Ha kedveled az oldalunkat, jelölj meg minket a Google-ban kedvenc forrásként — így gyakrabban látod majd a cikkeinket a keresőben!
★Jelölj meg minket preferált forráskéntMennyi hulladék keletkezik jövőre egy városban, és ebből mennyi jut a válogatóba, az égetőbe vagy a lerakóba? A települési hulladék előrejelzése nélkül sem egy gyűjtési körzet átszervezése, sem egy kezelőmű kapacitástervezése nem állhat biztos lábakon. A Pannon Egyetem Sustainability Solutions Research Lab kutatói – Fejes Róbert, Kurdi Róbert és Sebestyén Viktor – a Resources, Conservation & Recycling Advances folyóiratban megjelent áttekintésükben 78 tudományos tanulmányt dolgoztak fel, és ezekből olyan döntéstámogató keretet építettek, amely az elemzési céltól és a rendelkezésre álló adatoktól függően javasol modellszerkezetet.
Röviden: A települési hulladék előrejelzés legalkalmasabb modellje elsősorban attól függ, hány megfigyelés és hány magyarázó változó áll rendelkezésre, illetve hogy üzemeltetési vagy stratégiai döntést kell-e támogatni. A kutatók 78 tanulmány 140 modellalkalmazását rendszerezték: a mesterséges neurális hálók a leggyakoribbak, a 455 azonosított változó közül pedig a gazdasági és demográfiai mutatók dominálnak.
Miért kell előre látni a hulladékmennyiséget?
A Világbank becslése szerint a világon képződő települési szilárd hulladék mennyisége a 2016-os 2,01 milliárd tonnáról 2050-re 3,40 milliárd tonnára nőhet. A mennyiség és az összetétel változása közvetlenül befolyásolja, hogy egy adott gyűjtési rendszer vagy kezelési technológia megfelelő marad-e. A jó előrejelzés ezért nem akadémiai gyakorlat: ebből lehet megtervezni a járatokat, a szállítást, a kezelőkapacitásokat, és ebből lehet reálisan számolni az üzemeltetési költségekkel. A szerzők emellett a szemléletformálásban is szerepet látnak, mert a számszerű előrejelzés láthatóvá teszi a hulladékképződés környezeti és gazdasági következményeit.
A tanulmány kiindulópontja egy saját fejlesztésű keretrendszer, amelyet a szerzők GCSIL-modellnek neveznek. A betűk a hulladékgazdálkodási lánc öt elemét jelölik: képződés (generation), gyűjtés (collection), válogatás (sorting), égetés (incineration) és lerakás (landfilling). A keret két döntési folyamatot választ szét:
- Rövid távú üzemeltetési modell: a gyűjtés és a válogatás napi működését támogatja. Alapanyaga a hulladékgazdálkodó cégek sűrű, hosszú idősora – frakciónkénti mennyiségek, gyűjtőjárművenkénti adatok, technológiai paraméterek.
- Hosszú távú döntési modell: a stratégia, az infrastruktúra és a kezelési módok – égetés, lerakás – megválasztását segíti. Alapanyaga a statisztikai hivatalok ritkább, de sokféle gazdasági, társadalmi és demográfiai mutatója.
A szerzők szerint e szétválasztás nélkül a döntéstámogatás nem működhet az elvárt szinten, mert a két feladattípus eltérő modellszerkezetet igényel. Hogy a hosszú távú döntések tétje mekkora, azt jól mutatja a biológiailag lebomló hulladék lerakásáról és az EU ETS kiterjesztéséről szóló elemzésünk: a lerakás és az égetés közötti költségarányok változása évtizedekre meghatározza a kezelési szerkezetet.
A települési hulladék előrejelzés modelljei: a neurális hálók vezetnek
A kutatók a Scopus adatbázisban a 2003 és 2023 között megjelent, 2023. december 15-ig indexelt közleményeket vizsgálták a PRISMA-módszertan szerint. Csak azokat a tanulmányokat vették be, amelyek a hulladék mennyiségét jelzik előre, leírják a modell szerkezetét és bemutatják a felhasznált adatokat. A végső mintában szereplő 78 tanulmányban 140 előrejelző alkalmazást azonosítottak, amelyek 36 különböző módszerre vezethetők vissza.
