Deep neural networks (DNNs) based on satellite and radar data have shown promising results for precipitation nowcasting, beating physical models and optical flow for time horizons up to 8 hours. “MetNet”, developed by Google AI, is a 225 million parameter DNN combining three different types of architectures that was trained on satellite and radar data over the United States. They claim to be the first machine learning model to outperform physical models at such a scale. In this work, we implemented a similar but simplified model trained on radar-only Swedish data, with the aim to perform precipitation nowcasting for up to 2 hours into the future. Furthermore, we compare the model to another, simpler model that omits the spatial aggregator of the DNN architecture which is a state-of-the-art vision transformer. Our results show that, although the adopted training dataset was too small to prevent overfitting, the model is still able to outperform the persistence benchmark for lead times longer than 30 minutes with a threshold of 0.2mm/h precipitation. Our simplified model, perhaps unsurprisingly, is outperformed by MetNet because of having too few training data samples or variances in the models’ implementation. We show, nonetheless, that the adopted spatial aggregator fulfills a vital role as expected, aggregating global information into spatial and temporal contexts.  Due to the limitations imposed by the reduced size of the model, we cannot, unfortunately, draw definitive conclusions on whether a radar-only model could yield similar forecast skills as MetNet. To improve on these results, more training data is certainly needed. This would require that more robust computation resources are available, but pre-training the model on a larger dataset — or even implementing a model that takes in different geographical locations for training — can naturally lead to significant improvements in the predictions. / Djupa neurala nätverk (DNN) baserade på satellit och radar data har gett bra resultat för korta nederbördsprognoser och kan slå fysikaliska modeller och optical flow f ̈or prognoser upp till 8 timmar i framtiden. “MetNet” ̈ar ett 225 million DNN publicerat av Google som kombinerar tre olika typer av djupa arkitekturer, det är tränat på satellit och radar data över USA och är enligt dom den första maskininlärningsmodellen som presterar bättre än fysikaliska modeller. I denna uppsats har vi konstruerat en modell som liknar deras på ett nedskalat problem. Vi har färre parametrar, lägre upplöst data, endast 2 timmar prognostisering och använder bara radar data över Sverige för att träna modellen. Vi använder F1-score för att evaluera modellens prestanda och jämför prognosen mot persistens som referens. Vidare undersöker vi en mindre komplicerad modell där den tredje arkitekturen inte används för att se vilken roll vision transformern har. Våra resultat visar att datasetet vi tränat på är för litet och modellen överanpassas men modellen lyckas ändå slå persistens referensen för prognoser 30–120 minuter när en 0.2mm/h regntröskel tillämpas. Resultaten är sämre än MetNet av Google och vi kan inte dra några slutsatser huruvida en modell med endast radar-data skulle kunna ge liknande resultat eller inte, eftersom modellen inte tränats till dess fulla potential. Vi visar att den tredje arkitekturen, vision transformern, är en viktig del av nätverket och aggregerar global information till lokala kontexter över tid och rum. För att förbättra våra resultat skulle vi pröva att låta modellen träna på det amerikanska datasetet använt av Google och implementera en modell vars input varierar geografisk position.

