Natural disasters result in devastating losses in human life, environmental assets, and personal-, regional-, and national economies. The availability of different big data such as satellite images, Global Positioning System (GPS)traces, mobile Call Detail Records (CDR), social media posts, etc., in conjunction with advances in data analytic techniques (e.g., data mining and big data processing, machine learning and deep learning) can facilitate the extraction of geospatial information that is critical for rapid and effective disaster response. However, disaster response system development usually requires the integration of data from different sources (streaming data sources and data sources at rest) with different characteristics and types, which consequently have different processing needs. Deciding which processing framework to use for specific big data to perform a given task is usually a challenge for researchers from the disaster management field. While many things can be accomplished with population and movement data, for disaster management key, and arguably most important task is to analyze the displacement of the population during and after a disaster. Therefore, in this Licentiate, the knowledge and framework resulting from a literature review were used to select tools, and processing strategies to perform population displacement analysis after a disaster. This is a use case of the framework as well as an illustration of the value and challenges (e.g., gaps in data due to power outages) of using CDR data analysis to support disaster management. Using CDR data, the displaced population was inferred by analyzing the variation of home cell-tower for each anonymized mobile phone subscriber before and after a disaster. The effectiveness of the proposed method is evaluated using remote sensing-based building damage assessment data and Displacement Tracking Matrix (DTM) from individuals’ survey responses at shelters after a severe cyclone in Beira city, central Mozambique, in March 2019. The results show an encouraging correlation coefficient (over 70%) between the number of arrivals in each neighborhood estimated using CDR data and from DTM. In addition to this, CDR-based analysis derives the spatial distribution of displaced populations with high coverage of people, i.e., including not only people in shelters but everyone who used a mobile phone before and after a disaster. Moreover, results suggest that if CDR data are available after a disaster, population displacement can be estimated and this information can be used for response activities and for example to contribute to reducing waterborne diseases (e.g., diarrheal disease) and diseases associated with crowding (e.g., acute respiratory infections) in shelters and host communities. / Naturkatastrofer leder till förödande förluster i människoliv, miljötillgångaroch personliga, regionala och nationella ekonomier. Tillgången till olika stordatasåsom satellitbilder, GPS-spår (Global Positioning System), mobila Call DetailRecords (CDR), inlägg på sociala medier, etc., i samband med framsteg inom data-analysteknik (t.ex. datautvinning och big data bearbetning, maskininlärningoch djupinlärning) kan underlätta utvinningen av geospatial information somär avgörande för snabba och effektiva katastrofhantering. Utveckling av katas-trofberedskapssystem kräver dock vanligtvis integrering av data från olika källor(strömmande datakällor och datakällor i vila) med olika egenskaper och typer, somföljaktligen har olika behandlingsbehov. Att bestämma vilket ramverk för bearbet-ning som ska användas för en specifik big data för att utföra en given uppgift är van-ligtvis en utmaning för forskare från katastrofhanteringsområdet. Även om mångasaker kan åstadkommas med befolknings- och rörelsedata, för katastrofhantering ären nyckel- och utan tvekan viktigaste uppgift att analysera befolkningens förflyt-tning under och efter en katastrof. Därför, i denna licentiatuppsats, användes kun-skapen och ramverket från en litteraturgenomgång för att välja verktyg och bear-betningsstrategier för att utföra analys av befolkningsförflyttning efter en katastrof.Detta är ett användningsfall av ramverket samt en illustration av värdet och ut-maningarna (t.ex. luckor i data på grund av strömavbrott) med att användaCDR-dataanalys för att stödja katastrofhantering.Med hjälp av CDR-data kunde man sluta sig till den förflyttna befolkningengenom att analysera variationen av hemcellstorn för varje anonymiserad mobiltele-fonabonnent före och efter en katastrof. Effektiviteten av den föreslagna metodenutvärderas med hjälp av fjärranalysbaserade byggnadsskadebedömningsdata ochDisplacement Tracking Matrix (DTM) från individers enkätsvar vid skyddslokalerefter en svår cyklon i staden Beira, centrala Mozambique, i mars 2019.Resultaten visar en uppmuntrande korrelationskoefficient (över 70 %) mellanantalet ankomster i varje område uppskattat med hjälp av CDR-data och frånDTM. Utöver detta härleder CDR-baserad analys den rumsliga fördelningen avförflyttna befolkningen med hög täckning av människor, det vill säga inklusiveinte bara människor i skyddslokaler utan alla som använde mobiltelefon före ochefter katastrof. Dessutom tyder resultaten på att om CDR-data finns tillgängligaefter en katastrof kan befolkningsförflyttning uppskattas och denna informationkan användas för responsaktiviteter och till exempel för att bidra till att minskavattenburna sjukdomar (t.ex. diarrésjukdomar) och sjukdomar associerade medträngsel (t.ex. akuta luftvägsinfektioner) i skyddslokaler och värdsamhällen / <p>QC220525</p>

No description available.

