Nástroje strojového učení pro kvalitu ovzduší a pohodlí ve sdílených vozidlech

Abstract

Zvýšení komfortu a zlepšení kvality ovzduší ve sdílených vozidlech je zásadní pro ochranu lidského zdraví a atraktivitu veřejné dopravy. Tato práce se zabývá analýzou vlivu vnitřních a vnějších podmínek na pohodlí cestujících, které je úzce spjato s kvalitou vzduchu, v prototypu malého autonomního autobusu ELIN. Byla analyzována dostupná data z databáze ELIN a byly vybrány indikátory pro model předpovědi vnitřní teploty. Byly vytvořeny a vyhodnoceny různé modely strojového učení. Jako nejuniverzálnější se ukázal model Random Forest. Byl vytvořen rámec pro výpočet komfortu k odhadu a předpovědi úrovně pohodlí uvnitř autobusu ELIN s přihlédnutím k faktorům, jako je teplota a obsazenost. Pomocí navržených vzorců bylo skóre komfortu odhadnuto pro aktuální stanici autobusu a předpovězeno pro další stanice využitím předpovědí teplot z Random Forest modelu a získaných poznatků z analýzy dat. Výsledky naznačují poměrně vysoké úrovně komfortu uvnitř autobusu ELIN a poskytují rozšiřitelný rámec pro budoucí potřeby.

Increasing comfort and improving air quality in shared vehicles is essential in protecting human health and making public transport more attractive. This thesis focused on exploring how passenger comfort, which is closely linked to air quality, is affected by the internal and external conditions of a small, autonomous bus prototype, the ELIN bus. Available data from the ELIN bus database were analyzed, and indicators for the interior temperature prediction model were selected. Various machine learning models were created and evaluated. The Random Forest model proved to be the most versatile. A comfort calculation framework was created to estimate and predict the level of comfort inside the ELIN bus, taking into account factors like temperature and occupancy to calculate a comfort score using devised formulas. The comfort score was estimated for the current station of the bus and predicted for the next stations, using the temperature predictions from the Random Forest model and findings from data analysis. The results indicated quite decent comfort levels inside the ELIN bus and provided an expandable framework for future needs.