Increasing comfort and improving air quality in shared vehicles is essential in protecting human health and making public transport more attractive. This thesis focused on exploring how passenger comfort, which is closely linked to air quality, is affected by the internal and external conditions of a small, autonomous bus prototype, the ELIN bus. Available data from the ELIN bus database were analyzed, and indicators for the interior temperature prediction model were selected. Various machine learning models were created and evaluated. The Random Forest model proved to be the most versatile. A comfort calculation framework was created to estimate and predict the level of comfort inside the ELIN bus, taking into account factors like temperature and occupancy to calculate a comfort score using devised formulas. The comfort score was estimated for the current station of the bus and predicted for the next stations, using the temperature predictions from the Random Forest model and findings from data analysis. The results indicated quite decent comfort levels inside the ELIN bus and provided an expandable framework for future needs. / Att öka komforten och förbättra luftkvaliteten i delade fordon är avgörande för att skydda människors hälsa och göra kollektivtrafiken mer attraktiv. Denna avhandling fokuserade på att undersöka hur passagerarkomfort, som är nära kopplad till luftkvalitet, påverkas av de interna och externa förhållandena hos en liten, autonom bussprototyp, ELIN-bussen. Tillgängliga data från ELIN-bussens databas analyserades, och indikatorer för prediktionsmodellen för inomhustemperatur valdes ut. Olika maskininlärningsmodeller skapades och utvärderades. Random Forest-modellen visade sig vara den mest mångsidiga. Ett komfortberäkningsramverk skapades för att uppskatta och förutsäga komfortnivån inuti ELIN-bussen, med hänsyn till faktorer som temperatur och beläggning för att beräkna en komfortpoäng med hjälp av utformade formler. Komfortpoängen uppskattades för den aktuella stationen av bussen och förutspåddes för de kommande stationerna, med användning av temperaturprognoser från Random Forest-modellen och resultat från dataanalysen. Resultaten indikerade ganska goda komfortnivåer inuti ELIN-bussen och tillhandahöll ett expanderbart ramverk för framtida behov.