Feedback delay networks are systems based on a set of delay lines whose outputs get fed back into each others inputs. This kind of architecture is mainly used to provide a system for artificial reverberation, that is, a system to emulate the prolonging of sound in a physical space. Two sets of parameters of a feedback delay network heavily influence how well the system does in terms of accomplishing perceptually convincing reverberation: the lengths of the delay lines and the feedback matrix, containing the gains of the feedback paths. In this thesis, we propose three different metrics that attempt to quantify how convincing the impulse response from a feedback delay network is, in terms of imitating real-world reverberation. These metrics are then applied to a feedback delay network together with a set of parameterizable rotation matrices. More specifically, by fixing the delays in different configurations, optimization procedures over the set of rotation matrices are performed with respect to the three metrics. The optimal matrices are then compared with some popular feedback matrices from the literature, as well as the least optimal matrices. Furthermore, the mixing time of the feedback delay network over the set of rotation matrices is calculated in the different configurations. The results from the optimization procedures are then evaluated partly subjectively by listening to impulse responses. The results suggest that two of the three different metrics might be useful for finding feedback matrices that contribute to producing perceptually convincing impulse responses. The findings also suggest that the matrices that produce a fast build-up of echo density in the feedback delay network coincide with the matrices that perform well with respect to the three metrics. / Nätverk baserade på fördröjningslinjer som återkopplas till varandra kan utnyttjas för att bygga upp system som skapar artificiella reverb, d.v.s. system som emulerar en ljudsignals förlängning i ett rum. Två uppsättningar av parametrar i ett sådant nätverk avgör hur väl systemet lyckas i termer av att skapa ett perceptuellt övertygande reverb: mängden fördröjning i fördröjnings- linjerna och återkopplingsmatrisen vars element bestämmer förstärkningen i återkopplingsvägarna. I detta arbete föreslås tre mått som syftar till att kvantifiera hur övertygande ett impulssvar från nätverket är, i termer av att imitera reverb i verkligheten. Dessa mått används sedan på ett nätverk tillsammans med en mängd av parametriserbara rotationsmatriser. Mer specifikt, genom att hålla fördröjningarna i nätverket konstanta i olika konfigurationer så har vi genomfört optimiseringar över mängden av rotationsmatriser med avseende på de tre måtten. De optimala matriserna jämförs sedan med några populära återkopplingsmatriser från litteraturen, såväl som med de minst optimala rotationsmatriserna. Vidare så beräknas blandningstiden över mängden av rotationsmatriser i de olika konfigurationerna. Resultaten från optimeringarna utvärderas delvis subjektivt genom att lyssna på impulssvaren. Resultaten tyder på att två av de tre måtten kan vara användbara för att hitta återkopplingsmatriser som bidrar till att producera perceptuellt övertygande impulssvar. Resultaten tyder även på att de matriser som ger en snabb upp- byggnad av eko-densiteten i nätverket överlappar med de matriser som presterar bra med avseende på de tre måtten.

