The goal of this work has been to create an interactive visualization of weather data for the company Biometria. The weather data has been collected over a period of 2 years using a measuring device placed in a forest cabin. The forest cabin has been moved to different logging sites, and continuously sent measurement results. To understand the structure and organization of the data that would be visualized, a preliminary study and review have been conducted. Furthermore, a plan for the setup and a preliminary design of a prototype have been created. The preliminary work has formed the basis for the website developed using the ASP .NET Core framework. A login system has been developed using ASP .NET Core Identity and implemented on the website. The interactivity and visualization have been constructed by generating markers on a map when selecting a range between two dates. When clicking on a marker, a box with information such as date, temperature, and humidity is displayed. The position of the marker and its associated information are retrieved through calls to an external Application Programming Interface (API). The markers are displayed in different colors depending on the measured temperature. The construction has been developed in the Visual Studio development environment. / Målet med detta arbete har varit att skapa en interaktiv visualisering av väderdata åt företaget Biometria. Väderdata har samlats in under 2 års tid via en mätenhet som suttit på en skogskoja. Skogskojan har flyttats runt till olika avverkningsplatser och kontinuerligt skickat mätresultat. För att få förståelse om uppbyggnaden och strukturen av det data som skulle visualiseras, har en förstudie och granskning utförts. Vidare har en planering av upplägget och ett förarbete med formgivning av en prototyp skapats. Förarbetet har legat till grund för den webbplats som utvecklats med ramverket ASP .NET Core. Ett inloggningssystem har tagits fram med hjälp utav ASP .NET Core Identity och implementerats i webbplatsen. Interaktiviteten och visualiseringen har konstruerats genom att det vid val av ett spann mellan två datum, genereras markeringar på en karta. Vid klick på markeringen visas en ruta med information datum, temperatur och luftfuktighet. Positionen för markeringen och tillhörande information hämtas via anrop till ett externt API (Application Programming Interface). Markeringarna visas med olika färger beroende på mätenhetens uppmätta temperatur. Konstruktionen har tagits fram i utvecklingsmiljön Visual Studio.

Datavisualisering används främst för att antingen utforska, bekräfta eller presentera data. Detta görs med olika visualiseringstekniker beroende på typ av data samt syftet med visualisering. JavaScript-bibliotek används för att möjliggöra detta på webben på ett effektivt sätt. Ett av de vanligare biblioteken för olika typer av visualisering är D3.js och är förhållandevis avancerat. Därför har ett antal D3.js-baserade bibliotek skapats med reducerad komplexitet för specifikt datavisualisering. Syftet med detta arbete var att jämföra dessa bibliotek utifrån effektivitet i förhållande till renderingstid. En urvalsprocess resulterade i en jämförelse av två bibliotek, britecharts och plotly.js. Väderdata visualiserades med linjediagram av varierande datamängd och renderingstid mättes. Britecharts var mer effektivt än plotly.js vid lägre datamängder medan plotly.js, på grund av en mer effektiv exponentiell ökning, var mer effektiv vid högre datamängder. Vidare arbete genom att jämföra andra aspekter, utöver renderingstid, skulle kunna tillföra forskningsområdet.

För att minska den globala uppvärmningen bär utbyggnaden av förnybar energiproduktion en stor vikt i dagens samhälle. Av den anledningen är det av stor betydelse som nya tekniker för energiproduktion testas. För att undersöka huruvida dessa tekniker är effektiva och lönsamma är det viktigt att deras produktionsdata publiceras och görs tillgänglig för allmänheten. Det är anledningen till att det här projektet beställts från Ihus via STUNS energi. Projektidén var att samla in högfrekvent uppmätt produktionsdata från en soltracker, ett vindkraftverk och ett batterilager. Dessutom skulle väderdata samlas från en väderstation och solinstrålningsmätare för att sedan offentliggöra datan via STUNS Energiportal. För genomförandet av projektet användes en enklare dator för att ta emot information från olika sensorer. För att kommunicera med enheterna användes olika standardiserade kommunikationsprotokoll. Enheterna konfigurerades och kopplades in i datorn. Den insamlade datan bearbetades med en programmerad kod. Programmet sände iväg datan till en molnlagringsplattform för att sedan publicera den. Uppkoppling mot soltrackerns växelriktare samt pyranometern lyckades. Den insamlade informationen från de två enheterna publicerades sedan på Energiportalen. Väderstationen producerade data men kommunikation med det ursprungligt tänkta protokollet lyckades inte att upprättas. Genom ett annat protokoll erhölls värden, men inte genom den implementerade koden. Dessutom uppstod problem med batterilagret och vindkraftverket. Ingen information lyckades hämtas från någon av dem. I projektets gång har det samlats in mätpunkter var femte sekund för respektive enhet. Utifrån det erhållna resultatet kan de konstateras att vid högfrekvent insamling av väder- och produktionsdata, blir viktig information tydligare för vardera energiproduktionsenhet. Denna information kan gå förlorad vid lågfrekvent datainsamling. Det beror på vädrets hastiga fluktuation. En lågfrekventare datainsamling ger således en sämre uppfattning av hur värdena egentligen ändras med tiden.

