Digitalisering sker idag både i privat som offentlig sektor där datadriven beslutsfattning är en av trenderna. En teknologi som vuxit fram i samband med digitaliseringen och som hjälper verksamheter utvecklas är Self Service Business Intelligence (SSBI). Offentliga verksamheters digitala utveckling går långsammare än för privata bolag. Studien syftar till att undersöka vilka utmaningar offentliga verksamheter ställs inför i sin användning av SSBI samt att presentera hanteringsförslag på dessa utmaningar. För att besvara studiens frågeställning och uppfylla dess syfte har en kvalitativ forskningsansats använts. Semistrukturerade intervjuer har genomförts där respondenterna har varit personer som arbetar på offentliga verksamheter alternativt mot offentliga verksamheter. Studien resulterade i fyra utmaningar som är vanligt förekommande inom offentlig verksamhet och som inte lyfts i tidigare litteratur. Dessa fyra är; diversifierade verksamheter, ledningen, lagar och säkerhet samt begränsad självständighet. För varje utmaning har förslag diskuterats för hur utmaningarna effektivt kan hanteras. Studiens slutsats kan vara hjälpsam för offentliga verksamheter i deras fortsatta utveckling mot att bli datadrivna i sin beslutsfattning. Med hjälp av datadriven beslutsfattning möjliggörs för offentliga verksamheter att arbeta mer hållbart och bli mer resurseffektiva. / Digitization is today taking place in both private and public sectors, wheredata driven decision making is one of the trends. Self Service BusinessIntelligence (SSBI) is a technology that has emerged in conjunction with thedigital development and is helping businesses to develop. However, thedigital development in public organizations tends to be slower than forprivate companies. Therefore, this study aims to examine the challengesfaced by public organizations in their use of SSBI and also to presentproposals for addressing these challenges.To answer the research question and fulfill the study's purpose, a qualitativeresearch approach has been used with an abductive thinking. Semistructured interviews have been conducted with respondents who work in orwith public organizations. The study resulted in four challenges that arecommon in public organizations and that have not been addressed inprevious literature. These four challenges are diversified organizations, themanagement, laws and security, limited self-reliance. For each challenge,proposals have been discussed for how the challenges can be effectivelyaddressed. This study conclusion can be helpful for public organizations inthe continued development towards becoming data driven decision making.With the help of data driven decision making, public organizations can workmore sustainably and become more resource efficient.

This thesis aims to investigate a digital, emerging business model, which just enjoys the highest attention in many industrial sectors. The industry 4.0 changes how original equipment manufacturers (OEMs) retain their competitiveness and offer innovative solutions to their customers. Therefore, this master thesis investigates the diverse opportunities of usage-based business models – namely Pay-per-X / Equipment-as-a-Service – from the perspective of a sensor-tech start-up. The company, which can act as a technical enabler for Pay-per-X, is located in Germany and has various markets leading machine and component manufacturers as customers. This projects’ goal is to get an in-depth understanding of the business model and how the company (with their technology) can participate in the market, which is estimated to have a size of 131.2m USD in 2025. Therefore, mainly qualitative research methods have been applied – however, quantitative sections enrich the analysis part of the thesis. Nine expert interviews were conducted, and a calculation tool was developed, which aims to easily convince OEMs of the new business models through modeling a business case, by incorporation of the most relevant parameters. Two use cases were analyzed in the fields of production machines and commercial vehicles. This is followed by a short excursus to a required Pay-per-X cloud software, where requirements were defined based on machine users’ needs. Based on these insights, a positioning strategy for the case company within this field is proposed later-on, which puts emphasis on how the firm can act as a technical enabler for Pay-per-X business models. / Syftet med denna avhandling är att undersöka en ny digital affärsmodell som just nu får stor uppmärksamhet inom många industrisektorer. Industri 4.0 förändrar hur tillverkare av originalutrustning behåller sin konkurrenskraft och erbjuder innovativa lösningar till sina kunder. Därför undersöker denna masteruppsats de olika möjligheterna med användningsbaserade affärsmodeller - nämligen Pay-per-X / Equipment-as-a-Service - ur ett startupföretag inom sensorteknik. Företaget, som kan fungera som en teknisk möjliggörare för Pay-per-X, är beläget i Tyskland och har olika marknadsledande maskin- och komponenttillverkare som kunder. Projektets mål är att få en djupgående förståelse för affärsmodellen och hur företaget (med sin teknik) kan delta på marknaden, som beräknas ha en storlek på 131,2 miljoner US-dollar år 2025. Därför har huvudsakligen kvalitativa forskningsmetoder tillämpats - men kvantitativa avsnitt berikar analysdelen av avhandlingen. Nio expertintervjuer genomfördes och ett beräkningsverktyg utvecklades, som syftar till att enkelt övertyga OEMs om de nya affärsmodellerna genom att modellera ett affärscase, genom att införliva de mest relevanta parametrarna. Två användningsfall analyserades inom områdena produktionsmaskiner och kommersiella fordon. Detta följs av en kort utflykt till en nödvändig Pay-per-X-molnmjukvara, där kraven definierades utifrån maskinanvändarnas behov. På grundval av dessa insikter föreslås senare en positioneringsstrategi för fallföretaget inom detta område, som lägger tonvikten på hur företaget kan fungera som en teknisk möjliggörare för Pay-per-X-affärsmodeller.

