Machine learning para la optimización inteligente de la recogida de residuos

Abstract

La recogida de residuos es uno de los servicios más importantes que las ciudades proporcionan. Las posibilidades de optimización a partir de la explotación de los datos recogidos son muy interesantes, si bien, deben considerarse todas las restricciones que aplican. El trabajo a realizar consiste en el desarrollo de los modelos y herramientas necesarios para el diseño de un sistema de predicción de llenado de los contenedores, a partir del cual poder realizar posteriormente la planificación óptima de rutas u otras actuaciones estratégicas. Estos modelos proporcionarán componentes software clave para determinar, en un momento determinado del futuro, cuál será el estado de llenado de un contenedor, así como determinar el momento en el que dicho contenedor se llenaría completamente, si antes no se procede a su vaciado. Para ello, el sistema debe tener en cuenta datos históricos de nivel de llenado. Estos datos sirven tanto de ajuste como de verificación de los diferentes modelos. Por otro lado, las variables de entrada deberán seleccionarse en función de su grado de relevancia en la predicción, considerando la disponibilidad de las mismas. Finalmente, el algoritmo debe tener en cuenta criterios de escalabilidad y flexibilidad para hacer posible su aplicación en áreas grandes.

Waste collection is one of the most important services that cities provide. Optimization possibities from the exploitation of collected data are very interesting, although, all the restrictions that apply must be considered. The work to be carried out consists of the development of models and tools for the design of a filling waste container prediction system, from which to subsequently carry out optimal planning of routes or other strategic actions. These models will provide key software components to determine, at a certain point in the future, what will be the filling status of a container, as well as to know when it would be filled, if it is not emptied before. The system must consider historical filling level data. This data is used to adjust the different models, but also to verify it. On the other hand, the input variables should be selected according to their degree of relevance in the prediction, considering the availability of them. Finally, the algorithm must consider criteria of scalability and flexibility to make it possible to apply in large areas.