Global ETD Search

1	Scenario Generation For Vehicles Using Deep Learning / Scenariogenerering för fordon som använder Deep Learning Patel, Jay January 2022 (has links) In autonomous driving, scenario generation can play a critical role when it comes to the verification of the autonomous driving software. Since uncertainty is a major component in driving, there cannot be just one right answer to a prediction for the trajectory or the behaviour, and it becomes important to account for and model that uncertainty. Several approaches have been tried for generating the future scenarios for a vehicle and one such pioneering work set out to model the behaviour of the vehicles probabilistically while tackling the challenges of representation, flexibility, and transferability within one system. The proposed system is called the Semantic Graph Network (SGN) which utilizes feedforward neural networks, Gated Recurrent Units (GRU), and a generative model called the Mixed Density Network to serve its purpose. This thesis project set out in the direction of the implementation of this research work in the context of highway merger scenario and consists of three parts. The first part involves basic data analysis for the employed dataset, whereas the second part involves a model that implements certain parts of the SGN including a variation of the context encoding and the Mixture Density Network. The third and the final part is an attempt to recreate the SGN itself. While the first and the second parts were implemented successfully, for the third part, only certain objectives could be achieved. / Vid autonom körning kan scenariegenerering spela en avgörande roll när det gäller verifieringen av programvaran för autonom körning. Eftersom osäkerhet är en viktig komponent i körning kan det inte bara finnas ett rätt svar på en förutsägelse av banan eller beteendet, och det blir viktigt att redogöra för och modellera den osäkerheten. Flera tillvägagångssätt har prövats för att generera framtidsscenarierna för ett fordon och ett sådant banbrytande arbete gick ut på att modellera fordonens beteende sannolikt samtidigt som utmaningarna med representation, flexibilitet och överförbarhet inom ett system hanteras. Det föreslagna systemet kallas Semantic Graph Network (SGN) som använder neurala nätverk, Gated Recurrent Units (GRU) och en generativ modell som kallas Mixed Density Network för att tjäna sitt syfte. Detta examensarbete riktar sig mot genomförandet av detta forskningsarbete i samband med motorvägssammanslagningsscenariot och består av tre delar. Den första delen involverar grundläggande dataanalys för den använda datamängden, medan den andra delen involverar en modell som implementerar vissa delar av SGN inklusive en variation av kontextkodningen och Mixture Density Network. Den tredje och sista delen är ett försök att återskapa själva SGN. Även om den första och den andra delen genomfördes framgångsrikt, kunde endast vissa mål uppnås för den tredje delen. Scenario generation Mixture Density Network Gaussian Mixture Model Autonomous driving Semantic Graph Network Scenariogenerering Mixture Density Network Gaussian Mixture Model Autonom körning Semantic Graph Network Computer Sciences Datavetenskap (datalogi) Computer Engineering Datorteknik Computer and Information Sciences Data- och informationsvetenskap
2	Ett generationsneutralt avkastningsmål : Asset Liability Management analys för buffertfonderna i det svenska pensionssystemet / A Generation Neutral Target Return : Asset Liability Management Analysis for the Buffer Funds in the Swedish Pension System Nyström, Erika, Wirell, Viktoria January 2016 (has links) Syftet med detta arbete var att fastställa det avkastningsmål som buffertfonderna bör ha för att bidra till största möjliga nytta för det svenska pensionssystemet samt att analysera styrkan och känsligheten i systemet. För att besvara syftet genomfördes en Asset Liability Management analys, där risk och avkastning optimerades samtidigt som hänsyn togs till pensionssystemets skulder och rättvisa mellan generationer. Ett nyckeltal definierades för att ta hänsyn till generationsneutralitet. Nyckeltalet visar hur mycket en generation procentuellt sett får ut i pension relativt vad de har betalat in till pensionssystemet och det anses vara rättvist om detta nyckeltal är samma för samtliga generationer. Utifrån nyckeltalet togs en stokastisk optimeringsmodell fram som minimerade förluster och orättvisor mellan generationer. Avkastningsmålet som fastställdes genom optimeringen blev 3,6 procent realt, vilket är lägre än samtliga buffertfonders nuvarande avkastningsmål. Känslighetsanalysen visade att pensionssystemet mest sannolikt ser starkt ut framöver. Pensionssystemet är framförallt känsligt för demografiska förändringar, medan förutsättningarna på de finansiellamarknaderna får mindre påverkan för systemets långsiktiga stabilitet. / The aim of this thesis was to determine the target return that the buffer funds should have to generate maximum possible benefit for the Swedish pension system and to analyse the strength and sensitivity of the system. An Asset Liability Management analysis, with optimization of risk and return with respect to the pension system’s liabilities and equality between generations, was performed. A key ratio was defined to illustrate the generation-neutrality in the pensions system. The key ratio shows how much pension one generation will receive compared to how much they have paid to the pension system and it is considered to be fair if the ratio is the same for every generation. A stochastic optimization model that minimized losses with respect to the key ratio was developed. The target real return that was determined in the optimization was 3.6 percent, which is lower than all the buffer funds’ current target returns. The sensitivity analysis showed that the pension system most plausible is strong in the future. The system is mainly sensitive for demographic changes while the condition of the financial market has less impact on the system’s long-term stability. Asset Liability Management ALM analys buffertfonder fond allokering portföljteori finansiell optimering svenska pensionssystem generationsneutralt avkastningsmål avkastning rättvisa målavkastning optimering optimera optimeringsmodell målfunktion modell risk skulder tillgångar rättvisa nyckeltal stokastik generationer pension minimera förluster Geometrisk Brownsk rörelse Scenariogenerering Jump diffusion Variansreducerande tekniker Latin hyperkub sampling Antitetisk sampling CAPM simulering Balansering

Search results

Scenario Generation For Vehicles Using Deep Learning / Scenariogenerering för fordon som använder Deep Learning

Ett generationsneutralt avkastningsmål : Asset Liability Management analys för buffertfonderna i det svenska pensionssystemet / A Generation Neutral Target Return : Asset Liability Management Analysis for the Buffer Funds in the Swedish Pension System