The global pandemic has impacted daily life significantly, particularly in China. Fears of the virus, in addition to stay-at-home policies made more and more people choose to shop online instead of going to a brick-and-mortar store. Existing research shows that online shopping can reduce energy consumption and positively affect the eco-environment and sustainable development compared with traditional shopping. In this study, minor redesigns involving green certification are implemented to the Hema Fresh, an online grocery shopping application under Alibaba. An interactive prototype was created on Figma and evaluated with regular users of the application, based in Shanghai. The purpose is to study how design considerations related to green certification labeling influence consumers in online grocery shopping platform in China. The results indicate that a majorty of consumers respond positively to green certifications but not from a sustainability aspect, but rather from a health aspect. Chinese consumers’ understanding and cognition of green product labels are influenced by social advocacy and cultural background, and there are some similarities and differences with the cognition in Western society. / Sedan pandemin började har människors dagliga liv förändrats avsevärt. Av rädsla för viruset och policyer för att stanna hemma väljer fler och fler människor att handla online istället för att gå till en fysisk butik. Befintlig forskning visar att näthandel kan minska energiförbrukningen och positivt påverka miljön och hållbar utveckling jämfört med traditionell shopping. I den här studien genomfördes gränssnittsdesignen för Hema Fresh, en onlineapplikation för matkonsumtion som ägs av Alibaba, och en prototyp gjordes i Figma. Hema Fresh-användare som bor i Shanghai bjöds in att genomföra ett semistrukturerat användarupplevelsetest. Syftet är att studera vilken diskussion som rör hållbarhet och andra aspekter som kan inspireras av kinesiska konsumenter av onlinematinköpsplattformar med införandet av grön certifiering. Resultaten tyder på att sex av åtta deltagare köper produkter med gröna livsmedelsmärkningar, vilket visar att hushållskonsumenter som bor i storsstäder och med goda ekonomiska förutsättningar tenderar att köpa produkter med gröna märkningar. Kinesiska konsumenters förståelse och insikt om gröna produktetiketter påverkas av social påverkan och kulturell bakgrund, och det finns vissa likheter och skillnader med kognitionen i det västerländska samhället.

This project follows a Research through Design approach and through autobiographical design explores the question of how Interaction Design can support Lipoedema patients, by helping them cope with their body image in everyday life. Building on the concept of self-management for people with chronic medical conditions and a conscious connection between body and mind, I created a set of artefacts. The set of artefacts was connected to specific a interaction for each artefact, giving them a more meaningful purpose. Through living with these three artefacts, I was able to identify tensions revolving around themes of self-acceptance, discomfort and vulnerability. These are important when designing, not only for people diagnosed with Lipoedema, but also for any user group struggling with similar issues, such as body image. / Detta projekt följer ett forskning-genom-design tillvägagångssätt och genom autobiografisk design utforskas frågan om hur interaktionsdesign kan stötta Lipödem patienter genom att hjälpa dom förbättra sin kroppsbild i vardagen. Genom att bygga på själv-hanterings konceptet för människor med kroniska sjukdomar och med en medveten koppling mellan kropp och sinne, skapade jag en uppsättning av artefakter. Vardera artefakt var kopplade till specifika interaktioner för att på så sätt ge dom en djupare betydelse. Genom att leva med dessa tre artefakter, kunde jag utforska teman rörandes självacceptans, obehag och sårbarhet. Dessa är framför allt viktiga när man designar för människor med Lipödem men också för andra grupper av människor som kämpar med liknande problem, såsom kroppsbild.

Users are shifting from traditional TV to video streaming platforms because of the flexibility of using these media. However, most studies on accessibility in media streaming platforms explore physical impairments. Despite ADHD and dyslexia affecting around 5 and 10 percent of the population, studies combining the experience in streaming services and this neurodiverse group are still limited. This study aims to understand how people with ADHD and dyslexia experience video streaming platforms. The investigation involved recruiting people from this neurodiverse population who consume streaming and facilitate sessions with semi-structured interviews and co-design. The results show that the participants did not always show empowerment to express their needs. The study suggests an explanation of the topics that will be covered during the sessions to prepare the participant for the co-design. By doing so, the participants can reflect on their experiences beforehand. Similarly, sending them a summary of how the design methodology works might help participants understand the importance of the process, giving them more empowerment before the session starts. These suggestions can support future studies involving this neurodiverse group to be more inclusive. / Mediakonsumenter flyttar från traditionell TV till streamingplattformar eftersom de är mer flexibla. De flesta studierna om tillgänglighet på streamingplattformar handlar däremot enbart om fysiska funktionsnedsättningar. Trots att ungefär 5 till 10 procent av befolkningen antingen har ADHD eller dyslexi är de få studier som tar upp neurodiversitet i samband med streamingtjänster. Den här studien försöker förstå hur personer med ADHD eller dyslexi upplever videostreamingplattformar. Undersökningen gick ut på att personer från den neurodiversa gruppen som använde streamingplattformar fick delta i semi-strukturerade intervjuer och co-design-sessioner. Resultaten visar att deltagarna ibland inte kände att de hade möjligheten att säga vad de tyckte. Den här studien föreslår att de ämnen som ska behandlas förklaras på förhand så deltagarna kan förbereda sig inför sessionen. Deltagarna kan på så sätt reflektera över sina egna erfarenheter på förhand. Att skicka en sammanfattning av hur designmetodik fungerar kan också hjälpa deltagarna förstå vikten av designprocessen, vilket stärker dem innan sessionen börjar. Den här förslagen är några sätt att öka gruppens makt i design-sessioner som möjliggör att framtida studier kan bli mer inkluderande.

