This thesis uses an existing NoC simulation platform to construct a Network on Chip-based many-core system. The network is an 8_8 mesh topology. This thesis chooses LeNet5, ResNet, VGGNet, and AlexNet as the computing load, and tries to obtain a deep neural network mapping algorithm based on a NoC design method that can be widely used. By analyzing the data structure and operation methods of different deep neural networks, this thesis has discovered some key elements to improve the efficiency of NoC based many-core systems. These elements are: How to divide the different layers of the deep neural network into corresponding tasks? How to simplify the data flow between the tasks of the deep neural network? How to reduce the mutual interference between different data streams? And whether to use parallel execution strategies? In the end, this thesis chose the method of layer merging to reduce the total number of tasks and increase the range of DNN adapted to the NoC platform. The relay transmission mode is used in data transmission to reduce the mutual interference between packets. The depth-first search algorithm is used to reduce the data transmission distance while mapping tasks. The parallel execution mode is added to the platform to improve the throughput of the device when dealing with bursts of large amounts of data. The main technical indicators are the total number of operating cycles, the average transmission distance, and the output frequency during batch processing. / I denna avhandling används en befintlig NoC-simuleringsplattformför att konstruera ett nätverk på chip-baserat många kärnsystem. Nätverket är en 8_8 mesh-topologi. Målet med det här examensarbetet är att försöka få fram en kartläggningsalgoritm för djupa neurala nätverk baserad på enNoC-designmetod med brett användningsområde. För att åstadkomma detta väljs LeNet5, ResNet, VGGNet och AlexNet som datorbelastning. Genom att analysera datastrukturerna och beräkningsmetoderna för olika djupa neurala nätverk upptäcktes några nyckelelement för att förbättra effektiviteten hos NoC-baserade mångkärniga system. Dessa element är: Hur delar man upp de olika lagren i det djupa neurala nätverket i motsvarande uppgifter? Hur kan man förenkla dataflödet mellan uppgifterna i det djupa neurala nätverket? Hur minskar man den ömsesidiga störningen mellan olika dataströmmar? Ska man använda parallella exekveringsstrategier? I detta examensarbete valdes till slut metoden att sammanfoga lager för att minska det totala antalet uppgifter och öka omfånget av DNN anpassat till NoC-plattformen. Reläöverföringsläget används vid dataöverföring för att minska den ömsesidiga interferensen mellan paket. Under kartläggningen av uppgifterna används djup-först-sökningsalgoritmen för att minska dataöverföringsavståndet. Det parallella exekveringsläget läggs till plattformen för att förbättra enhetens dataflöde vid hantering av skurar av stora datamängder. De viktigaste tekniska indikatorerna är det totala antalet driftscykler, det genomsnittliga överföringsavståndet och utfrekvensen under satsvis bearbetning.

The accelerating growth of variable energy sources in the European market has brought to weather-dependent and less predictable generation profiles, which leads to a shift of the traded volumes from the day-ahead to the continuous intraday market because the latter is important for adjusting final imbalances. The undergoing transformation of the market introduces the need for improved trading solutions, seen already in the growing use of algorithmic trading, and for optimal market design, including the transmission capacity allocation management. In this context, the study presents the Available Transmission Capacity (ATC) and Flow-based Market Coupling (FBMC) methodologies for the calculation of interconnection capacities applied to an existing agent-based model framework for the European Continuous Intraday market. The model has been adapted to enable cross-border clearing of the orders through an enhanced process for order matching and the introduction of a capacity handling module. Therefore, the updated model is capable of studying the interactions and behaviors between the trading agents in a coupled market. Agents representing the renewable energy sources generators, the consumers and the thermal power plants are analyzed while adapting their bidding strategies in relation to the available transmission capacities on the market. It is observed that available transmission capacities in the simulations using the ATC method decrease faster compared to the simulations applying the FBMC method, therefore potentially hindering the ability of the agents to trade cross-border. The modified bidding strategy enables the traders to react to the interconnection capacity scarcity, eventually mitigating the risk of the agents to being exposed to imbalances, as unable to get transacted on the market. Additionally, from the assessment of different degrees of information asymmetry between the trading agents, it is seen how a single uninformed agent can impact on all the other actors active in the market. / Den ökande