The master´s thesis evaluates the economic situation of the company SCHWARTZ TECHNICKÉ PLASTY ČR s. r. o. using statistical methods. The theoretical part describes the issues necessary for the practical part, financial indicators, time series, regression and correlation analysis. In the practical part is an analysis of selected indicators of financial analysis, then statistical methods are used to predict future developments for the coming two years and to detect dependencies between the indexes. The last section contains suggestions for improving the current situation, which are based on calculations from the practical part.

The diploma thesis deals with an assessment of the topical financial situation of BARVY A LAKY TELURIA, s. r. o. using the time series analysis. The theoretical part focuses on the description of the financial indicators, analysis of the time series, and subsequently the regressive and correlative analysis. In the practical part, selected financial indicators are statistically analyzed. The future two-year development of indicators is predicted on the basis of the selected models; subsequently dependencies among the particular indicators are determined. In the conclusion, proposals to ameliorate the current financial situation of the company are recommended, which was carried out on the basis of the identified shortcomings.

Tato práce se zabývá návrhem, realizací a optimalizací systému určenímu k obchodování na finančních trzích, konkrétně s technologickými firmami trhu NASDAQ. K tomuto účelu jsou využívány technické indicatory a hlavně neuronových sítí. Vlastní řešení je pak realizováno v prostředi MATLAB.

This master thesis focuses on application of statistical methods in the processing of data. The first part of the thesis describes the theoretical foundations that are the basis for the practical part. Next part of this thesis describes the statistical and financial analysis and also design of an application that automate usage of statistical methods of regression analysis to predict the future economic situation development of the company. This thesis contains theory of time series methods and regression analysis.

This diploma thesis delas with algoritmic trading using neural networks. In the first part, some basic information about stock trading, algorithmic trading and neural networks are given. In the second part, data sets of historical market data are used in trading simulation and also as training input of neural networks. Neural networks are used by automated strategy for predicting future stock price. Couple of automated strategies with different variants of neural networks are evaluated in the last part of this work.

No description available.

This Thesis work is part of course work for the Masters Program in Data Science at LTU.  The focus of this work is mainly to review the literature published to identify state-of-art methodologies applied to predict short-term electricity consumption. This includes the exploration of features and models as well-as the discussion of the results attained. Identify opportunities to improve the forecast results for southern Elområde(bidding area)4, Sweden. The application of different modern methods to forecast electricity consumption has been studied and experimented with. This work adapted the CRISP-DM, a Data Science methodology.

Trajectory estimation, with regards to reconstructing a 3D trajectory from a 2D trajectory, is commonly achieved using stereo or multi camera setups. Although projections from 3D to 2D suffer significant information loss, some methods approach this problem from a monocular perspective to address limitations of multi camera systems, such as requiring points in to be observed by more than one camera. This report explores how deep learning methodology can be applied to estimation of golf balls’ 3D trajectories using features from synthetically generated monocular data. Three neural network architectures for times series analysis, Long Short-Term Memory (LSTM), Bidirectional LSTM(BLSTM), and Temporal Convolutional Network (TCN); are compared to a simpler Multi Layer Perceptron (MLP) baseline and theoretical stereo error. The results show the models’ performances are varied with median performances often significantly better than average, caused by some predictions with very large errors. Overall the BLSTM performed best of all models both quantitatively and qualitatively, for some ranges with a lower error than a stereo estimate with an estimated disparity error of 1. Although the performance of the proposed monocular approaches do not outperform a stereo system with a lower disparity error, the proposed approaches could be good alternatives where stereo solutions might not be possible. / Lösningar för inferens av 3D banor utifrån 2D sekvenser använder sig ofta av två eller fler kameror som datakällor. Trots att mycket information förloras i projektionen till kamerabilden använder sig vissa lösningar sig av endast en kamera. En sådan monokulär lösning kan vara mer fördelaktiga än multikamera lösningar i vissa fall, såsom när ett objekt endast är synligt av ena kamera. Denna rapport undersöker hur metoder baserade på djupa arkitekturer kan användas för att uppskatta golfbollars 3D banor med variabler som skapas utifrån syntetiskt genererad monokulär data. Tre olika arkitekturer för tidsserieanalys Long Short-Term Memory (LSTM), Bidirectional LSTM (BLSTM) och Temporal Convolutional Neural Network (TCN) jämförs mot en enklare Multi Layer Perceptron (MLP) och teoretiska stereo-fel. Resultaten visar att modellerna har en varierad prestation med median resultaten ofta mycket bättre än medelvärdena, på grund av några förutsägelser med stora fel. Överlag var den bästa modellen BLSTM:en både kvantitativt och kvalitativt samt bättre än stereo lösningen med högre fel för vissa intervall. Resultaten visar dock på att modellerna är tydligt sämre en stereo systemet med lägre fel. Trots detta kan de föreslagna metoderna utgöra bra alternativ för lösningar där stereo system inte kan användas.