Sedentary behavior is linked to numerous adverse effects on a person’s health, such as obesity, depression, and a higher risk of cardiovascular events. Professions that are primarily sedentary have increased due to the growth of office-related occupations, one of which is software engineering. A potential intervention to reduce sedentary behavior is to utilize new interactive technologies such as virtual reality (VR) to change the work context and allow software engineers to interact with their work environment in a more embodied manner. This study has designed and evaluated a visual programming language (VPL) in VR for its potential to reduce sedentary behavior and its compromise on usability. Ten participants solving simple programming tasks using the VPL in VR revealed the potential of reducing continuous sedentary behavior with light physical activity. The main contributor to this activity was the need to walk to and from interactive elements placed a few meters from each other in the design. However, the usability evaluation showed that users modify the environment over time to reduce this distance such that less walking is needed. In contrast, movement induced by navigating to code blocks and getting an overview of the current state of the work had positive marks and a high contribution to the observed movement. Lastly, the second contributor to physical activity was moving blocks around. The usability evaluation indicates that using VR controllers was slower than using a mouse but allowed more precise interactions. / Stillasittande beteende har ett flertal negativa effekter på en persons hälsa, såsom obesitas, depression och en högre risk för kardiovaskulära händelser. Yrken som främst är stillasittande har ökat på grund av tillväxten av yrken som är kontorsbaserade, till exempel mjukvaruutveckling. Ett potentiellt ingripande för att minska stillasittande beteende är att använda nya interaktiva tekniker, så som virtuell verklighet (VR) för att förändra arbets kontexten och låta mjukvaruingenjörer interagera med sin arbetsmiljö på ett mer förkroppsligat sätt. Denna studie har utvecklat och utvärderat en visuellt programmeringsspråk (VPL) i VR för dess potential att minska stillasittande beteende och dess kompromiss på användbarhet. Tio deltagare som löste enkla programmeringsuppgifter med hjälp av VPL i VR visade potentialen för att bryta upp stillasittande beteende med lätt fysisk aktivitet. Den främsta bidragsgivaren till den observerade aktivitet var behovet av att gå till och från interaktiva element placerade med några meter avstånd från varandra. Utvärderingen visade dock att användare modifierar miljön över tid för att minska detta avstånd så att man behöver gå mindre. Däremot hade rörelser när man behöver navigera till kodblock och få en överblick över arbetet positiva kommentarer och ett högt bidrag till den observerade aktiviteten. Slutligen var aktiviteten att flytta runt block den handling som bidrog näst mest till den observerade fysisk aktivitet. Utvärderingen av användbarheten indikerar att VR-kontroller var långsammare än att använda en mus men tillät mer tillförlitliga interaktioner.

