垃圾分类积分兑换的方法与流程

本发明涉及一种将垃圾分类投放获得的积分进行商品兑换的方法。

背景技术：

垃圾分类是对垃圾收集处置传统方式的改革，是对垃圾进行有效处置的一种科学管理方法。人们面对日益增长的垃圾产量和环境状况恶化的局面，如何通过垃圾分类管理，最大限度地实现垃圾资源利用，减少垃圾处置量，改善生存环境质量，是当前世界各国共同关注的迫切问题之一。通过定期向市民免费发放垃圾袋来促进市民对于垃圾分类回收的意识，因而市场上有一些垃圾袋发放系统，该类系统绑定垃圾袋信息和用户信息，对垃圾进行追踪，并可对垃圾分类回收意识较好的用户进行积分制奖励，更好的实现垃圾分类回收的意义。

技术实现要素：

本发明的目的是公开一种将垃圾分类投放获得的积分进行商品兑换的方法，可以提高用户对于垃圾分类回收积极性。

本发明通过以下技术方案来实现上述目的：垃圾分类积分兑换的方法，用户通过垃圾分类投放获得积分，通过积分兑换商品；建立用户投放垃圾的次数和正确率与获得奖惩积分的第一模型；在获得奖惩积分的基础上，建立用户投放垃圾的次数、正确率和奖惩积分与获得权值的第二模型；在获得权值的基础上，建立用户的权值、垃圾重量、垃圾类型和不同垃圾对应的市价与获得的最终积分的第三模型；通过获得的奖惩积分和最终积分均存入用户积分账户。

作为优选，采用最小二乘法支持向量机ls-svm建立第一模型，依次包括以下步骤：(1)对于给定的数据向量{xj,yj}ⁿ,j＝1,2,…,n，输入向量集合为即x∈r²；输出向量集合即式1：y∈r¹，yj＝f(xj)+ej，f(xj)是拟合值；ej是拟合值域实际值的偏差；(2)定义非线性映射把步骤1中非线性相关的数据从原空间映射到特征空间原非线性模型转化为特征空间的线性模型，即ls-svm的模型式2：ω，b是模型中需要进行辨识的参数；(3)利用解构风险最小化原则，对式2中需要辨识的参数进行处理得到式3：γ是正则化参数；remp为损失函数；(4)基于ls-svn的奖惩积分预测模型在目标函数中选择损失函数为误差的二次方函数的表达式4：式5：(5)由拉格朗日函数求解式4，根据kkt条件，对拉格朗日函数求偏导可以得到式6：；(6)根据mercer条件，定义核函数，本文选择gauss径向机核函数式7：式7中σ为核宽度；(7)将式7代入式6，优化问题转化为线性方程求解问题，得到式8：

；xj是训练天数输入数据向量；xv是预测天数的输入数据向量；f(xv)为输出向量集合；式8即为基于ls-svm建立的奖惩积分预测模型；(8)对多个数据进行归一化处理，||·||2表示向量的2-范数；(9)需要确定的参数有向量机正则化参数c，和rbf核参数σ²，采用交叉验证法确定参数的取值，根据模型在验证集上的性能表现，确定合适的参数。

作为优选，根据用户投放垃圾的行为习惯，得到一个权值作为用户投放垃圾获得积分的一项重要指标。

作为优选，采用最小二乘法支持向量机ls-svm建立第二模型，依次包括以下步骤：(1)对于给定的数据向量{xj,yj}ⁿ,j＝1,2,…,n，输入向量集合为即x∈r²；输出向量集合为即式1：y∈r¹，yj＝f(xj)+ej，f(xj)是拟合值；ej是拟合值域实际值的偏差；(2)定义非线性映射把步骤1中非线性相关的数据从原空间映射到特征空间原非线性模型转化为特征空间的线性模型，即ls-svm的模型式2：ω，b是模型中需要进行辨识的参数；(3)利用解构风险最小化原则，对式2中需要辨识的参数进行处理得到式3：γ是正则化参数；remp为损失函数；(4)基于ls-svn的奖惩积分预测模型在目标函数中选择损失函数为误差的二次方函数的表达式4：式5：(5)由拉格朗日函数求解式4，根据kkt条件，对拉格朗日函数求偏导可以得到式6：；(6)根据mercer条件，定义核函数，本文选择gauss径向机核函数式7：式7中σ为核宽度；(7)将式7代入式6，优化问题转化为线性方程求解问题，得到式8：

