Optimalizace svozu směsného komunálního odpadu v konkrétní části města Most

Abstract

Tato diplomová práce se zabývá optimalizací svozu směsného komunálního odpadu v oblasti ulic Albrechtická, Česká, Karla Marxe a M. Rybalka ve městě Most. Hlavním cílem je posouzení potenciálu využití datové analýzy a nově získaných dat o zaplněnosti kontejnerů pro optimalizaci svozového systému. Pro sběr dat byla použita síť IoT senzorů využívajících infračervenou technologii, která monitoruje zaplněnost kontejnerů a poskytuje informace o průběhu jejich plnění. Data byla následně analyzována pomocí MS Excel (včetně VBA skriptů) a jazyk R v prostředí RStudio, přičemž byly aplikovány statistické metody pro identifikaci vzorců chování a optimalizaci svozových tras. Byly navrženy skripty ve VBA a jazyce R, které částečně automatizují analýzu dat. Tento přístup eliminuje manuální chyby a zajišťuje konzistentní a reprodukovatelné postupy při hodnocení trendů plnění kontejnerů a vede k optimalizaci četnosti svozů. Výsledky analýzy umožňují lépe pochopit reálné potřeby svozu, což přispívá ke snížení nákladů, úspoře času a ekologičtějšímu provozu svozových vozidel.

This thesis focuses on the optimization of mixed municipal waste collection in a specific area of the city of Most. The primary objective is to assess the potential of data analysis and newly acquired waste container fill-level data for optimizing the waste collection system. For data collection, a network of IoT sensors utilizing infrared technology was employed to monitor container fill levels and provide insights into their filling patterns. The collected data were subsequently analyzed using Excel (primarily VBA) and RStudio, where statistical methods were applied to identify behavioral patterns and optimize waste collection routes. The implementation of VBA and RStudio scripts enabled partial automation of data analysis, eliminating manual errors and ensuring consistent and reproducible procedures for evaluating container fill-level trends, leading to more efficient planning of waste collection frequencies. The findings of this analysis contribute to a better understanding of the actual waste collection needs, resulting in cost reductions, time savings, and a more environmentally sustainable operation of waste collection vehicles.