在排放点尺度上使用神经网络进行城市生活垃圾管理预测

为拥挤城市提供更智能的垃圾清运

随着城市发展，垃圾也在增加。满溢的垃圾桶、嘈杂的清运车辆和上升的温室气体排放，都是垃圾收集难以跟上的日常表现。该研究展示了人工智能（AI）如何帮助城市从固定且常常浪费的收运计划，转向更智能的、基于数据的规划，能够知道垃圾桶何时何地真正会被装满。

为什么系统中最小的单元很重要

目前大多数垃圾规划着眼于宏观的城市统计：每日或每月收集的总吨数。这有助于长期预算，但忽视了真正让居民不满的情况——某个街角垃圾桶溢出，而另一个却半空。作者认为应关注的关键单元是“排放点”，即每个单独的垃圾桶、容器或投入口。将这些点视为反映局部行为的传感器，城市服务就能按街道和小时理解垃圾如何累积，而不只是以年度总量为准。

把原始的桶级活动转成可用信号

为检验这一想法，研究团队使用了来自西班牙北部一座小城市200个排放点的真实数据，记录期为四年。每当垃圾桶装满或被清空，就会生成一条记录，产生了数百万条单独事件。这些原始数据流很杂乱：读数时间不规则，某些垃圾桶的测量远多于其他桶，偶发错误或突然清空事件也会扭曲数据。团队首先清理并重整这些记录，使其对齐为固定的五分钟然后逐小时的时间步，并加入简单的日历信息，如时段、星期几、月份、季节、周末或节假日。他们还检测并平滑异常峰值，在部分试验中采用了常见的缩放方法（最小–最大归一化），以评估将所有数值置于同一尺度是否有助于预测。

训练神经网络以预测垃圾桶的填充情况

在构建好结构化数据集后，作者训练了人工神经网络——这类灵活的AI模型擅长捕捉复杂的非线性模式。目标是预测未来几小时内垃圾桶将增加多少垃圾。他们测试了三种主要策略。第一种是为每个排放点各自训练一个模型，以适应其局部行为。第二种是将多个垃圾桶的数据合并成组，用平均值或中位数来代表共享模式。第三种是训练一个“全局”模型，试图同时从所有垃圾桶中学习。他们还尝试了不同的时间窗口（从一小时到六小时）以及有无数据归一化的不同组合。

什么方法在可靠预测中效果最好

结果显示情境信息很重要：在基本的填充读数中加入简单的时间相关线索会产生显著差异。仅使用单一输入字段的模型很少能达到实践中有用的精度。当神经网络将每小时填充增量与日历和节假日信息结合时，预测明显改善。最可靠的预测来自以四小时和六小时为间隔的分组垃圾桶模型，这种方式平滑了随机波动，同时仍能捕捉日常节律。作者认为这些配置已达到可用于实际调度的精度，而一刀切的全局模型表现不佳。有趣的是，数据归一化并非总是有益；在若干情况下，未缩放的原始数值反而给出了稍好一些的预测。

从被动清理到主动规划

简单来说，这项研究表明城市可以利用现有的桶级数据，结合简单的日历信息，来预测未来几小时内垃圾何时何地会堆积。与其按固定路线行驶或仅在溢出后响应，不如在真正需要的地点和时间派遣清运车辆。这样可减少不必要的行程、降低燃料消耗与排放，并保持街道清洁。尽管该研究聚焦于一座城市和有限数量的垃圾桶，但它提出了一个清晰且可复用的框架，将分散的运营记录转化为AI驱动的规划工具——这是迈向更可持续、更灵敏城市垃圾管理的重要一步。

引用: 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

关键词: 城市生活垃圾, 智慧城市, 神经网络, 垃圾收集预测, 城市可持续性