Prognostisering av hushållsavfalls-hantering med neurala nätverk på tömningspunktsnivå

Smartare sophämtning för tätbefolkade städer

När städer växer ökar också mängden avfall. Överfyllda kärl, bullriga lastbilar och högre utsläpp av växthusgaser är vardagliga tecken på att insamlingen har svårt att hänga med. Denna studie visar hur artificiell intelligens (AI) kan hjälpa städer att gå från fasta, ofta ineffektiva insamlingsscheman till smartare, datadrivna planeringar som vet när och var kärlen faktiskt fylls.

Varför systemets minsta delar spelar roll

De flesta nuvarande avfallsplaner ser på stora, stadsövergripande siffror: totala ton som samlas in per dag eller månad. Det hjälper för långsiktig budgetering men förbiser vad som verkligen irriterar invånarna—ett överfyllt sopkärl på hörnet medan ett annat står halvfullt. Författarna hävdar att den viktiga enheten att övervaka är ”tömningspunkten”, det vill säga varje enskilt kärl, container eller inlämningspunkt där människor slänger sitt avfall. Genom att behandla varje sådan punkt som sin egen sensor för lokalt beteende kan kommunala tjänster förstå hur avfall byggs upp gata för gata och timme för timme, istället för enbart i årliga totaler.

Att omvandla råa kärlhändelser till användbara signaler

För att testa idén arbetade forskarna med verkliga data från 200 tömningspunkter i en liten stad i norra Spanien, insamlat över fyra år. Varje gång ett kärl fylldes eller tömdes skapades en registrering, vilket gav upphov till miljontals enskilda händelser. Denna råa ström var rörig: avläsningarna kom vid oregelbundna tider, vissa kärl hade långt fler mätningar än andra, och tillfälliga fel eller plötsliga tömningar förvrängde datan. Teamet rengjorde och omformade först dessa poster, synkroniserade dem till regelbundna femminuters- och därefter timsteg och lade till enkel kalenderinformation såsom tid på dygnet, veckodag, månad, årstid, helgdag eller helg. De upptäckte och jämnade också ut konstiga toppar och använde i vissa tester en vanlig skalningsmetod (Min–Max-normalisering) för att se om en gemensam skala hjälpte.

Träning av neurala nätverk för att förutse kärlfyllnad

Med denna strukturerade dataset tränade författarna artificiella neurala nätverk—flexibla AI-modeller väl lämpade för att fånga komplicerade, icke-linjära mönster. Målet var att förutsäga hur mycket avfall som skulle läggas i ett kärl under de kommande timmarna. De testade tre huvudsakliga strategier. I den första fick varje tömningspunkt en egen modell anpassad till dess lokala beteende. I den andra kombinerades data från flera kärl i grupper, med medelvärden eller medianer som representerade gemensamma mönster. I den tredje försökte en enda ”global” modell lära sig från alla kärl samtidigt. De experimenterade också med olika tidsfönster, från en till sex timmar, och med och utan datanormalisering.

Vad som fungerade bäst för tillförlitliga prognoser

Resultaten visade att kontext spelar roll: att lägga till enkla tidsrelaterade ledtrådar till de grundläggande fyllnadsavläsningarna gjorde stor skillnad. Modeller som endast använde ett enda indatasfält nådde sällan en noggrannhetsnivå som skulle vara praktiskt användbar. När de neurala nätverken kombinerade timvisa fyllnadsökningar med kalender- och helgdaginformation förbättrades prognoserna kraftigt. De mest tillförlitliga prognoserna kom från grupperade-kärlsmodeller vid fyra- och sextimmesintervall, som jämnade ut slumpmässiga upp- och nedgångar samtidigt som de fångade dagliga rytmer. Dessa upplägg nådde noggrannhetsnivåer som författarna anser tillräckligt starka för att vägleda verklig drift, medan den universella globala modellen inte höll måttet. Intressant nog var normalisering av data inte alltid hjälpsamt; i flera fall gav icke-skalade värden något bättre prognoser.

Från reaktiv sanering till proaktiv planering

Enkelt uttryckt visar studien att städer kan använda befintliga kärlnivådata, kombinerat med enkla kalenderfakta, för att förutsäga när och var sopor kommer att samlas på några timmars sikt. Istället för att köra fasta rutter eller bara reagera efter att överflöd uppstår, kan sopbilar skickas dit de faktiskt behövs, vid rätt tidpunkt på dagen. Det innebär färre onödiga körningar, lägre bränsleförbrukning och utsläpp samt renare gator. Trots att arbetet fokuserar på en stad och ett begränsat antal kärl lägger det fram en tydlig, återanvändbar ram för att omvandla spridda operativa register till ett AI-drivet planeringsverktyg—ett viktigt steg mot mer hållbar och responsiv stadsavfallshantering.

Citering: 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

Nyckelord: hushållsavfall, smarta städer, neurala nätverk, prognoser för avfallsinsamling, urban hållbarhet