1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 122 — Компʼютерні науки, F3 Комп’ютерні науки (бакалаври)
Empreu aquest identificador per citar o enllaçar aquest ítem: http://elartu.tntu.edu.ua/handle/lib/52625
Registre complet de metadades
Camp DCValorLengua/Idioma
dc.contributor.advisorКунанець, Наталія Едуардівна-
dc.contributor.advisorKunanets, Natalia-
dc.contributor.authorСавик, Орест Олегович-
dc.contributor.authorSavyk, Orest-
dc.date.accessioned2026-06-24T09:20:25Z-
dc.date.available2026-06-24T09:20:25Z-
dc.date.issued2026-06-25-
dc.date.submitted2026-06-11-
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/52625-
dc.descriptionРоботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 25.06.2026р. на засіданні екзаменаційної комісії №31 у Тернопільському національному технічному університеті імені Івана Пулюяuk_UA
dc.description.abstractКваліфікаційна робота присвячена формуванню концепту «розумне місто» на основі методів керованих даними. В першому розділі кваліфікаційної роботи подано теоретико-методологічні засади розбудови концепту «розумне місто». Висвітлено концептуалізацію структури «розумного міста» як інструменту сталого управління міськими ресурсами на основі даних. Розглянуто функціональну структуру та завдання концепту «розумне місто». Проаналізовано відмінності між «розумними містами» та традиційними дослідженнями міської науки. В другому розділі кваліфікаційної роботи досліджено цілі сталого міського розвитку в умовах «розумних міст». Розглянута методологія «розумного міста» з інтенсивним використанням даних. Описано «розумні» міські обчислення на основі даних. Проаналізоване кероване даними прогнозування для потреб «розумних міст». Висвітлено кероване даними моделювання для потреб «розумних міст». Досліджено керовані даними системи супроводу процесів прийняття рішень «розумних міст». В третьому розділі кваліфікаційної роботи подано сценарії застосування методів керованих даними у підсистемах «розумного міста». Описано прототипування сталого «розумного міста» майбутнього. Проаналізовано застосування методів аналізу даних для підтримки управлінських рішень.uk_UA
dc.description.abstractThe qualification work is devoted to the formation of the concept of a “smart city” based on data-driven methods. The first chapter of the qualification work presents the theoretical and methodological foundations of developing the “smart city” concept. It highlights the conceptualization of the “smart city” structure as a tool for sustainable management of urban resources based on data. The functional structure and objectives of the “smart city” concept are considered. Differences between “smart cities” and traditional urban science research are analyzed. The second chapter of the qualification work examines the goals of sustainable urban development in the context of “smart cities”. The methodology of a data-intensive “smart city” is considered. Data-based urban computing is described. Data-driven forecasting for the needs of “smart cities” is analyzed. Data-driven modelling for the needs of “smart cities” is presented. Data-driven decision-support systems for “smart cities” are investigated. The third chapter of the qualification work presents application scenarios of data-driven methods in subsystems of a “smart city”. The prototyping of a sustainable “smart city” of the future is described. The application of data analysis methods for supporting managerial decision-making is analyzed.uk_UA