；xj是训练天数输入数据向量；xv是预测天数的输入数据向量；f(xv)为输出向量集合；式8即为基于ls-svm建立的奖惩积分预测模型；(8)对多个数据进行归一化处理，||·||2表示向量的2-范数；(9)确定ls-svm中向量机正则化参数c，和rbf核参数σ²的参数。

作为优选，采用最小二乘法支持向量机ls-svm建立第三模型，依次包括以下步骤：(1)对于给定的数据向量{xj，yj}ⁿ,j＝1,2,…,n，输入向量集合为即x∈r²；输出向量集合为即式1：y∈r¹，yj＝f(xj)+ej，f(xj)是拟合值；ej是拟合值域实际值的偏差；(2)定义非线性映射把步骤1中非线性相关的数据从原空间映射到特征空间原非线性模型转化为特征空间的线性模型，即ls-svm的模型式2：ω，b是模型中需要进行辨识的参数；(3)利用解构风险最小化原则，对式2中需要辨识的参数进行处理得到式3：γ是正则化参数；remp为损失函数；(4)基于ls-svn的奖惩积分预测模型在目标函数中选择损失函数为误差的二次方函数的表达式4：式5：(5)由拉格朗日函数求解式4，根据kkt条件，对拉格朗日函数求偏导可以得到式6：(6)根据mercer条件，定义核函数，本文选择gauss径向机核函数式7：k(x,xi)＝exp{-||xj-xv||}²/σ²，式7中σ为核宽度；(7)将式7代入式6，优化问题转化为线性方程求解问题，得到式8：xj是训练天数输入数据向量；xv是预测天数的输入数据向量；f(xv)为输出向量集合；式8即为基于ls-svm建立的奖惩积分预测模型；(8)对多个数据进行归一化处理，||·||2表示向量的2-范数；(9)确定ls-svm中向量机正则化参数c，和rbf核参数σ2的参数。

作为优选，商品包括垃圾袋和其它商品，通过模型获得积分进行商品兑换的步骤如下：(1)用户验证信息，数据库验证通过进入下一步；(2)判断用户兑换垃圾袋还是其它商品，如果用户兑换的是垃圾袋，后台调用数据库数据继续判断该用户在该自然月是否有过领取记录，如果没有领取记录，后台下发指令，该用户可以领取垃圾袋，如果有过领取记录，进入下一步，如果兑换的是商品，进入下一步；(3)后台调用数据库数据查找该用户的现有积分，判断积分是否达到兑换积分，如果现有积分达到兑换积分，后台操作数据库扣除相应积分并保存扣除后的积分，如果现有积分不够，进入下一步；(4)判断用户是否使用电子支付，如果不使用，无法领取垃圾袋和其它商品；如果使用，再判断是否扣除用户剩余的积分，如果同意扣除剩余积分，则扣除用户剩余积分并支付剩余的费用，如果不同意扣除剩余积分，则直接支付相应费用，用户即可领取垃圾袋或其它商品。

作为优选，通过用户绑定的微信公众号进行垃圾分类积分兑换，使用方便。

作为优选，把用户、商品兑换机、后台、数据库结合在一起，通过后台操作数据库处理用户积分，使用方便。

采用了上述技术方案的垃圾分类积分兑换的方法，根据用户行为习惯获得第一模型的奖惩积分，根据奖惩积分通过第二模型得到权值，最后根据权值、投放垃圾的重量、垃圾类型、不同垃圾对应的市价通过第三模型获得积分，通过第一模型、第二模型和第三模型并依据数据库中的大数据获知每个用户投放垃圾获得的积分，由于数据的不断变化，获得的积分也并不相同，行为习惯越好获得的奖惩积分会越多，获得的权值会越多，获得积分也会越多，提高了用户垃圾分类投放的积极性。

