1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 122 — комп’ютерні науки, F3 Комп’ютерні науки
Empreu aquest identificador per citar o enllaçar aquest ítem: http://elartu.tntu.edu.ua/handle/lib/52145
Títol: Генеративний штучний інтелект для цифрових двійників розумних міст
Altres títols: Generative Artificial Intelligence for Digital Twins of Smart Cities
Autor: Кривецький, Андрій Дмитрович
Kryvetskyi, Andrii
Affiliation: Тернопільський національний технічний університет імені ім. І. Пулюя
Bibliographic description (Ukraine): {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с.
Bibliographic reference (2015): Кривецький А. Д. Генеративний штучний інтелект для цифрових двійників розумних міст : робота на здобуття кваліфікаційного ступеня магістра : спец. 122 - комп’ютерні науки / наук. кер. Л. П. Матійчук. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2026. 74 с.
Data de publicació: 27-de -2026
Submitted date: 13-de -2026
Date of entry: 6-de -2026
Editorial: Тернопільський національний технічний університет імені ім. І. Пулюя
Country (code): UA
Place of the edition/event: Тернопіль
Supervisor: Матійчук, Любомир Павлович
Matiichuk, Liubomyr
UDC: 004.9
Paraules clau: 122
комп’ютерні науки
базові моделі
великі дані
генеративний штучний інтелект
моделювання міських систем
міське планування
розумне місто
сталий розвиток
цифровий двійник
basic models
big data
generative artificial intelligence
urban systems modeling
urban planning
smart city
sustainable development
digital twin
Page range: 74
Resum: Кваліфікаційна робота присв’ячена дослідженню генеративний штучний інтелект для цифрових двійників розумних міст. В першому розділі кваліфікаційної роботи розглянуто генеративний ШІ як основу прогнозування та сталого проєктування «розумних міст» і цифрових двійників. Описано концептуальні засади базових моделей та аналітичний огляд наукової літератури у цій галузі. Подано базову структуру великої моделі потоків (LFM), адаптовану для міського цифрового двійника (UDT). В другому розділі кваліфікаційної роботи подано огляд концептуального проєкту «розумного міста» та його окремих підпроєктів. Висвітлено трансформацію платформи відкритих даних у комплексну міську систему. Здійснено обґрунтування умов вибірки, описано процес проєктування концепту та виконано розробку моделі великого потоку «розумного міста». В третьому розділі кваліфікаційної роботи здійснено прототипування моделі великого потоку «розумного» міста. Описано основні елементи моделі великого потоку «розумного міста». Розглянуто автоенкодер «розумного міста». Описано перспективи розвитку та потенціал концептуального проєкту «розумне місто». Подано аналіз результатів прототипування проєкту «розумне місто» в концептуальну модель.
The qualification thesis is devoted to the study of generative artificial intelligence for digital twins of smart cities. In the first chapter of the qualification thesis, generative AI is considered as a basis for forecasting and sustainable design of “smart cities” and digital twins. The conceptual foundations of foundation models and an analytical review of scientific literature in this field are presented. The basic structure of a Large Flow Model (LFM), adapted for an Urban Digital Twin (UDT), is introduced. In the second chapter of the qualification thesis, an overview of the conceptual “smart city” project and its individual subprojects is provided. The transformation of an open data platform into a comprehensive urban system is highlighted. The justification of sampling conditions is carried out, the process of conceptual design is described, and the development of a Large Flow Model of the “smart city” is performed. In the third chapter of the qualification thesis, prototyping of the Large Flow Model of the “smart city” is carried out. The main elements of the Large Flow Model of the “smart city” are described. The “smart city” autoencoder is discussed. The prospects for development and the potential of the conceptual “smart city” project are outlined. An analysis of the prototyping results of the “smart city” project into a conceptual model is presented.
