Denna studie, genomförd i samarbete med Sweco, syftar till att utveckla en omfattande modell för datadriven och hållbar stadsplanering med fokus på användningen av geografiska informationssystem (GIS). Med utgångspunkt i de 17 målen för hållbar utveckling enligt Agenda 2030, särskilt mål 11 och 13, utforskar studien konsekvenserna av den ökande urbaniseringen och dess påverkan på miljön, infrastrukturen och samhällsutvecklingen i Sverige. Den belyser bland annat den pågående digitaliseringen av samhällsbyggnadsprocessen för att stödja datadriven stadsplanering. Studien adresserar även utmaningarna i att säkerställa öppna data och kvalitet av geografisk data i Sverige, och diskuterar användningen av geografiska informationssystem (GIS) tillsammans med andra metoder, för att stödja hanteringen av de komplexa utmaningarna som städer står inför, vilket är en förutsättning för datadriven planering. Fortsättningsvis, även kartlägga de förutsättningar för planprocessen i tidigt skede enligt PBL och MB för att främja hållbar stadsplanering och vikten av tidig dialog och samarbete mellan intressenter för att effektivisera plan- och bygglovsprocessen. Med hänsyn till de senaste politiska förändringarna i Sverige och en nedgång i bostadsbyggandet, betonas behovet av en integrerad, strategisk metod för samhällsplanering. Studien tar därmed fram en bedömningsmodell för planområdes index (BPI), som tillsammans med GIS sammanställer förutsättningarna för området som samlar data för tidigt skede i planprocessen. Slutligen ger studien insikt i det dynamiska och komplexa systemet av stadsplanering, där geografisk data kompletteras med kvalitativa aspekter för att främja demokrati, och en hållbar samhällsutveckling. Den framhåller vikten av flexibilitet, anpassningsbarhet och medvetenhet om digitala verktyg och andra metoder samt deras utmaningar för att kunna implementeras i den digitala samhällsbyggnadsprocessen. / This study, conducted in collaboration with Sweco, aims to develop a comprehensive model for evidence-based and sustainable urban planning with a focus on the use of geographic information systems (GIS). Based on the 17 Sustainable Development Goals of the 2030 Agenda, especially goals 11 and 13, the study explores the consequences of increasing urbanisation and its impact on the environment, infrastructure and social development in Sweden. Among other things, it highlights the ongoing digitalisation of the spatial planning process to support evidence-based urban planning. The study also addresses the challenges of ensuring open data and quality of spatial data in Sweden, and discusses the use of digital tools such as GIS and AI in addressing the complex challenges facing cities, which is a prerequisite for data-driven planning. Mapping the conditions for the early stage planning process with PBL and MB to promote sustainable urban planning and the importance of early dialogue and cooperation between stakeholders to streamline the planning and building permit process. Given recent policy changes in Sweden and a decline in housing construction, the need for an integrated, strategic approach to urban planning is emphasised. The study develops an assessment model for the planning area index (BPI), which together with the GIS, summarises the area's conditions and collects data for the early stage of the planning process. Finally, the study provides insight into the dynamic and complex system of urban planning, where qualitative aspects complement geographical data to promote democracy and sustainable community development. It emphasises the importance of flexibility, adaptability and awareness of digital tools and other methods and their challenges to be implemented in today's urban planning process.

