Predicción de la gestión de residuos sólidos municipales mediante redes neuronales a escala de punto de descarga

Recogida de basura más inteligente para ciudades densas

A medida que las ciudades crecen, también lo hace su basura. Contenedores desbordados, camiones ruidosos y mayores emisiones de gases de efecto invernadero son señales cotidianas de que la recogida de residuos no da abasto. Este estudio muestra cómo la inteligencia artificial (IA) puede ayudar a las ciudades a pasar de horarios fijos, a menudo ineficientes, a una planificación inteligente y basada en datos que sabe cuándo y dónde los contenedores realmente se van llenando.

Por qué importan las piezas más pequeñas del sistema

La mayor parte de la planificación actual de residuos se centra en cifras globales de la ciudad: toneladas totales recogidas cada día o mes. Eso sirve para la planificación presupuestaria a largo plazo, pero ignora lo que realmente molesta a los residentes: un contenedor desbordado en su esquina mientras otro está medio vacío. Los autores sostienen que la unidad clave a vigilar es el “punto de descarga”, es decir, cada contenedor, depósito o bocas donde la gente deposita su basura. Tratando cada uno de estos puntos como su propio sensor de comportamiento local, los servicios municipales pueden entender cómo se acumulan los residuos calle por calle y hora por hora, en lugar de limitarse a totales anuales.

Convertir la actividad bruta de los contenedores en señales útiles

Para poner a prueba esta idea, los investigadores trabajaron con datos reales de 200 puntos de descarga en una pequeña ciudad del norte de España, registrados a lo largo de cuatro años. Cada vez que un contenedor se llenaba o se vaciaba, se registraba un evento, generando millones de sucesos individuales. Esta corriente de datos era desordenada: las lecturas llegaban en momentos irregulares, algunos contenedores tenían muchas más mediciones que otros, y errores ocasionales o vaciados abruptos deformaban la información. El equipo primero limpió y reestructuró estos registros, alineándolos en intervalos regulares de cinco minutos y luego horarios, y añadió información calendarística simple como hora del día, día de la semana, mes, estación, fin de semana o festivo. También detectaron y suavizaron picos extraños y usaron un método de escalado común (normalización Min–Max) en algunas pruebas para ver si llevar todos los valores a la misma escala ayudaba.

Entrenar redes neuronales para anticipar el llenado de contenedores

Con este conjunto de datos estructurado, los autores entrenaron redes neuronales artificiales—modelos de IA flexibles, adecuados para captar patrones complejos y no lineales. El objetivo era predecir cuánto residuo se añadiría a un contenedor en las próximas horas. Probaron tres estrategias principales. En la primera, cada punto de descarga tenía su propio modelo adaptado a su comportamiento local. En la segunda, los datos de varios contenedores se agruparon, usando medias o medianas para representar patrones compartidos. En la tercera, un único modelo “global” intentó aprender de todos los contenedores a la vez. También experimentaron con distintas ventanas temporales, de una a seis horas, y con y sin normalización de datos.

Qué funcionó mejor para previsiones fiables

Los resultados mostraron que el contexto importa: añadir pistas temporales simples a las mediciones básicas de llenado marcó una gran diferencia. Los modelos que usaban solo un campo de entrada rara vez alcanzaban niveles de precisión útiles en la práctica. Cuando las redes neuronales combinaron incrementos horarios de llenado con información calendarística y de festivos, las predicciones mejoraron notablemente. Las previsiones más fiables provinieron de modelos de contenedores agrupados en intervalos de cuatro y seis horas, que suavizaban las oscilaciones aleatorias al tiempo que captaban los ritmos diarios. Estas configuraciones alcanzaron niveles de precisión que los autores consideran suficientemente robustos para guiar operaciones reales, mientras que el modelo global único se quedó corto. Curiosamente, la normalización de los datos no siempre fue beneficiosa; en varios casos, los valores sin escalar ofrecieron previsiones ligeramente mejores.

De la limpieza reactiva a la planificación proactiva

En términos sencillos, el estudio demuestra que las ciudades pueden usar datos existentes a nivel de contenedor, combinados con hechos calendáricos simples, para predecir cuándo y dónde se acumulará basura en las próximas horas. En lugar de circular por rutas fijas o responder solo tras producirse un desbordamiento, los camiones de recogida podrían desplazarse allí donde realmente se les necesita, en el momento adecuado del día. Eso se traduce en menos viajes innecesarios, menor consumo de combustible y emisiones, y calles más limpias. Aunque el trabajo se centra en una ciudad y un número limitado de contenedores, plantea un marco claro y reutilizable para convertir registros operativos dispersos en una herramienta de planificación potenciada por IA—un paso importante hacia una gestión urbana de residuos más sostenible y sensible.

Cita: 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

Palabras clave: residuos sólidos municipales, ciudades inteligentes, redes neuronales, predicción de recogida de residuos, sostenibilidad urbana