A denoising autoencoder is a type of neural network which excels at removingnoise from noisy input data. In this project, a denoising autoencoder isoptimized for removing noise from mobile positioning data. The mobilepositioning data with noise is generated specifically for this project. In orderto generate realistic noise, a study in how real world noise looks like is carriedout. The project aims to answer the question: can a denoising autoencoderbe used to remove noise from mobile positioning data? The results showthat using this method can effectively cut the noise in half. In this reportit is mainly analyzed how the amount of hidden layers and respective sizesaffected the performance. It was concluded that the most optimal design forthe autoencoder was a single hidden layer model with multiple more nodes inthe hidden layer than the input and output layer. / En brusreducerande autoencoder är ett sorts neuralt nätverk som är specialiserat för att ta bort brus från indata. I detta projekt optimeras en brusreducerande autoencoder för att ta bort brus från mobilpositioneringsdata. Till projektet skapades helt ny mobilpositioneringsdata med realistiskt brus. Detta gjordes genom att studera hur verkligt brus ser ut och skapa ett program som efterliknar detta. Projektets syfte var att undersöka om en brusreducerande autoencoder kan användas för att ta bort brus från mobilpositioneringsdata. Resultaten visar att metoden kan ta bort ungefär hälften av bruset. I rapporten undersöks och analyseras även hur antalet dolda lager och antalet noder i dessa lager påverkade mängden brus som autoencodern lyckades ta bort. Från de gjorda testerna drogs slutsatsen att den mest optimala designen var en enkel design med ett enda dolt lager som hade betydligt fler noder än input- och outputlagren.

After the Paris Agreement, the people of the world have a more clear understanding of the goals to combat climate change and reduce carbon emissions. Previous studies have shown that improving people's carbon literacy could play a role in achieving ambitious climate emission targets. Being the country with the largest carbon emission and the largest population, more efforts should be made to increase environmental awareness and promote carbon literacy among Chinese people. This study investigates the features of such a game intended to raise awareness on carbon emissions in China. The study involves the design and development of the game and the insights learnt from the process. The goal of this project is to design and develop a mobile game. In this game, the player interacts with a virtual pet penguin. During the interaction, emotional attachment could be developed. This study investigates the features of such a game that can raise awareness on carbon emissions in China. This game aims to promote carbon literacy among Chinese young adults, focusing on eating habits, garbage classification and carbon emissions due to traditions. According to the evaluation of this game, it is possible for such a virtual pet game to raise carbon literacy in China. / Efter Parisavtalet har världens människor en tydligare förståelse för målen för att bekämpa klimatförändringarna och minska koldioxidutsläppen. Tidigare studier har visat att en förbättring av människors koldioxidkunnighet kan spela en roll för att uppnå ambitiösa klimatmål. Eftersom det är det land som har de största koldioxidutsläppen och den största befolkningen, bör fler ansträngningar göras för att öka miljömedvetenheten och främja koldioxidkunnighet bland kineser. Denna studie undersöker egenskaperna hos ett sådant spel som syftar till att öka medvetenheten om koldioxidutsläpp i Kina. Studien involverar design och utveckling av spelet och de insikter man lärt sig från processen. Målet med detta projekt är att designa och utveckla ett mobilspel. I det här spelet interagerar spelaren med en virtuell husdjurspingvin. Under interaktionen kunde känslomässig anknytning utvecklas. Denna studie undersöker egenskaperna hos ett sådant spel som kan öka medvetenheten om koldioxidutsläpp i Kina. Det här spelet syftar till att främja kolkunskap bland kinesiska unga vuxna, med fokus på matvanor, klassificering av skräp och koldioxidutsläpp på grund av traditioner. Enligt utvärderingen av detta spel är det möjligt för ett sådant virtuellt husdjursspel att höja koldioxid kunnigheten i Kina.