Descripció: Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 27.05.2026р. на засіданні екзаменаційної комісії №33 у Тернопільському національному технічному університеті імені Івана Пулюя
Content: Вступ 8 1 Теоретико-методологічні основи генеративного штучного інтелекту та цифрових двійників «розумних міст» 11 1.1 Генеративний ШІ – основа прогнозування та оптимізації міських систем 11 1.2 Концептуальні та практичні основи генеративного ШІ 12 1.3 Аналітичний огляд наукової літератури щодо генеративного ШІ в «розумних містах» 13 1.4 Штучний інтелект для сталого планування та проєктування «розумних міст» 14 1.5 Генеративні моделі штучного інтелекту 15 1.6 Базові моделі та їх попередньо навчена підмножина 16 1.7 Штучний інтелект для сталого планування, проєктування та цифрового двійника «розумного міста» 20 1.8 Генеративний ШІ та попередньо навчені базові моделі для сталого планування та проєктування «розумного міста» та цифрових двійників 21 1.9 Базова структура для LFM, адаптована для UDT в рамках GSAI: біфокусний підхід 22 1.10 Висновок до першого розділу 24 2 Концептуальне проєктування «розумного міста» 25 2.1 Огляд концептуального проєкту «розумного міста» 25 2.2 Підпроєкти концепту «розумного міста» 26 2.3 Трансформація платформи відкритих даних на комплексну систему «розумного міста» 29 2.4 Обґрунтування умов та вибірки концепту «розумного міста» 30 2.5 Проєктування концептуа «розумного міста» 31 2.6 Проєктування моделі великого потоку «розумного міста» 32 2.6.1 Концептуалізація та планування моделі великого потоку «розумного міста» 32 2.6.2 Формування моделі великого потоку «розумного міста» 35 2.7 Висновок до другого розділу 38 3 Прототипування інноваційного LFM як частини проєкту «Розумне місто» 39 3.1 Прототипування моделі великого потоку «розумного» міста 41 3.2 Основні елементи моделі великого потоку «розумного міста» 44 3.3 Автоенкодер «розумного міста» 51 3.4 Перспективи розвитку та потенціал концептуального проєкту «розумне місто» 57 3.5 Аналіз результатів прототипування проєкту «розумне місто» в концептуальну модель 59 3.6 Висновок до третього розділу 60 4 Охорона праці та безпека в надзвичайних ситуаціях 61 4.1 Контроль за станом охорони праці 61 4.2 Забезпечення безпеки життєдіяльності при роботі з ПК 63 4.3 Висновок до четвертого розділу 65 Висновки 66 Перелік джерел 68 ДОДАТКИ
URI: http://elartu.tntu.edu.ua/handle/lib/52145
ISBN: {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с.
{ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с.
{ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с.
Copyright owner: © Кривецький Андрій Дмитрович, 2026
References (Ukraine): 1. Fedonuyk A., Yunchyk V., Mukutuyk I., Duda O., Yatsyuk S. Application of the hierarchy analysis method // Journal of Physics: Conference Series. 2021. Vol. 1840(1). DOI: 10.1088/1742-6596/1840/1/012065.
2. Huang, Jeffrey, Simon Elias Bibri, and Paul Keel. "Generative spatial artificial intelligence for sustainable smart cities: A pioneering large flow model for urban digital twin." Environmental Science and Ecotechnology 24 (2025): 100526.
3. Duda O., Stanko A. Architecture of monitoring platform in smart cities // Вісник ХНУ. 2023. No. 4. P. 10–19. DOI: 10.31891/2307-5732.
4. S.E. Bibri, Artificial intelligence and its generative power for advancing the sustainable smart city digital twin: a novel framework for data-driven environmental planning and design, Artif. Intellig. Things Smart. Eco-Cities: Pioneer. Environ. Synerg. Urban Brain, Digit. Twin, Metabol. Circular Platform, CRC/Taylor Francis Group (2025), https://doi.org/10.1201/ 9781003536420.
5. T. Kreuzer, P. Papapetrou, J. Zdravkovic, Artificial intelligence in digital twinsda systematic literature review, Data Knowl. Eng. 151 (2024) 102304, https://doi.org/10.1016/j.datak.2024.102304.