Forecasts are essential for human decision-making in several fields, such as weather forecasts, retail prices, or stock predictions. Recently the Transformer neural network, commonly used for sequence-to-sequence tasks, has shown great potential in achieving state-of-the-art forecasting results when combined with density estimations models such as Autoregressive Flows. The main benefit of the resulting model, called Transformer Masked Autoregressive Flow (TMAF), is its novel architecture which significantly improves the computational efficiency compared to the older architectures such as recurrent neural networks. However, the Transformer comes with a high computational cost with time complexity of O(N2). In an attempt to mitigate this limitation, this thesis introduces a new model for forecasting, the Reformer Masked Autoregressive Model (RMAF), based on the Transformer Masked Autoregressive Flow (TMAF), where we replace the Transformer part of the model with a Reformer. The Reformer is a modified Transformer with a more efficient attention function and reversible residual layers instead of residual layers. While The Reformer has shown great promise in reducing the computational complexity in long sequence machine translations tasks, our analysis shows that the overhead induced by the Reformer model leads to a 7-8 times increase of memory allocated compared to the TMAF to reach the same forecasting quality on Solar and Electricity datasets. / Prognoser är essentiella för mänskligt beslutsfattande inom flertalet områden, så som väderprognoser, handelprognoser och aktieprognoser. Nyligen har neurala nätverket Transformer, en modell som vanligtvis används för att mappa sekvenser till sekvenser, visat stor potential i att uppnå bästa möjliga prognosresultat när den kombineras med sannolikhettäthetsmodeller så som Autoregressive Flows. Den huvudsakliga fördelen med den kombinerade modellen, som kallas Transformer Masked Autoregressive Flow (TMAF), är dess banbrytande arkitektur vilket signifikant förbättrar beräkningseffektiviteten jämfört med äldre arkitekturer så som recurrent neurala nätverk. Transformern har dock en hög beräkningskostnad med tidskomplexiteten O(N2). I ett försök att åtgärda denna begränsande kostnad så introducerar denna uppsats en ny modell för att skapa prognoser, Reformer Masked Autoregressive Flow (RMAF), där vi ersätter Transformer-delen av modellen med en Reformer. Reformern är en modifierad Transformer med en mer effektiv attention-funktion och reversible residual layers istället för residual layers. Medan Reformern har visat lovande resultat kring att reducera beräkningskomplexiteten för maskinöversättningsuppgifter med långa sekvenser så visar vår analys att överhuvudskostnaden som Reformermodellen introducerar leder till en 7-8 gånger större mängd minnesallokering jämfört med TMAF för att uppnå samma prognoskvalite över Solar dataset och Electricity dataset.

Airline ancillary revenue has increased substantially over the past years. Despite the increasing attention, its pricing models have mostly progressed slowly and remained simple. In this work we apply dynamic pricing models for the purpose of maximizing airline ancillary revenue. Our contributions in this thesis are threefold. Firstly, we aim to seek out high performing and robust pricing policies. Secondly, we propose a new strategy for multi-armed bandit policies called extended play. This strategy leverages on the assumption of monotonicity in willingness to pay by customers allowing the policy to play more than one arm per round. Thirdly, we propose two new algorithms, a contextual bandit policy, DEGLMUCB and a policy based on pricing under a parameterized valuation model, the OORMLP-β. They are variations of existing algorithms and are better fit to our problem setting. We evaluate our policies using historical ancillary purchase data and check for robustness with different customer behaviour settings. The main findings of this study is that the proposed contextual bandit policies with extended play were both high performing and robust to different purchase behavior settings. We also show that OORMLP-β has similar performance as the contextual bandits but can fail in some environment settings that break some of the core assumption the policy makes. / Flygbolagens intäkter från tilläggsprodukter har ökat kraftigt under dem senaste åren. Trots att dessa produkter och tjänster fått en ökande betydelse i intäkter, har dess prismodeller mestadels utvecklats långsamt och varit enkla. I detta arbete tillämpar vi dynamiska prismodeller för att maximera flygbolagets intäkter från tilläggsprodukter. Kontributionen i denna avhandling är trefaldig. För det första strävar vi efter att hitta högpresterande och robusta prissättningsalgoritmer. För det andra föreslår vi en ny strategi för multi-armed bandits som vi döper till extended plays. Denna strategi utnyttjar antagandet om monotonicitet i betalningsvilja hos kunder så att bandit algoritmerna kan lära sig mer om kundernas köpbeteende efter varje bokning. För det tredje föreslår vi två nya algoritmer, en contextual bandit policy, DEGLMUCB, och en policy baserad på prissättning av en parameteriserad värderingsmodell, OORMLP-β. Dessa är variationer av befintliga algoritmer och passar bättre till vår problemställning. Vi utvärderar våra algoritmer med hjälp av historisk inköpsdata och kontrollerar om de är robusta vid olika inköpsbeteenden. De viktigaste resultaten som framkommit i denna studie är att de föreslagna contextual bandits algoritmerna som uttnytjar extend play strategin var både högpresterande och robusta för olika köpbeteenden. Vi visar också att OORMLP- β presterar i runt samma nivå med contextual bandits algoritmerna men kan misslyckas vid vissa köpbeteenden som bryter mot några av dem grundantaganden som policyn gör.