A gépi tanulási módszerek adják az összes alkalmazás nagyjából 73%-át. Ezen belül 39 felügyelt és 6 felügyelet nélküli tanulási eszköz, 46 mélytanulási és 11 ensemble (együttes) módszer szerepel. A neurális hálók és a mélytanulás együtt az alkalmazások 32,9%-át teszik ki, az idősoros előrejelzés 15,7%-át, a rendszerdinamikai modellek pedig 4,3%-át.
Tanulmányszinten a sorrend a következő:
- Mesterséges neurális háló (ANN): 27 alkalmazás, a tanulmányok 19,3%-a – ez messze a leggyakoribb módszer.
- Tartóvektor-gép (SVM) és lineáris regresszió: 7,1-7,1%.
- ARIMA: 5,7%.
- LSTM: 5,0%.
- SARIMA: 4,3%.
- Többváltozós adaptív regresszió (MARS), random forest, döntési fa, szürke modell és gradient boosting: egyenként 3,6%.
A népszerűség azonban nem egyenlő az alkalmassággal. A tanulmány összefoglalja a leggyakoribb módszerek erősségeit és gyengeségeit. A lineáris regresszió egyszerű és jól értelmezhető, de érzékeny a kiugró értékekre. A döntési fa könnyen áttekinthető, ugyanakkor hajlamos a túltanulásra, és figyelmen kívül hagyja a változók közötti korrelációt. A random forest csökkenti a modell varianciáját, az SVM jól teljesít kis mintákon, de érzékeny a hiányzó adatokra és a kernelfüggvény megválasztására.
A gradient boosting képes rangsorolni a változók fontosságát, viszont nehezen párhuzamosítható. A neurális háló bármilyen nemlineáris összefüggést leírhat, és robusztus, cserébe sok paramétert igényel, és a működése nehezen értelmezhető. Az ARIMA egyszerű és stacionárius adatokra hatékony, de a nemlineáris kapcsolatokat nem kezeli. A SARIMA a szezonalitásra ad választ, több becsülendő paraméter árán. Az LSTM a sorozatadatokra erős, ugyanakkor számításigényes.
Adatmennyiség és változószám: így működik a döntési fa
A tanulmány legpraktikusabb eredménye egy döntési fa, amely két kérdés mentén vezet el a javasolt modellhez. Az első szint a változók száma: kevés (3 alatti), közepes (3–7) vagy sok (7 feletti) magyarázó változó. A második szint a megfigyelések száma: ritka (22 alatti), közepes (22–162) vagy hosszú (162 feletti) adatsor. A küszöbértékeket nem önkényesen jelölték ki: a szerzők egy döntésifa-osztályozót tanítottak be a feldolgozott tanulmányok modelladataival, és az így kapott vágáspontokat használták.
A javasolt munkafolyamat lépésenként halad. Először azt kell ellenőrizni, hogy a rendelkezésre álló megfigyelésszám eléri-e az adott módszerhez szükséges minimumot. Ha igen, következik a rendelkezésre álló változókészlet vizsgálata. Ha mindkét feltétel teljesül, jöhet a modellépítés, végül a megfigyelések egy részhalmazán végzett keresztvalidáció és az eredmények statisztikai ellenőrzése.
A szerzők általános iránymutatása szerint kevés adatnál egyszerű statisztikai eszközök – átlagolás, lineáris trend –, hasonló adottságú térségek adataira épülő analógiás becslés vagy helyi szakértők tudására épülő becslés jöhet szóba. Közepes adatmennyiségnél az idősoros modellek, például az ARIMA, illetve a regressziós modellek alkalmazhatók. Nagy adathalmazokon jöhetnek a többváltozós regressziók, a neurális hálók, a döntési fák, valamint a térbeli és időbeli mintázatokat együtt vizsgáló geostatisztikai módszerek. Fontos figyelmeztetés: kis adathalmazon a modell könnyen túltanul, vagyis a tanítóadatokon jól, új adatokon rosszul teljesít. Kis mintára a tartóvektor-gép, a random forest és a gradient boosting döntési fa a jobb választás.
