2. Agenda
• Fremlæggelse af projektresultater
• Projekt 825 – En klassisk Aalborg
• Projekt 881/889 – Tætby
• Projekt 835 – Kommunen rundt
• Databehandling v/ Rep WasteHero
• Erfaringer med sensordata
• Erfaringer med vægtdata
• Sensor forudsigelse
• Kombinere sensorforudsigelse og vægtdata
• Vægtfaktor: forudsigelse af vægt
• Fuldt dynamisk ruteplanplægning
• Hvad er problemet, og hvordan løser vi det
• Udviklingsplan for dynamisk ruteplanlægning
• Diskussion
• Gennemgang af WasteHero udviklingsaktiviter:
• Live monitoring
• Route analytics
• Driver performance
• CRM
4. Projekt 825 – En klassisk Aalborg (Restaffald)
Periode 06-01 til 08-31
Affaldsfraktion Restaffald
Indsamlinger 65
Traditional indsamling 201
Reducering: 136
Procent reducering 67.66%
Periode 09-01 til 10-22
Affaldsfraktion Restaffald
Indsamlinger 773
Traditional indsamling 2506
Reducering: 1733
Procent reducering 69.15%
5. Projekt 881/889 – Tætby (Plastik/metal)
Periode 06-01 til 08-31
Affaldsfraktion Plastik
Indsamlinger 229
Traditional indsamling 1282
Reducering: 1053
Procent reducering 82.14%
Periode 09-01 til 10-22
Affaldsfraktion Plastik
Indsamlinger 181
Traditional indsamling 950
Reducering: 769
Procent reducering 80.95%
6. Projekt 881/889 – Tætby (Restaffald)
Periode 06-01 til 08-31
Affaldsfraktion Restaffald
Indsamlinger 1068
Traditional indsamling 3383
Reducering: 2315
Procent reducering 68.43%
Periode 09-01 til 10-22
Affaldsfraktion Restaffald
Indsamlinger 723
Traditional indsamling 2630
Reducering: 1907
Procent reducering 72.51%
7. Projekt 881/889 – Tætby (Papir/pap)
Periode 06-01 til 08-31
Affaldsfraktion Papir/pap
Indsamlinger 358
Traditional indsamling 543
Reducering: 185
Procent reducering 34.07%
Periode 09-01 til 10-22
Affaldsfraktion Papir/pap
Indsamlinger 280
Traditional indsamling 913
Reducering: 633
Procent reducering 69.33%
8. Projekt 835 – Kommunen rundt (Papir/pap)
Periode 06-01 til 08-31
Affaldsfraktion Papir/pap
Indsamlinger 278
Traditional indsamling 295
Reducering: 17
Procent reducering 5.76%
Periode 09-01 til 10-22
Affaldsfraktion Papir/pap
Indsamlinger 489
Traditional indsamling 781
Reducering: 292
Procent reducering 37.39%
9. Projekt 835 – Kommunen rundt (Glas)
Periode 06-01 til 08-31
Affaldsfraktion Glas
Indsamlinger 76
Traditional indsamling 301
Reducering: 225
Procent reducering 74.75%
Periode 09-01 til 10-22
Affaldsfraktion Glas
Indsamlinger 111
Traditional indsamling 474
Reducering: 363
Procent reducering 76.58%
10. Databehandling
• Erfaringer med sensordata
• Erfaringer med vægtdata
• Sensor forudsigelse
• Kombinere sensorforudsigelse og vægtdata
• Vægtfaktor: forudsigelse af vægt
• Fuldt dynamisk ruteplanplægning
• Hvad er problemet, og hvordan løser vi det
• Udviklingsplan for dynamisk ruteplanlægning
• Diskussion
11. Erfaringer med sensordata
• Forhindringer og objekter detekteres ved hjælp af
statistisk estimeringer, og fyldniveaudata er
forbedret ved fjerne de statistiske elementer.
• Korrekte container informationer, som metadata
(f.eks. interne dimensioner, sensorplacering, osv.),
er afgørende for kvaliteten af resultaterne.
12. Sensorforudsigelse
• Sensorforudsigelse udregnes baseret på historiske
sensordata indsamlinger.
• Hver container har sin egen statistiske model
• Når der er tilstrækkelig tilgængelige data vil
sæsonudsving også blive inkluderet i
forudsigelsesmodellen.
13. Erfaringer med vægtdata
• Der kan forekomme justeringer af sensordata
baseret på vægtmålinger.
• Tidsstempler for vægtindsamlinger bliver tilpasset
med sensordataene, så nøjagtighed af
indsamlingerne er meget vigtigt.
14. Kombinere sensorforudsigelse og vægt
• Vægtafvigelser gør tingene komplicerede.
• Nøjagtighed af data er afgørende
• “Garbage In, Garbage Out”
”Garbage in, Garbage out” er et koncept i datalogi om, at fejlagtige
eller nonsens inputdata producerer nonsens output
Mistænkeligt høje værdier
Mistænkeligt lave værdier
16. Fuldt dynamisk ruteplanplægning
Container som er udstyret med en sensor kan
opsættes til fuld dynamisk opsamling.
• Sensorforudsigelse anvendes til både generering af
ruter og til dynamisk rutetilpasning
Container uden sensorer
• Individualle statistiske modeller af container, og
deres etbaleret vægtfaktor vil bruges til både
generering og optimering af ruteplanlægning og
-tilpasning [Nuværende opgave]
17. Hvad er problemet, og hvordan løser vi det
Data fra sensor er det mest "dyrebare", da det giver
mulighed for at få et mere detaljeret overblik over
tidsudviklingen af affaldsflux.
Vi tester metoder til at forbedre vægtestimat på
beholdere uden sensor ved hjælp af data fra
nærliggende container med sensorer, og intelligent
rengøring.
Information fra sensorer på nærliggende containere
vil blive brugt til at bygge statistiske modeller og
forudsige deres affaldsflux. Intelligent rengøring
bruges til at fjerne mistænkelige værdier.
18. Udviklingsplan for dynamisk ruteplanlægning
Udviklingsopgaver Status Testperiode Deadline
Manuel indtasting af afstand 100% 18/10 til 29/11 1/11
Vægtforudsigelse 80% 1/11 til 18/11 6/12
Intelligent rengøring af
vægtdata
40% 8/11 til 26/11 6/12
Forbedret forudsigelser med
nærlæggende container
20% 15/11 til 26/11 6/12