Internet Service Providers are companies that deliver services managing a complex network of apparatus and cables. Given the complexity of the network, it often happens that alarms are generated. When a problem within the network occurs, a ticket is issued from an alarm and the company starts to supervise it to manage the situation and solve the problem. This work aims to present how can be designed a system that estimates how much time will the trouble ticket take to be solved. The situation is presented within the context of a real case scenario and takes into consideration how the involved company processes the available information and manages the problem. The achieved result is pursued by the company to deliver the information to the final customer that will be able to understand how much time the problem he is facing is going to take before it will be solved. This work will focus on estimating the resolution time for a subset of all the tickets: those that are classified as low priority network problems. The work started with a study of the company that led to the understanding of the available information about the problem, then it focused on the understanding of the procedure adopted by the company to face the solution. It studies the processes that lie behind the ticket creation, the alarm generation and the human intervention, and it concludes with the design of the proposed solution. The proposed solution leverages the company’s processes to produce a result as valuable as possible given the specific use case. / Internetleverantörer är företag som tillhandahåller tjänster genom att hantera ett komplext nätverk av apparater och kablar. Med tanke på nätets komplexitet händer det ofta att larm genereras. När ett problem i nätverket uppstår utfärdas en biljett från ett larm och företaget börjar övervaka det för att hantera situationen och lösa problemet. Syftet med detta arbete är att presentera hur man kan utforma ett system som uppskattar hur lång tid det kommer att ta att lösa problemet. Situationen presenteras inom ramen för ett verkligt scenario och tar hänsyn till hur det berörda företaget behandlar den tillgängliga informationen och hanterar problemet. Företaget strävar efter att leverera information till slutkunden som kan förstå hur lång tid det kommer att ta innan problemet är löst. Detta arbete kommer att inriktas på att uppskatta lösningstiden för en delmängd av alla biljetter: de som klassificeras som nätproblem med låg prioritet. Arbetet inleddes med en studie av företaget som ledde till att man förstod den tillgängliga informationen om problemet, och sedan fokuserade man på att förstå det förfarande som företaget använde för att lösa problemet. Det studeras vilka processer som ligger bakom skapandet av biljetter, alarmeringen och det mänskliga ingripandet, och det avslutas med utformningen av den föreslagna lösningen. Den föreslagna lösningen utnyttjar företagets processer för att ge ett så värdefullt resultat som möjligt med tanke på det specifika användningsfallet.

With the development of technology and availability of data, it is sometimes easier to learn the control policies directly from the data, rather than modeling a plant and designing a controller. Modeling a plant is not always possible due to the complexity of the plant. Data-enabled predictive control (DeePC) is a recently proposed approach that combines system identification, estimation, and control in a single optimization problem. DeePC is primarily designed for LTI systems. The purpose of this thesis is to extend the application of DeePC to nonlinear systems with a particular focus on a non-holonomic ground robot. To reach this goal, we decompose the system states into different working modes where each mode can be linearly approximated. Furthermore, the data collection policies were also evaluated to conclude how they affect the performance of the DeePC. We identified several key challenges in this direction, namely: data-demanding structure, high computational complexity, and performance deterioration with increased non-linearity. While these challenges prohibited the application of DeePC to the ground robot system; we successfully applied the method to a benchmark non-linear system, the inverted pendulum on cart problem, and studied the effect of various design choices on control performance. Our observations indicate potential areas of improvement toward enabling DeePC for highly nonlinear systems. / Med utvecklingen av teknik och tillgänglighet av data är det ibland enklare att lära sig styrpolicyerna direkt från data, snarare än att modellera ett system och designa en styrenhet. Att modellera ett system är inte alltid möjligt på grund av systemets komplexitet. Data aktiverad prediktiv kontroll (DeePC) är en nyligen föreslagen metod som kombinerar systemidentifiering, uppskattning och kontroll i ett enda optimeringsproblem. DeePC är främst designad för LTI-system. Syftet med denna avhandling är att utöka tillämpningen av DeePC till icke-linjära system med särskilt fokus på en icke-holonomisk markrobot. För att nå detta mål delar vi upp systemtillstånden i olika arbetslägen där varje läge kan approximeras linjärt. Dessutom utvärderades datainsamlingspolicyerna för att dra slutsatser om hur de påverkar DeePCs prestation. Vi identifierade ett antal nyckelutmaningar i denna riktning, nämligen: datakrävande struktur, hög beräkningskomplexitet och prestandaförsämring med ökad icke-linjäritet. Även om de utmaningerna hindrade tillämpningen av DeePC på markrobot systemet; har vi framgångsrikt tillämpat metoden på ett benchmark icke-linjärt system, problemet med inverterad pendel på vagn, och studerade effekten av olika designval på kontrollprestanda. Våra observationer indikerar potentiella förbättringsområden för att möjliggöra DeePC för mycket olinjära system.