A vizsgált tanulmányok adatsorai is sokat elárulnak. Az adatok többsége napi gyűjtésből származik: a legrövidebb napi adatsor 90 napos, a leghosszabb 28 évet fog át (Hongkong). A heti adatsorok 4–12, a havi adatsorok 3–22 évet ölelnek fel. Az éves adatsorok közül a leghosszabb 49 év, a megfigyelésszám növelésére pedig gyakran területi bővítést alkalmaznak: a legnagyobb ilyen adatkészlet 285 város 15 évét tartalmazza. Az éves modellek 5 és 81 közötti változóval dolgoztak.
Gazdaság, demográfia, időjárás: 455 változó hat csoportban
A 78 tanulmány összesen 455 magyarázó (proxy) változót használt. Adattisztítás után a kutatók ezeket hat csoportba sorolták:
- Gazdaság – 140 változó (31%): országos vagy regionális GDP, adóbevétel, áru- és szolgáltatásexport, a vállalkozások száma.
- Demográfia – 100 változó (22%): népesség, népsűrűség, korcsoportok, háztartások száma, családméret.
- Hulladék – 87 változó (19%): a korábbi hulladékmennyiség, egy főre jutó hulladék, frakciók, például inert, üveg-, textil- és műanyaghulladék.
- Társadalom – 67 változó (15%): foglalkoztatás, munkanélküliség, iskolázottság nemek szerint, városi szegénység.
- Földrajz – 41 változó (9%): éves középhőmérséklet, csapadékos napok, szélsebesség, napsugárzás.
- Jólét – 20 változó (4%): utcaseprési terület, vendégéjszakák száma, a városi lakosság zöldségre fordított kiadása.
A leggyakrabban használt változó a korábbi hulladékmennyiség, a népesség és a hulladékfrakciók adatai, ezeket a GDP, a népsűrűség, a háztartási jövedelem, az iskolázottság és a munkanélküliségi ráta követi. Az első három csoport együtt a teljes változókészlet 72%-át adja.
A szociodemográfiai tényezők súlyát a gyakorlat is igazolja. Az osztrák hulladékgazdálkodás 2024-es adatait feldolgozó cikkünkben bemutattuk, hogy az egy főre jutó települési hulladék Bécsben 570 kg, Felső-Ausztriában 951 kg volt – a különbséget a jelentés jövedelemmel, háztartásmérettel, ingázással és a turizmus intenzitásával magyarázza. Uniós szinten hasonló a kép: az Eurostat 2024-es adatai szerint az egy főre jutó települési hulladék átlagosan 517 kg volt, a tagállamok között azonban többszörös a különbség. Ezeket az eltéréseket egy jól megválasztott változókészlet képes megragadni.
Üzemeltetés vagy stratégia: két külön modellvilág
A szerzők a megfigyelésszám és a változószám alapján egy „modellezési problématérben” helyezik el a vizsgált modelleket, és ebből kirajzolódik a két modellvilág.
A sok megfigyelésből, kevés változóval dolgozó modellek a technológiai, üzemeltetési feladatokra valók: járattervezés, ütemezés, létesítmény-kihasználtság és kapacitáskezelés. Ezek alapanyaga a napi felbontású adat, például a konténerek telítettségmérése vagy a gyűjtőjárművek naplói. Ugyanez a logika érvényesül a válogatóművekben is, ahol a valós idejű szenzoradatokra épülő rendszerek már a napi működést optimalizálják – erről a CP Group új, MI-alapú hulladékválogató rendszeréről szóló cikkünkben írtunk.
A sok változóval dolgozó modellek ezzel szemben a stratégiai tervezést szolgálják: dekarbonizációs ütemterveket, infrastruktúra-beruházásokat, a hulladékgazdálkodási irányelvekhez való megfelelés értékelését. Ezek jellemzően éves adatokra épülnek, és a gazdasági, demográfiai, földrajzi tényezőket együtt kezelik.
A kettő között van egy „hibrid” tartomány, ahol a változók és a megfigyelések száma is elég nagy ahhoz, hogy a modell mindkét célra használható legyen. A kevés megfigyelésből és kevés változóból dolgozó modellek viszont korlátozott előrejelző erejűek: ezek inkább összehasonlító elemzésre, forgatókönyv-tesztelésre vagy korai becslésre alkalmasak, mint pontos előrejelzésre.
