Banco de Proyectos UNM

Resumen: Durante 2024-2025 se llevó a cabo el desafío 118 del programa Impact.ar: diseñar un Sistema de Optimización de la Recolección de Residuos Sólidos Urbanos para el Municipio de General Rodríguez. En este marco se implementó un algoritmo en lenguaje Python para optimizar el ruteo del servicio de recolección de residuos sólidos urbanos (RSU). El análisis de los datos mostró una importante heterogeneidad en la distribución de los residuos, producto del desarrollo de la mancha urbana combinada con zonas rurales y periurbanas. El algoritmo sigue el enfoque "dividir en zonas en primer lugar, rutear en segundo lugar" (cluster first, route second). La división contempla regiones de recolección diaria y alternada (día por medio). El diseño de rutas combina tipos de zonas: una diaria (alto volumen, bajos tiempos de recorrido) con dos alternadas (bajo volumen, mayores tiempos). El partido de General Rodríguez está dividido por las vías del ferrocarril Sarmiento y la autopista del Oeste en tres regiones: norte de la autopista, sur del ferrocarril, y una franja intermedia. Actualmente, el algoritmo requiere supervisión humana en dos tareas críticas: 1. Detección de barreras geográficas (realizada por inspección visual, ya que las rutas iniciales fallaban por los escasos cruces ferroviarios o de la autopista). 2. Determinación de la cantidad óptima de zonas (el usuario debe realizar ensayos a partir de un valor inicial provisto por una función). La presente investigación propone incorporar herramientas de aprendizaje automático para ambas tareas. Dado que los datos disponibles consisten únicamente en la red de calles en formato vectorial, la detección de barreras geográficas se abordará indirectamente a partir de propiedades estructurales del grafo. Se utilizarán métricas de conectividad y centralidad para identificar aristas que actúan como cuellos de botella o separadores de regiones, complementadas con modelos de clasificación supervisada que permitan generalizar estos patrones. Para la determinación de la cantidad de zonas, se propone reemplazar el procedimiento actual por técnicas de optimización automática de hiperparámetros, en particular métodos de modelos sustitutos u optimización bayesiana, para estimar de manera más eficiente la cantidad de zonas que optimiza la calidad de las soluciones.