Datadriven kultur har flitigt nämnts i litteraturen som en tydlig framgångsfaktor för stora verksamheter för att skapa konkurrenskraft på marknaden.  Genom att verksamheter kan ta strategiska beslut baserat på stora mängder data förankrad i verkligheten undviks beslut som tas på magkänsla, således leder till optimering av verksamheter. Dock har små och medelstora företag (SMFs) halkat efter i utvecklingen då verksamheterna ofta saknar resurser och kompetens för att möjliggöra en datadriven kultur. Syftet med forskningen är att identifiera framgångsfaktorer speciellt inriktade på SMFs och skapa en sammanställning som SMF kan ta del av för att skapa en datadriven kultur. Den primära datainsamlingen genomfördes genom en kvalitativa ansats och fallstudie som forskningsmetod med semi-strukturerade intervjuer inriktade mot IT-branschen inom SMF som besatt på relevant kunskap inom ämnesområdet. Respondenternas svar har analyserats i jämförelse med tidigare litteratur för att generera framgångsfaktorer som möjliggör en datadriven kultur hos SMFs. Resultatet av forskningen har genererat en sammanställning på totalt fyra bekräftade huvudkategorier och sexton bekräftade underkategorier varav åtta berikande underkategorier är nya framgångsfaktorer som uppkommit från intervjuerna. De identifierade framgångsfaktorerna kan anammas av SMF för att möjliggöra den digitala transformationen mot en datadriven kultur. Resultatet av forskningen illustrerar att SMFs har stora möjligheter att öka sin konkurrenskraft, affärsvärde och produktivitet genom att tillämpa framgångsfaktorerna inom SMF och att en datadriven kultur inte är begränsade till stora verksamheter. / Data-driven culture has frequently been mentioned in the literature as a clear success factor for large enterprises (LEs) creating competitive advantages in the market. As enterprises can make strategic decisions based on large amounts of data anchored in reality, decisions are based on gut feeling, thus leading to optimization of enterprises. However, small and medium-sized enterprises (SMEs) have fallen behind in development as the enterprises often lack resources and knowledge to enable a data-driven culture. The purpose of the research is to identify success factors specifically focused on SMEs and create a compilation of which SMEs can adopt to create a data-driven culture. The primary data collection was conducted with a qualitative approach carrying out a case study with semi-structured interviews focused on the IT industry within SMEs that are obsessed with relevant knowledge in the subject area. The interviewees' responses have been analyzed in comparison with previous literature to generate success factors that enable a data-driven culture in SMEs. The results of the research have generated a compilation of a total of four confirmed main categories and sixteen confirmed subcategories, of which eight enriching subcategories are new success factors that have emerged from the interviews. The identified success factors can be adopted by SMEs to enable the digital transformation towards a data-driven culture. The results of the research illustrates that SMEs have great opportunities to increase in competitive advantages, business value and productivity by applying the success factors within SMEs and that the data-driven culture is not limited to LE.

Automatic Baseline Correction is the state-of-the-art calibration method of non-dispersive infrared CO2 sensing, which is the standard CO2 gas monitoring method. In this thesis, we improve it by introducing the dynamic baseline based on environmental data. The 96 data sets from 48 atmospheric stations verify the characteristics of the annual growth trend and seasonality of the baseline model. In order to improve the accuracy of the calibration, the k-means clustering method is used to identify different types of baselines. Then the localized dynamic baseline model is predicted by using the location information of the stations only, which provides an executable calibration implementation for dynamic baseline calibration without relying on historical CO2 data. / Automatisk baslinjekorrigering är den senaste kalibreringsmetoden för icke-dispersiv infraröd CO2 avkänning, vilket är standard CO2 gasövervakningsmetod. I denna avhandling förbättrar vi den genom att introducera den dynamiska baslinjen baserat på miljödata. De 96 datamängderna från 48 atmosfärstationer bekräftar egenskaperna för den årliga tillväxttrenden och säsongsmässigheten hos basmodellen. För att förbättra kalibreringens noggrannhet används k-medelklusteringsmetoden för att identifiera olika typer av baslinjer. Därefter förutses den lokaliserade dynamiska baslinjemodellen med endast platsinformationen för stationerna, som ger en körbar kalibreringsimplementering för dynamisk baslinjekalibrering utan att förlita sig på historisk CO2 data.