tillväxten av varierande energislag på den europeiska marknaden har lett till väderberoende och mindre förutsägbara produktionsprofiler, vilket medför att handelsvolymerna delvis skiftat från dagen-före till kontinuerlig inom-dagenhandel, eftersom den sistnämna är viktig för att justera de slutliga obalanserna. De pågående förändringarna på marknaden ger upphov till ett behov av förbättrade handelslösningar, vilket redan syns i form av det ökade användandet av algoritmisk handel, och av en optimal utformning av marknaden, inklusive fördelningen av transmissionskapacitet. I detta sammanhang presenteras i denna studie metoder baserade på tillgänglig överföringskapacitet (ATC) samt ödesbaserad marknadskoppling (FBMC) för att att beräkna överföringskapaciteter i en existerande agentbaserad modell av den europeiska kontinuerliga inom-dagenhandeln. Modellen har anpassats för att möjliggöra handel mellan prisområden genom en förbättrad process för att matcha bud och genom att införa en modul för att hantera kapacitet. Därigenom blir det möjligt att i den uppdaterade modellen studera samspel och beteenden mellan agenterna på en sammankopplad marknad. Agenter som representerar förnybara elproducenter, konsumemter och termiska kraftverk analyseras när de anpassar sina budstrategier utifrån den tillgängliga transmissionskapaciteten på marknaden. En observation är att den tillgängliga transmissionskapaciteten minskar snabbare då ATC-metoden används jämfört med simuleringar då FBMC-metoden tillämpas, vilket kan hindra agenterna från att handla mellan olika prisområden. Den modifierede budstrategin gör det möjligt för agenterna att reagera på begränsad överföringskapacitet, vilket minskar risken för att de får en obalans som inte kan justeras på marknaden. Dessutom visar en utvärdering av olika grader av informationsasymmetri mellan agenterna att en enskild oinformerad agent kan påverka alla övriga aktörer som är aktiva på marknaden.

Advanced Driving-Assistance Systems such as blind-spot warning and collision avoidance are crucial systems for creating a safer and more sustainable traffic environment. A prerequisite for the safe operation of these types of systems is the classification of objects in the vicinity of the ego vehicle, based on data from automotive sensors such as lidars and radars. These sensors generate a time sequence of data for each object by repeatedly measure the time-dependent features of the object. The length of each sequence increases with time as more measurements are made of the same object. Incorporating more measurements of each object into the class prediction could be beneficial to accuracy, but this delays the classification result, which can be dangerous in time-critical traffic situations. Thus, there is a possible trade-off between early and accurate classification. In this thesis, the early classification accuracy of Long Short-Term Memory (LSTM) classifiers are evaluated by distinguishing surrounding vehicles from static objects in sequential data collected by automotive radars mounted on a heavy goods vehicle traveling on the highway. The thesis evaluates four different approaches of incorporating the sequential data of each object into the class prediction using LSTMs. The results show that the overall classification accuracy of the LSTMs across all classes increases as the length of the sequences increases from performing more measurements on the same object. However, the results also show that the accuracy of the LSTMs on an individual class can decrease as more measurements are collected. / Avancerade förarstödssystem som till exempel varnar för kollision och för fordon i döda vinkeln är viktiga för en säkrare och mer hållbar trafikmiljö. För att dessa system ska kunna fungera säkert krävs att olika typer av objekt i närheten av fordonet kan klassificeras baserat på den data som samlas in från sensorer på fordonet, så som lidar och radar. Dessa sensorer genererar en sekvens av data för varje objekt genom att vid upprepade tillfällen mäta tidsberoende storheter för varje närliggande objekt. De upprepade mätningarna av varje objekt resulterar i att längden av varje sekvens ökar med tiden. Det är troligt att mer insamlad data för ett objekt förbättrar klassificeringen av objektet, men det fördröjer också klassificeringen vilket kan var farligt i tidskritiska trafiksituationer. Systemet måste därför troligtvis göra en avvägning mellan att klassa tidigt och att uppnå hög noggrannhet i klassificeringen. I detta examensarbete undersöks noggrannheten i tidig klassificering för Long Short-Term Memory (LSTM), genom att särskilja fordon från statiska objekt i radardata. Data samlas in från radar monterade på en lastbil som färdas på motorväg. Fyra olika metoder för att inkorporera sekvensdatan i klassificeringen testas. Resultaten visar att noggrannheten i klassificeringen för LSTMs ökar när längden av sekvensen av data ökar genom upprepade mätningar av samma objekt, om man tar alla klasser i beaktning. Resultaten visar dock också att noggrannheten i klassificeringen för enskilda klasser kan minska när längden av sekvensen ökar.

