Prognozowanie gospodarki odpadami komunalnymi przy użyciu sieci neuronowych na poziomie punktu wyładunku

Mądrzejsze odbiory śmieci w zatłoczonych miastach

Wraz ze wzrostem miast rośnie też ilość odpadów. Przepełnione kosze, hałaśliwe śmieciarki i większe emisje gazów cieplarnianych to codzienne sygnały, że system zbiórki odpadów ma problem z nadążaniem. Badanie pokazuje, jak sztuczna inteligencja (AI) może pomóc miastom przejść od stałych, często nieefektywnych harmonogramów zbiórki do inteligentnego, opartego na danych planowania, które wie, kiedy i gdzie kosze faktycznie się zapełniają.

Dlaczego najmniejsze elementy systemu mają znaczenie

Większość obecnego planowania odpadów opiera się na dużych, ogólnomiejskich wskaźnikach: tonażach zbieranych każdego dnia lub miesiąca. To pomaga w długoterminowym budżetowaniu, ale pomija to, co naprawdę irytuje mieszkańców — przepełniony kosz na rogu, podczas gdy inny jest w połowie pusty. Autorzy argumentują, że kluczową jednostką do obserwacji jest „punkt wyładunku”, czyli każdy indywidualny kosz, pojemnik lub wrzutnia, gdzie ludzie zostawiają śmieci. Traktując każdy taki punkt jako własny czujnik lokalnego zachowania, służby miejskie mogą zrozumieć, jak odpady gromadzą się ulicę po ulicy i godzinę po godzinie, zamiast polegać wyłącznie na rocznych sumach.

Przekształcanie surowej aktywności koszy w użyteczne sygnały

Aby przetestować ten pomysł, badacze pracowali na rzeczywistych danych z 200 punktów wyładunku w małym mieście w północnej Hiszpanii, zarejestrowanych przez cztery lata. Za każdym razem, gdy kosz się zapełniał lub był opróżniany, tworzono zapis, co dało miliony pojedynczych zdarzeń. Ten surowy strumień był chaotyczny: odczyty pojawiały się w nieregularnych odstępach, niektóre kosze miały dużo więcej pomiarów niż inne, a sporadyczne błędy lub gwałtowne opróżnienia zniekształcały dane. Zespół najpierw oczyścił i przekształcił te zapisy, wyrównując je do regularnych pięciominutowych, a następnie godzinnych kroków czasowych oraz dodając proste informacje kalendarzowe, takie jak pora dnia, dzień tygodnia, miesiąc, pora roku, weekend czy święto. Wykrywano i wygładzano też dziwne skoki oraz w niektórych testach stosowano standardową metodę skalowania (normalizację Min–Max), by sprawdzić, czy ujednolicenie skali wartości pomaga.

Uczenie sieci neuronowych przewidywania zapełnienia koszy

Z uporządkowanym zbiorem danych autorzy trenowali sztuczne sieci neuronowe — elastyczne modele AI dobrze nadające się do wychwytywania złożonych, nieliniowych wzorców. Celem było przewidzenie, ile odpadów zostanie dodane do kosza w ciągu najbliższych kilku godzin. Przetestowali trzy główne strategie. W pierwszej każdy punkt wyładunku otrzymał własny model dopasowany do lokalnych zachowań. W drugiej dane z kilku koszy łączono w grupy, używając średnich lub median do reprezentowania wspólnych wzorców. W trzeciej pojedynczy „globalny” model próbował uczyć się na podstawie wszystkich koszy naraz. Eksperymentowano też z różnymi oknami czasowymi, od jednej do sześciu godzin, oraz z wariantami z normalizacją danych i bez niej.

Co najlepiej działało dla wiarygodnych prognoz

Wyniki pokazały, że kontekst ma znaczenie: dodanie prostych wskazówek związanych z czasem do podstawowych odczytów napełnienia przyniosło dużą poprawę. Modele używające tylko pojedynczego pola wejściowego rzadko osiągały poziomy dokładności przydatne w praktyce. Gdy sieci neuronowe łączyły godzinowe przyrosty napełnienia z informacjami kalendarzowymi i o świętach, prognozy ulegały znacznemu polepszeniu. Najbardziej niezawodne przewidywania dawały modele grupowe dla okien czterogodzinnych i sześciogodzinnych, które wygładzały losowe wahania, a jednocześnie uchwytywały rytmy dobowe. Takie układy osiągnęły poziomy dokładności, które autorzy uznają za wystarczająco silne, by kierować rzeczywistymi operacjami, podczas gdy uniwersalny model globalny okazał się niewystarczający. Co ciekawe, normalizacja danych nie zawsze była pomocna; w kilku przypadkach nienormalizowane wartości dawały nieco lepsze prognozy.

Od reaktywnego sprzątania do proaktywnego planowania

Mówiąc najprościej, badanie pokazuje, że miasta mogą wykorzystać istniejące dane na poziomie pojedynczych koszy, połączone z prostymi informacjami kalendarzowymi, aby przewidzieć, kiedy i gdzie śmieci będą się gromadzić w ciągu najbliższych kilku godzin. Zamiast jeździć sztywnymi trasami lub reagować dopiero po wystąpieniu przepełnienia, śmieciarki mogłyby być wysyłane tam, gdzie są naprawdę potrzebne, o właściwej porze dnia. To oznacza mniej niepotrzebnych kursów, mniejsze zużycie paliwa i emisje oraz czystsze ulice. Choć praca koncentruje się na jednym mieście i ograniczonej liczbie koszy, przedstawia jasne, powtarzalne ramy przekształcania rozproszonej ewidencji operacyjnej w narzędzie planowania wspierane przez AI — ważny krok w kierunku bardziej zrównoważonego i responsywnego zarządzania odpadami miejskimi.

Cytowanie: 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

Słowa kluczowe: odpady komunalne, inteligentne miasta, sieci neuronowe, prognozowanie odbioru odpadów, zrównoważony rozwój miejski