Aplikace ANFIS modelu vysvětlitelné umělé inteligence pro podporu rozhodování v chytrých městech

Abstract

Tato práce se zabývá využitím modelu ANFIS jako nástroje vysvětlitelné umělé inteligence pro podporu rozhodování v chytrých městech. Zaměřuje se na oblast kontroly a vyhodnocování kvality ovzduší, konkrétně na koncentrace jemných prachových částic PM2,5, které představují významný faktor ovlivňující zdraví obyvatel. Práce nejprve vymezuje teoretická a metodická východiska fuzzy logiky, fuzzy inferenčních systémů a modelu ANFIS, následně se věnuje současnému využívání umělé inteligence v chytrých městech a problematice rozhodování založeného na datech. Praktická část je zaměřena na návrh a tvorbu ANFIS modelů nad reálnými daty, přičemž využívá meteorologické proměnné, časové charakteristiky a zpožděné hodnoty PM2,5. Výsledky ukazují, že zahrnutí zpožděných hodnot PM2,5 výrazně zlepšuje predikční schopnost modelu a že při návrhu je nutné hledat kompromis mezi přesností a interpretovatelností. ANFIS se tak jeví jako vhodný přístup pro podporu rozhodování v oblasti městské kvality ovzduší.

This thesis examines the use of the ANFIS model as an explainable artificial intelligence tool for decision support in smart cities. It focuses on the area of air quality monitoring and assessment, specifically on concentrations of PM2,5 fine particulate matter, which is a significant factor affecting public health. The thesis first defines the theoretical and methodological foundations of fuzzy logic, fuzzy inference systems, and the ANFIS model, and then addresses the current use of artificial intelligence in smart cities and the issue of data-driven decision-making. The practical part focuses on the design and creation of ANFIS models using real-world data, incorporating meteorological variables, temporal characteristics, and lagged PM2,5 values. The results show that the inclusion of lagged PM2,5 values significantly improves the model’s predictive ability and that, during design, it is necessary to find a compromise between accuracy and interpretability. ANFIS thus appears to be a suitable approach for decision support in the field of urban air quality.