Voice conversion systems are becoming more relevant as the popularity of voice technologies is growing with the increased adoption of voice assistants and the increased demand for speech-based interfaces in recent years. This scenario would not have been possible without the latest developments in the generative deep learning field, where novel neural networks architectures such as generative adversarial networks (GANs) are providing researchers with previously unimaginable possibilities in the creation of synthetic media. In the field of speech synthesis, voice conversion through deep learning has shown to be the most promising approach, especially for real-life scenarios where it is not possible to have the same sentence uttered by both the source and target speaker. The most recent example that has outperformed the previous approaches for non-parallel voice conversion is StarGAN-VC, which makes use of a single pair of generator and discriminator that allows conversions between multiple speakers. Nonetheless, some limitations of GANs, in general, are the long time they take to train, due to their adversarial nature, and the instability during the training, which often leads to problems such as overfitting. Recently, a big focus from the deep learning community has been placed on trying to solve these issues during training. This is the example of the Top-K methodology, which consists of training the generator only with the best K generated fake samples that achieved to fool the discriminator, throwing away the bad ones. However, this methodology has only been applied to image-related deep learning tasks and to simple GAN architectures. In the present work, we show that applying the Top-K methodology to a state-of-the-art voice conversion system such as StarGAN-VC can significantly improve the quality of the converted voices, obtaining a quicker convergence of the model and improving the stability during training. We also perform a novel study about the most optimal moment for starting to apply the Top-K methodology and how to reduce the value of K during the training. For achieving this purpose, we conduct a quantitative and qualitative study of the results due to the lack of a golden standard metric for the voice conversion evaluation and because of the inherently subjective nature of the speech perception. / Röstkonverteringssystem blir mer relevanta i takt med att röstteknikens popularitet växer med det ökade antagandet av röstassistenter och den ökade efterfrågan på talbaserade gränssnitt under de senaste åren. Detta scenario skulle inte ha varit möjligt utan den senaste utvecklingen inom det generativa djuplärande området, där nya neurala nätverksarkitekturer som generativa motstridiga nätverk (GAN) ger forskare tidigare oanade möjligheter i skapandet av syntetiska medier. Inom området talsyntes har röstkonvertering genom djupinlärning visat sig vara det mest lovande tillvägagångssättet, speciellt för verkliga scenarier där det inte är möjligt att få samma mening uttalad av både källan och måltalaren. Det senaste exemplet som har överträffat de tidigare metoderna för icke-parallell röstkonvertering är StarGAN-VC, som använder sig av ett enda par generator och diskriminator som tillåter konverteringar mellan flera högtalare. Icke desto mindre är några begränsningar för GAN i allmänhet den långa tiden det tar att träna, på grund av deras motståndskraft, och instabiliteten under träningen som ofta leder till problem som överanpassning. Nyligen har ett stort fokus från deep learning communityn lagts på att försöka lösa dessa problem under utbildningen. Det här är exemplet på Top-K-metoden, som består av att träna generatorn endast med de bästa K-genererade falska samplen som uppnåddes för att lura diskriminatorn och kasta bort de dåliga. Denna metod har dock endast tillämpats på bildrelaterade djupinlärningsuppgifter och på enkla GAN-arkitekturer. I detta arbete visar vi att tillämpning av Top-K-metoden på ett toppmodernt röstkonverteringssystem som StarGANVC avsevärt kan förbättra kvaliteten på de konverterade rösterna, erhålla en snabbare konvergens av modellen och förbättra stabiliteten under träningen. Vi utför också en ny studie om det mest optimala ögonblicket för att börja tillämpa Top-K-metoden och hur man kan minska värdet på K under utbildningen. För att uppnå detta syfte genomför vi en kvantitativ och kvalitativ studie av resultaten på grund av avsaknaden av en gyllene standard för utvärdering av röstkonvertering och på grund av taluppfattningens inneboende subjektiva karaktär.