6. A.F. Gkontzis, S. Kotsiantis, G. Feretzakis, V.S. Verykios, Enhancing urban resilience: smart city data analyses, forecasts, and digital twin techniques at the neighborhood level, Future Internet 16 (2) (2024) 47, https://doi.org/ 10.3390/fi16020047.
7. J. Adinkrah, F. Kemausuor, E.T. Tchao, H. Nunoo-Mensah, A.S. Agbemenu, A. Adu-Poku, J.J. Kponyo, Artificial intelligence-based strategies for sustainable energy planning and electricity demand estimation: a systematic review, Renew. Sustain. Energy Rev. 210 (2025) 115161. ISSN 1364-0321.
8. D. Ciri c, New generative and AI design methods for transportation systems and urban mobility design, planning, operation, and analysis: contribution to urban computing theory and methodology, in: Keeping up with Technologies to Imagine and Build Together Sustainable, Inclusive, and Beautiful Cities, International Academic Conference on Places and Technologies, 2024, pp. 490e503, https://doi.org/10.18485/arh_pt.2024.8.ch59.
9. X. Liu, L. He, Y. Zhang, Measuring geographic diversity of foundation models with a natural languageebased geo-guessing experiment on GPT-4, arXiv (2024). https://arxiv.org/abs/2404.07612.
10. B. Lei, P. Janssen, J. Stoter, F. Biljecki, Challenges of urban digital twins: a systematic review and a Delphi expert survey, Autom. ConStruct. 147 (2023) 104716, https://doi.org/10.1016/j.autcon.2022.104716.
11. B. Wang, Q. Wang, J.C.P. Cheng, C. Yin, Object verification based on deep learning point feature comparison for scan-to-BIM, Autom. ConStruct. 142 (2022), https://doi.org/10.1016/j.autcon.2022.104515. Article 104515.
12. Y. Sun, T. Dogan, Generative methods for Urban design and rapid solution space exploration, Environ. Plan. B Urban Anal. City Sci. 50 (6) (2023) 1577e1590, https://doi.org/10.1177/23998083221142191.
13. G. Mai, W. Huang, J. Sun, S. Song, D. Mishra, N. Liu, S. Gao, T. Liu, G. Cong, Y. Hu, C. Cundy, Z. Li, R. Zhu, N. Lao, On the opportunities and challenges of foundation models for geospatial artificial intelligence, arXiv:2304.06798v1 [cs.AI] (2024), https://doi.org/10.48550/arXiv.2304.06798.
14. Duda O., Kunanets N., Martsenko S., Nykytyuk V., Pasichnyk V. COVID-19 data collections and processing // IEEE CSIT 2021. P. 252–257. DOI: 10.1109/CSIT52700.2021.9648658.
15. B. Lin, W. Jabi, P. Corcoran, S. Lannon, The application of deep generative models in urban form generation based on topology: a review, Architect. Sci. Rev. 67 (3) (2024) 189e204, https://doi.org/10.1080/00038628.2023.2209550.
16. Y. Cao, S. Li, Y. Liu, Z. Yan, Y. Dai, P.S. Yu, L. Sun, A comprehensive survey of AI-generated content (AIGC): a history of generative AI from GAN to ChatGPT, arXiv preprint arXiv:2303.04226 [cs.AI]. Retrieved from, https:// doi.org/10.48550/arXiv.2303.04226, 2023.
17. Vaskiv R. I., Hrybovskyi O. M., Kunanets N. E., Duda O. M. Information system of street lighting control in smart city // Radio Electronics, Computer Science, Control. 2024. No. 3(70). P. 212–223. DOI: 10.15588/1607-3274-2024-3-18.
18. A. Abu-Rayash, I. Dincer, Development of an integrated model for environmentally and economically sustainable and smart cities, Sustain. Energy Technol. Assess., 73 (2025) 104096, https://doi.org/10.1016/j.seta.2024.104096.
