Традиційний вивіз сміття працює за розкладом, не враховуючи реальну наповненість контейнерів. Результат: 40% рейсів — до напівпорожніх контейнерів, 20% — до переповнених, з розливом відходів і штрафами. Ми пропонуємо систему Smart Waste, яка на основі даних IoT та комп'ютерного зору динамічно оптимізує маршрути. Наш досвід — 5+ років і 50+ впроваджень у ЖКГ та комерційному секторі, з гарантованим зниженням операційних витрат.
Для моніторингу використовуємо два підходи: IoT-датчики та комп'ютерний зір. IoT-датчики — ультразвукові або інфрачервоні сенсори, що встановлюються в кришку контейнера. Вони вимірюють відстань до сміття та передають дані по LoRaWAN або NB-IoT. Енергоспоживання мінімальне: одна батарея працює до 5 років. Інтервал опитування — 30–60 хвилин. Комп'ютерний зір — аналіз з камер відеоспостереження. Згорткова мережа MobileNetV3 класифікує рівень заповнення за чотирма категоріями: <20%, 20–50%, 50–80%, >80%. Точність — 88–93%. Цей метод підходить, коли датчики не встановлені.
| Параметр | IoT-датчики | Комп'ютерний зір |
|---|---|---|
| Точність | ±5% | 88–93% |
| Вартість на контейнер | Низька | Мінімальні витрати (використовуємо наявні камери) |
| Енергоспоживання | Дуже низьке | Залежить від камери |
| Установка | Вимагає монтажу | Програмне доопрацювання |
Як працює прогноз заповнення?
Кожен контейнер має свій патерн заповнення: житлові будинки — піки вранці та ввечері, офіси — ввечері, у свята обсяг зростає на 20–35%. Прогноз дозволяє вивозити сміття до переповнення. Використовуємо модель Prophet для часових рядів. Процес прогнозування включає три кроки:
- Виділення поточного циклу заповнення (після останнього вивозу).
- Навчання Prophet з щоденною та тижневою сезонністю.
- Прогноз на 48 годин і розрахунок часу досягнення 80% заповнення.
Приклад коду:
import pandas as pd import numpy as np from prophet import Prophet class WasteContainerPredictor: """Прогноз рівня заповнення контейнера""" def fit(self, fill_level_history, container_id): """ fill_level_history: TimeSeries рівня заповнення (0-100%) Прогнозуємо, коли контейнер досягне 80% заповнення """ df = fill_level_history.reset_index() df.columns = ['ds', 'y'] # Моделюємо пилоподібну криву: зростає до вивозу, потім обнуляється # Для прогнозу: беремо тільки поточний незавершений цикл заповнення last_emptying = df[df['y'] < 10]['ds'].max() current_cycle = df[df['ds'] >= last_emptying].copy() model = Prophet( growth='linear', daily_seasonality=True, weekly_seasonality=True, changepoint_prior_scale=0.3 ) model.fit(current_cycle) # Прогноз до моменту досягнення 80% future = model.make_future_dataframe(periods=48, freq='H') forecast = model.predict(future) full_time = forecast[forecast['yhat'] >= 80]['ds'].min() return full_time def predict_collection_priority(self, all_containers, current_time): """Ранжувати контейнери за терміновістю вивозу""" priorities = [] for cid, container in all_containers.items(): current_fill = container['current_fill_pct'] predicted_full_time = self.fit(container['history'], cid) hours_until_full = (predicted_full_time - current_time).total_seconds() / 3600 priority_score = current_fill + (1 / max(hours_until_full, 0.5)) * 10 priorities.append((cid, priority_score, current_fill, predicted_full_time)) return sorted(priorities, key=lambda x: -x[1]) Prophet — бібліотека від Facebook для прогнозування часових рядів, стійка до пропусків та викидів.
Чому важлива оптимізація маршрутів?
На кожен день будується список контейнерів з рівнем >75% або очікуваним заповненням протягом 24 годин. VRP-оптимізація враховує місткість сміттєвозів, час роботи та депо. Порівняно з фіксованим графіком, VRP-оптимізація скорочує рейси на 30–45% і пробіг на 20–30% — це в 1.5 рази ефективніше по пробігу на кілометр. Переповнення знижуються на 80%.
| Стратегія | Середня кількість рейсів на день | Частка переповнень |
|---|---|---|
| Фіксований графік | 100% (база) | 20% |
| Smart Waste з прогнозом та VRP | 60–70% від бази | <4% |
Як впроваджується система Smart Waste?
Розробка під ключ включає аудит поточної інфраструктури, встановлення датчиків або налаштування комп'ютерного зору, калібрування моделі прогнозування та інтеграцію з диспетчерською. Отримайте консультацію інженера — ми оцінимо ваш парк контейнерів та запропонуємо оптимальне рішення.
Система під ключ включає:
- Встановлення та інтеграція IoT-датчиків або налаштування комп'ютерного зору
- Модель прогнозування для кожного контейнера
- Оптимізація маршрутів (VRP з урахуванням обмежень)
- Веб-портал з GIS-відображенням та звітами
- Документація, навчання персоналу, 3 місяці гарантійної підтримки
Технічні деталі стеку
- Фреймворки: TensorFlow, PyTorch, Prophet - Протоколи: MQTT, LoRaWAN, NB-IoT - Зберігання: PostgreSQL + TimescaleDB - Бекенд: FastAPI, Docker, KubernetesAI-сортування відходів
На сміттєсортувальних станціях комп'ютерний зір з конвеєрними камерами класифікує вторсировину: ПЕТ, ПНД, скло, картон, метал, органика. Точність AI-сортування — 90–95%, що вдвічі вище ручної (70–75%). Пневматичні відсікачі направляють фракції в бункери. Детекція небезпечних відходів (батарейки, ртутні лампи) використовує спектроскопію та зупиняє конвеєр при виявленні.
Аналітика та звітність
Диспетчерський портал відображає карту контейнерів з кольоровим кодуванням: зелений (<50%), жовтий (50–75%), червоний (>75%). Трекінг сміттєвозів в реальному часі, історія маршрутів та KPI. Екологічна звітність за формою 2-ТП відходи формується автоматично.
Результати впровадження:
- Рейсів менше на 30–45%
- Пробіг скорочений на 20–30%
- Переповнення знижені на 80%
- Окупність — 6–12 місяців
Замовте розробку Smart Waste — отримайте консультацію інженера та оцінку проекту. Зв'яжіться з нами, щоб обговорити ваші завдання. Ми також проведемо безкоштовний аудит вашої поточної системи вивозу.
За даними Росприроднагляду, обсяг ТКО в РФ зростає на 3% щорічно. Smart Waste — спосіб заощадити бюджет та екологію.