Cloud Computing sees increased adoption as companies seek to increase flexibility and reduce cost. Although the large cloud service providers employ a pay-as-you-go pricing model and enable customers to scale up and down quickly, there is still room for improvement. Workload in the form of CPU utilization often fluctuates which leads to unnecessary cost and environmental impact for companies. To help mitigate this issue, the aim of this paper is to predict future CPU utilization using a long short-term memory (LSTM) machine learning model. By predicting utilization up to 30 minutes into the future, companies are able to scale their capacity just in time and avoid unnecessary cost and damage to the environment. The study is divided into two parts. The first part analyses how well the LSTM model performs when predicting one step at a time compared with a state-of-the-art model. The second part analyses the accuracy of the LSTM when making predictions up to 30 minutes into the future. To allow for an objective analysis of results, the LSTM is compared with a standard RNN, which is similar to the LSTM in its inherit algorithmic structure. To conclude, the results suggest that LSTM may be a useful tool for reducing cost and unnecessary environmental impact for business applications hosted on a public cloud. / Användandet av molntjänster ökar bland företag som önskar förbättrad flexibilitet och sänkta kostnader. De stora molntjänstleverantörerna använder en prismodell där kostnaden är direkt kopplad till användningen, och låter kunderna snabbt ställa om sin kapacitet, men det finns ändå förbättringsmöjligheter. CPU-behoven fluktuerar ofta vilket leder till meningslösa kostnader och onödig påverkan på klimatet när kapacitet är outnyttjad. För att lindra detta problem används i denna rapport en LSTM maskininlärningsmodell för att förutspå framtida CPU-utnyttjande. Genom att förutspå utnyttjandet upp till 30 minuter in i framtiden hinner företag ställa om sin kapacitet och undvika onödig kostnad och klimatpåverkan. Arbetet ¨ar uppdelat i två delar. Först en del där LSTM-modellen förutspår ett tidssteg åt gången. Därefter en del som analyserar träffsäkerheten för LSTM flera tidssteg in i framtiden, upp till 30 tidssteg. För att möjliggöra en objektiv utvärdering så jämfördes LSTM-modellen med ett standard recurrent neural network (RNN) vilken liknar LSTM i sin struktur. Resultaten i denna studie visar att LSTM verkar vara ¨överlägsen RNN, både när det gäller att förutspå ett tidssteg in i framtiden och när det gäller flera tidssteg in i framtiden. LSTM-modellen var kapabel att förutspå CPU-utnyttjandet 30 minuter in i framtiden med i hög grad bibehållen träffsäkerhet, vilket också var målet med studien. Sammanfattningsvis tyder resultaten på att denna LSTM-modell, och möjligen liknande LSTM-modeller, har potential att användas i samband med företagsapplikationer då man önskar att reducera onödig kostnad och klimatpåverkan.

This thesis focuses on modeling the primary sludge in the thickening process at Henrikdals wastewater treatment plant in Stockholm, Sweden. The thickening process is one of the core processes at the wastewater treatment plant, where the goal is to thicken a residual product called primary sludge. Two thickener belts are used to thicken the sludge gravimetrically. Polymer is also added to increase the dewaterability and to thicken the sludge. The thickness of the sludge is measured by the total solids content (TS) in the sludge and is measured with total solid measurement sensors. These sensors have, however, been shown to be inaccurate. A long short-term memory network (LSTM) and a feed-forward neural network were compared by using sensor and instrument data to predict the TS in the thickened primary sludge. To validate the performance of the models, manual laboratory testing samples were compared with the predictions of the models. Simulations in Simulink were also performed with the intent of simulating the thickening process. By using a machine learning model that could predict the TS, hypotheses regarding reductions in the polymer dosage were explored. A feed-forward and feedback control strategy in combination with the LSTM architecture were used and it was shown that the TS of the thickened sludge could be controlled by regulating the polymer dosage. Thus, using a feedback control strategy gives further opportunities for the wastewater treatment plant to choose whether a lower polymer consumption or a higher TS is preferred, as these two variables correlate with each other. / Syftet med detta arbete var att ta fram maskininlärningsmodeller av primärslamsförtjockningen på Henriksdals avloppsreningsverk i Stockholm, Sverige. Förtjockningsprocessen är en av de viktigaste delerna i avloppsreningsverk, där målet är att förtjocka en restprodukt som kallas primärslam. Förtjockningen sker i två separata linjer. Polymer tillsätts och slammet förtjockas genom gravimetrisk avvattning på ett silband. Slammets torrsubstanshalt (TS) är ett mått på slammets tjockhet och beräknas med hjälp av att använda sensorer. Dessa sensorer har dock visats sig vara opålitliga. Genom att använda tillgänglig process-, maskin- och instrumentdata så har en long short-term memory (LSTM) arkitektur och ett framkopplat neuralt nätverk jämförts för att uppskatta torrsubstansen i primärslammet. Manuell provtagning och labbanalys utfördes för att validera prestandan i de två modellerna. Hypoteser kring att kunna optimera TS-halten eller minska polymerförbrukningen utforskades genom att simulera processen i Simulink. Resultaten visade att användandet av en fram och återkopplingsregulator tillsammans med en LSTM arkitektur kan minska polymerförbrukningen och kan ge en jämnare TS-halt i det förtjockade slammet. Däremot måste en avvägning mellan hög TS-halt och låg polymerförbrukning göras, då dessa två variabler korrelerar med varandra