Hydropower is an important energy source since it is fossil-free, renewable, and controllable. Characteristics that become especially important as the reliance on intermittent energy sources increases. However, the dams for the hydropower plants are also associated with large risks as a dam failure could have fatal consequences. Dams are therefore monitored by several sensors, to follow and evaluate any changes in the dam. One of the most important dam surveillance measurements is seepage since it can examine internal erosion. Seepage is affected by several different parameters such as reservoir water level, temperature, and precipitation. Studies also indicate the existence of a time lag between the reservoir water level and the seepage flow, meaning that when there is a change in the reservoir level there is a delay before these changes are reflected in the seepage behaviour. Recent years have seen increased use of AI in dam monitoring, enabling more dynamic warning systems.  This master’s thesis aims to develop a model for dynamic warning signals by predicting seepage using reservoir water level, temperature, and precipitation. Furthermore, a snowmelt variable was introduced to account for the impact of increased water flows during the spring season. The occurrence of a time lag and its possible influence on the model’s performance is also examined. To predict the seepage, three models with different complexity are used – linear regression, support vector regression, and long short-term memory. To investigate the time lag, the linear regression and support vector regression models incorporate a static time lag by shifting the reservoir water level data up to 14 days. The time lag was further investigated using the long short-term memory model as well.  The results show that reservoir water level, temperature, and the snowmelt variable are the combination of input parameters that generate the best results for all three models. Although a one-day time lag between reservoir water level and seepage slightly improved the predictions, the exact duration and nature of the time lag remain unclear. The more complex models (support vector regression and long short-term memory) generated better predictions than the linear regression but performed similarly when evaluated based on the dynamic warning signals. Therefore, linear regression is deemed a suitable model for dynamic warning signals by seepage prediction.

Denna studie, genomförd i samarbete med Sweco, syftar till att utveckla en omfattande modell för datadriven och hållbar stadsplanering med fokus på användningen av geografiska informationssystem (GIS). Med utgångspunkt i de 17 målen för hållbar utveckling enligt Agenda 2030, särskilt mål 11 och 13, utforskar studien konsekvenserna av den ökande urbaniseringen och dess påverkan på miljön, infrastrukturen och samhällsutvecklingen i Sverige. Den belyser bland annat den pågående digitaliseringen av samhällsbyggnadsprocessen för att stödja datadriven stadsplanering. Studien adresserar även utmaningarna i att säkerställa öppna data och kvalitet av geografisk data i Sverige, och diskuterar användningen av geografiska informationssystem (GIS) tillsammans med andra metoder, för att stödja hanteringen av de komplexa utmaningarna som städer står inför, vilket är en förutsättning för datadriven planering. Fortsättningsvis, även kartlägga de förutsättningar för planprocessen i tidigt skede enligt PBL och MB för att främja hållbar stadsplanering och vikten av tidig dialog och samarbete mellan intressenter för att effektivisera plan- och bygglovsprocessen. Med hänsyn till de senaste politiska förändringarna i Sverige och en nedgång i bostadsbyggandet, betonas behovet av en integrerad, strategisk metod för samhällsplanering. Studien tar därmed fram en bedömningsmodell för planområdes index (BPI), som tillsammans med GIS sammanställer förutsättningarna för området som samlar data för tidigt skede i planprocessen. Slutligen ger studien insikt i det dynamiska och komplexa systemet av stadsplanering, där geografisk data kompletteras med kvalitativa aspekter för att främja demokrati, och en hållbar samhällsutveckling. Den framhåller vikten av flexibilitet, anpassningsbarhet och medvetenhet om digitala verktyg och andra metoder samt deras utmaningar för att kunna implementeras i den digitala samhällsbyggnadsprocessen. / This study, conducted in collaboration with Sweco, aims to develop a comprehensive model for evidence-based and sustainable urban planning with a focus on the use of geographic information systems (GIS). Based on the 17 Sustainable Development Goals of the 2030 Agenda, especially goals 11 and 13, the study explores the consequences of increasing urbanisation and its impact on the environment, infrastructure and social development in Sweden. Among other things, it highlights the ongoing digitalisation of the spatial planning process to support evidence-based urban planning. The study also addresses the challenges of ensuring open data and quality of spatial data in Sweden, and discusses the use of digital tools such as GIS and AI in addressing the complex challenges facing cities, which is a prerequisite for data-driven planning. Mapping the conditions for the early stage planning process with PBL and MB to promote sustainable urban planning and the importance of early dialogue and cooperation between stakeholders to streamline the planning and building permit process. Given recent policy changes in Sweden and a decline in housing construction, the need for an integrated, strategic approach to urban planning is emphasised. The study develops an assessment model for the planning area index (BPI), which together with the GIS, summarises the area's conditions and collects data for the early stage of the planning process. Finally, the study provides insight into the dynamic and complex system of urban planning, where qualitative aspects complement geographical data to promote democracy and sustainable community development. It emphasises the importance of flexibility, adaptability and awareness of digital tools and other methods and their challenges to be implemented in today's urban planning process.

