Prognose der kommunalen Abfallbewirtschaftung mit neuronalen Netzen auf Einwurfstellen-Ebene

Intelligentere Müllabfuhr für dicht besiedelte Städte

Mit dem Wachstum der Städte steigt auch die Müllmenge. Überquellende Behälter, laute Fahrzeuge und höhere Treibhausgasemissionen sind alltägliche Anzeichen dafür, dass die Abfallsammlung nicht Schritt hält. Diese Studie zeigt, wie künstliche Intelligenz (KI) Städten helfen kann, von starren, oft verschwenderischen Abfuhrplänen zu einer intelligenteren, datenbasierten Planung überzugehen, die weiß, wann und wo Behälter tatsächlich voll werden.

Warum die kleinsten Teile des Systems zählen

Die meisten aktuellen Abfallpläne betrachten große, stadtweite Kennzahlen: die insgesamt gesammelten Tonnen pro Tag oder Monat. Das hilft bei der langfristigen Budgetierung, übersieht jedoch das, was Anwohner wirklich ärgert – ein überfüllter Mülleimer an der Ecke, während ein anderer halb leer ist. Die Autoren argumentieren, dass die wichtigste Einheit die „Einwurfstelle“ ist, also jeder einzelne Mülleimer, Container oder Einlass, an dem Menschen ihren Müll entsorgen. Indem man jede dieser Stellen als eigenen Sensor lokalen Verhaltens behandelt, können städtische Dienste verstehen, wie sich Abfall Straße für Straße und Stunde für Stunde anhäuft, statt nur Jahreszahlen zu betrachten.

Rohdaten der Behälteraktivität in nutzbare Signale verwandeln

Um diese Idee zu testen, arbeiteten die Forscher mit realen Daten von 200 Einwurfstellen in einer kleinen Stadt im Norden Spaniens, aufgezeichnet über vier Jahre. Jedes Mal, wenn ein Behälter voll war oder geleert wurde, wurde ein Eintrag erzeugt, wodurch Millionen einzelner Ereignisse entstanden. Dieser Rohdatenstrom war unordentlich: Messungen erfolgten zu unregelmäßigen Zeiten, einige Behälter hatten deutlich mehr Messwerte als andere, und gelegentliche Fehler oder abrupte Leerungen verzerrten die Daten. Zunächst bereinigte und formte das Team diese Aufzeichnungen um, ordnete sie in regelmäßige Fünf-Minuten- und dann Stundenschritte und ergänzte einfache Kalenderinformationen wie Tageszeit, Wochentag, Monat, Saison, Wochenende oder Feiertag. Sie erkannten und glätteten zudem seltsame Ausreißer und verwendeten in einigen Tests eine gebräuchliche Skalierungsmethode (Min–Max-Normalisierung), um zu prüfen, ob die Angleichung der Werte auf dieselbe Skala hilfreich ist.

Neuronale Netze trainieren, um das Füllen von Behältern vorherzusagen

Mit diesem strukturierten Datensatz trainierten die Autoren künstliche neuronale Netze – flexible KI-Modelle, die gut geeignet sind, komplizierte, nichtlineare Muster zu erfassen. Ziel war es, vorherzusagen, wie viel Abfall in den nächsten Stunden zu einem Behälter hinzugefügt wird. Sie testeten drei Hauptstrategien. In der ersten erhielt jede Einwurfstelle ein eigenes, auf ihr lokales Verhalten zugeschnittenes Modell. In der zweiten wurden Daten mehrerer Behälter zu Gruppen kombiniert, wobei Mittelwerte oder Mediane gemeinsame Muster repräsentierten. In der dritten versuchte ein einziges „globales“ Modell, aus allen Behältern gleichzeitig zu lernen. Außerdem experimentierten sie mit unterschiedlichen Zeitfenstern von einer bis sechs Stunden sowie mit und ohne Daten-Normalisierung.

Was sich für verlässliche Vorhersagen am besten bewährte

Die Ergebnisse zeigten, dass Kontext zählt: Das Hinzufügen einfacher zeitbezogener Hinweise zu den reinen Füllstandsdaten machte einen großen Unterschied. Modelle, die nur ein einzelnes Eingabefeld nutzten, erreichten selten Genauigkeitsniveaus, die in der Praxis nützlich wären. Sobald die neuronalen Netze stündliche Füllzuwächse mit Kalender- und Feiertagsinformationen kombinierten, verbesserten sich die Vorhersagen deutlich. Die verlässlichsten Prognosen lieferten gruppierte-Behälter-Modelle im Vier- und Sechs-Stunden-Intervall, die zufällige Schwankungen glätteten und gleichzeitig tägliche Rhythmen erfassten. Diese Konfigurationen erreichten Genauigkeitswerte, die die Autoren für ausreichend halten, um echte Einsätze zu steuern, während das Einheitsmodell insgesamt hinterherhinkte. Interessanterweise war die Normalisierung der Daten nicht immer hilfreich; in mehreren Fällen lieferten unskalierte Werte leicht bessere Vorhersagen.

Von reaktivem Aufräumen zu proaktiver Planung

Einfach ausgedrückt zeigt die Studie, dass Städte vorhandene Einwurfstellen-Daten, kombiniert mit einfachen Kalenderangaben, nutzen können, um vorherzusagen, wann und wo sich in den nächsten Stunden Müll anhäufen wird. Anstatt feste Routen zu fahren oder nur nach Überfüllung zu reagieren, könnten Müllfahrzeuge dorthin geschickt werden, wo sie tatsächlich gebraucht werden, zur richtigen Tageszeit. Das bedeutet weniger unnötige Fahrten, geringeren Kraftstoffverbrauch und niedrigere Emissionen sowie sauberere Straßen. Obwohl die Arbeit sich auf eine Stadt und eine begrenzte Anzahl von Behältern konzentriert, skizziert sie einen klaren, wiederverwendbaren Rahmen, um verstreute Betriebsaufzeichnungen in ein KI-gestütztes Planungswerkzeug zu verwandeln – ein wichtiger Schritt zu einer nachhaltigeren, reaktionsfähigeren städtischen Abfallbewirtschaftung.

Zitation: 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

Schlüsselwörter: kommunale Siedlungsabfälle, smarte Städte, neuronale Netze, Prognose der Abfallsammlung, städtische Nachhaltigkeit