19. S.E. Bibri, A. Alexandre, A. Sharifi, J. Krogstie, Environmentally sustainable smart cities and their converging AI, IoT, and big data tech-nologies and solutions: an integrated approach to an extensive literature review, Energy Inform. 6 (2023) 9.
20. S. Bibri, J. Krogstie, A. Kaboli, A. Alahi, Smarter eco-cities and their leadingedge artificial intelligence of things solutions for environmental sustainability: a comprehensive systemic review, Environ. Sci. Ecotechnl. 19 (2023), https://doi.org/10.1016/j.ese.2023.100330.
21. D.P. Kingma, P. Dhariwal, Glow: generative flow with invertible 1x1 convolutions, arXiv preprint arXiv:1807.03039 (2018), https://doi.org/10.48550/ arXiv.1807.03039.
22. Y. Hong, U. Hwang, J. Yoo, S. Yoon, How generative adversarial networks and their variants work, ACM Comput. Surv. 52 (1) (2019) 1e43, https://doi.org/ 10.1145/3301282.
23. A. Brock, J. Donahue, K. Simonyan, Large scale GAN training for high fidelity natural image synthesis. International Conference on Learning Representations (ICLR), 2018, https://doi.org/10.48550/arXiv.1809.11096.
24. M.C. Connor, G.H. Canal, C.J. Rozell, Variational autoencoder with learned latent structure. Paper Presented at the 24th International Conference on Artificial Intelligence and Statistics (AISTATS 2021), 2021, https://doi.org/ 10.48550/arXiv.2006.10597 arXiv:2006.10597.
25. D.P. Kingma, M. Welling, Auto-encoding variational bayes, arXiv preprint arXiv:1312.6114 (2013), https://doi.org/10.48550/arXiv.1312.6114.
26. P. Li, Y. Pei, J. Li, A comprehensive survey on design and application of autoencoder in deep learning, Appl. Soft Comput. 138 (2023) 110176, https://doi.org/10.1016/j.asoc.2023.110176.
27. C.H. Pham, S. Ladjal, A. Newson, PCA-AE: Principal component analysis autoencoder for organising the latent space of generative networks, J. Math. Imag. Vis. 64 (4) (2022) 569e585, https://doi.org/10.1007/s10851-02201077-z.
28. Q. Fournier, D. Aloise, Empirical comparison between autoencoders and traditional dimensionality reduction methods, Proceed. IEEE Second Int. Conf. Artif. Intellig. Knowled. Eng. (2021) 211e214, https://doi.org/10.1109/ AIKE.2019.00044.arXiv:2103.04874. IEEE.
29. T. Brown, B. Mann, N. Ryder, M. Subbiah, J.D. Kaplan, P. Dhariwal, A. Neelakantan, P. Shyam, G. Sastry, A. Askell, S. Agarwal, A. Herbert-Voss, G. Krueger, T. Henighan, R. Child, A. Ramesh, D. Ziegler, J. Wu, C. Winter, C. Hesse, M. Chen, E. Sigler, M. Litwin, S. Gray, B. Chess, J. Clark, C. Berner, S. McCandlish, A. Radford, I. Sutskever, D. Amodei, Language models are fewshot learners, Proceed. Conf. Neural Inform. Process. Syst. (NeurIPS) 33 (2020) 1877e1901. Retrieved from, https://proceedings.neurips.cc/paper/ 2020/file/1457c0d6bfcb4967418bfb8ac142f64aPaper.pdf.
30. J. Devlin, M.W. Chang, K. Lee, K. Toutanova, BERT: pre-training of deep bidirectional transformers for language understanding, arXiv preprint arXiv: 1810.04805 (2018), https://doi.org/10.48550/arXiv.1810.04805.
31. C. Raffel, N. Shazeer, A. Roberts, K. Lee, S. Narang, M. Matena, P.J. Liu, Exploring the limits of transfer learning with a unified text-to-text transformer, arXiv preprint arXiv:1910.10683 (2020), https://doi.org/10.48550/ arXiv.1910.10683.