Denna kvalitativa studie undersöker den påverkan som stora datamängder och prediktiv analys har på digitala marknadsföringsstrategier i datadrivna verksamheter. Genom djupintervjuer med digitala marknadsförare och dataanalytiker inom olika branscher, bidrar studien med en inblick i respondenternas personliga uppfattning i hur dessa digitala verktyg påverkar deras strategier och affärsverksamhet i det IT-beroende arbetssystemet. Användningen av stora datamängder och prediktiv analys anses som kritiska verktyg för att på ett mer effektivt sätt samla och analysera kunddata och kundbeteenden. Detta eftersom det ger upphov till möjligheten att förutsäga kundtrender och anpassa verksamhetens marknadsföringsstrategier i realtid. Idag har företagens förmåga att på ett effektivt sätt samla in och analysera data en alltmer avgörande roll. Inte bara för att utveckla marknadsföringsstrategier, men även för att uppnå omfattande konkurrensfördelar. Studien antyder att verksamheter som integrerar stora datamängder och prediktiv analys på ett effektivt sätt i sina strategier får en ökad förståelse för sina kundsegment, detta genom en ökad insikt och kan således bättre rikta och anpassa sina marknadsföringskampanjer mot sina kundsegment. Studien uppmärksammar även utmaningar som kommer till följd av faktorer såsom datakvalitet, optimering, etik och andra aspekter som kräver noggrannhet och nödvändiga färdigheter. Framtiden inom digital marknadsföring sträcker sig alltmer mot datadrivna arbetssätt, där det finns en ökad betoning på att ta till analytiska metoder för att fatta beslut. Denna utveckling påvisar ett skifte från de traditionella marknadsföringsstrategierna till en tillämpning av ett datadrivet tillvägagångssätt. Med hänsyn till detta blir det allt viktigare för företag att anamma ett arbetssätt som ökar förmågan att snabbt anpassa sig och tillämpa tekniska verktyg för att kunna utnyttja denna potential.  Sammanfattningsvis belyser denna kvalitativa studie vikten av att integrera stora datamängder och prediktiv analys i affärs- och marknadsföringsstrategier. Detta visar sig ha en stor inverkan på att inte enbart förbättra verksamhetens marknadsföring utan även stärka den övergripande affärsverksamheten. Vilket understryker behovet av att kontinuerligt utveckla kompetenser och strategier inom dataanalys för att skapa förståelse för hur dessa kan transformera kundrelationer och affärsresultat. Detta perspektiv baseras på tolkningar av intervjuer med marknadsförare inom IT-beroende arbetssystem, och bör ses som insikter som är specifika för de undersökta fallen snarare än breda generaliseringar. / This qualitative study explores the impact of big data and predictive analytics on digital marketing strategies in data-driven businesses. Through in-depth interviews with digital marketers and data analysts in different industries, the study provides an insight into the respondents' personal perception of how these digital tools affect their strategies and business operations in the IT-reliant work system. The use of big data and predictive analytics are considered critical tools to more effectively collect and analyze customer data and behavior. This is because it gives rise to the ability to predict customer trends and adapt the business' marketing strategies in real time. Today, companies' ability to effectively collect and analyze data plays an increasingly crucial role. Not only to develop marketing strategies, but also to achieve significant competitive advantage. The study suggests that businesses that effectively integrate big data and predictive analytics into their strategies gain a better understanding of their customer segments through increased insight and can thus better target and adapt their marketing campaigns to their customer segments. The study also highlights challenges arising from factors such as data quality, optimization, ethics and other aspects that require accuracy and necessary skills. The future of digital marketing is increasingly moving towards data-driven approaches, where there is a greater emphasis on using analytical methods to make decisions. This development demonstrates a shift from the traditional marketing strategies to an application of a data-driven approach. In light of this, it is increasingly important for companies to adopt an approach that enhances their ability to quickly adapt and apply technological tools to exploit this potential. In conclusion, this qualitative study highlights the importance of integrating big data and predictive analytics into business and marketing strategies. This proves to have a great impact on not only improving the organization's marketing but also strengthening the overall business operations. This underlines the need to continuously develop data analytics skills and strategies to understand how they can transform customer relationships and business performance. This perspective is based on interpretations of interviews with marketers in IT-reliant work systems, and should be seen as insights specific to the cases studied rather than broad generalizations.