Az adatminőség ráadásul nem csak a modellezők problémája. Ahogy a nemrég indult Packaging Data Hub kapcsán is láttuk, a ténylegesen mért és a papíron kimutatott értékek közötti különbség a szakpolitikai döntéseket is torzíthatja.
Pontosság papíron és a valóságban
A vizsgált tanulmányokból 44 közölte a determinációs együtthatót (R²), 0,53 és 0,99996 közötti értékekkel; 37 a négyzetes középhibát (RMSE), 25 pedig az átlagos abszolút százalékos hibát (MAPE). Pontosságot (accuracy) mindössze két tanulmány közölt.
A szerzők szerint ezek a mutatók óvatosan kezelendők. Az R² nem mutatja ki a szisztematikus alul- vagy felülbecslést, és adatkészletfüggő, ezért tanulmányok között nem mindig összevethető. Az RMSE abszolút egységben fejezi ki az eltérést, így a célváltozó nagyságrendje nélkül nehezen értelmezhető. A MAPE ugyan skálafüggetlen, de több tanulmány nem jelzi egyértelműen, hogy arányként (például 0,12) vagy százalékként (12%) közli-e – ez magyarázza a 0,008 és 25,7 közötti, valójában összemérhetetlen értéktartományt.
Osztályozási feladatoknál a szerzők a pontosság mellett a precizitás, a felidézés (recall) és az F1-mutató használatát javasolják, általánosságban pedig a k-szoros keresztvalidációt, amely stabilabb és kevésbé torzított képet ad a modell általánosítóképességéről. Fontos korlát, amelyet a szerzők maguk is kimondanak: a javasolt keretrendszer nem a modellek előrejelző pontosságát értékeli, hanem azt, hogy adott elemzési feladathoz és adatkörülményekhez milyen modellszerkezet illik.
A nyitott kérdés: az összetétel előrejelzése
A tanulmány a hulladék mennyiségére koncentrál, és a szerzők nyíltan jelzik, hogy az összetétel változásának előrejelzése egyelőre megoldatlan kutatási feladat. Pedig éppen ez tenné lehetővé, hogy a kezelési technológiák szükséges átállítását előre lehessen tervezni.
Ennek fő akadálya az adat. Egy országos hulladékgazdálkodási stratégiához elegendőek lehetnek az országos, éves adatok, a technológiai fejlesztésekhez és megvalósításhoz viszont a helyi sajátosságokat és a szezonalitást is figyelembe kell venni – ehhez havi vagy annál sűrűbb, település vagy gyűjtési körzet szintű adatokra van szükség. A szerzők szerint a legmegfelelőbb változókészletek országonként és régiónként eltérhetnek, ezért a modellek azonosítása és értelmezése nem végezhető el szakmai, helyismereti tudás nélkül.
További prioritásként jelölik meg a változó jogszabályi környezet rendszerszintű hatásainak számszerűsítését. Ehhez az előrejelzések eredményeit össze kell kapcsolni a technológiai és infrastrukturális információkkal, és az egyes hulladékfrakciókat külön kell modellezni.
Mit tanulhat ebből a hazai hulladékgazdálkodás?
A tanulmány hazai kutatóműhelyből származik: a Pannon Egyetem hulladékgazdálkodási kompetenciaközpontjának létrehozását célzó, a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal által támogatott projekt keretében készült, Sebestyén Viktor munkáját pedig a Magyar Tudományos Akadémia Bolyai János Kutatási Ösztöndíja támogatta.
A cikk szerint az adatforrások jelentős része nyilvánosan elérhető. Az Eurostat 4243 adatforrást kínál statisztikai témák szerint, a hulladékképződési adatokkal együtt, ezért alkalmas felügyelt tanulási feladatokra. Az OECD 288 mutatót tart éves bontásban, az ENSZ fenntartható fejlődési céljainak adatbázisa 706 adatsort tartalmaz, a Világbank pedig 86 adatbázisban kínál hasznos proxy változókat. Ezek jelentős része alkalmazásprogramozási felületen (API) keresztül dinamikusan is lekérdezhető.