32. A. Radford, J.W. Kim, C. Hallacy, A. Ramesh, G. Goh, S. Agarwal, I. Sutskever, Learning transferable visual models from natural language supervision, arXiv preprint arXiv:2103.00020 (2021), https://doi.org/10.48550/ arXiv.2103.00020.
33. K. Janowicz, Philosophical foundations of GeoAI: exploring sustainability, diversity, and bias in GeoAI and spatial data science, in: Handbook of Geospatial Artificial Intelligence, CRC Press, 2023, pp. 26e42, https://doi.org/ 10.48550/arXiv.2304.06508.
34. J. Jakubik, S. Roy, C.E. Phillips, P. Fraccaro, D. Godwin, B. Zadrozny, D. Szwarcman, C. Gomes, G. Nyirjesy, B. Edwards, D. Kimura, N. Simumba, L. Chu, S.K. Mukkavilli, D. Lambhate, K. Das, R. Bangalore, D. Oliveira, M. Muszynski, K. Ankur, M. Ramasubramanian, I. Gurung, S. Khallaghi, H. Li, Steve, M. Cecil, M. Ahmadi, F. Kordi, H. Alemohammad, M. Maskey, R. Ganti, K. Weldemariam, R. Ramachandran, Foundation models for generalist geospatial artificial intelligence, arXiv:2310.18660 [cs.CV], https://doi.org/10. 48550/arXiv.2310.18660, 2023.
35. M. Xu, D. Niyato, H. Zhang, J. Kang, Z. Xiong, S. Mao, Z. Han, Joint foundation model caching and inference of generative AI services for edge intelligence, arXiv:2305.12130 [cs.NI] (2023), https://doi.org/10.48550/arXiv.2305.12130.
36. C. Zhou, Q. Li, C. Li, J. Yu, Y. Liu, G. Wang, K. Zhang, C. Ji, Q. Yan, L. He, A comprehensive survey on pretrained foundation models: a history from BERT to ChatGPT, arXiv preprint arXiv:2302.09419 (2023), https://doi.org/ 10.48550/arXiv.2302.09419.
37. Duda O., Matsiuk O., Kunanets N., Pasichnyk V., Rzheuskyi A., Bilak Y. Formation of hypercubes based on data obtained from IoT devices // International Journal of Sensors, Wireless Communications and Control. 2021. Vol. 11(5). P. 498–504. DOI: 10.2174/2210327910999201210145151.
38. S.E. Bibri, J. Huang, S.K. Jagatheesaperumal, J. Krogstie, The synergistic interplay of artificial intelligence and digital twin in environmentally planning sustainable smart cities: a comprehensive systematic review, Environ. Sci. Ecotechnol. 20 (2024) 100433, https://doi.org/10.1016/j.ese.2024.100433.
39. H. Kamal, W. Yanez, S. Hassan, D. Sobhy, Digital-twin-based deep reinforcement learning approach for adaptive traffic signal control, IEEE Internet Things J. (99) (2024, January) 1, https://doi.org/10.1109/JIOT.2024.3377600,1.
40. J. Wu, X. Wang, Y. Dang, Z. Lv, Digital twins and artificial intelligence in transportation infrastructure: classification, application, and future research directions, Comput. Electr. Eng. 101 (September 2021) (2022) 107983, https://doi.org/10.1016/j.compeleceng.2022.107983.
41. A.A. Salunke, Reinforcement learning empowered digital twins: pioneering smart cities towards optimal urban dynamics, EPRA Int. J. Res. Develop. (IJRD) (2023), https://doi.org/10.36713/epra13959.
42. K. Zvarikova, J. Horak, S. Downs, Digital twin algorithms, smart city technologies, and 3D spatio-temporal simulations in virtual urban environments, Geopolit. Hist. Int. Relat. 14 (1) (2022) 139e154, https://doi.org/10.48550/ arXiv.2302.09419.