This paper explores novel experiential qualities of the voice in Audio Subtitles through research through design. Audio subtitles is an accessibility service for users who have trouble comprehending subtitles in audiovisual content and has been newly developed for video on demand platforms such as SVT Play. In order to explore possibilities in its voice design, short video clips of films and TV series with different types of audio subtitles were produced, presented to and discussed with a small number of potential users of audio subtitles that included people with dyslexia, cognitive difficulties and autism. Results indicated that applied voices that did not support the user’s expectations, low and high pitches as well as low-quality speech synthesis, made for uncomfortable experiences, which could prove to be useful for provoking reflection and challenging norms. The paper also discusses how voice design for this service has the potential to match the filmmakers intentions by translating more than semantic information, as well as how audio subtitles could potentially be produced by professional sound designers and filmmakers instead of video on demand services. Finally, challenges such as misgendering and insensitive choices of voice in voice design for audio subtitles are considered, underscoring how ethics can’t be avoided when working with the voice modality. / Denna uppsats utforskar nya kvaliteter av rösten i uppläst undertext genom research through design, en metod där kunskap skapas genom design processen och reaktioner till design. Uppläst undertext är en tillgänglighetstjänst för användare som har problem med att läsa och följa undertexter i audiovisuellt innehåll och har nyligen utvecklats för video on demand-plattformar som SVT Play. För att utforska möjligheter i dens röstdesign producerades korta videoklipp av filmer och TV-serier med olika typer av uppläst undertext. De presenterades för och diskuterades med ett litet antal potentiella användare av tjänsten, bland dem personer med dyslexi, kognitiva svårigheter och autism. Resultaten indikerade att röster som inte stödde användarens förväntningar, låga och höga tonhöjden samt talsyntes av låg kvalitet, gav obehagliga upplevelser, vilket kan visa sig vara användbart för att framkalla reflektioner och utmana normer. Uppsatsen diskuterar även hur röstdesign för uppläst undertext har potentialen att efterlikna filmskaparnas avsikter genom att översätta mer än semantisk information, och hur ljudundertexter kan produceras av professionella ljuddesigner och filmskapare istället för video on demand tjänster. Slutligen tas utmaningar som felaktig könsbestämning och okänsliga röstval i röstdesign för uppläst undertext i hänsyn, vilket understryker hur etik inte kan undvikas när det arbetas med röst-modaliteten.

