型输出的第二预测数据。

其中，将历史产生量和第一目标特征数据进行合并处理，得到第一数据集，并按照预设比例将合并得到的第一数据集分为训练集和测试集，例如，以Y表征历史产生量，以X表征第一目标特征数据，得到第一数据集（X，Y），按照预设比例对第一数据集进行划分得到训练集（X1，Y1）和测试集（X2，Y2），以利用训练集（X1，Y1）对参数调整后的支持向量回归模型进行训练，并将测试集（X2，Y2）输入至完成训练的模型中，得到对应的第二预测数据。

在得到第二预测数据之后，基于适应度计算函数计算各灰狼个体的适应度值。

进一步的，基于适应度计算函数，根据所述第二预测数据和所述第一数据集确定各所述灰狼个体的适应度值，包括：基于下式确定各所述灰狼个体的适应度值：

。

其中，

可以理解的，在第一数据集中包括多项数据，一项数据对应一个灰狼个体，将各项数据依次输入至上式，以确定每个灰狼个体对应的适应度值。

在计算得到各灰狼个体的适应度值后，从所有的灰狼个体中确定适应度值最优的灰狼个体为第一目标灰狼个体，适应度值为次优的灰狼个体作为第二目标灰狼个体，以及适应度值为第三优的灰狼个体作为第三目标灰狼个体，以及基于位置更新模型，根据第一目标对应的第一位置信息，第二目标灰狼个体对应的第二位置信息以及第三目标灰狼个体对应的第三位置信息更新各灰狼个体的位置信息。

在一些实施例中，所述基于位置更新计算模型，根据所述第一目标灰狼个体对应的第一位置信息、所述第二目标灰狼个体对应的第二位置信息以及所述第三目标灰狼个体对应的第三位置信息更新各所述灰狼个体的位置信息，包括：基于距离向量计算网络，确定所述第一目标灰狼个体、所述第二目标灰狼个体以及所述第三目标灰狼个体与所述灰狼群体中其他灰狼个体之间的距离向量；基于位置更新网络，根据所述距离向量、所述第一位置信息、所述第二位置信息以及所述第三目标信息更新各所述灰狼个体的位置信息。

具体的，以下列公式确定第一目标灰狼个体、第二目标灰狼个体及第三目标灰狼个体与其他灰狼个体之间的向量距离：

；/>

其中，

以下列公式对灰狼个体的位置信息进行更新：

；/>

其中，

其中，上述计算过程中的参数A和参数B通过下式确定：

；/>

其中，在多次的迭代训练过程中，参数a的值由2到0线性递减；参数

基于以上各式在多次迭代训练中更新参数A和参数B的值，应理解，通过引入随机参数

在每完成一次迭代训练后，得到对应的模型参数(C，γ)，并确定适应度值是否满足迭代终止条件，或确定迭代次数是否大于或等于预设迭代次数阈值；

在适应度值未满足迭代终止条件及迭代次数小于预设迭代次数阈值的情况下，继续对预设模型进行迭代训练，以更新模型参数(C，γ)。

在适应度值满足迭代终止条件或迭代次数大于或等于预设迭代次数阈值的情况下，结束对预设模型的训练，并将最后一次得到的模型参数(C，γ)作为预设模型的参数，得到待优化的塑料包装废弃物预测模型。

步骤S104、将所述第一目标特征数据输入至所述待优化的塑料包装废弃物预测模型，得到第一预测数据。

示例性的，将第一目标特征数据输入至通过步骤S103训练后得到的待优化的塑料包装废弃物预测模型，得到第一预测数据，并基于第一预测数据对待优化的塑料包装废弃物预测模型再次进行训练及优化。

步骤S105、基于SHAP分析模型，根据所述第一预测数据，在所述第一目标特征数据中确定第二目标特征数据。

示例性的，基于SHAP分析模型，根据第一预测数据，在第一目标特征数据中筛选出第二目标特征数据，可以理解的，筛选得到的第二目标特征数据用于指示影响塑料包装废弃物的产生量的关键影响因素及其对应的数据。应理解，SHAP分析模型应用了SHAP（Shapley Additive Explanations）方法，且SHAP分析模型具有一定的可解释性，以及能够输出影响塑料包装废弃物产生量的第二目标特征数据，由此基于SHAP分析模型能够打开机器学习的黑盒模型，进而通过第二目标特征数据训练得到的模型能够更好地对塑料包装废弃物的产生量进行预测，提升模型的预测准确性。

