Прогнозирование управления муниципальными твердыми отходами с использованием нейронных сетей на уровне точек выброса

Более умный сбор мусора в переполненных городах

По мере роста городов растет и количество отходов. Переполненные контейнеры, шумные грузовики и повышенные выбросы парниковых газов — повседневные признаки того, что система вывоза мусора не успевает за ростом потребностей. Это исследование показывает, как искусственный интеллект (ИИ) может помочь городам перейти от фиксированных, часто неэффективных графиков вывоза к более разумному, основанному на данных планированию, которое знает, когда и где контейнеры действительно заполняются.

Почему важны самые мелкие элементы системы

Большинство современных планов по обращению с отходами опираются на крупные, общегородские показатели: сколько тонн собирается каждый день или месяц. Это полезно для долгосрочного бюджетирования, но игнорирует то, что действительно раздражает жителей — переполненный контейнер на их углу, в то время как другой наполовину пуст. Авторы утверждают, что ключевой единицей наблюдения должна быть «точка выброса», то есть каждый отдельный бак, контейнер или приёмный отверстие, куда люди выбрасывают мусор. Рассматривая каждую такую точку как датчик локального поведения, коммунальные службы могут понять, как накапливаются отходы по улицам и по часам, а не только в годовых суммах.

Преобразование необработанной активности контейнеров в полезные сигналы

Чтобы проверить эту идею, исследователи работали с реальными данными от 200 точек выброса в небольшом городе на севере Испании, собранными в течение четырёх лет. Каждый раз, когда контейнер заполнялся или опорожнялся, создавалась запись, в результате чего накопились миллионы отдельных событий. Этот необработанный поток был шумным: показания приходили с нерегулярными интервалами, у некоторых контейнеров было гораздо больше измерений, чем у других, а отдельные ошибки или резкие опорожнения искажали данные. Команда сначала очистила и перестроила эти записи, выровняв их по регулярным пяти­минутным, а затем часовым шагам времени, и добавила простые календарные признаки, такие как время суток, день недели, месяц, сезон, выходной или праздничный день. Они также выявляли и сглаживали странные всплески и в некоторых тестах применяли обычное масштабирование (мин–макс нормализация), чтобы проверить, помогает ли приведение всех значений к одной шкале.

Обучение нейронных сетей предсказывать заполнение контейнеров

Имея эту структурированную выборку, авторы обучали искусственные нейронные сети — гибкие модели ИИ, хорошо подходящие для выявления сложных нелинейных закономерностей. Цель состояла в том, чтобы предсказать, сколько отходов будет добавлено в контейнер в ближайшие несколько часов. Они испытали три основных стратегии. В первой каждая точка выброса получала свою собственную модель, адаптированную к локальному поведению. Во второй данные нескольких контейнеров объединялись в группы, при этом для представления общих паттернов использовались средние или медианы. В третьей единая «глобальная» модель пыталась учиться на всех контейнерах одновременно. Также проверяли разные временные окна — от одного до шести часов — и варианты с нормализацией данных и без неё.

Что лучше всего сработало для надежного прогноза

Результаты показали, что контекст имеет значение: добавление простых временных подсказок к базовым показаниям заполнения существенно улучшало прогнозы. Модели, использующие лишь одно поле ввода, редко достигали уровня точности, полезного на практике. Когда нейронные сети объединяли почасовые приросты заполнения с календарной и праздничной информацией, точность заметно возрастала. Наиболее надежные прогнозы давали модели для сгруппированных контейнеров на интервалах в четыре и шесть часов: они сглаживали случайные колебания, сохраняя при этом суточные ритмы. Эти настройки достигали уровня точности, который авторы считают достаточным для управления реальными операциями, тогда как единая глобальная модель оказалась менее эффективной. Любопытно, что нормализация данных не всегда была полезна; в нескольких случаях ненормализованные значения давали немного лучшие прогнозы.

От реактивной уборки к проактивному планированию

Проще говоря, исследование показывает, что города могут использовать имеющиеся данные по отдельным контейнерам в сочетании с простыми календарными сведениями, чтобы предсказывать, когда и где мусор будет скапливаться в ближайшие часы. Вместо того чтобы следовать фиксированным маршрутам или реагировать только после переполнения, мусоровозы могли бы направляться туда, где они действительно нужны, в нужное время суток. Это означает меньше ненужных поездок, снижение расхода топлива и выбросов и чище улицы. Хотя работа фокусируется на одном городе и ограниченном числе контейнеров, она выстраивает ясную, многоразовую схему преобразования разрозненных эксплуатационных записей в инструмент планирования на основе ИИ — важный шаг к более устойчивому и оперативному управлению городскими отходами.

Цитирование: 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

Ключевые слова: муниципальные твердые отходы, умные города, нейронные сети, прогнозирование вывоза отходов, городская устойчивость