Predviđanje varijabli važnih za ugodan život u gradskom okruženju temeljeno na strojnom učenju

master's thesis

• Title (english): Machine learning based prediction of variables important for wellbeing in a city environment
• Author: Luka Krešić
• Mentor: Mario Vašak (mentor)
• Committee member: Mario Vašak (član povjerenstva)
• Committee member: Branimir Novoselnik (član povjerenstva)
• Committee member: Anita Banjac (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2023-07-10, Croatia

Abstract

Ovaj istraživački rad ispituje primjenu strojnog učenja za prediktivno modeliranje u kontekstu urbanog života, posebno se fokusirajući na predviđanje gradskih parametara. Iskorištavajući snagu modela dubokog učenja kao što su višeslojni perceptron i rekurentne neuronske mreže, rad koristi vremenske podatke, podatke o potrošnji električne energije, podatke o kvaliteti zraka i podatke o biciklističkom prometu za predviđanje budućih ishoda. Modeli, procijenjeni koristeći srednju kvadratnu pogrešku, srednju apsolutnu pogrešku i rezultat R2, učinkovito predviđaju buduće ishode, demonstrirajući svoj potencijal za otkrivanje složenih odnosa između ulaznih i izlaznih parametara.
Istraživanje je otišlo dalje od teorije, operacionalizirajući LSTM modele za predviđanje potrošnje električne energije i biciklističkog prometa u proizvodnom okruženju, mobilnoj aplikaciji CityX. Aplikacija, stvorena korištenjem TensorFlow Servinga, Firebasea i React-Nativea, predstavlja praktičnu demonstraciju kako se teorija može prevesti u djelotvorne alate koji doprinose urbanom planiranju i individualnom donošenju odluka.
Rad pruža sveobuhvatan uvid u primjenu strojnog učenja u urbanom životu te postavlja temelje za buduća istraživanja i poboljšanja. Predlaže poboljšanja, kao što je integriranje povratnih informacija korisnika u proces učenja za usavršavanje modela, i nudi nacrt za razvoj sofisticiranijih prediktivnih modela za urbane parametre. Istraživački rad predstavlja značajan korak prema iskorištavanju strojnog učenja za unapređenje urbanog življenja i zaštite okoliša.

Abstract (english)

This research paper examines the application of machine learning for predictive modeling in the context of urban life, focusing specifically on the prediction of urban parameters. Leveraging the power of deep learning models such as multi-layer perceptron and recurrent neural networks, the work uses weather data, electricity consumption data, air quality data, and bicycle traffic data to predict future outcomes. The models, evaluated using mean squared error, mean absolute error and R2 score, effectively predict future outcomes, demonstrating their potential to reveal complex relationships between input and output parameters.
The research went beyond theory, operationalizing LSTM models to predict electricity consumption and bicycle traffic in a production environment, the CityX mobile application. The application, created using TensorFlow Serving, Firebase and React-Native, is a practical demonstration of how theory can be translated into actionable tools that contribute to urban planning and individual decision-making.
The paper provides a comprehensive insight into the application of machine learning in urban life and lays the foundation for future research and improvements. It suggests improvements, such as integrating user feedback into the learning process to refine the model, and offers a blueprint for developing more sophisticated predictive models for urban parameters. The research work represents a significant step towards the use of machine learning for the improvement of urban living and environmental protection.

• Keywords: strojno učenje; urbani život; modeli dubokog učenja; višeslojni perceptron; rekurentne neuronske mreže; prediktivno modeliranje; LSTM; mobilna aplikacija CityX; TensorFlow Serving; Firebase; React-Native
• Keywords (english): Machine Learning; Urban Life; Deep Learning Models; Multi-Layer Perceptron; Recurrent Neural Networks; Predictive Modeling; LSTM; CityX Mobile Application; TensorFlow Serving; Firebase; React-Native
• Language: croatian
• URN:NBN: urn:nbn:hr:168:905858
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-10-11 09:25:18