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.