Deep reinforcement learning algorithms typically require large amounts of data to solve a specific problem, and do not generalize well to other tasks. Recent methods in unsupervised reinforcement learning can learn a range of different behaviors within an environment without the use of task-specific data. This could be helpful in situations where designing many different task objectives and experiments, or acquiring labeled data is costly. In this work we study unsupervised reinforcement learning in a simulated robotics environment, where the agent takes continuous valued actions. We propose an adaptation of a recent method in unsupervised reinforcement learning to continuous action environments. The goal is to learn a set of skills which can be used as a pretrained model for various downstream tasks in order to reduce the amount of required data and computational resources. Experiments show that the algorithm manages to teach a simulated robot various movement related behaviors, and some of the behaviors have moderate performance on the available supervised task. The experiments are, however, not enough to conclude whether the algorithm is benficial for pretraining and finetuning, and more environments and experiments are required to understand the algorithm further. / Algoritmer för djup förstärkningsinlärning kräver vanligtvis stora mängder data för att lösa ett specifikt problem och generaliserar inte till andra uppgifter. Nyligen använda metoder för oövervakad förstärkningslärning kan lära sig en rad olika beteenden inom en miljö utan att använda målspecifik data. Detta kan vara till hjälp i situationer där det är dyrt att utforma många olika uppgiftsmål och experiment, eller att skaffa annoterad data är dyrt. I detta arbete studerar vi oövervakat förstärkningslärande i en simulerad robotmiljö, där agenten vidtar åtgärder av kontinuerligt värde. Vi föreslår en anpassning av en ny metod i oövervakad förstärkningslärning till kontinuerliga handlingsmiljöer. Målet är att lära sig en uppsättning färdigheter som kan användas som en förtränad modell för olika nedströmsuppgifter, för att minska mängden data och beräkningsresurser som behövs. Experiment visar att algoritmen lyckas lära en simulerad robot olika rörelserelaterade beteenden, och vissa av beteendena har måttlig prestanda på den tillgängliga övervakade uppgiften. Experimenten är dock inte tillräckligta för att dra slutsatsen om algoritmen är bra för förträning och finjustering, och fler miljöer och experiment krävs för att förstå algoritmen ytterligare.

Cloud computing has been in the center of attention recently. Its popularity has increased significantly. More and more companies decide to use a cloud for running their applications. However, this introduces certain problems, such as vendor lock-in. Without a widely used standard, the systems become incompatible with each other. This thesis introduces a way to reduce the risk of vendor lock-in and uses open source technologies in order to make it available to as many people as possible. The explored solution is easy-to-use and lightweight compared to other ones. Furthermore, the use of certain technologies over others is suggested in the thesis to further reduce the risks of being locked to a single cloud provider. / Cloud computing har varit i centrum för uppmärksamheten nyligen. Dess popularitet har ökat avsevärt. Fler och fler företag beslutar att använda ett moln för att köra sina applikationer. Detta introducerar emellertid vissa problem, till exempel vendor lock-in. Utan en vanligt förekommande standard blir systemen oförenliga med varandra. Denna avhandling introducerar ett sätt att minska risken för vendor lock-in och använder open source-teknik för att göra det tillgängligt för så många människor som möjligt. Den utforskade lösningen är lätt att använda och lätt jämfört med andra. Vidare föreslås användning av viss teknik framför andra i avhandlingen för att ytterligare minska riskerna för att låsas till en enda molnleverantör.

This master’s thesis investigates how recorded driving data from humans can be used for improving the behaviour of the motion controller in an autonomous vehicle. Manual driving behaviour is analysed and the findings are compared to autonomous driving. The results show that human drivers have less abrupt speed control and that humans have a larger position variation between different tests. In some of the situations where the two driving styles differ the human driving behaviour is preferred. One such example is the speed control, especially when driving through curves. As a result, alterations to the speed control are implemented in an autonomous vehicle and evaluated in a vehicle test. The new speed reference is based on the average speed kept by the manual drivers. The results show improvements to the speed and acceleration control. However, further refinements to the controller are required for a less abrupt acceleration. / Detta examensarbete undersöker hur inspelad data från mänskliga förare kan användas för att förbättra regulatorn i ett autonomt fordon. Mänskligt körbeteende analyseras och jämförs med det autonoma beteendet. Resultaten visar att mänskliga förare har mindre abrupta hastighetsändringar och människors positionering i sidled varierar mer mellan olika testomgångar. I vissa fall där körstilen skiljer sig åt är det mänskliga beteendet att föredra, som till exempel vid hastighetsreglering. Följaktligen implementeras justeringar av hastighetsregulatorn i ett autonomt fordon som sedan kontrolleras i ett fordonstest. Resultaten visar förbättringar gällande regleringen av fart och acceleration. Däremot behövs vidare justeringar av regulatorn för ett mindre ryckigt beteende.