Even though mobile voice user interfaces have been available for several years, their use in the public space is still low. Voice user interfaces (VUI) introduce a new and highly visible behaviour, which raises questions if or where their use is socially acceptable. The social acceptability of mobile voice user interfaces and interactions has not been defined before, and there is a lack of knowledge about how to measure and evaluate it. This thesis aims to increase the understanding of the social acceptability and social acceptance of mobile voice user interfaces, to gather more knowledge on how the social acceptability of mobile VUIs can be measured, and to reflect on the suitability of evaluation methods that could be used for such measurement. After a literature review, we defined and explained essential aspects of the social acceptability of VUIs. We followed four out of eight steps of DeVellis’s scale development methodology and suggested a multi-item scale draft for the measurement of social acceptability of voice user interfaces. We also presented a summary of evaluation methods used for the measurement of social acceptability, and we designed our own low-fi pictogram video prototype. A version of our multi-item measurement scale (draft V3) was evaluated on the example of Siri voice assistant with two evaluation methods (in situ and with pictogram videos). Evaluations resulted in recommendations for the removal or revision of the existing scale items and the inclusion of new items. Partly controlled in-situ evaluation is our preferred method for evaluating the social acceptability of VUIs. Some degree of control of the setting (location, time of the day) would likely improve the consistency of the surrounding and ensure better condition for the analysis of the data. Our pictogram style video prototype was good in preventing bias and creating a situation where participants would imagine reactions of others instead of observing actors’ reactions. Evaluation based on a video prototype suffered from several issues: lower empathy, lower clarity and differentiation between statements, underestimation of comfort, misjudgement of the effect of the audience, and overall – incorrectly imagined reactions. We conclude that the pictogram video method did not give a close estimation of the real situation. / Även om mobila röstanvändargränssnitt har varit tillgängliga i flera år har användningen inte spridit sig brett bland allmänheten. Röststyrda användargränssnitt (eng. Voice User Interfaces (VUI)) introducerar ett helt nytt och mycket synligt sätt att kommunicera vilket väcker frågor om huruvida, och i sådana fall i vilka sammanhang, deras användning är socialt acceptabelt. Social acceptabilitet av mobila röstanvändargränssnitt har inte varit definierad tidigare och det råder kunskapsbrist om hur man kan mäta och utvärdera detta. Denna uppsats har för avsikt att öka förståelsen av social acceptabilitet och social acceptans av mobila röstanvändargränssnitt, att utforska hur den sociala acceptabiliteten av mobila VUI kan mätas, och att reflektera över lämpligheten av utvärderingsmetoder som kan användas för sådan mätning. Efter att ha gått igenom relevant litteratur har vi definierat och förklarat viktiga aspekter inom den sociala acceptansen av VUI. Vi följde fyra av de åtta stegen inom DeVellis metod för skalutveckling och föreslog en skala med 32 items för att kunna mäta den sociala acceptabiliteten av VUI. Vi gjorde också en sammanställning av metoder för att utvärdera social acceptabilitet och vi designade vår egen lo-fi piktogram-videoprototyp. En version av vårt mätinstrument (utkast V3) utvärderades genom exemplet med Siri röstassistent med två utvärderingsmetoder (in situ och med piktogramvideor). Dessa utvärderingar resulterade i rekommendationer för borttagning och revidering av föreliggande skalelement, och integration av nya items. Vår föredragna metod för att utvärdera social acceptabilitet av VUI är delvis kontrollerad in-situ utvärdering. Viss kontroll av omgivningen (plats, tid på dygnet) skulle sannolikt göra att förutsättningarna blev mer likvärdiga och säkerställa bättre villkor för dataanalysen. Vår piktogram-videoprototyp tjänade till att förhindra bias och till att skapa situationer där deltagarna kunde föreställa sig andra människors reaktioner istället för att betrakta skådespelares reaktioner. Utvärdering baserad på video prototypen uppvisade flera brister: lägre empati, lägre tydlighet och skillnad mellan påståenden, underskattning av bekvämlighet, missbedömning av betraktareffekten och sammanlagt fel föreställda reaktioner. Grundat på detta drar vi slutsatsen att metoden med piktogram-video inte korrekt återgav den verkliga situationen.