dc.description.tableofcontentsЗміст * ВСТУП 9 РОЗДІЛ 1. ТЕОРЕТИКО-МЕТОДОЛОГІЧНІ ОСНОВИ ФОРМУВАННЯ КОНЦЕПЦІЇ «РОЗУМНОГО МІСТА» НА ЗАСАДАХ УПРАВЛІННЯ, КЕРОВАНОГО ДАНИМИ 11 1.1 Теоретико-методологічні засади розбудови концепту «розумне місто» 11 1.2 Концептуалізація структури «розумного міста» як інструменту сталого управління міськими ресурсами на основі даних 13 1.3 Функціональна структура та завдання концепту «розумне місто» 16 1.4 Відмінності між «розумними містами» та традиційними дослідженнями міської науки 17 1.4.1 Мультимодальні методи на основі даних для «розумних міст» 18 1.4.2 Масштаб змінює проблеми у складних «розумних містах» 20 1.4.3 Моделювання та обчислення для потреб «розумних міст» 22 1.5 Висновок до першого розділу 23 РОЗДІЛ 2. ІНФОРМАЦІЙНО-ТЕХНОЛОГІЧНИЙ ІНСТРУМЕНТАРІЙ УПРАВЛІННЯ СКЛАДНИМИ СИСТЕМАМИ «РОЗУМНОГО МІСТА» ЗА ДОПОМОГОЮ ДАНИХ 24 2.1 Цілі сталого міського розвитку «розумних міст» 24 2.2 Методологія «розумного міста» з інтенсивним використанням даних 29 2.3 «Розумні» міські обчислення на основі даних 32 2.4 Кероване даними прогнозування для потреб «розумних міст» 33 2.5 Кероване даними моделювання для потреб «розумних міст» 35 2.6 Керовані даними системи супроводу процесів прийняття рішень «розумних міст» 38 2.7 Висновок до другого розділу 40 РОЗДІЛ 3. ПРАКТИЧНІ АСПЕКТИ ТА ПРИКЛАДНІ СЦЕНАРІЇ ЗАСТОСУВАННЯ МЕТОДІВ, КЕРОВАНИХ ДАНИМИ, В ГАЛУЗЕВИХ ПІДСИСТЕМАХ «РОЗУМНОГО МІСТА» 42 3.1 Сценарії застосування методів керованих даними у підсистемах «розумного міста» 42 3.2 Прототипування сталого «розумного міста» майбутнього 45 3.3 Застосування методів аналітичного опрацювання даних для підтримки управлінських рішень у «розумних містах» 47 3.3.1 Методи аналітичного опрацювання даних у задачах просторового планування «розумних міст» 47 3.3.2 Методи аналітичного опрацювання даних у задачах міського управління «розумних міст» 48 3.3.3 Методи аналітичного опрацювання даних у задачах «розумного» транспорту 49 3.3.4 Методи аналітичного опрацювання даних у задачах «розумної» екології 49 3.3.5 Методи аналітичного опрацювання даних у задачах «розумної» енергетики 50 3.3.6 Методи аналітичного опрацювання даних у задачах «розумної» охорони здоров’я 51 3.3.7 Методи аналітичного опрацювання даних у задачах «розумної» економіки 52 3.4 Проблеми та перспективи розвитку концепції «розумного міста» на основі методів аналітичного опрацювання даних 53 3.5 Висновок до третього розділу 55 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 56 4.1 Моделювання та оцінювання життєздатності міських систем в умовах екстремальних деструктивних впливів 56 4.2 Забезпечення безпеки життєдіяльності та охорона праці під час оперування мережевими IoT-компонентами 59 4.3 Висновок до четвертого розділу 61 ВИСНОВКИ 62 ПЕРЕЛІК ДЖЕРЕЛuk_UA
dc.format.extent71-
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет імені ім. І. Пулюяuk_UA
dc.subject122uk_UA
dc.subjectкомп’ютерні наукиuk_UA
dc.subjectаналітичне опрацювання данихuk_UA
dc.subjectміське управлінняuk_UA
dc.subjectмоделювання міських системuk_UA
dc.subjectпрогнозування міського розвиткуuk_UA
dc.subjectсталий розвиток містuk_UA
dc.subjectуправління на основі данихuk_UA
dc.subjectцифрова трансформація міського середовищаuk_UA
dc.subjectanalytical data processinguk_UA
dc.subjecturban managementuk_UA
dc.subjecturban systems modelinguk_UA
dc.subjecturban development forecastinguk_UA
dc.subjectsustainable urban developmentuk_UA
dc.subjectdata-driven managementuk_UA
dc.subjectdigital transformation of the urban environmentuk_UA