Since its creation, the extended Kalman filter (EKF) has become an industry standard for state estimation. However, the EKF is designed for Euclidean spaces, which causes challenges when adapting it to non-Euclidean spaces such as Lie groups, which includes 3D attitude. With unmanned aerial vehicles becoming more widespread, the demand for 3D state estimation algorithms increases. The non-Euclidean challenges causes increased algorithm design cost and worsened estimation performance. One recent development is the invariant extended Kalman filter (IEKF) which reformulates the EKF for dynamic systems evolving on Lie groups. For a class of systems on Lie groups, the IEKF has an autonomous estimation error similar to the linear Kalman filter. Empirically, the IEKF has provided promising convergence results in some works. This thesis investigates how the IEKF can be applied to state estimation problems in settings where the measurements belong to Lie groups. An extension to the IEKF for such settings is proposed. The proposed filter is derived for drone state estimation using IMU and 3D pose measurements, and evaluated on synthetic data. The results show that the state estimation is statistically consistent when the sensor input matches the assumptions made by the filter. / Efter sitt upptäckande har det utökade Kalmanfiltret (EKF) blivit en industristandard för tillståndsestimering. EKF är designad för Euklidiska rum, vilket gör den utmanande att anpassa till icke-Euklidiska rum som t.ex. Liegrupper, vilket inkluderar rotationer i 3D. I takt med att obemanade flygfarkoster blir vanligare så ökar efterfrågan för tillståndsestimering i 3D. Utmaningarna med icke-Euklidiska rum orsakar ökade algoritmutvecklingskostnader och försämrad estimeringsprestanda. En ny utveckling är det invarianta utökade Kalmanfiltret (IEKF), vilket omformulerar EKF för dynamiska system som utvecklas på Liegrupper. För en klass av system på Liegrupper har IEKF ett autonomt estimeringsfel liknande det för det linjära Kalmanfiltret. Empiriskt har IEKF visat lovande konvergensresultat i tidigare arbeten. Detta examensarbete undersöker hur IEKF kan tillämpas på estimeringsproblem i situationer där sensormätningarna tillhör Liegrupper. En utökning av IEKF för sådana situationer föreslås. Det föreslagna filtret är härlett för tillståndsestimering för drönare med använding av en IMU och en 3D-posesensor, och utvärderas på syntetiska data. Resultaten visar att tillståndsuppskattningen är statistiskt konsistent när sensormätningarna matchar de antaganden som görs i filtret.

To achieve a higher grade of reliability among deep learning models, OOD (Out-Of-Distribution) detection has become an increasingly more prominent research field. What OOD detection does is to make the model figure out if inputted data is data it is meant to be trained on, or if it is data from a new distribution, giving the model a sense of its own ignorance. Models regularly used in the OOD detection field are likelihood-based generative models. This is because, unlike discriminative models, these model the full data distribution, learning more about the data itself. To get more information and structure about the data, one can use semantic segmentation. Semantic segmentation is when all pixels in an image of a certain class are marked with corresponding values and the other unrecognized pixels are marked as zero. This thesis test the impact of using semantic segmentation as additional inputs to VAEs and normalizing flow models. The results show that semantic segmentation does have an impact on the likelihood given by the models and is, therefore, something worth investigating further. / För att uppnå en högre grad av tillförlitlighet bland djupinlärningsmodeller har OOD (Out-Of-Distribution)-detektering blivit ett allt mer framträdande forskningsområde. Vad OOD-detektering gör är att få en modell att räkna ut om inmatat data är data den är tränad på, eller om det är data från en ny fördelning (OOD), vilket ger modellen en känsla av sin egen okunnighet. Modeller som regelbundet används inom OOD-detekteringsfältet är sannolikhetsbaserade generativa modeller. Detta beror på att till skillnad från diskriminativa modeller, modellerar dessa hela datafördelningen och lär sig mer om själva datan. För att få mer information och struktur om datat kan man använda semantisk segmentering. Semantisk segmentering är när alla pixlar i en bild av en viss klass är markerade med motsvarande värden, och de andra okända pixlarna markeras som noll. Denna uppsats testar effekten av att använda semantisk segmentering som ytterligare ingångar till VAE:er och normaliserande flödesmodeller. Resultaten visar att semantisk segmentering har en inverkan på sannolikheten för modellerna och är därför värt att undersöka ytterligare.