43. M. Austin, P. Delgoshaei, M. Coelho, M. Heidarinejad, Architecting smart city digital twins: combined semantic model and machine learning approach, J. Manag. Eng. 36 (4) (2020) 04020026, https://doi.org/10.1061/(ASCE) ME.1943-5479.0000825.
44. S. Beckett, Smart city digital twins, 3D modeling and visualization tools, and spatial cognition algorithms in artificial intelligence-based urban design and planning, Geopolit. Hist. Int. Relat. 14 (1) (2022) 123e138. https://www. jstor.org/stable/48679657.
45. C. Saranya, K. Haripriya, S. Bhargava, C.M. Tejashree, J.T. Thomas, Urban “digital twins” for smart cities and citizens. Paper presented at the international conference on recent trends in computing & communication technologies (ICRCCT’2K24). https://doi.org/10.59544/QXKH3144/ICRCCT24P17, 2024, November.
46. H. Xu, F. Omitaomu, S. Sabri, S. Zlatanova, X. Li, Y. Song, Leveraging generative AI for urban digital twins: a scoping review on the autonomous generation of urban data, scenarios, designs, and 3D city models for smart city advancement, Urban Inform. 3 (1) (2024), https://doi.org/10.1007/s44212024-00060-w. Article 29.
47. Z. Zhou, Y. Lin, Y. Li, Large language model empowered participatory urban planning, arXiv:2402.01698 [cs.CL], https://doi.org/10.48550/arXiv.2402. 01698, 2024.
48. X. Fu, C. Li, W. Zhai, Using natural language processing to read plans: a study of 78 resilience plans from the 100 resilient cities network, J. Am. Plann. Assoc. 89 (1) (2023) 107e119, https://doi.org/10.1080/01944363.2022.2038659.
49. A. Trantas, P. Pileggi, Digital twin and foundation models: a new frontier. In proceedings of the 16th international conference on agents and artificial intelligence 3, ICAART, Rome, Italy, 2024, pp. 988e994.
50. G. Thomas, A typology for the case study in social science following a review of definition, discourse, and structure, Qual. Inq. 17 (6) (2011) 511e521, https://doi.org/10.1177/1077800411409884.
51. R.K. Yin, Case Study Research: Design and Methods, Sage, Los Angeles, 2014.
52. R.K. Yin, Case Study Research and Applications: Design and Methods, sixth ed., SAGE Publications, Inc, 2017.
53. Duda O., Kunanets N., Matsiuk O., Pasichnyk V., Rzheuskyi A. Aggregation, Storing, Multidimensional Representation and Processing of COVID-19 Data // Advances in Intelligent Systems and Computing V. CSIT 2020. Springer, Cham, 2021. Vol. 1293. DOI: 10.1007/978-3-030-63270-0_60. ISSN 2194-5357, EISSN 2194-5365.
54. Orlov M. V., Duda O. M., Zhovnir Y. I., Hrybovskyi O. M. DevOps tools in IoT systems // Комп’ютерно-інтегровані технології. 2024. Vol. 57. P. 128–138. DOI: 10.36910/6775-2524-0560-2024-57-15.
55. Стручок В.С. Техноекологія та цивільна безпека. Частина «Цивільна безпека». Навчальний посібник. 2022.
56. Левченко, О. Г. (2024). Охорона праці та цивільний захист.
57. Безпека життєдіяльності при роботі з комп’ютером. https://ua5.org/svit/2394-bezpeka-zhyttyediyalnosti-pry-roboti-z-kompyuterom.html.
Content type: Master Thesis
Apareix a les col·leccions:122 — комп’ютерні науки, F3 Комп’ютерні науки

Arxius per aquest ítem:
Arxiu Descripció MidaFormat 
2026_KRM_SNnm-61_Kryvetskyi_AD.pdfДипломна робота2,71 MBAdobe PDFVeure/Obrir
Mostrar el registre complet Dublin Core de l'ítem


Els ítems de DSpace es troben protegits per copyright, amb tots els drets reservats, sempre i quan no s’indiqui el contrari.

Eines d'Administrador