Cellular network traffic prediction is a critical challenge for communication providers, which is important for use cases such as traffic steering and base station resources management. Traditional prediction methods mostly rely on historical time-series data to predict traffic load, which often fail to model the real world and capture surrounding environment conditions. In this work, we propose a multi-modal deep learning model for 4G/5G Cellular Network Traffic prediction by considering external data sources such as satellite imagery and weather data. Specifically, our proposed model consists of three components (1) temporal component (modeling correlations between traffic load values with historical data points via LSTM) (2) computer vision component (using embeddings to capture correlations between geographic regions that share similar landscape patterns using satellite imagery data and state of the art CNN models), and (3) weather component (modeling correlations between weather measurements and traffic patterns). Furthermore, we study the effects and limitations of using such contextual datasets on time series learning process. Our experiments show that such hybrid models do not always lead to better performance, and LSTM model is capable of modeling complex sequential interactions. However, there is a potential for classifying or labelling regions by their urban landscape and the network traffic. / Förutsägelse av mobilnätstrafik är en kritisk utmaning för kommunikation leverantörer, där användningsområden inkluderar trafikstyrning och hantering av basstationsresurser. Traditionella förutsägelsesmetoder förlitar sig främst på historisk tidsseriedata för att förutsäga trafikbelastning, detta misslyckas ofta med att modellera den verkliga världen och fånga omgivande miljö. Det här arbetet föreslår en multimodal modell med djupinlärning förutsägelse av 4G/5G nätverkstrafik genom att beakta externa datakällor som satellitbilder och väderdata. Specifikt består vår föreslagna modell av tre komponenter (1) temporal komponent (korrelationsmodellering mellan trafikbelastningsvärden med historiska datapunkter via LSTM) (2) datorseende komponent (med inbäddningar för att fånga korrelationer mellan geografiska regioner som delar liknande landskapsmönster med hjälp av satelitbilddata och state-of-the-art CNN modeller), och (3) väderkomponent (modellerande korrelationer mellan vädermätningar och trafikmönster). Dessutom studerar vi effekterna och begränsningarna av att använda sådana kontextuella datamängder på tidsserieinlärningsprocessen. Våra experiment visar att hybridmodeller inte alltid leder till bättre prestanda och att LSTM-modellen är kapabel att modellera komplexa sekventiella interaktioner. Det finns dock en potential att klassificera eller märka regioner efter deras stadslandskap och nättrafiken. / La prévision du trafic sur les réseaux cellulaires est un défi crucial pour les fournisseurs de communication, ce qui est important pour les cas d’utilisation tels que la direction du trafic et la gestion des ressources des stations de base. Les méthodes de prédiction traditionnelles reposent principalement sur des données historiques de séries chronologiques pour prédire la charge de trafic, qui échouent souvent à modéliser le monde réel et à capturer les conditions de l’environnement environnant. Dans ce travail, nous proposons un modèle d’apprentissage profond multimodal pour la prédiction du trafic des réseaux cellulaires 4G/5G en considérant des sources de données externes telles que l’imagerie satellitaire et les données météorologiques. Plus précisément, notre modèle proposé se compose de trois composants (1) composant temporel (modélisation des corrélations entre les valeurs de charge de trafic avec des points de données historiques via LSTM) (2) composant de vision par ordinateur (utilisant des incorporations pour capturer les corrélations entre les régions géographiques qui partagent des modèles de paysage similaires à l’aide de données d’imagerie satellitaire et de modèles CNN de pointe) et (3) composante météorologique (modélisation des corrélations entre les mesures météorologiques et les modèles de trafic). De plus, nous étudions les effets et les limites de l’utilisation de tels ensembles de données contextuelles sur le processus d’apprentissage des séries chronologiques. Nos expériences montrent que de tels modèles hybrides ne conduisent pas toujours à de meilleures performances, et le modèle LSTM est capable de modéliser des interactions séquentielles complexes. Cependant, il est possible de classer ou d’étiqueter les régions en fonction de leur paysage urbain et du trafic du réseau.