Autor: Riccardo Biellasoftware engineer bei Paradox Engineering

 

Jährliches Abfallaufkommen wird bis 2050 um 70% auf 3,4 Milliarden Tonnen steigen, sagt die Weltbank. Bei dieser Wachstumsrate werden wir etwa 3 Welten benötigen, um unseren Müll aufzunehmen und zu entsorgen, ohne unsere Gesundheit und die Umwelt zu gefährden.

Städte sind zunehmend Suche nach innovativen Lösungen zur Verbesserung der kommunalen Abfallsammlung und Behandlung, um sowohl die öffentliche Gesundheit als auch die städtische Lebensqualität zu erhalten. Bei Paradox Engineering, wir haben unsere Flaggschiff-Plattform erweitert PE Smart Urban Network um eine einsatzbereite Smart Waste Anwendung für Stadt- und Versorgungsmanager.

Die Neuigkeit ist, integrieren wir Künstliche Intelligenz und Machine Learning Algorithmen zur Verbesserung dieser Lösung und machen es noch leistungsfähiger. Während herkömmliche Algorithmen Eingaben anhand einiger vorgegebener Regeln in Ausgaben umwandeln, haben wir uns für maschinelles Lernen entschieden, um ein genaues Vorhersagemodell auf Basis von Beispieldaten zu erstellen.

Der erste Schritt ist Ausrüstung von Behältern mit Paradox Engineering-MinebeaMitsumi 6LoWPAN-Sensoren und ermöglichen es den kommunalen Abfallbetreibern, Daten über den Füllstand, das Datum und die Uhrzeit der letzten Müllabfuhr sowie Informationen über den Standort der Behälter zu sammeln und zu überwachen.

Dank des Machine Learning, sind wir Entwicklung des Systems von einer Plattform zur Sammlung von Rohdaten zu einer umsetzbaren Vorhersagelösung: Das System zur Vorhersage des Füllstands von Behältern kann Daten von den Füllsensoren der Smart Bins empfangen und verarbeiten, mit einer Schätzung des Datums, an dem der Behälter seine Kapazitätsgrenze erreichen wird.

Wussten Sie, dass Mülltonnen in der Regel geleert werden, wenn sie nur noch 40% voll sind? Mit unserer Behälterfüllstandsprognose, Bediener können LKWs nur dann abfertigen, wenn und wo die Behälter fast voll sindDadurch wird die Abfallsammlung optimiert, die Anzahl der Lkw-Rollen und die damit verbundene Kilometerleistung reduziert, was wiederum die Umweltverschmutzung und Staus verringert.

Das System zur Vorhersage des Behälterfüllstands nutzt ein tiefes neuronales Netzwerk, das auf einem Datensatz mit historischen Daten von Smart Bins trainiert wird. Die bei der Software-Schulung berücksichtigten Merkmale basieren auf dem aktuellen Füllstand, der mit Zeitdaten korreliert ist, sowie auf geografischen Standortdaten.

Komplexere Logik wird bald integriert werden, um dem Behälter beibringen, relevante Punkte von Interesse in der Nähe zu identifizierenwie z. B. Supermärkte, Stadien, Bahnhöfe oder Krankenhäuser. und prognostizieren den Abfallaufkommen auf Variablen wie z. B. Personendichte, Kalender, Feiertage, Ferienzeiten und mehr.

Techniken des kontinuierlichen Lernens ermöglichen eine ständige Weiterentwicklung des Modells die Kombination von neuen Daten und angesammeltem Wissen. Das bedeutet, dass durch die Analyse von Füllmustern, Betreiber können auch datengesteuerte Entscheidungen über die Menge, die Kapazität und den Standort der Container treffen. Die Behälter können so positioniert werden, dass sie zu verschiedenen urbanen Szenarien passen und sich innerhalb weniger Tage an veränderte Bedingungen anpassen, d. h. unterschiedliche Gewohnheiten oder Verhaltensweisen der Bewohner, wie die Zunahme des verpackungsbedingten Mülls durch den Aufstieg des E-Commerce und der Hauszustellung in der Pandemiezeit.

Dank PE Smart Urban Network und Machine Learning Algorithmen, Städte können die Abfallsammlung und -verwaltung wirklich verbessern, die Verbesserung der Lebensqualität bei gleichzeitigem Schutz der öffentlichen Gesundheit und der Umwelt.

 

Erfahren Sie mehr über unsere Smart Waste Anwendung: Laden Sie unser White Paper (kostenlose Registrierung erforderlich), und Kontakt zu unserem Experten für maschinelles Lernen