Optimización del servicio de recogida de residuos sólidos urbanos mediante predicción del nivel de llenado de los contenedores

Marías Ferrer, Francisco José. (2021). Optimización del servicio de recogida de residuos sólidos urbanos mediante predicción del nivel de llenado de los contenedores Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
MariasFerrer_FranciscoJose_TFM.pdf MariasFerrer_FranciscoJose_TFM.pdf application/pdf 5.48MB

Título Optimización del servicio de recogida de residuos sólidos urbanos mediante predicción del nivel de llenado de los contenedores
Autor(es) Marías Ferrer, Francisco José
Resumen En el ámbito del Internet of Things (IoT), las técnicas de Machine Learning nos ofrecen múltiples de posibilidades que pueden ayudar a la toma de decisiones de alto nivel. Cada vez son más las ciudades que se unen al movimiento de las Smart Cities captando datos del entorno a través de sensores instalados en campo, donde uno de los sectores clave es la recogida de residuos sólidos urbanos. El rápido crecimiento demográfico, sobre todo en grandes núcleos urbanos, junto con la sobreexplotación de recursos hace que sea necesaria una óptima gestión del servicio de recogida de residuos que supone en torno a un 70% del coste total del tratamiento de residuos. El objetivo de este trabajo es analizar mecanismos de machine learning que sirvan para optimizar el servicio de recogida de residuos sólidos urbanos a través de técnicas de Machine Learning haciendo uso de los datos históricos del servicio enviados al Internet of Things consiguiendo no solo que las empresas sean más productivas sino consiguiendo un importante ahorro ambiental a través de una reducción de las emisiones de CO2 de los camiones reduciendo así la huella de carbono derivada del servicio.
Abstract In the field of the Internet of Things (IoT), Machine Learning techniques offer us endless possibilities that can help make high-level decisions. More and more cities are joining the Smart Cities movement by capturing data from the environment through sensors installed in the field, where one of the key sectors is the collection of municipal solid waste. Rapid population growth, especially in large urban centers, together with the overexploitation of resources makes it necessary to optimize the waste collection service, which represents around 70% of the total cost of waste treatment. The objective of this work is to optimize the municipal solid waste collection service through Machine Learning techniques making use of the historical data of the service sent to the Internet of Things, not only making companies more productive but also achieving significant environmental savings through a reduction in CO2 emissions from trucks, thus reducing the carbon footprint derived from the service.
Notas adicionales Trabajo de Fin de Máster Universitario en Ingeniería y Ciencia de Datos. UNED
Materia(s) Ingeniería Informática
Palabra clave Machine Learning
Internet Of Things
optimización recogida de residuos
series temporales
ARIMA
waste collection optimization
time series
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Ros Muñoz, Salvador
Fecha 2021-07-01
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-ICD-Fjmarias
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-ICD-Fjmarias
Idioma spa
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 391 Visitas, 261 Descargas  -  Estadísticas en detalle
Creado: Fri, 29 Oct 2021, 18:47:55 CET