Previsione della gestione dei rifiuti solidi urbani usando reti neurali su scala del punto di scarico

Raccolta dei rifiuti più intelligente per città affollate

Con la crescita delle città aumenta anche la quantità di rifiuti. Cassonetti stracolmi, camion rumorosi e maggiori emissioni di gas serra sono segnali quotidiani che la raccolta sta faticando a stare al passo. Questo studio mostra come l’intelligenza artificiale (IA) possa aiutare le città a passare da orari di raccolta fissi, spesso inefficaci, a una pianificazione più intelligente e guidata dai dati che sa quando e dove i contenitori si stanno effettivamente riempiendo.

Perché contano i pezzi più piccoli del sistema

La maggior parte delle pianificazioni attuali considera grandi numeri a livello cittadino: tonnellate totali raccolte ogni giorno o mese. Questo aiuta nella pianificazione di lungo periodo, ma ignora ciò che realmente infastidisce i cittadini—un cassonetto straboccante all’angolo mentre un altro è mezzo vuoto. Gli autori sostengono che l’unità chiave da osservare è il “punto di scarico”, ossia ciascun cassonetto, contenitore o bocchetta in cui le persone depositano i rifiuti. Trattando ognuno di questi punti come un sensore del comportamento locale, i servizi urbani possono capire come i rifiuti si accumulano strada per strada e ora per ora, anziché limitarsi a totali annuali.

Trasformare l’attività grezza dei cassonetti in segnali utilizzabili

Per testare questa idea, i ricercatori hanno lavorato con dati reali provenienti da 200 punti di scarico in una piccola città del nord della Spagna, registrati nell’arco di quattro anni. Ogni volta che un cassonetto si riempiva o veniva svuotato veniva creato un record, producendo milioni di eventi individuali. Questo flusso grezzo era disordinato: le rilevazioni arrivavano a orari irregolari, alcuni cassonetti avevano molte più misurazioni di altri e occasionali errori o svuotamenti improvvisi distorcevano i dati. Il team ha prima pulito e rimodellato questi record, allineandoli in intervalli regolari di cinque minuti e poi orari, e aggiungendo semplici informazioni di calendario come ora del giorno, giorno della settimana, mese, stagione, fine settimana o festività. Hanno inoltre rilevato e smussato picchi anomali e usato un metodo di scala comune (normalizzazione Min–Max) in alcuni test per verificare se portare tutti i valori sulla stessa scala aiutasse.

Allenare reti neurali per prevedere il riempimento dei cassonetti

Con questo set di dati strutturato, gli autori hanno addestrato reti neurali artificiali—modelli IA flessibili adatti a catturare schemi complessi e non lineari. L’obiettivo era prevedere quanto rifiuto sarebbe stato aggiunto a un cassonetto nelle ore successive. Hanno testato tre strategie principali. Nella prima, ogni punto di scarico aveva un proprio modello adattato al comportamento locale. Nella seconda, i dati di più cassonetti venivano combinati in gruppi, usando medie o mediane per rappresentare schemi condivisi. Nella terza, un unico modello “globale” cercava di apprendere da tutti i cassonetti contemporaneamente. Hanno anche sperimentato con diverse finestre temporali, da una a sei ore, e con e senza normalizzazione dei dati.

Ciò che ha funzionato meglio per previsioni affidabili

I risultati hanno mostrato che il contesto è importante: aggiungere semplici indizi temporali alle letture di base del riempimento ha fatto una grande differenza. I modelli che usavano un solo campo di input raramente raggiungevano livelli di accuratezza utili nella pratica. Quando le reti neurali combinavano gli incrementi orari di riempimento con informazioni di calendario e festività, le previsioni miglioravano nettamente. Le previsioni più affidabili provenivano dai modelli basati su gruppi di cassonetti con intervalli di quattro e sei ore, che attenuavano le oscillazioni casuali pur catturando i ritmi giornalieri. Queste configurazioni hanno raggiunto livelli di accuratezza che gli autori considerano sufficienti per guidare operazioni reali, mentre il modello globale “taglia unica” non è stato all’altezza. Interessante notare che la normalizzazione dei dati non è stata sempre utile; in diversi casi i valori non scalati hanno fornito previsioni leggermente migliori.

Da interventi reattivi a pianificazione proattiva

In termini semplici, lo studio mostra che le città possono usare i dati esistenti a livello di cassonetto, combinati con semplici informazioni di calendario, per prevedere quando e dove i rifiuti si accumuleranno nelle prossime ore. Invece di seguire rotte fisse o intervenire solo dopo che si è verificato lo strabocco, i mezzi di raccolta potrebbero essere inviati dove sono realmente necessari, al momento giusto della giornata. Ciò significa meno viaggi inutili, minore uso di carburante ed emissioni, e strade più pulite. Pur concentrandosi su una città e su un numero limitato di cassonetti, il lavoro delinea un quadro chiaro e riutilizzabile per trasformare registri operativi sparsi in uno strumento di pianificazione alimentato dall’IA—un passo importante verso una gestione urbana dei rifiuti più sostenibile e reattiva.

Citazione: 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

Parole chiave: rifiuti solidi urbani, città intelligenti, reti neurali, previsione della raccolta dei rifiuti, sostenibilità urbana