Prévision de la gestion des déchets solides municipaux à l’échelle des points de collecte à l’aide de réseaux neuronaux

Ramassage des déchets plus intelligent pour les villes surpeuplées

À mesure que les villes grandissent, leurs déchets augmentent aussi. Les poubelles qui débordent, les camions bruyants et les émissions de gaz à effet de serre plus élevées sont des signes quotidiens que la collecte des déchets peine à suivre. Cette étude montre comment l’intelligence artificielle (IA) peut aider les villes à passer de calendriers de collecte fixes et souvent inefficients à une planification intelligente, guidée par les données, qui sait quand et où les conteneurs se remplissent réellement.

Pourquoi les plus petits éléments du système comptent

La plupart des plans actuels de gestion des déchets considèrent des chiffres globaux à l’échelle de la ville : tonnes totales collectées chaque jour ou chaque mois. Cela aide pour la budgétisation à long terme mais ignore ce qui irrite vraiment les habitants — une poubelle qui déborde au coin de la rue alors qu’une autre est à moitié vide. Les auteurs soutiennent que l’unité clé à surveiller est le « point de déversement », c’est‑à‑dire chaque poubelle, conteneur ou entrée où les gens déposent leurs déchets. En traitant chacun de ces points comme un capteur du comportement local, les services municipaux peuvent comprendre comment les déchets s’accumulent rue par rue et heure par heure, plutôt que de n’observer que des totaux annuels.

Transformer l’activité brute des poubelles en signaux exploitables

Pour tester cette idée, les chercheurs ont travaillé avec des données réelles provenant de 200 points de déversement dans une petite ville du nord de l’Espagne, enregistrées sur quatre ans. Chaque fois qu’une poubelle se remplissait ou était vidée, un enregistrement était créé, produisant des millions d’événements individuels. Ce flux brut était désordonné : les relevés arrivaient à des heures irrégulières, certaines poubelles avaient beaucoup plus de mesures que d’autres, et des erreurs ponctuelles ou des vidages brusques faussaient les données. L’équipe a d’abord nettoyé et restructuré ces enregistrements, les alignant en intervalles réguliers de cinq minutes, puis horaires, et en ajoutant des informations calendaires simples comme l’heure de la journée, le jour de la semaine, le mois, la saison, le week‑end ou les jours fériés. Ils ont aussi détecté et lissé des pics anormaux et utilisé dans certains tests une méthode de mise à l’échelle courante (normalisation Min–Max) pour vérifier si uniformiser les valeurs améliorait les performances.

Entraîner des réseaux neuronaux à anticiper le remplissage des poubelles

Avec cet ensemble de données structuré, les auteurs ont entraîné des réseaux neuronaux artificiels — des modèles d’IA flexibles adaptés à la capture de motifs complexes et non linéaires. L’objectif était de prédire combien de déchets seraient ajoutés à une poubelle au cours des prochaines heures. Ils ont testé trois stratégies principales. Dans la première, chaque point de déversement disposait de son propre modèle adapté à son comportement local. Dans la seconde, les données de plusieurs poubelles étaient regroupées, en utilisant des moyennes ou des médianes pour représenter des tendances communes. Dans la troisième, un modèle « global » unique tentait d’apprendre à partir de toutes les poubelles à la fois. Ils ont également expérimenté différentes fenêtres temporelles, d’une à six heures, et avec ou sans normalisation des données.

Ce qui a le mieux fonctionné pour des prévisions fiables

Les résultats montrent que le contexte compte : l’ajout d’indices simples liés au temps aux mesures de remplissage de base a fait une grande différence. Les modèles n’utilisant qu’un seul champ d’entrée atteignaient rarement des niveaux de précision utiles en pratique. Lorsque les réseaux neuronaux combinaient les incréments de remplissage horaires avec des informations calendaires et de jours fériés, les prévisions se sont nettement améliorées. Les prévisions les plus fiables provenaient de modèles basés sur des groupes de poubelles aux intervalles de quatre et six heures, qui lissaient les variations aléatoires tout en capturant les rythmes quotidiens. Ces configurations ont atteint des niveaux de précision que les auteurs considèrent suffisamment solides pour guider des opérations réelles, tandis que le modèle global « unique pour tous » était insuffisant. Fait intéressant, la normalisation des données n’était pas toujours bénéfique ; dans plusieurs cas, des valeurs non mises à l’échelle donnaient des prévisions légèrement meilleures.

Passer d’un nettoyage réactif à une planification proactive

En termes simples, l’étude montre que les villes peuvent utiliser des données existantes au niveau des poubelles, combinées à des informations calendaires simples, pour prédire où et quand les déchets s’accumuleront dans les prochaines heures. Plutôt que d’emprunter des itinéraires fixes ou d’intervenir uniquement après des débordements, les camions de collecte pourraient être envoyés là où ils sont réellement nécessaires, au bon moment de la journée. Cela signifie moins de trajets inutiles, une consommation de carburant et des émissions réduites, et des rues plus propres. Bien que le travail se concentre sur une ville et un nombre limité de poubelles, il propose un cadre clair et réutilisable pour transformer des enregistrements opérationnels dispersés en un outil de planification alimenté par l’IA — une étape importante vers une gestion des déchets urbaine plus durable et réactive.

Citation: 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

Mots-clés: déchets solides municipaux, villes intelligentes, réseaux neuronaux, prévision de la collecte des déchets, durabilité urbaine