Osteoarthritis (OA) is the world’s most common joint disease caused by a degeneration of the cartilage. Its treatment is possible through early detection and symptom care. By understanding the risk of progression of Osteoarthritis and facilitating the consultation of patients and doctors at an early stage this care can be provided. This thesis focuses on uncovering the core considerations that are to be taken when designing an interactive tool that will help both patients and doctors in the care of early knee OA. This thesis uses the Algoa Progress prediction, which predicts and quantifies a patient’s Osteoarthritis risk evolution based on MRI images and weight changes. The methods used are divided into three areas, qualitative user requirement gathering, an iterative design process and an evaluation process. An interface prototype was developed after co-design sessions, and by using a mock consultation as the evaluation process it was uncovered that it was beneficial to have separate interface views for the doctors and the patients. Moreover by engaging patients by means of a slider interaction with the interface, there was feelings of inclusion and increased patient-doctor engagement. Doctors were found to trust the designed interface for medical decisions more, due to the use of weight as the only modifiable risk factor. Through a final analysis of the methodology findings, the core considerations for designing an interface for consultations involved in early OA treatment include unifying the needs of doctors and patients through two views, keeping human factors in the loop through control, trust and cultural considerations, and leveraging involvement through interaction to motivate positive behavioural changes. / Artros (Osteoartrit) är världens vanligaste ledsjukdom och orsakas av en degeneration av brosket. Sjukdomen är kronisk, men symtomen kan behandlas om diagnosen ställs på ett tidigt stadium. Kartläggning av riskfaktorer och samråd mellan läkare och patienter i ett tidigt skede är centrala i denna process. Den här avhandlingen fokuserar på att undersöka vilka överväganden som är centrala vid utformning av ett interaktivt verktyg för samråd mellan läkare och patienter vid behandling av tidig knäartros. Utgångspunkten är Algoa Progress modellen som förutsäger och kvantifierar riskutvecklingen hos patienter med artros baserat på magnetröntgenbilder och viktförändringar. Processen har varit indelad i tre faser: en kvalitativ insamling av användarkrav, en iterativ designprocess och en utvärderingsprocess. En gränssnittsprototyp utvecklades i samråd med läkare och patienter och utvärderades genom att rollspela läkarkonsultationer. Utvärderingen visade på fördelen med att ha separata gränssnitt för respektive användargrupp, ett för patienter och ett för läkare. För patienter ökade interaktionen med patientgränsnittet känslan av inkludering och engagemang mellan läkare och patienter. Läkare visade sig lita mer på det andra gränssnittet eftersom det gav dem mer kontroll. Sammantaget indikerar resultaten flera centrala överväganden som bör göras vid design av ett gränsnitt för samråd mellan läkare och patienter vid behandling av tidig artros. Dessa inkluderar att: förena läkares och patienters behov genom separata gränssnitt, bibehålla de mänskliga aspekterna i interaktionen mellan läkare och patienter genom att ge dem kontroll över interaktionen ,ta hänsyn till tillit och kulturella skillnader, utnyttja engagemang genom interaktion för att motivera positiva beteendeförändringar.

By adding interaction to information visualization, it is possible to fully exploit the opportunities of visualizing data. Interactivity gives room for exploratory analysis and will increase user engagement. This thesis was set out to find opportunities and challenges to increase user engagement and exploratory analysis by transforming a static insights report into an interactive visualization tool. The tool was built as a proof of concept and evaluated using think aloud observations and semi structured interviews. Opportunities that were found was that the tool allowed transparency which increased trust and understanding. The tool also allowed for exploration and therefore provided more information than the static report did. However, the static slides were found to be preferred for presenting insights due to its author-driven narrative. A combination of the static report and the interactive tool were found to be the ultimate solution. Such combination would balance the author-driven story with a reader-driven exploration. / Genom att lägga till interaktion till informationsvisualisering så går det att utnyttja de möjligheter som ges av att visualisera data. Interaktion ger utrymme för att utforska data och kommer öka engagemanget hos användare. Denna studie fastställdes för att hitta möjligheter och utmaningar för ökat engagemang hos användare och utforskande analys genom att transformera en statisk rapport av insikter till ett interaktivt visualiseringsverktyg. Verktyget byggdes som ett koncepttest and testades genom think aloud-observationer och semistrukturerade intervjuer. De möjligheter som hittades var att verktyget tillät transparens vilket medförde ökad tillit och förståelse för data. Verktyget gav också utrymme för att utforska data och gav därmed mer information än den statiska rapporten. Den statiska rapporten var dock att föredra för att presentera insikter på grund av dess författare-drivna narrativ. En kombination av den statiska rapporten och det interaktiva verktyget visade sig vara den ultimata lösningen. En sådan kombination skulle balansera den författar-drivna berättelsen med det läsar-drivna utforskandet av data.