具体实施方式

下面结合实施例对本发明作进一步说明。

用户通过垃圾分类投放获得积分，通过积分兑换商品，商品包括垃圾袋和其它商品。

建立用户投放垃圾的次数和正确率与获得奖惩积分的第一模型。在第一模型的基础上，获得奖惩积分，建立用户投放垃圾的次数、正确率和奖惩积分与获得权值的第二模型。在第二模型的基础上，获得权值，建立用户的权值、垃圾重量、垃圾类型和不同垃圾对应的市价与获得的最终积分的第三模型；通过获得的奖惩积分和最终积分均存入用户积分账户。

采用最小二乘法支持向量机ls-svm建立第一模型，依次包括以下步骤：(1)对于给定的数据向量{xj,yj}ⁿ,j＝1,2,…,n，输入向量集合为即x∈r²；输出向量集合即式1：y∈r¹，yj＝f(xj)+ej，f(xj)是拟合值；ej是拟合值域实际值的偏差；(2)定义非线性映射把步骤1中非线性相关的数据从原空间映射到特征空间原非线性模型转化为特征空间的线性模型，即ls-svm的模型式2：ω，b是模型中需要进行辨识的参数；(3)利用解构风险最小化原则，对式2中需要辨识的参数进行处理得到式3：γ是正则化参数；remp为损失函数；(4)基于ls-svn的奖惩积分预测模型在目标函数中选择损失函数为误差的二次方函数的表达式4：式5：(5)由拉格朗日函数求解式4，根据kkt条件，对拉格朗日函数求偏导可以得到式6：

；(6)根据mercer条件，定义核函数，本文选择gauss径向机核函数式7：式7中σ为核宽度；(7)将式7代入式6，优化问题转化为线性方程求解问题，得到式8：

；xj是训练天数输入数据向量；xv是预测天数的输入数据向量；f(xv)为输出向量集合；式8即为基于ls-svm建立的奖惩积分预测模型；(8)已确定的输入输出数据包括多个方面的内容，数据的单位、数量级都不尽相同，如果直接用原始数据进行运算，则很可能出现较大范围变化的数据淹没较小范围变化的数据的情况，使预测结果准确性降低，而且gauss径向机核函数计算中涉及向量的内积，数据的值过大会引起计算困难，从而影响整个模型的计算效率，基于以上分析，对多个数据进行归一化处理，||·||2表示向量的2-范数；(9)需要确定的参数有向量机正则化参数c，和rbf核参数σ²，采用交叉验证法确定参数的取值，根据模型在验证集上的性能表现，确定合适的参数。

这样便可以根据数据库中的大数据获知用户之后每次投放获得的奖惩积分，由于数据的不断变化，每次获得的积分也并不相同，行为习惯越好获得的奖惩积分会越多。

根据用户投放垃圾的行为习惯，得到一个权值作为用户投放垃圾获得积分的一项重要指标。

采用最小二乘法支持向量机ls-svm建立第二模型，依次包括以下步骤：(1)对于给定的数据向量{xj,yj}ⁿ,j＝1,2,…,n，输入向量集合为即x∈r²；输出向量集合即式1：y∈r¹，yj＝f(xj)+ej，f(xj)是拟合值；ej是拟合值域实际值的偏差；(2)定义非线性映射把步骤1中非线性相关的数据从原空间映射到特征空间原非线性模型转化为特征空间的线性模型，即ls-svm的模型式2：ω，b是模型中需要进行辨识的参数；(3)利用解构风险最小化原则，对式2中需要辨识的参数进行处理得到式3：γ是正则化参数；remp为损失函数；(4)基于ls-svn的奖惩积分预测模型在目标函数中选择损失函数为误差的二次方函数的表达式4：式5：(5)由拉格朗日函数求解式4，根据kkt条件，对拉格朗日函数求偏导可以得到式6：