Internet Service Providers are companies that deliver services managing a complex network of apparatus and cables. Given the complexity of the network, it often happens that alarms are generated. When a problem within the network occurs, a ticket is issued from an alarm and the company starts to supervise it to manage the situation and solve the problem. This work aims to present how can be designed a system that estimates how much time will the trouble ticket take to be solved. The situation is presented within the context of a real case scenario and takes into consideration how the involved company processes the available information and manages the problem. The achieved result is pursued by the company to deliver the information to the final customer that will be able to understand how much time the problem he is facing is going to take before it will be solved. This work will focus on estimating the resolution time for a subset of all the tickets: those that are classified as low priority network problems. The work started with a study of the company that led to the understanding of the available information about the problem, then it focused on the understanding of the procedure adopted by the company to face the solution. It studies the processes that lie behind the ticket creation, the alarm generation and the human intervention, and it concludes with the design of the proposed solution. The proposed solution leverages the company’s processes to produce a result as valuable as possible given the specific use case. / Internetleverantörer är företag som tillhandahåller tjänster genom att hantera ett komplext nätverk av apparater och kablar. Med tanke på nätets komplexitet händer det ofta att larm genereras. När ett problem i nätverket uppstår utfärdas en biljett från ett larm och företaget börjar övervaka det för att hantera situationen och lösa problemet. Syftet med detta arbete är att presentera hur man kan utforma ett system som uppskattar hur lång tid det kommer att ta att lösa problemet. Situationen presenteras inom ramen för ett verkligt scenario och tar hänsyn till hur det berörda företaget behandlar den tillgängliga informationen och hanterar problemet. Företaget strävar efter att leverera information till slutkunden som kan förstå hur lång tid det kommer att ta innan problemet är löst. Detta arbete kommer att inriktas på att uppskatta lösningstiden för en delmängd av alla biljetter: de som klassificeras som nätproblem med låg prioritet. Arbetet inleddes med en studie av företaget som ledde till att man förstod den tillgängliga informationen om problemet, och sedan fokuserade man på att förstå det förfarande som företaget använde för att lösa problemet. Det studeras vilka processer som ligger bakom skapandet av biljetter, alarmeringen och det mänskliga ingripandet, och det avslutas med utformningen av den föreslagna lösningen. Den föreslagna lösningen utnyttjar företagets processer för att ge ett så värdefullt resultat som möjligt med tanke på det specifika användningsfallet.

