Predicción de la gestión de residuos sólidos urbanos mediante redes neuronales a escala de punto de descarga

Área de la Ciencia:

• Ciencias Ambientales
• Planificación Urbana
• Ciencia de Datos

Sus antecedentes:

• La creciente urbanización y el crecimiento de la población aumentan la generación de Residuos Sólidos Urbanos (RSU), creando importantes desafíos ambientales y logísticos.
• La gestión actual de residuos a menudo se basa en datos agregados, careciendo de la granularidad necesaria para la toma de decisiones localizada y dinámica.

Objetivo del estudio:

• Desarrollar un marco predictivo para pronosticar el comportamiento de los Puntos de Descarga (PD) individuales.
• Mejorar la toma de decisiones en la gestión de residuos urbanos a través de predicciones localizadas y granulares.
• Permitir una planificación proactiva de la recolección de residuos proporcionando pronósticos precisos a corto plazo.

Principales métodos:

• Desarrollo de un marco predictivo basado en datos.
• Incorporación de información contextual y temporal para la predicción localizada.
• Utilización de modelos predictivos basados en IA para el análisis del comportamiento de los residuos.

Principales resultados:

• El marco pronostica con éxito el comportamiento de los Puntos de Descarga (PD) individuales, ofreciendo una granularidad predictiva más fina.
• Los enfoques basados en datos que incorporan datos contextuales y temporales mejoran la planificación de la recolección de residuos.
• Las predicciones precisas a corto plazo permiten un cambio de las estrategias de recolección de residuos reactivas a proactivas.

Conclusiones:

• El enfoque propuesto facilita sistemas de recolección de residuos más eficientes, escalables e inteligentes.
• Los modelos predictivos basados en IA son cruciales para avanzar en la gestión sostenible de RSU.
• Esta investigación apoya la transición hacia una gestión proactiva de residuos urbanos, reduciendo costos y huellas ambientales.