；(6)根据mercer条件，定义核函数，本文选择gauss径向机核函数式7：k(x,xi)＝exp{-||xj-xv||}w/σ²，式7中σ为核宽度；(7)将式7代入式6，优化问题转化为线性方程求解问题，得到式8：；xj是训练天数输入数据向量；xv是预测天数的输入数据向量；f(xv)为输出向量集合；式8即为基于ls-svm建立的奖惩积分预测模型；(8)已确定的输入输出数据包括多个方面的内容，数据的单位、数量级都不尽相同，如果直接用原始数据进行运算，则很可能出现较大范围变化的数据淹没较小范围变化的数据的情况，使预测结果准确性降低，而且gauss径向机核函数计算中涉及向量的内积，数据的值过大会引起计算困难，从而影响整个模型的计算效率，基于以上分析，对多个数据进行归一化处理，||·||2表示向量的2-范数；(9)需要确定的参数有向量机正则化参数c，和rbf核参数σ²，采用交叉验证法确定参数的取值，根据模型在验证集上的性能表现，确定合适的参数。

这样便可以根据数据库中的大数据预知每个用户的权值，由于数据的不断变化，获得的权值也并不相同，行为习惯越好获得的权值会越多。

根据上述模型，采用最小二乘法支持向量机ls-svm建立第三模型，依次包括以下步骤：(1)对于给定的数据向量{xj,yj}ⁿ,j＝1,2,…,n，输入向量集合为即x∈r²；输出向量集合为即式1：y∈r¹，yj＝f(xj)+ej，f(xj)是拟合值；ej是拟合值域实际值的偏差；(2)定义非线性映射把步骤1中非线性相关的数据从原空间映射到特征空间原非线性模型转化为特征空间的线性模型，即ls-svm的模型式2：ω，b是模型中需要进行辨识的参数；(3)利用解构风险最小化原则，对式2中需要辨识的参数进行处理得到式3：γ是正则化参数；remp为损失函数；(4)基于ls-svn的奖惩积分预测模型在目标函数中选择损失函数为误差的二次方函数的表达式4：式5：(5)由拉格朗日函数求解式4，根据kkt条件，对拉格朗日函数求偏导可以得到式6：(6)根据mercer条件，定义核函数，本文选择gauss径向机核函数式7：k(x,xi)＝exp{-||xj-xv||}²/σ²，式7中σ为核宽度；(7)将式7代入式6，优化问题转化为线性方程求解问题，得到式8：xj是训练天数输入数据向量；xv是预测天数的输入数据向量；f(xv)为输出向量集合；式8即为基于ls-svm建立的奖惩积分预测模型；(8)已确定的输入输出数据包括多个方面的内容，数据的单位、数量级都不尽相同，如果直接用原始数据进行运算，则很可能出现较大范围变化的数据淹没较小范围变化的数据的情况，使预测结果准确性降低，而且gauss径向机核函数计算中涉及向量的内积，数据的值过大会引起计算困难，从而影响整个模型的计算效率，基于以上分析，对多个数据进行归一化处理，||·||2表示向量的2-范数；(9)确定ls-svm中向量机正则化参数c，和rbf核参数σ²的参数。

通过以上制定的规则以及建立的三个模型就可以根据数据库中的大数据预知每个用户投放垃圾获得的积分，由于数据的不断变化，获得的积分也并不相同，行为习惯越好获得的权值会越多，垃圾的市价越高获得积分也会越多。根据用户行为习惯获得第一模型的奖惩积分，根据奖惩积分通过第二模型得到权值，最后根据权值、投放垃圾的重量、垃圾类型、不同垃圾对应的市价通过第三模型获得积分，第三模型获得的积分是用户获取积分的主要手段，第一模型获得的奖惩积分是一种对用户行为习惯的奖惩形式。

下表是不同用户投放垃圾获得奖惩积分、权值和积分的数据表。

用户积分奖惩的步骤是：巡检员打开智能垃圾箱检查每个垃圾袋的投放情况，巡检员用扫描枪扫描每个垃圾袋上的二维码获取用户信息，如果用户投放的垃圾分类正确，巡检员把数据上传到服务器并获得一定的积分；如果用户投放的垃圾分类错误，巡检员把数据上传到服务器并扣除一定的积分。