dc.titleФормування концепту "розумне місто" на основі методів, керованих данимиuk_UA
dc.title.alternativeForming the "Smart City" Concept Based on Data-Driven Methodsuk_UA
dc.typeBachelor Thesisuk_UA
dc.rights.holder© Савик Орест Олегович, 2026uk_UA
dc.coverage.placenameТернопільuk_UA
dc.subject.udc004.9uk_UA
dc.relation.references1. Nations, U. (2020). Goal 11: Make cities inclusive, safe, resilient and sustainable. DOI:https://doi.org/10.5040/9781509934058.0017.uk_UA
dc.relation.references2. Shi, K., Yu, B., Ma, J. et al. (2023). Impacts of slope climbing of urban expansion on global sustainable development. Innovation 4:100529. DOI:https://doi.org/10.1016/j.xinn.2023. 100529.uk_UA
dc.relation.references3. Zhang, Yunke, et al. "MetaCity: Data-driven sustainable development of complex cities." The Innovation 6.2 (2025).uk_UA
dc.relation.references4. Yang, W., Zhang, J., Hua, P. et al. (2023). Global framework for flood risk management under climate change and urbanization. Innov. Geosci. 1:100009. DOI:https://doi.org/10. 59717/j.xinn-geo.2023.100009.uk_UA
dc.relation.references5. Wu, X., Fu, B., Wang, S. et al. (2023). Three main dimensions reflected by national SDG performance. Innovation 4:100507. DOI:https://doi.org/10.1016/j.xinn.2023.100507.uk_UA
dc.relation.references6. Roberts, P., Carleton, W.C., Amano, N. et al. (2024). Using urban pasts to speak to urban presents in the Anthropocene. Nat. Cities 1:30–41. DOI:https://doi.org/10.1038/s44284- 023-00014-4.uk_UA
dc.relation.references7. Moroni, S., Rauws, W. and Cozzolino, S. (2020). Forms of self-organization: Urban complexity and planning implications. Environ. Plan. B Urban Anal. City Sci. 47:220–234. DOI:https://doi.org/10.1177/2399808319857721.uk_UA
dc.relation.references8. 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.uk_UA
dc.relation.references9. Silvestro, D., Goria, S., Sterner, T. et al. (2022). Improving biodiversity protection through artificial intelligence. Nat. Sustain. 5:415–424. DOI:https://doi.org/10.1038/s41893-022- 00851-6.uk_UA
dc.relation.references10. Xu, Y., Wang, F., An, Z. et al. (2023). Artificial intelligence for science–bridging data to wisdom. Innovation 4:100525. DOI:https://doi.org/10.1016/j.xinn.2023.100525.uk_UA
dc.relation.references11. Wang, F., Yao, D., Li, Y. et al. (2023). Ai-enhanced spatial-temporal data-mining technology: New chance for next-generation urban computing. Innovation 4:100405. DOI:https://doi. org/10.1016/j.xinn.2023.100405.uk_UA
dc.relation.references12. Baggio, G., Bassett, D.S. and Pasqualetti, F. (2021). Data-driven control of complex networks. Nat. Commun. 12:1429. DOI:https://doi.org/10.1038/s41467-021-21554-0.uk_UA
dc.relation.references13. Bettencourt, L.M. (2021). Introduction to Urban Science: Evidence and Theory of Cities as Complex Systems (MIT Press). DOI:https://doi.org/10.7551/mitpress/13909.001.0001.uk_UA
dc.relation.references14. Geddes, P. (1915). Cities in evolution: an introduction to the town planning movement and to the study of civics (Williams). DOI:https://doi.org/10.2307/1779702.uk_UA
dc.relation.references15. Zhao, Y., Zhu, Z., Chen, B. et al. (2023). Towards parallel intelligence: An interdisciplinary solution for complex systems. Innovation 4:100521. DOI:https://doi.org/10.1016/j.xinn. 2023.100521.uk_UA
dc.relation.references16. Schlapfer, M., Dong, L., O € ‘Keeffe, K. et al. (2021). The universal visitation law of human mobility. Nature 593:522–527. DOI:https://doi.org/10.1038/s41586-021-03480-9.uk_UA
