La predicción de series temporales de la demanda de pasajeros es crucial para la planificación óptima de recursos limitados. Para las ciudades inteligentes, el transporte de pasajeros en áreas urbanas es un problema cada vez más importante, ya que la construcción de infraestructuras no es la solución y se debe fomentar el uso del transporte público. Una de las técnicas más sofisticadas para la predicción de series temporales son las redes neuronales Long Short Term Memory (LSTM). Estos modelos de aprendizaje profundo son muy potentes para la predicción de series temporales, pero no son interpretables por los humanos (modelos de caja negra). Nuestro objetivo fue desarrollar un modelo predictivo y lingüísticamente interpretable, útil para la toma de decisiones utilizando grandes volúmenes de datos de diferentes fuentes. Nuestro estudio de caso fue una de las líneas de autobús más demandadas de Madrid. Obtuvimos un modelo interpretable a partir de la red neuronal LSTM utilizando un modelo sustituto y el modelo lingüístico difuso de 2-tuplas, que mejora la interpretabilidad lingüística del modelo de Inteligencia Artificial Explicable (XAI) generado sin perder precisión.