With the development of technology and availability of data, it is sometimes easier to learn the control policies directly from the data, rather than modeling a plant and designing a controller. Modeling a plant is not always possible due to the complexity of the plant. Data-enabled predictive control (DeePC) is a recently proposed approach that combines system identification, estimation, and control in a single optimization problem. DeePC is primarily designed for LTI systems. The purpose of this thesis is to extend the application of DeePC to nonlinear systems with a particular focus on a non-holonomic ground robot. To reach this goal, we decompose the system states into different working modes where each mode can be linearly approximated. Furthermore, the data collection policies were also evaluated to conclude how they affect the performance of the DeePC. We identified several key challenges in this direction, namely: data-demanding structure, high computational complexity, and performance deterioration with increased non-linearity. While these challenges prohibited the application of DeePC to the ground robot system; we successfully applied the method to a benchmark non-linear system, the inverted pendulum on cart problem, and studied the effect of various design choices on control performance. Our observations indicate potential areas of improvement toward enabling DeePC for highly nonlinear systems. / Med utvecklingen av teknik och tillgänglighet av data är det ibland enklare att lära sig styrpolicyerna direkt från data, snarare än att modellera ett system och designa en styrenhet. Att modellera ett system är inte alltid möjligt på grund av systemets komplexitet. Data aktiverad prediktiv kontroll (DeePC) är en nyligen föreslagen metod som kombinerar systemidentifiering, uppskattning och kontroll i ett enda optimeringsproblem. DeePC är främst designad för LTI-system. Syftet med denna avhandling är att utöka tillämpningen av DeePC till icke-linjära system med särskilt fokus på en icke-holonomisk markrobot. För att nå detta mål delar vi upp systemtillstånden i olika arbetslägen där varje läge kan approximeras linjärt. Dessutom utvärderades datainsamlingspolicyerna för att dra slutsatser om hur de påverkar DeePCs prestation. Vi identifierade ett antal nyckelutmaningar i denna riktning, nämligen: datakrävande struktur, hög beräkningskomplexitet och prestandaförsämring med ökad icke-linjäritet. Även om de utmaningerna hindrade tillämpningen av DeePC på markrobot systemet; har vi framgångsrikt tillämpat metoden på ett benchmark icke-linjärt system, problemet med inverterad pendel på vagn, och studerade effekten av olika designval på kontrollprestanda. Våra observationer indikerar potentiella förbättringsområden för att möjliggöra DeePC för mycket olinjära system.

Data/information fusion is an integral component of many existing and emerging applications; e.g., remote sensing, smart cars, Internet of Things (IoT), and Big Data, to name a few. While fusion aims to achieve better results than what any one individual input can provide, often the challenge is to determine the underlying mathematics for aggregation suitable for an application. In this dissertation, I focus on the following three aspects of aggregation: (i) efficient data-driven learning and optimization, (ii) extensions and new aggregation methods, and (iii) feature and decision level fusion for machine learning with applications to signal and image processing. The Choquet integral (ChI), a powerful nonlinear aggregation operator, is a parametric way (with respect to the fuzzy measure (FM)) to generate a wealth of aggregation operators. The FM has 2N variables and N(2N − 1) constraints for N inputs. As a result, learning the ChI parameters from data quickly becomes impractical for most applications. Herein, I propose a scalable learning procedure (which is linear with respect to training sample size) for the ChI that identifies and optimizes only data-supported variables. As such, the computational complexity of the learning algorithm is proportional to the complexity of the solver used. This method also includes an imputation framework to obtain scalar values for data-unsupported (aka missing) variables and a compression algorithm (lossy or losselss) of the learned variables. I also propose a genetic algorithm (GA) to optimize the ChI for non-convex, multi-modal, and/or analytical objective functions. This algorithm introduces two operators that automatically preserve the constraints; therefore there is no need to explicitly enforce the constraints as is required by traditional GA algorithms. In addition, this algorithm provides an efficient representation of the search space with the minimal set of vertices. Furthermore, I study different strategies for extending the fuzzy integral for missing data and I propose a GOAL programming framework to aggregate inputs from heterogeneous sources for the ChI learning. Last, my work in remote sensing involves visual clustering based band group selection and Lp-norm multiple kernel learning based feature level fusion in hyperspectral image processing to enhance pixel level classification.

No description available.

No description available.

Automatic Baseline Correction is the state-of-the-art calibration method of non-dispersive infrared CO2 sensing, which is the standard CO2 gas monitoring method. In this thesis, we improve it by introducing the dynamic baseline based on environmental data. The 96 data sets from 48 atmospheric stations verify the characteristics of the annual growth trend and seasonality of the baseline model. In order to improve the accuracy of the calibration, the k-means clustering method is used to identify different types of baselines. Then the localized dynamic baseline model is predicted by using the location information of the stations only, which provides an executable calibration implementation for dynamic baseline calibration without relying on historical CO2 data. / Automatisk baslinjekorrigering är den senaste kalibreringsmetoden för icke-dispersiv infraröd CO2 avkänning, vilket är standard CO2 gasövervakningsmetod. I denna avhandling förbättrar vi den genom att introducera den dynamiska baslinjen baserat på miljödata. De 96 datamängderna från 48 atmosfärstationer bekräftar egenskaperna för den årliga tillväxttrenden och säsongsmässigheten hos basmodellen. För att förbättra kalibreringens noggrannhet används k-medelklusteringsmetoden för att identifiera olika typer av baslinjer. Därefter förutses den lokaliserade dynamiska baslinjemodellen med endast platsinformationen för stationerna, som ger en körbar kalibreringsimplementering för dynamisk baslinjekalibrering utan att förlita sig på historisk CO2 data.