dc.relation.references17. Reed, S., Zolna, K., Parisotto, E. et al. (2022). A generalist agent. Trans. Mach. Learn. Res. DOI:https://doi.org/10.15607/rss.2020.xvi.076.uk_UA
dc.relation.references18. Zhang, J., Wang, S., Liu, Y. et al. (2022). Does having more sustainable communities bring better sustainability? Innovation 3:100267. DOI:https://doi.org/10.1016/j.xinn.2022. 100267.uk_UA
dc.relation.references19. Wang, Q., Feng, Y., Huang, J. et al. (2023). Large-scale generative simulation artificial intelligence: The next hotspot. Innovation 4:100516. DOI:https://doi.org/10.1016/j.xinn.2023. 100516.uk_UA
dc.relation.references20. Chu, T., Wang, J., Codeca, L. et al. (2020). Multi-agent deep reinforcement learning for largescale traffic signal control. IEEE Trans. Intell. Transport. Syst. 21:1086–1095. DOI:https:// doi.org/10.1109/tits.2019.2901791.uk_UA
dc.relation.references21. Duda O., Kunanets N., Martsenko S., Nykytyuk V., Pasichnyk V. Information technology platform for COVID-19 analysis // IEEE CSIT 2021. P. 231–238. DOI: 10.1109/CSIT52700.2021.9648839.uk_UA
dc.relation.references22. 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.uk_UA
dc.relation.references23. Duda O., Stanko A. Architecture of monitoring platform in smart cities // Вісник ХНУ. 2023. No. 4. P. 10–19. DOI: 10.31891/2307-5732.uk_UA
dc.relation.references24. Mahajan, S. (2022). Design and development of an open-source framework for citizencentric environmental monitoring and data analysis. Sci. Rep. 12:14416. DOI:https://doi. org/10.1038/s41598-022-18700-z.uk_UA
dc.relation.references25. Casagli, N., Intrieri, E., Tofani, V. et al. (2023). Landslide detection, monitoring and prediction with remote-sensing techniques. Nat. Rev. Earth Environ. 4:51–64. DOI:https://doi.org/10. 1038/s43017-022-00373-x.uk_UA
dc.relation.references26. Liang, D., De Jong, M., Schraven, D. et al. (2022). Mapping key features and dimensions of the inclusive city: A systematic bibliometric analysis and literature study. Int. J. Sustain. Dev. World Ecol. 29:60–79. DOI:https://doi.org/10.1080/13504509.2021.1911873.uk_UA
dc.relation.references27. Salahub, J.E., Gottsbacher, M. and De Boer, J. (2018). Social Theories of Urban Violence in the Global South (Routledge). DOI:https://doi.org/10.4324/9781351254724.uk_UA
dc.relation.references28. Delmelle, E., Nilsson, I. and Adu, P. (2021). Poverty suburbanization, job accessibility, and employment outcomes. Soc. Incl. 9:166–178. DOI:https://doi.org/10.17645/si.v9i2.3735.uk_UA
dc.relation.references29. Löfving, L., Kamuf, V., Heleniak, T. et al. (2022). Can digitalization be a tool to overcome spatial injustice in sparsely populated regions? the cases of digital vasterbotten (sweden) € and smart country side (germany). Eur. Plann. Stud. 30:917–934. DOI:https://doi.org/10. 1080/09654313.2021.1928053.uk_UA
dc.relation.references30. Long, D., Liu, L., Xu, M. et al. (2021). Ambient population and surveillance cameras: The guardianship role in street robbers’ crime location choice. Cities 115:103223. DOI:https://doi.org/10.1016/j.cities.2021.103223.uk_UA
dc.relation.references31. Huang, J., Boles, S.T. and Tarascon, J.-M. (2022). Sensing as the key to battery lifetime and sustainability. Nat. Sustain. 5:194–204. DOI:https://doi.org/10.1038/s41893-022- 00859-y.uk_UA
dc.relation.references32. Wang, J. and Lu, F. (2021). Modeling the electricity consumption by combining land use types and landscape patterns with nighttime light imagery. Energy 234:121305. DOI:https://doi.org/10.1016/j.energy.2021.121305.uk_UA