在一些实施例中，所述基于SHAP分析模型，根据所述第一预测数据，在所述第一目标特征数据中确定第二目标特征数据，包括：基于SHAP值计算网络，根据所述第一目标特征数据确定和所述第一预测数据确定每项所述第一目标特征数据各自对应的SHAP值；基于数据筛选网络，将所述SHAP值满足预设数据筛选条件的第一目标特征数据确定为所述第二目标特征数据。

在具体的实施过程中，利用SHAP分析模型识别影响塑料包装废弃物的产生量的关键影响因素，具体的，将第一目标特征数据输入至SHAP值计算网络，以使得SHAP值计算网络计算得到每项第一目标特征数据对应的SHAP值，从而根据每项第一目标特征数据对应的SHAP值筛选出第二目标特征数据，应理解，第二目标特征数据用于指示关键影响因素，通过上述过程完成对影响塑料包装废弃物的产生量的关键影响因素的识别。

在一些实施例中，基于SHAP值计算网络，根据所述第一目标特征数据确定和所述第一预测数据确定每项所述第一目标特征数据各自对应的SHAP值，包括：

基于下式确定各所述第一目标特征数据对应的SHAP值：

。

其中，

应理解，

示例性的，通过上述提供的方式确定每一项第一目标特征数据对应的SHAP值，并根据SHAP值是否满足预设数据筛选条件来完成数据筛选。

在一些实施例中，所述将所述SHAP值满足预设数据筛选条件的数据确定为所述第二目标特征数据，包括：根据所有的第一目标特征数据各自对应的SHAP值确定SHAP平均值，并将所述SHAP值大于或等于所述SHAP平均值的第一目标特征数据确定为第二目标特征数据。

示例性的，通过从SHAP值计算网络输出的所有SHAP值计算得到SHAP平均值，并将SHAP值大于或等于所述SHAP平均值的第一目标特征数据确定为所述第二目标特征数据，完成数据筛选并得到与塑料包装废弃物的产生量密切相关的关键影响因素。

在具体的实施过程中，计算得到每一个第一目标特征数据所对应的SHAP值后，基于总量化表征函数对多项第一目标特征数据进行排序，其中，总量化表征函数如下式所示：

。

其中，

通过计算得到每一个第一目标特征数据对应的总量化表征值后，按照总量化表征值由大到小的顺序，对所有的第一目标特征数据进行排序，得到第一目标特征数据序列，从而能够根据第一目标特征数据序列及SHAP平均值，如确定SHAP平均值在第一目标特征数据序列所对应的位置，则位于该位置之前的第一目标特征数据对应的SHAP值均大于等于SHAP平均值，从而完成在第一目标特征数据中筛选出第二目标特征数据，应理解，通过总量化表征函数能够提升数据的识别及筛选效率。

步骤S106、根据所述历史产生量和所述第二目标特征数据对所述待优化的塑料包装废弃物预测模型进行训练，得到目标塑料包装废弃物预测模型。

示例性的，计算得到第二目标特征数据后，利用第二目标特征数据和历史产生量对待优化的塑料包装废弃物预测模型再次进行训练，以得到目标塑料包装废弃物预测模型。可以理解的，由于第二目标特征数据为影响塑料包装废弃物的产生量的关键因素数据，因此通过第二目标特征数据训练得到的目标塑料包装废弃物预测模型能够有效提升塑料包装废弃物的预测精准度。

在一些实施例中，所述根据所述历史产生量和所述第二目标特征数据对所述待优化的塑料包装废弃物预测模型进行训练，得到目标塑料包装废弃物预测模型，包括：将所述历史产生量和所述第二目标特征数据进行合并处理，得到第二数据集；基于预设数据划分比例，将所述第二数据集划分为目标训练数据集及目标测试数据集；通过所述目标训练数据集对所述待优化的塑料包装废弃物预测模型进行训练，得到优化后的塑料包装废弃物预测模型；将所述目标测试数据集输入至所述优化后的塑料包装废弃物预测模型，得到第三预测数据；基于评估模型，根据所述第三预测数据及所述目标测试数据集对应的真实值确定所述优化后的塑料包装废弃物预测模型对应的评估指标；在所述优化后的塑料包装废弃物预测模型对应的评估指标满足预设评估条件的情况下，确定所述优化后的塑料包装废弃物预测模型为目标塑料包装废弃物预测模型。

