文献综述（或调研报告）：
在垃圾分类处理的现状和政策方面，谭文柱（2011）[1]对我国的城市生活垃圾管理现状及存在的问题作了分析研究，指出我国目前主要的生活垃圾处理方式还是混合收集，这种方法虽然简单易行，但增加了垃圾后续处理的难度，降低了垃圾回收利用的价值，从而提高了垃圾处理的总费用。该研究结合台北市生活垃圾处理的成功案例，给出了其他地区实行垃圾分类处理的指导意见。刘梅（2011）[2]总结了日本、美国、德国和比利时四个发达国家的垃圾分类处理方式，并结合我国实际给出了我国垃圾分类处理的推行办法。廖如珺等（2012）[3]从垃圾处理方式的角度分析了我国的垃圾分类现状，并指出垃圾分类处理制度需要社会系统的各个层级配合完善。张丽等（2018）[4]以北京市城六区的居住小区为样本，调查了不同类型的垃圾产生量，并分析影响要素及变化成因，对生活垃圾的源头减量提出了可行的建议。
在垃圾量分析管理策略的研究方面，Ana Pires等(2011)[5]以欧洲国家的应对策略为例，分析了欧洲国家在过去几十年中固体垃圾处理系统、技术手段和管理框架的变革，归纳了欧盟各成员国垃圾管理实践的优缺点，并指出系统分析模型和工具在未来将会获得更好的应用前景。李天威等（2003）[6]以最小化垃圾总处理费用为目标，对国内城市垃圾管理系统建立了规划模型。周靖承等（2012）[7]选取我国34座主要城市，以资金投入、人员配备和设施能力为输入指标，运用数据包络分析的方法对城市生活垃圾管理效率进行了综合评价。
对于具体的垃圾量预测方法，可以按照预测性质将预测模型分为定性预测模型和定量预测模型。Armstrong(2001)[8]指出，城市垃圾量预测方法的选择基于四个标准：可获得的数据数量和质量、数据类型、垃圾产生参数与社会经济指标的关系、垃圾管理领域可以预见的改变。多元线性回归（MLR）是垃圾量预测早期采用较多的方法，这一方法着眼于建立社会经济学指标和垃圾生成量之间的统计学关系。Beniacute;tez等（2008）[9]建立的MLR模型在家庭的水平上能够解释大约50%的变异，Bach等（2004）[10]建立的MLR模型在乡村或城市的水平上能够解释大约49%的变异。这些MLR模型解释水平较低的原因可能是模型选取的解释变量不够恰当，也可能是MLR模型内在结构的缺陷。Y.P.Li和G.H.Huang(2011)[11]提出了一种非精确模糊概率规划方法（IFPP），用于在信息具有不确定性时输出最佳的城市固体垃圾处理决策，并成功应用于中国长春市的城市固体垃圾处理规划。这一方法在确定垃圾流向特征及城市的长期垃圾处理能力规划方面有重要价值。袁媛（2014）[12]提出了一种基于连续混合高斯分布的隐马尔可夫模型，并分别在大样本量和小样本量情况下采用小波分析-隐马尔可夫模型组合预测法（WA-HMM）和主成分分析-隐马尔可夫模型组合预测法（PCA-HMM），取得了较为精确的预测结果。Miyuru Kannangara等（2018）[13]采用机器学习算法建立城市生活垃圾的准确预测模型，并比较了决策树和神经网络两种机器学习算法针对样本的预测性能。这一研究验证了机器学习算法在城市垃圾量预测中的可能性，也给出了数据收集、集成和建模的方法，是一种在样本容量较大时的有效预测方法。J. Navarro-Esbriacute;等(2009) [14]对城市垃圾产生量的时间序列数据进行动力学分析，建立非线性动力学预测方法，适用于城市垃圾产生量的短期和中期预测。通过对西班牙和瑞士的三座城市的实例分析，预测精度较好。Brian Dyson等(2005)[15]提出了城市垃圾产生量系统动力学预测模型，用于快速发展并且缺少历史数据的城市。通过对美国得克萨斯州圣安东尼奥市的实例研究，表明对于缺少历史数据、人口变动大、因为发展速度快而带来的不确定性因素多的地区，系统动力学模型比传统回归预测模型更有优势。这为现代预测技术及模型的发展提供了一个很好的思路。Hockett等(1995) [16]人运用同样的模型对美国卡罗莱纳州北部地区进行研究，结果表明人均零售额和废物处理费对人均垃圾产量具有显著的决定性影响。其中，餐饮业人均销售额对垃圾产量的影响最大。2001 年，Buenrostro等(2001) [17]基于对墨西哥莫雷利亚市固体废物的组成和社会经济变量的研究，对垃圾产量进行估计。另外，运用多元线性回归分析法预测了城市生活垃圾产生量，设置的自变量包括月工资、每户人口、年龄、家庭成员的接受教育水平，结果表明预测值与观测值相近.E．Daskalopoulos等(1998) [18]在研究美国和欧盟国家的城市固体垃圾的产生率时，提出的 RTCE 预测模型（Related Total Consumer Expenditure）具有较高的精确度。时间序列技术结合社会经济及人口等影响因素，助于寻找更好地进行城市生活垃圾统计分析[19]。Anastasia Katsamaki等(1998) [20]利用 Box-Jenkins 时间序列分析模型分析城市生活垃圾的日产率，经检验该模型取得了令人满意的效果.Laura Sokka等[21] (2007)，基于芬兰 1960~2002 年城市垃圾组成和产量的数据，运用 Paul R．Ehrlich 教授提出的关于环境影响（impact）与人口（population）、富裕程度（affluence）和技术水平（technology）三因素关系 IPAT 恒等式模型并结合情景分析法预测了 2020 年城市生活垃圾产生量。Noori R．等(2009) [22]运用人工神经网络（ANN）和主成分回归分析法（PCA-MLR）对伊朗首都德黑兰的垃圾产量做了短期预测。从结果上来看，人工神经网络模型优于主成分分析-多元线性回归模型。Roohollah Noori 等(2011)[23]在保证足够的精准度的前提下，为了简化 ANN的结构，提出 PCA-ANN（主成分分析—人工神经网络）模型和 GT-ANN 模型，并将其应用于伊朗马什哈德市每周垃圾产量的预测中。
参考文献
[1] 谭文柱.城市生活垃圾困境与制度创新——以台北市生活垃圾分类收集管理为例[J].城市发展研究,2011,18(07):95-101.
[2] 刘梅.发达国家垃圾分类经验及其对中国的启示[J].西南民族大学学报(人文社会科学版),2011,32(10):98-101.
[3] 廖如珺,黄建忠,杨丹蓉.中国城市生活垃圾分类处理现状与对策[J].职业卫生与病伤,2012,27(01):30-34.
[4] 张丽,王桂琴,王典.北京市城六区居住小区生活垃圾产生量调查分析[J].环境卫生工程,2018,26(01):59-62.
[5] Pires Ana,Martinho Graccedil;a,Chang Ni-Bin. Solid waste management in European countries: a review of systems analysis techniques.[J]. Journal of environmental management,2011,92(4).
[6] 李天威,严刚,王业耀,马小凡,聂永丰1.我国中小城市生活垃圾优化管理模型[J].中国环境科学,2003(01):106-110.