dc.relation.references33. Lehmann, M.K., Gurlin, D., Pahlevan, N. et al. (2023). Gloria-a globally representative hyperspectral in situ dataset for optical sensing of water quality. Sci. Data 10:100. DOI:https:// doi.org/10.1016/j.rse.2021.112860.uk_UA
dc.relation.references34. 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.uk_UA
dc.relation.references35. Wang, S. and Cao, J. (2021). AI and deep learning for urban computing. Urban. Inf. 815–844. DOI:https://doi.org/10.1007/978-981-15-8983-6_43.uk_UA
dc.relation.references36. Li, F., Feng, J., Yan, H. et al. (2023). Dynamic graph convolutional recurrent network for traffic prediction: Benchmark and solution. ACM Trans. Knowl. Discov. Data 17:1–21. DOI:https://doi.org/10.1145/3532611.uk_UA
dc.relation.references37. Li, G., Zhao, Z., Guo, X. et al. (2024). Towards integrated and fine-grained traffic forecasting: A spatiotemporal heterogeneous graph transformer approach. Inf. Fusion 102:102063. DOI:https://doi.org/10.1016/j.inffus.2023.102063.uk_UA
dc.relation.references38. Qian, T., Chen, Y., Cong, G. et al. (2024). Adaptraj: A multi-source domain generalization framework for multi-agent trajectory prediction. In 2024 IEEE 40th International Conference on Data Engineering (ICDE) (IEEE), pp. 5048–5060. DOI:https://doi.org/10. 1109/icde60146.2024.00113.uk_UA
dc.relation.references39. Ho, J., Jain, A. and Abbeel, P. (2020). Denoising diffusion probabilistic models. Adv. Neural Inf. Process. Syst. 33:6840–6851. DOI:https://doi.org/10.7551/mitpress/7503. 003.0070.uk_UA
dc.relation.references40. Hussein, A., Gaber, M.M., Elyan, E. et al. (2017). Imitation learning: A survey of learning methods. ACM Comput. Surv. 50:1–35. DOI:https://doi.org/10.1145/3054912.uk_UA
dc.relation.references41. Zhang, J., Ao, W., Jin, D. et al. (2023). A city-level high-performance spatiotemporal mobility simulation system. In Proceedings of the 1st ACM SIGSPATIAL International Workshop on Sustainable Mobility, pp. 23–32. DOI:https://doi.org/10.1145/3615899.3627936.uk_UA
dc.relation.references42. 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.uk_UA
dc.relation.references43. Li, J., Wang, H. and Chen, X. (2024). Physics-informed neural ode for post-disaster mobility recovery. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pp. 1587–1598. DOI:https://doi.org/10.1145/3637528.3672027.uk_UA
dc.relation.references44. Yuan, Y., Ding, J., Shao, C. et al. (2023). Spatiotemporal diffusion point processes. In Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pp. 3173–3184. DOI:https://doi.org/10.1145/3580305.3599511.uk_UA
dc.relation.references45. Fredericks, J., Hespanhol, L., Parker, C. et al. (2018). Blending pop-up urbanism and participatory technologies: Challenges and opportunities for inclusive city making. City Cult. Soc 12:44–53. DOI:https://doi.org/10.1016/j.ccs.2017.06.005.uk_UA
dc.relation.references46. Batty, M. (2024). Digital twins in city planning. Nat. Comput. Sci. 4:192–199. DOI:https:// doi.org/10.1038/s43588-024-00606-7.uk_UA
dc.relation.references47. Agyemang, F.S.K., Silva, E. and Fox, S. (2022). Modelling and simulating ‘informal urbanization’: An integrated agent-based and cellular automata model of urban residential growth in ghana. Environ. Plan. B Urban Anal. City Sci. 50:863–877. DOI:https://doi.org/ 10.1177/23998083211068843.uk_UA