Neural networks have been shown to have astounding performance on a variety of different machine learning tasks and data sets, both for synthetic and real-world data.However, in spite of their widespread usage and implementation, the convergence and the training dynamics of neural networks are neither trivial, nor completely understood. This project regards investigating what some researchers refer to as the Spectral Bias of neural networks. Neural networks have been seen during training to initially fit to data of lower complexity rather than high. That is, the network learns features of the target that in the Fourier domain corresponds to lower frequencies first, before it learns features that correspond to high frequencies. In this thesis, a quantitative way of measuring this bias is proposed, and empirical experiments are able to show the prevalence of the spectral bias with respect to this measure. The experiments compare how different network parameters, architectures, and optimizers affect the network's ability to find high frequency content during training. Both tailored experiments with synthetic target functions, and real-world data are considered. The machine learning problems investigated in this report are low dimensional regression problems. The real-world problem is natural image regression, and is performed on the DIV2K data set used in the NTIRE challenge on Single Image Super Resolution (SISR). The proposed measure shows that there exists a spectral bias in this task as well, indicating that it does not only occur in simulated data and controlled experiments, but also in data from real-world applications. / Neurala nätverk har påvisats prestera utomordentligt på flertalet olika sorters maskininlärningsproblem och dataset. Trots dess utbredda användning och implementation är likväl inte dess konvergens och träningsbeteende varken triviala, eller fullt förstådda. Den här uppsatsen undersöker vad vissa forskare benämner spectral bias hos neurala nätverk. Neurala nätverk har observerats att först anpassa sig till data med låg komplexitet, före hög. Med andra ord, nätverken lär sig de egenskaper hos målfunktionen som motsvarar låga frekvenser i Fourierdomänen först, innan de anpassar sig till de som motsvarar höga frekvenser. I den här rapporten föreslås ett kvantitativt sätt att mäta spectral bias, och empiriska experiment visar förekomsten av fenomenet med avseende på måttet. Experimenten jämför hur olika nätverksarkitekturer och träningsalgoritmer påverkar nätverkets förmåga att lära sig högfrekventa komponenter under träning. Både syntetiska experiment med konstgjorda målfunktioner, och problem med data från verkliga tillämpningar undersöks. Problemuppställningen som behandlas är lågdimensionell regression, och det verkliga problemet är bildregression applicerat data från datasetet DIV2K som används i NTIREs tävling för Single Image Super Resolution.Det föreslagna måttet påvisar spectral bias även för detta dataset, vilket indikerar att det inte bara uppkommer i konstruerade problem, utan även är något som bör tas hänsyn till i tillämpade problem.

The following project deals with the optimization of simulation parameters such as the injection location and pitch angle of polyurethane foaming simulations using artificial neural networks. The model's target is to predict quality variables based on the process parameters and the geometry features. Through several evaluations of the model, good parameter combinations can be found which in turn can be used as good initial guesses by high fidelity optimization tools. For handling different mould geometries, a meshing tool has been programmed which transforms variable-sized surface meshes into voxel meshes. Cross-section images of the meshes are then passed together with a series of simulation settings to the neural network which processes the data streams into one set of predictions. The model has been implemented using the TensorFlow interface and trained with a custom generated data set of roughly 10000 samples. The results show well-matching prediction and simulation profiles for the validation cases. The magnitudes of the quality parameters often differ, but the especially relevant areas of optimal injection points are well covered. Good results together with a small model size provide evidence for a feasible and successful extension towards a full 3D application. / Följande projekt handlar om optimering av simuleringsparametrar, såsom injektionsplats och stigningsvinkel för polyuretanskummande simuleringar med hjälp av artificiella neurala nätverk. Modellens mål är att förutsäga kvalitetsvariabler baserat på processparametrarna och geometrifunktionerna. Genom flera utvärderingar av modellen kan man hitta goda parameterkombinationer som i sin tur kan användas som gedigna förutsägelser med högkvalitativa optimeringsverktyg. För hantering av olika geometriska former har ett maskverktyg programmerats som omvandlar ytmaskor med varierande storlek till voxelmaskor. Tvärsnittsbilder av maskor na tillsammans med en serie simuleringsinställningar överförs till det neurala nätverket som behandlar dataströmmarna till en uppsättning förutsägelser. Modellen har implementerats med hjälp av TensorFlow och utbildats med en anpassad genererad datauppsättning på cirka 10000 prover. Resultaten påvisar väl matchande förutsägelser och simuleringsprofiler för valideringsfall. Kvalitetsparametrarnas storlek varierar ofta, men de särskilt relevanta områdena med optimala injektionspunkter är väl täckta. Goda resultat tillsammans med en liten modellstorlek ger bevis för en genomförbar och framgångsrik förlängning mot en fullständig 3D applikation.

