تنبّؤ إدارة النفايات الصلبة البلدية باستخدام الشبكات العصبية على مقياس نقطة التفريغ

جمع نفايات أذكى للمدن المكتظة

مع نمو المدن، تزداد المخلفات أيضاً. الحاويات الممتلئة، والشاحنات الصاخبة، وارتفاع انبعاثات غازات الاحتباس الحراري هي علامات يومية على أن جمع النفايات يكافح لمجاراة الطلب. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي أن يساعد المدن على الانتقال من جداول جمع ثابتة وغالباً ما تكون مهدِرة إلى تخطيط أذكى قائم على البيانات يعرف متى وأين تمتلئ الحاويات بالفعل.

لماذا matter أصغر أجزاء النظام مهم

تركّز معظم خطط النفايات الحالية على أرقام كبيرة على مستوى المدينة: إجمالي الأطنان المجمعة يومياً أو شهرياً. يساعد ذلك في الميزنة على المدى الطويل لكنه يتجاهل ما يزعج السكان فعلاً—حاوية ممتلئة في زاويتهم بينما تكون أخرى نصف فارغة. يجادل المؤلفون بأن وحدة القياس الأساسية التي ينبغي مراقبتها هي «نقطة التفريغ»، أي كل حاوية أو وعاء أو مدخل حيث يلقي الناس نفاياتهم. بمعاملة كل من هذه النقاط كمستشعر لسلوك محلي، يمكن لخدمات المدينة أن تفهم كيف تتكدس النفايات شارعاً شارعاً وساعة بساعة، بدلاً من النظر إلى المجاميع السنوية فقط.

تحويل نشاط الحاويات الخام إلى إشارات قابلة للاستخدام

لاختبار هذه الفكرة عمل الباحثون مع بيانات فعلية من 200 نقطة تفريغ في مدينة صغيرة بشمال إسبانيا، مسجَّلة على مدى أربع سنوات. في كل مرة امتلأت فيها حاوية أو أُفرِغت، تم إنشاء سجل، ما أنتج ملايين الأحداث الفردية. كان هذا التسلسل الخام فوضوياً: جاءت القراءات في أوقات غير منتظمة، وبعض الحاويات كان لديها قياسات أكثر بكثير من غيرها، وحلت أخطاء متقطعة أو عمليات إفراغ مفاجئة تشوّش البيانات. أولاً نظف الفريق هذه السجلات وأعاد تشكيلها، محاذياً إياها إلى فترات زمنية منتظمة قدرها خمس دقائق ثم ساعة، وأضافوا معلومات تقويمية بسيطة مثل وقت اليوم، يوم الأسبوع، الشهر، الموسم، عطلة نهاية الأسبوع أو العطلة الرسمية. كما كشفوا عن الطفرات الغريبة وملسوها، واستخدموا في بعض الاختبارات طريقة قياس شائعة (تطبيع مين–ماكس) ليروا ما إذا كان وضع جميع القيم على نفس المقياس يساعد.

تدريب الشبكات العصبية لتوقّع امتلاء الحاويات

باستخدام مجموعة بيانات منظمة، درّب المؤلفون شبكات عصبية اصطناعية—نماذج ذكاء اصطناعي مرنة مناسبة لالتقاط أنماط معقدة وغير خطية. الهدف كان التنبؤ بكمية النفايات التي ستُلقى في الحاوية خلال الساعات القليلة المقبلة. اختبروا ثلاث استراتيجيات رئيسية. في الأولى، حصلت كل نقطة تفريغ على نموذج مخصص لسلوكها المحلي. في الثانية، جُمعت بيانات عدة حاويات في مجموعات، باستخدام المتوسطات أو الوسيطات لتمثيل الأنماط المشتركة. في الثالثة، حاول نموذج «عالمي» واحد التعلم من جميع الحاويات دفعة واحدة. كما جربوا نوافذ زمنية مختلفة من ساعة إلى ست ساعات، ومع وبدون تطبيع البيانات.

ما الذي نجح بشكل أفضل لتحقيق تنبؤات موثوقة

أظهرت النتائج أن السياق مهم: إضافة مؤشرات بسيطة متعلقة بالزمن إلى قراءات الامتلاء الأساسية أحدثت فرقاً كبيراً. نادراً ما وصلت النماذج التي تستخدم حقل إدخال واحد فقط إلى مستويات دقة مفيدة عملياً. عندما جمعت الشبكات العصبية زيادات الامتلاء بالساعة مع معلومات التقويم والعطلات، تحسنت التنبؤات بشكل كبير. جاءت التنبؤات الأكثر موثوقية من نماذج الحاويات المجمّعة على فواصل زمنية أربع وست ساعات، التي ملست تقلبات عشوائية بينما ظلت تلتقط الإيقاعات اليومية. وصلت هذه الإعدادات إلى مستويات دقة اعتبرها المؤلفون كافية لتوجيه العمليات الحقيقية، في حين لم يرقَ النموذج العالمي الموحد إلى المستوى المطلوب. ومن المثير للاهتمام أن تطبيع البيانات لم يكن مفيداً دائماً؛ في عدة حالات أعطت القيم غير المُقَيَّمة تنبؤات أفضل قليلاً.

من التنظيف ردّ الفعل إلى التخطيط الاستباقي

بعبارات بسيطة، تُظهر الدراسة أن المدن يمكنها استخدام بيانات مستوى الحاوية الموجودة، مضافاً إليها حقائق تقويمية بسيطة، للتنبؤ متى وأين ستتكدس النفايات في الساعات القليلة المقبلة. بدلاً من قيادة طرق ثابتة أو الاستجابة فقط بعد حدوث الاكتظاظ، يمكن إرسال شاحنات النفايات إلى حيث الحاجة فعلاً، في الوقت المناسب من اليوم. هذا يعني رحلات أقل غير ضرورية، واستهلاك وقود وانبعاثات أقل، وشوارع أنظف. ومع أن العمل يركّز على مدينة واحدة وعدد محدود من الحاويات، فإنه يضع إطاراً واضحاً وقابلاً لإعادة الاستخدام لتحويل سجلات تشغيلية مبعثرة إلى أداة تخطيط مدعومة بالذكاء الاصطناعي—خطوة مهمة نحو إدارة نفايات حضرية أكثر استدامة واستجابة.

الاستشهاد: De-la-Mata-Moratilla, S., Gutierrez-Martinez, JM. & Castillo-Martinez, A. Municipal solid waste management forecasting using neural networks at discharge point scale. Sci Rep 16, 6903 (2026). https://doi.org/10.1038/s41598-026-38110-9

الكلمات المفتاحية: النفايات الصلبة البلدية, المدن الذكية, الشبكات العصبية, تنبؤ جمع النفايات, استدامة حضرية