Abstract
<jats:p>У дослідженні представлено підхід до оптимізації вибору передаточних чисел для одношвидкісних і фіксованих велосипедів на основі штучного інтелекту та нечіткої логіки, що розв’язує одну з найстійкіших проблем сучасного велоспорту – балансування між ефективністю, каденсом і адаптацією до рельєфу без використання механізмів ручного перемикання передач. Традиційні методи вибору передаточних чисел часто ґрунтуються на підході «спроб і помилок» та не враховують критично важливі змінні, зокрема тип місцевості, градієнт підйому та показники продуктивності велосипедиста. У цій роботі запропоновано керовану даними систему, яка аналізує файли поїздок форматів GPX і TCX для вилучення ключових параметрів, зокрема GPS-координат, висоти, каденсу, швидкості та частоти серцевих скорочень, формуючи детальний профіль поїздки для подальшого обчислювального аналізу. Запропонований застосунок інтегрує керування на основі нечіткої логіки для моделювання реальних умов їзди шляхом категоризації безперервних змінних – таких як ухил, швидкість і тип покриття — у якісні описи на кшталт «крутий», «помірний» або «рівнинний». Оцінюючи перекривні набори правил і застосовуючи функції належності, система генерує адаптивні, контекстно залежні рекомендації щодо оптимальних передаточних чисел. Штучний інтелект підсилює цю структуру завдяки прогнозній аналітиці та розпізнаванню поведінкових шаблонів, що дає змогу моделі навчатися на історичних даних користувача та безперервно вдосконалювати результати. Серверна частина, реалізована мовою Python із використанням Flask і skfuzzy, обробляє дані поїздок у поєднанні з зовнішніми геопросторовими даними з OpenStreetMap через API Overpass для врахування шорсткості покриття та опору коченню. Користувацьке тестування в різних реальних умовах підтвердило точність і зручність системи, при цьому велосипедисти відзначили підвищення ефективності та інтуїтивність зворотного зв’язку. Подальший розвиток передбачає розширення можливостей штучного інтелекту та вдосконалення взаємодії з користувачем з метою глибшої персоналізації рекомендацій, що закріплює це дослідження як вагомий внесок у розвиток інтелектуальних велосипедних технологій і адаптивних систем підтримки прийняття рішень у спортивній інженерії.</jats:p>