dc.relation.references48. Marques, E.C.L. (2024). Continuities and transformations in the studies of urban politics and governments. Nat. Cities 1:22–29. DOI:https://doi.org/10.1038/s44284-023-00004-6.uk_UA
dc.relation.references49. Hodorog, A., Petri, I. and Rezgui, Y. (2022). Machine learning and natural language processing of social media data for event detection in smart cities. Sustain. Cities Soc. 85:104026. DOI:https://doi.org/10.1016/j.scs.2022.104026.uk_UA
dc.relation.references50. Jang, S.-G. and Gim, T.H.T. (2022). Considerations for encouraging citizen participation by information-disadvantaged groups in smart cities. Sustain. Cities Soc. 76:103437. DOI:https://doi.org/10.1016/j.scs.2021.103437.uk_UA
dc.relation.references51. Chen, C., Wei, H., Xu, N. et al. (2020). Toward a thousand lights: Decentralized deep reinforcement learning for large-scale traffic signal control. Proc. AAAI Conf. Artif. Intell. 34:3414–3421. DOI:https://doi.org/10.1609/aaai.v34i04.5744.uk_UA
dc.relation.references52. Zhang, H., Luo, M., Pei, T. et al. (2023). Unequal urban heat burdens impede climate justice and equity goals. Innovation 4:100488. DOI:https://doi.org/10.1016/j.xinn.2023.100488.uk_UA
dc.relation.references53. Seger, B., Robert, M. and Jiao, F. (2023). Best practices for electrochemical reduction of carbon dioxide. Nat. Sustain. 6:236–238. DOI:https://doi.org/10.1038/s41893-022- 01034-z.uk_UA
dc.relation.references54. Dou, X., Wang, Y., Ciais, P. et al. (2022). Near-real-time global gridded daily co2 emissions. Innovation 3:100182. DOI:https://doi.org/10.5194/egusphere-egu23-3303.uk_UA
dc.relation.references55. Zhu, R., Zhang, F., Yan, J. et al. (2023). A sustainable solar city: From utopia to reality facilitated by giscience. Innov. Geosci. 1:100006. DOI:https://doi.org/10.59717/j.xinn-geo.2023. 100006.uk_UA
dc.relation.references56. Cheng, S., Zhang, B., Peng, P. et al. (2023). Health and economic benefits of heavy-duty diesel truck emission control policies in beijing. Environ. Int. 179:108152. DOI:https://doi. org/10.1016/j.envint.2023.108152.uk_UA
dc.relation.references57. Asghar, N., Amjad, M.A., Rehman, H.u. et al. (2022). Achieving sustainable development resilience: Poverty reduction through affordable access to electricity in developing economies. J. Cleaner Prod. 376:134040. DOI:https://doi.org/10.1016/j.jclepro.2022.134040.uk_UA
dc.relation.references58. Baetens, R. and Saelens, D. (2016). Modelling uncertainty in district energy simulations by stochastic residential occupant behaviour. J. Build. Perform. Simul. 9:431–447. DOI:https://doi.org/10.1080/19401493.2015.1070203.uk_UA
dc.relation.references59. 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.uk_UA
dc.relation.references60. Chen, L., Xu, F., Han, Z. et al. (2022). Strategic covid-19 vaccine distribution can simultaneously elevate social utility and equity. Nat. Human Behav. 6:1503–1514. DOI:https:// doi.org/10.1038/s41562-022-01429-0.uk_UA
dc.relation.references61. Pangallo, M., Aleta, A., del Rio-Chanona, R.M. et al. (2023). The unequal effects of the health–economy trade-off during the covid-19 pandemic. Nat. Human Behav. 8. DOI:https://doi.org/10.1038/s41562-023-01747-x.uk_UA
dc.relation.references62. Gao, J., Jun, B., Pentland, A.’. et al. (2021). Spillovers across industries and regions in china’s regional economic diversification. Reg. Stud. 55:1311–1326. DOI:https://doi.org/ 10.1080/00343404.2021.1883191.uk_UA