This thesis examines whether housing price estimations can be improved by combining several modalities of data through the utilization of neural networks. The analysis is limited to apartments in the Stockholm municipality, and the applied modalities are residential attributes (tabular data) and photo montages (image data). The tabular data includes living area, number of rooms, age, latitude, longitude and ocean distance, while the image data contains montages of four images representing the kitchen, bathroom, living space and neighborhood through satellite imagery. Furthermore, the dataset comprises a total of 1154 apartments sold within a time frame of approximately six months, ending in June 2023. The analysis is conducted by designing three artificial neural networks and comparing their performances: a multilayer perceptron that predicts selling prices using tabular data, a convolutional neural network that predicts selling prices using image data, and a multimodal neural network that estimates sold prices taking both modalities as inputs. To facilitate the construction process, the multimodal neural network is designed by integrating the other models into its architecture. This is achieved through the concatenation of their outputs, which is then fed into a joint hidden layer. Before initiating the network development phase, the data is preprocessed appropriately, for example by excluding duplicates and dealing with missing values. In addition, images are categorized into room types via object detection, satellite images are collected, and photo montages are created. To obtain well-performing models, hyperparameter tuning is performed using methods such as grid search or random search. Moreover, the models are evaluated through three repetitions of 5-fold cross-validation with the mean absolute percentage error as performance metric. The analysis shows that the multimodal neural network exhibits a marginal but significant performance advantage compared to the multilayer perceptron, both in terms of cross-validation scores and test set outcomes. This result underscores the potential benefits of utilizing both image data and tabular data for predicting apartment selling prices through the application of neural networks. Furthermore, this work motivates a deeper investigation into these prediction methods using larger datasets for which the multimodal neural network may achieve even stronger predictive capacity / Detta examensarbete undersöker huruvida bostadsprisuppskattningar kan förbättras genom att kombinera flera modaliteter vid tillämpning av neurala nätverk. Analysen är begränsad till lägenheter i Stockholms kommun, och de tillämpade modaliteterna är bostadsattribut (tabelldata) och fotomontage (bilddata). Tabelldatat inkluderar bostadsyta, antal rum, ålder, latitud, longitud och avstånd till havet, medan bilddatat består av montage med fyra bilder som representerar kök, badrum, vardagsrum och närområde genom satellitbilder. Datasetet omfattar totalt 1154 lägenheter sålda inom ett tidsspann på cirka sex månader, fram till och med juni 2023. Analysen utförs genom att designa tre artificiella neurala nätverk och jämföra deras prestanda: en flerskiktsperceptron som förutsäger försäljningspriser med hjälp av tabelldata, ett konvolutionellt neuralt nätverk som förutsäger försäljningspriser med hjälp av bilddata, och ett multimodalt neuralt nätverk som estimerar sålda priser med båda modaliteterna som indata. För att underlätta konstruktionsprocessen designas det multimodala neurala nätverket genom att integrera de andra modellerna i sin arkitektur. Detta åstadkoms genom en sammanlänkning av deras utdata, som sedan matas in i ett gemensamt dolt lager.  Innan nätverksutvecklingsfasen påbörjas, förbehandlas datat på lämpligt sätt, till exempel genom exkludering av dubbletter och hantering av saknade värden. Dessutom kategoriseras bilder till rumstyper via objektdetektering, satellitbilder samlas in och fotomontage skapas. För att uppnå välpresterande modeller utförs hyperparameterjustering med metoder som rutnätssökning eller slumpmässig sökning. Vidare utvärderas modellerna genom tre upprepningar av 5-faldig korsvalidering med det genomsnittliga absoluta procentuella felet som prestandamått. Analysen visar på att det multimodala neurala nätverket uppvisar en marginell men tydlig prestandafördel jämfört med flerskiktsperceptronen, både när det gäller korsvalideringspoäng och testresultat. Detta understryker de potentiella fördelarna med att använda både bilddata och tabelldata vid estimering av lägenheters försäljningspris genom tillämpning av neurala nätverk. Vidare motiverar detta arbete en djupare undersökning av dessa prediktionsmetoder med hjälp av större datamängder, för vilket det multimodala neurala nätverket har potential att uppnå ännu starkare prediktiv kapacitet.