在具体的实施过程中，将历史产生量Y和第二目标特征数据Z进行合并处理，得到第二数据集（Z，Y），并按预设数据划分比例，如8:2划分第二数据集（Z，Y），得到目标训练数据集（Z1，Y1）和目标测试数据集（Z2，Y2），并利用目标训练数据集（Z1，Y1）对待优化的塑料包装废弃物预测模型进行训练，可以理解的，待优化的塑料包装废弃物预测模型中的模型参数包括经灰狼优化算法计算得到的最优参数组合(C，γ)。

利用目标训练数据集（Z1，Y1）对待优化的塑料包装废弃物预测模型进行训练，并调整待优化的塑料包装废弃物预测模型对应的模型参数，以在完成训练后，得到目标塑料包装废弃物预测模型。

在得到目标塑料包装废弃物预测模型后，可以利用目标测试数据集（Z2，Y2）对目标塑料包装废弃物预测模型的预测效果进行评估，具体的，将目标测试数据集（Z2，Y2）输入至目标塑料包装废弃物预测模型，经过目标塑料包装废弃物预测模型的反归一化后，输出用于预测塑料包装废弃物的产生的第三预测数据，并基于第三预测数据及目标测试数据集（Z2，Y2）对应的真实值对目标塑料包装废弃物预测模型的预测效果进行评估。

在一些实施例中，所述基于评估模型，根据所述第三预测数据及所述目标测试数据集对应的真实值确定所述优化后的塑料包装废弃物预测模型对应的评估指标，包括：基于下式确定所述优化后的塑料包装废弃物预测模型对应的评估指标：

。

其中，

可以理解的，通过上式计算得到优化后的塑料包装废弃物预测模型对应的评估指标，并在评估指标符合预期评估目标的情况下，将该优化后的塑料包装废弃物预测模型作为目标塑料包装废弃物预测模型，以进行塑料包装废弃物的预测。

步骤S107、基于所述目标塑料包装废弃物预测模型，根据获取到的目标特征数据对所述塑料包装废弃物的产生量进行预测，得到所述塑料包装废弃物的预测产生量。

示例性的，若在步骤S106中，优化后的塑料包装废弃物预测模型评估指标未符合预期评估目标的情况下，则重新执行步骤S101~步骤S106以重新构建及训练优化塑料包装废弃物预测模型，或重新执行步骤S102~步骤S106中的至少一步，以重新训练优化塑料包装废弃物预测模型。

若优化后的塑料包装废弃物预测模型的评估指标符合预期评估目标，则可以将该优化后的塑料包装废弃物预测模型作为目标塑料包装废弃物预测模型；并基于目标塑料包装废弃物预测模型，根据获取到的如环境数据、经济行为数据等目标特征数据，对塑料包装废弃物的产生量进行预测，从而完成在目标地区及目标时间下的塑料包装废弃物的产生量的预测。

上述实施例提供的基于可解释机器学习的塑料包装废弃物预测方法，通过灰狼优化算法对支持向量回归模型的模型参数进行优化，得到优化后的塑料包装废弃物预测模型，并且利用SHAP方法对经优化后的塑料包装废弃物预测模型的输入数据进行分析以及识别出影响塑料包装废弃物产生量的第二目标特征数据，以及利用这些数据再次对优化后的塑料包装废弃物预测模型进行训练，得到目标塑料包装废弃物预测模型，从而能够通过目标塑料包装废弃物预测模型进行塑料包装废弃物产生量的预测，实现了能够基于特征数据（影响因素）对目标区域在目标时间内的塑料包装废弃物产生量进行精准预测，为塑料包装废弃物产生量的预测提供了新视角及能够基于预测的产生量设计对应的废弃物管理方案，为废弃物管理领域提供可靠方案。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。