The business climate is undergoing a transformation and managers are faced with several challenges, not the least of which is related to pricing strategy. With an increased transparency in the market as well as anincreased competitive pressure, and with more sophisticated and well-informed consumers, retail businesses find it hard to navigate the pricing jungle. At the same time, the conventional wisdom in the field of pricing and the theoretical models on the topic, originate from a time long before the digitalization. Old models are not a problem in itself, but when there are new forces in the pricing ecosystem, driven by technological advancement, an assessment of the incumbent models is in the best interest of both businesses and academia. The reason for this is that, the use of old models that rely on inaccurate assumptions may impact businesses’ prioritizing of resources or their overall business strategy. In addition, researchers might be distracted and the research field disrupted. Thus, the purpose of this study is to discuss whether or not there are additional dimensions in pricing strategy that are not covered by the incumbent pricing models. Here, dimensions refer to the key components of businesses’ strategic decision making in regards to pricing. This thesis examines pricing models in today’s business context in order to answer the research question: “Are there additional dimensions of the empirical reality of pricing strategy that are not covered by the incumbent pricing models?” The research question has been studied qualitatively through a literature review, a pilot study and twelve case studies, where the pilot study had the purpose of exploring the depth, whereas the multiple case studies focused on the breadth, of pricing strategies. The case studies cover businesses in different retail industries and of different sizes, namely the industries of Clothing & Accessories, Daily Goods, Furniture and Toys & Tools, and of the following sizes: micro, small, medium and large. The empirical data has mainly been gathered by conducting interviews with production, sales and management personnel at the case businesses. The data has been structured, reduced and analysed with the help of a framework of analysis that has been developed throughout the pilot study. The results of this study lean on previous research and a main divider in pricing strategies has been identified as businesses use either a data-driven or an intuition-driven approach in their strategic work with pricing. As such, it is proposed that the division of pricing strategies need to be acknowledged, since the separate methodological approaches may lead to different results, while implying different costs, resources and required knowledge. Furthermore, the division may form a basis for competitive advantage, be extended to other areas of strategic management and become clearer, since the adoption of technology and its impact will increase in the future. As a result, in the future of pricing, they key is going to be to account for both the strategic perspectives and the methodological approaches in the strategic decision making process of pricing. / Affärsklimatet genomgår en omvandling och företagsledare står inför flera utmaningar, inte minst utmaningar som är relaterade till prissättningsstrategi. Med en alltmer transparent marknad och en ökad konkurrens företag emellan samt en mer sofistikerad och välinformerad konsument, finner företagen i detaljhandeln det svårt att navigera i prissättningsdjungeln. Samtidigt härrör den konventionella visdomen inom prissättning och de teoretiska modellerna på samma ämne från en tid långt innan digitaliseringen. Gamla modeller är inte ett problem i sig, men när det finns nya krafter i prissättningens ekosystem, som drivs på av teknologisk utveckling, är en omprövning av de befintliga modellerna i både företag och akademikers intresse. Användningen av gamla modeller som bygger på felaktiga antaganden kan dock inverka på företagens prioritering av resurser eller på deras övergripande affärsstrategi. Dessutom kan forskare distraheras och forskningsfältet störas. Syftet med denna studie är således att diskutera huruvida det finns ytterligare dimensioner i prissättningsstrategi som inte omfattas av de befintliga prissättningsmodellerna. Här avser dimensioner nyckelkomponenter i företagens strategiska beslutsfattande när det gäller prissättning. Denna avhandling undersöker prissättningsmodellerna i dagens affärssammanhang för att svara på frågan: "Finns det ytterligare dimensioner av den empiriska verkligheten av prissättningsstrategi som inte omfattas av de befintliga prissättningsmodellerna?" Forskningsfrågan har studerats kvalitativt genom en litteraturgranskning, en