dc.relation.references63. Liu, Y., Du, J., Wang, Y. et al. (2024). Overlooked uneven progress across sustainable development goals at the global scale: Challenges and opportunities. Innovation 5:100573. DOI:https://doi.org/10.1016/j.xinn.2024.100573.uk_UA
dc.relation.references64. Yuan, Y., Shao, C., Ding, J. et al. (2024). Spatiotemporal few-shot learning via diffusive neural network generation. In The Twelfth International Conference on Learning Representations. DOI:https://doi.org/10.1109/nnice61279.2024.10498780.uk_UA
dc.relation.references65. Liang, W., Tadesse, G.A., Ho, D. et al. (2022). Advances, challenges and opportunities in creating data for trustworthy ai. Nat. Mach. Intell. 4:669–677. DOI:https://doi.org/10. 1038/s42256-022-00516-1.uk_UA
dc.relation.references66. Luo, L., Wang, X. and Guo, H. (2022). Contribution of unesco designated sites to the achievement of sustainable development goals. Innovation 3:100227. DOI:https://doi. org/10.1016/j.xinn.2022.100227.uk_UA
dc.relation.references67. Wang, K., Li, A. and Qu, X. (2023). Urban aerial mobility: Network structure, transportation benefits, and sino-us comparison. Innovation 4:100393. DOI:https://doi.org/10.1016/j. xinn.2023.100393.uk_UA
dc.relation.references68. Wei, J., Tay, Y., Bommasani, R. et al. (2022). Emergent abilities of large language models. Trans. Mach. Learn. Res. DOI:https://doi.org/10.18653/v1/2021.emnlp-main.465.uk_UA
dc.relation.references69. Gao, C., Lan, X., Li, N. et al. (2024). Large language models empowered agent-based modeling and simulation: A survey and perspectives. Humanit. Soc. Sci. Commun. 11:1259–1324. DOI:https://doi.org/10.1057/s41599-024-03611-3.uk_UA
dc.relation.references70. 9 Практичне заняття. Оцінка стійкості роботи промислового підприємства за надзвичайних ситуацій. StudFiles. URL: https://studfile.net/preview/9726254/page:50.uk_UA
dc.relation.references71. Das A., Nandi N., Ray S. Alpha and SSVEP power outperform gamma power in capturing attentional modulation in human EEG. Cerebral Cortex. 2023. URL: https://doi.org/10.1093/cercor/bhad412.uk_UA
dc.relation.references72. Стручок, Володимир Сергійович. "Безпека в надзвичайних ситуаціях. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання." (2022).uk_UA
dc.relation.references73. НПАОП 0.00-1.28-10. Правила охорони праці під час експлуатації електронно-обчислювальних машин. – Затверджено наказом Міністерства праці та соціальної політики України.uk_UA
dc.relation.references74. НПАОП 40.1-1.32-01. Правила безпечної експлуатації електроустановок споживачів. – Міністерство енергетики України.uk_UA
dc.relation.references75. Стручок В.С. Техноекологія та цивільна безпека. Частина «Цивільна безпека». Навчальний посібник. 2022.uk_UA
dc.relation.references76. ДБН В.2.5-28-2018 "Природне і штучне освітлення". https://e-construction.gov.ua/laws_detail/3074958732556240833?doc_type=2.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені ім. І. Пулюяuk_UA
dc.coverage.countryUAuk_UA
dc.identifier.citation2015Савик О. О. Формування концепту "розумне місто" на основі методів, керованих даними : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп’ютерні науки / наук. кер. Н. Е. Кунанець. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2026. 71 с.uk_UA
Apareix a les col·leccions:122 — Компʼютерні науки, F3 Комп’ютерні науки (бакалаври)

Arxius per aquest ítem:
Arxiu Descripció MidaFormat 
2026_KRB_SN-42_Savyk_OO.pdfДипломна робота2,99 MBAdobe PDFVeure/Obrir
Mostrar el registre simplificat 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