Previsão da gestão de resíduos sólidos urbanos usando redes neurais na escala do ponto de descarte

Coleta de lixo mais inteligente para cidades lotadas

À medida que as cidades crescem, cresce também o seu lixo. Lixeiras transbordando, caminhões barulhentos e maiores emissões de gases de efeito estufa são sinais cotidianos de que a coleta de resíduos está com dificuldade de acompanhar. Este estudo mostra como a inteligência artificial (IA) pode ajudar as cidades a sair de cronogramas fixos e muitas vezes ineficientes para um planejamento mais inteligente e baseado em dados, que sabe quando e onde as lixeiras estão realmente enchendo.

Por que as menores partes do sistema importam

A maior parte do planejamento atual de resíduos olha para números grandes e abrangentes da cidade: toneladas totais coletadas a cada dia ou mês. Isso ajuda no orçamento de longo prazo, mas ignora o que realmente frustra os moradores — uma lixeira transbordando na esquina deles enquanto outra está pela metade. Os autores argumentam que a unidade-chave a ser observada é o “ponto de descarte”, ou seja, cada lixeira, contêiner ou boca onde as pessoas depositam seu lixo. Ao tratar cada um desses pontos como um sensor de comportamento local, os serviços municipais podem entender como o resíduo se acumula rua a rua e hora a hora, em vez de apenas em totais anuais.

Transformando a atividade bruta das lixeiras em sinais úteis

Para testar essa ideia, os pesquisadores trabalharam com dados reais de 200 pontos de descarte em uma pequena cidade do norte da Espanha, registrados ao longo de quatro anos. Cada vez que uma lixeira enchia ou era esvaziada, um registro era criado, produzindo milhões de eventos individuais. Esse fluxo bruto era confuso: leituras ocorriam em horários irregulares, algumas lixeiras tinham muito mais medições que outras, e erros ocasionais ou esvaziamentos abruptos distorciam os dados. A equipe primeiro limpou e reorganizou esses registros, alinhando-os em passos regulares de cinco minutos e depois horários, e adicionando informações simples de calendário, como hora do dia, dia da semana, mês, estação, fim de semana ou feriado. Também detectaram e suavizaram picos estranhos e usaram um método comum de escala (normalização Min–Max) em alguns testes para verificar se colocar todos os valores na mesma escala ajudava.

Treinando redes neurais para antecipar o enchimento das lixeiras

Com esse conjunto de dados estruturado, os autores treinaram redes neurais artificiais — modelos de IA flexíveis adequados para captar padrões complicados e não lineares. O objetivo era prever quanto resíduo seria adicionado a uma lixeira nas próximas horas. Eles testaram três estratégias principais. Na primeira, cada ponto de descarte teve seu próprio modelo ajustado ao comportamento local. Na segunda, dados de várias lixeiras foram combinados em grupos, usando médias ou medianas para representar padrões compartilhados. Na terceira, um único modelo “global” tentou aprender a partir de todas as lixeiras ao mesmo tempo. Também experimentaram diferentes janelas de tempo, de uma a seis horas, e com e sem normalização dos dados.

O que funcionou melhor para previsões confiáveis

Os resultados mostraram que o contexto importa: adicionar pistas simples relacionadas ao tempo às leituras básicas de enchimento fez uma grande diferença. Modelos que usavam apenas um único campo de entrada raramente atingiam níveis de precisão úteis na prática. Quando as redes neurais combinaram incrementos horários de enchimento com informações de calendário e feriados, as previsões melhoraram drasticamente. As previsões mais confiáveis vieram de modelos com lixeiras agrupadas em intervalos de quatro e seis horas, que suavizaram oscilações aleatórias ao mesmo tempo em que capturaram ritmos diários. Essas configurações alcançaram níveis de precisão que os autores consideram fortes o suficiente para orientar operações reais, enquanto o modelo global único ficou aquém. Curiosamente, a normalização dos dados nem sempre foi útil; em vários casos, valores sem escala deram previsões ligeiramente melhores.

De limpeza reativa a planejamento proativo

Em termos simples, o estudo mostra que as cidades podem usar dados já existentes ao nível das lixeiras, combinados com fatos simples de calendário, para prever quando e onde o lixo se acumulará nas próximas horas. Em vez de percorrer rotas fixas ou responder somente após o transbordamento ocorrer, os caminhões de coleta poderiam ser despachados para onde são realmente necessários, no horário certo do dia. Isso significa menos viagens desnecessárias, menor consumo de combustível e emissões, e ruas mais limpas. Embora o trabalho se concentre em uma cidade e um número limitado de lixeiras, ele apresenta um quadro claro e reutilizável para transformar registros operacionais dispersos em uma ferramenta de planejamento movida por IA — um passo importante rumo a uma gestão urbana de resíduos mais sustentável e responsiva.

Citação: 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

Palavras-chave: resíduos sólidos urbanos, Cidades inteligentes, redes neurais, previsão de coleta de resíduos, sustentabilidade urbana