A gyakorlati üzenet a hazai szereplőknek kettős. Az üzemeltetési döntésekhez – járattervezés, válogatói és kezelői kapacitás – a hulladékgazdálkodó cégek saját, frakciónkénti és járművenkénti idősorai a legértékesebb alapanyagok, ezért ezek rendszerezett gyűjtése önmagában is versenyelőny. A stratégiai tervezéshez pedig a statisztikai és gazdasági mutatók széles köre szükséges, a hulladékadatokkal párosítva.
A modellválasztás előtt tehát az első lépés nem a legdivatosabb algoritmus kiválasztása, hanem egy őszinte adatleltár: hány megfigyelés és hány megbízható változó áll valóban rendelkezésre. A Pannon Egyetem döntési fája ehhez ad kiindulópontot – a szerzők javaslata szerint az új modellek alkalmazhatóságát folyamatosan tesztelni kell, mert a gépi tanulási eszközök rendkívül gyorsan fejlődnek.
Települési hulladék előrejelzés – gyakori kérdések
Mi a települési hulladék előrejelzés célja?
A települési hulladék előrejelzés célja, hogy a gyűjtés, a válogatás és a kezelés tervezése a várható mennyiségekhez igazodjon. Rövid távon a járatok, az ütemezés és az üzemi kapacitás optimalizálását segíti, hosszú távon az infrastruktúra-beruházások, a dekarbonizációs ütemtervek és a jogszabályi megfelelés értékelését. A Pannon Egyetem áttekintése a két feladattípust külön modellvilágként kezeli.
Melyik modellt használják leggyakrabban a hulladékmennyiség előrejelzésére?
A leggyakoribb módszer a mesterséges neurális háló (ANN): a 78 vizsgált tanulmány 140 modellalkalmazásából 27 ilyen volt, és a tanulmányok 19,3%-ában szerepelt. Ezt a tartóvektor-gép és a lineáris regresszió követi 7,1-7,1%-kal, majd az ARIMA 5,7%-kal, az LSTM 5,0%-kal és a SARIMA 4,3%-kal. A gépi tanulás az alkalmazások nagyjából 73%-át adja.
Mennyi adat kell egy megbízható előrejelző modellhez?
Ez a választott modelltől függ. A kutatók döntési fája ritka (22 alatti), közepes (22–162) és hosszú (162 feletti) megfigyelésszámú adatsorokat különít el. Kevés adatnál átlagolás, lineáris trend, analógiás vagy szakértői becslés jöhet szóba, hosszú idősoroknál idősoros és gépi tanulási modellek is. Kis adathalmazon a túltanulás a fő kockázat, ezért keresztvalidáció javasolt.
Milyen változók alapján jelezhető előre a hulladék mennyisége?
A 78 tanulmány összesen 455 változót használt, amelyeket a kutatók hat csoportba soroltak: gazdasági (140), demográfiai (100), hulladékkal kapcsolatos (87), társadalmi (67), földrajzi (41) és jóléti (20) mutatók. A leggyakoribbak a korábbi hulladékmennyiség, a népesség, a hulladékfrakciók, a GDP, a népsűrűség, a háztartási jövedelem, az iskolázottság és a munkanélküliség.
Előre lehet jelezni a hulladék összetételét is?
A szerzők szerint ez egyelőre nyitott kutatási feladat. A javasolt keretrendszer a mennyiség előrejelzésére szolgál. Az összetétel változásának előrejelzéséhez, amely a kezelési technológiák előzetes átállítását segítené, legalább havi felbontású, település vagy gyűjtési körzet szintű adatokra lenne szükség, és a megfelelő változókészlet országonként is eltérhet.
🔗 Hivatalos források és hivatkozások: 👉
Fejes R., Kurdi R., Sebestyén V.: Model structures and approaches for municipal solid waste prediction – A review. Resources, Conservation & Recycling Advances, 29 (2026), 200310. DOI: 10.1016/j.rcradv.2025.200310 – nyílt hozzáférés, CC BY 4.0 licenc.
Egységes szerkezet, gyors válaszok: cikkeinket úgy építjük fel, hogy az olvasók és az MI-alapú keresők is könnyen megtalálják bennük a lényeget. A szövegek MI-eszközök segítségével, szerkesztői ellenőrzés mellett készülnek.