积分获取的流程具体包括：

步骤1：用户用事先绑定过用户信息的二维码卡，将二维码卡靠近智能垃圾箱的扫码口处；

步骤2：通过扫码器扫描卡片上的二维码获取用户卡号，并由智能垃圾箱内安装的无线通信终端把获取的用户信息上传到后台；

步骤3：后台把该用户卡号通过数据库查找该用户信息，判断用户与绑定的智能垃圾箱是否匹配，如果不匹配，后台通过无线通信终端对智能垃圾箱下发指令不进行任何操作，智能垃圾箱不开门；如果匹配，进入下一步；

步骤5：根据用户选择投放的垃圾种类，按下相应的按键门打卡，判断投放的垃圾是可回收垃圾还是不可回收垃圾，如果是不可回收垃圾，用户获得一定的积分；如果是可回收垃圾，后台解析用户投放的垃圾数据，并通过相应算法获得一定积分。

积分兑换的流程具体包括：

步骤1：用户用事先绑定过用户信息的二维码卡，将二维码卡靠近商品兑换机扫码口处；

步骤2：通过扫码器扫描卡片上的二维码获取用户卡号，并由商品兑换机内安装的无线路由器把获取的用户信息上传到后台；

步骤3：后台把该用户卡号通过数据库查找该用户信息，判断用户与绑定的商品兑换机是否匹配，如果不匹配后台通过无线路由器对商品兑换机下发指令不进行任何操作，如果匹配，进入下一步；

步骤4：判断用户是兑换垃圾袋还是商品，如果用户兑换的是垃圾袋，后台调用数据库数据继续判断该用户在该自然月是否有过领取记录，如果没有领取记录，后台通过无线路由器对商品兑换机下发指令操作安卓系统控制电机的转动从而发放垃圾袋，该用户就可以在取物口处领取垃圾袋，如果有过领取记录，进入下一步，如果兑换的是商品，进入下一步；

步骤5：后台调用数据库数据查找该用户的现有积分，判断积分是否达到兑换积分，如果现有积分达到兑换积分，后台操作数据库扣除相应积分并保存扣除后的积分，如果现有积分不够，进入下一步；

步骤6：判断用户是否使用微信或支付宝支付，如果不使用，商品兑换机不会发放垃圾袋和商品；如果使用，再判断是否扣除用户剩余的积分，如果同意扣除剩余积分，则扣除用户剩余积分并支付相应的钱，如果不同意扣除剩余积分，则支付相应的钱，该用户就可以在取物口处领取物品。

本发明采用基于ls-svm的三个预测模型，分别建立了用户投放垃圾的次数、正确率与获得奖惩积分之间的模型；用户投放垃圾的次数、正确率、获得奖惩积分和权值之间的模型；以及用户的权值、用户投放垃圾的重量、垃圾类型、不同垃圾对应的市价和用户投放垃圾获得的积分之间的模型。本发明可以结合硬件，例如结合商品兑换机，运用后台和数据库，把所有单个商品兑换机联系在一起，可以收集并处理大量的数据，改变了之前运用底层嵌入式进行单个操作的局限性，形成了物联网的雏形，有利于集中管理。本发明能够保证用户数据安全、有利于人员后期维护、便于添加用户数据、不受商品兑换机损坏的影响，减少系统奔溃的几率。通过系统上传用户信息以及接受后台下发的指令，从而控制商品兑换机的电机转动垃圾袋掉落。本专利的积分兑换技术把用户、商品兑换机、后台、数据库、微信公众号联系在一起，其中安放在小区内的商品兑换机通过商品兑换机扫描口处按置的扫描器扫描用户二维码卡，由无线路由器上传数据，后台调用数据库的信息扣除用户相应积分并对商品兑换机下发指令实施远程自动操作，并且还可以使用微信公众号实现积分兑换。在微信公众号和用户的二维码卡进行绑定，避免了用户遗忘携带二维码卡，增加用户粘性，及时了解用户自己的积分信息，可以通过用户绑定的微信公众号进行相关操作完成积分扣除、垃圾袋的发放等一些列操作，通过后台处理用户数据以及操作商品兑换机是否发放垃圾袋。