Commercial non-digital fidget devices have over the last few years been popularized and used as toys, but they are also proven helpful for emotional and cognitive self-regulation. The aim of this study was to explore which qualities in smart fidget devices are most engaging for people in need of affective regulation support and how these qualities can be used to design smart fidget devices in the future. Three different design probes were developed using a research-through-design methodology, putting the artifacts in focus of the knowledge contribution. The probes were thereafter deployed in a diary study with ensuing interviews. This paper presents a series of insights into every day fidgeting, especially how smart fidget devices potentially could facilitate regulation of affectives states. The design process together with the diary study shows that smart fidget devices should afford qualities that provide distinct tactile sensations, are easy for the user to make sense of, and allows absentminded fidgeting. / Kommersiella icke-digitala fidget-enheter, på svenska ofta kallade stressleksaker, har under de senaste åren blivit allt mer populära och används ofta för lek, men de har också visat sig vara användbara för både emotionell och kognitiv självreglering. Syftet med den här studien var att undersöka vilka kvaliteter i smarta fidget-enheter som är engagerande för människor i behov av känsloreglering och hur dessa kvaliteter kan användas för att utforma smarta fidget-enheter i framtiden. Tre olika designer utvecklades med hjälp av Research through Design, en metod som sätter design i fokus för det förväntade kunskapsbidraget. Designerna lämnades därefter ut till deltagare i en dagboksstudie med efterföljande intervjuer. Denna studie presenterar en rad insikter om fidgeting i vardagen, i synnerhet hur smarta fidget-enheter potentiellt kan underlätta reglering av olika affektiva tillstånd. Designprocessen tillsammans med dagboksstudien visar att smarta fidget-enheter ska ha egenskaper som tillhandahåller distinkta taktila sinnesintryck, är lätta för användaren att förstå och tillåter tankspridd fidgeting.

Venture capital investors are constantly exposed to high levels of risk in investment scenarios. To lower that risks, various decision support tools can be exploited, such as machine learning models aimed at predicting startup success. In the related work, we observe a lack of deep learning models and solutions that cater to the time-dependent features that are naturally present in the data. This thesis compares two state-of-the-art deep learning models, and inherently their different temporal representations, in their ability to capture long-term dependencies in both time-dependent and static data. We consider the sequential Long Short-Term Memory (LSTM) and the attention- based Transformer in the comparison, motivated by their popularity and contrasting approaches to temporal representation. The method solves a binary classification problem: given time-dependent and static features describing a company, predict whether this company will have intense employee growth in the coming period. The thesis raises questions regarding the suitability of the Transformer under certain data conditions, and establishes that the LSTM is successful in representing long-term dependencies in the data, both with and without the influence of static features. / Riskkapitalinvesterare är konstant utsatta för hög risk i investeringsscenarion. För att minska risken kan olika beslutsstödsverktyg utnyttjas, såsom maskininlärningsmodeller avsedda för att prediktera framgången hos nystartade bolag. I relaterade studier observerar vi en brist på djupinlärningsmodeller och lösningar som möjliggör användning av tidsberoende variabler som är naturligt närvarande i datan. Uppsatsen jämför två av de främsta djupinlärningsmodellerna och deras inneboende tidsrepresentationer i deras förmåga att fånga långsiktiga beroenden i både statisk och tidsberoende data. I jämförelsen ingår den sekventiella LSTM- modellen samt den ’attention’-baserade Transformern, vilket motiveras av deras popularitet och mycket skilda sätt att representera tid. Metoden löser ett binärt klassificeringsproblem: givet tidsberoende och statisk data som beskriver ett företag, förutse om företaget kommer att växa intensivt i antalet anställda den kommande perioden. Uppsatsen väcker frågor kring Transformerns lämplighet under specifika förhållanden, och fastställer att LSTM-modellen framgångsrikt kan fånga långsiktiga beroenden, både med och utan påverkan av statisk data.