pilotstudie och tolv fallstudier, där pilotstudien hade till syfte att utforska djupet, medan de flera fallstudierna inriktades på bredden, av prissättningsstrategier. Fallstudierna omfattar företag i industrin för detaljhandeln och företag av olika storlekar, nämligen inom detaljhandeln för Kläder & Accessoarer, Dagligvaror, Möbler och Leksaker & Verktyg, och av följande storlekar: mikro, små, medelstora och stora. Den empiriska datan har huvudsakligen insamlats med hjälp av intervjuer med produktions- och försäljningspersonal samt företagsledare hos företagen i fallstudierna. Uppgifterna har strukturerats, reducerats och analyserats med hjälp av en analysram som har utvecklats under pilotstudien. Resultaten av denna studie tar rygg på tidigare forskning och en huvuddelare i prissättningsstrategier har identifierats, eftersom företag använder antingen ett data-drivet eller ett intuition-drivet tillvägagångssätt i sitt strategiska arbete med prissättning. Som sådan föreslås att uppdelningen av prissättningsstrategier måste tas hänsyn till eftersom de separata metodologiska metoderna kan leda till olika resultat, samtidigt som de innebär olika kostnader samt kräver olika resurser och nödvändig förkunskap. Dessutom kan uppdelningen ligga till grund för konkurrensfördel, utvidgas till andra strategiska områden för företagsledare och bli tydligare, eftersom teknikens utbredning och påverkan kommer att öka i framtiden. Som en följd av detta kommer nyckeln i framtidens strategiska prissättning att vara att ta hänsyn till både de strategiska perspektiven och de metodologiska metoderna i den strategiska beslutsprocessen för prissättning.

With the advances in the telecommunications industry, there is a need to solve the in-band full-duplex (IBFD) problem for antenna systems. One premise for solving the IBFD problem is to have strong isolation between transmitter and receiver antennas in an antenna system. To increase isolation, antenna engineers are dependent on simulation software to calculate the isolation between the antennas, i.e., the mutual coupling. Full-wave simulations that accurately calculate the mutual coupling between antennas are timeconsuming, and there is a need to reduce the required time. In this thesis, we investigate how implemented data-driven interpolation methods can be used to reduce the simulation times when applied to frequency domain solvers. Here, we benchmark the four different interpolation methods vector fitting, the Loewner framework, Cauchy interpolation, and a modified version of Nevanlinna-Pick interpolation. These four interpolation methods are benchmarked on seven different antenna frequency responses, to investigate their performance in terms of how many interpolation points they require to reach a certain root mean squared error (RMSE) tolerance. We also benchmark different frequency sampling algorithms together with the interpolation methods. Here, we have predetermined frequency sampling algorithms such as linear frequency sampling distribution, and Chebyshevbased frequency sampling distributions. We also benchmark two kinds of adaptive frequency sampling algorithms. The first type is compatible with all of the four interpolation methods, and it selects the next frequency sample by analyzing the dynamics of the previously generated interpolant. The second adaptive frequency sampling algorithm is solely for the modified NevanlinnaPick interpolation method, and it is based on the free parameter in NevanlinnaPick interpolation. From the benchmark results, two interpolation methods successfully decrease the RMSE as a function of the number of interpolation points used, namely, vector fitting and the Loewner framework. Here, the Loewner framework performs slightly better than vector fitting. The benchmark results also show that vector fitting is less dependent on which frequency sampling algorithm is used, while the Loewner framework is more dependent on the frequency sampling algorithm. For the Loewner framework, Chebyshev-based frequency sampling distributions proved to yield the best performance. / Med de snabba utvecklingarna i telekomindustrin så har det uppstått ett behov av att lösa det så kallad i-band full-duplex (IBFD) problemet. En premiss för att lösa IBFD-problemet är att framgångsrikt isolera transmissionsantennen från mottagarantennen inom ett antennsystem. För att öka isolationen mellan antennerna måste antenningenjörer använda sig av simulationsmjukvara för att beräkna isoleringen (den ömsesidiga kopplingen mellan antennerna). Full-wave-simuleringar som noggrant beräknar den ömsesidga kopplingen är tidskrävande. Det finns därför ett behov av att minska simulationstiderna. I denna avhandling kommer vi att undersöka hur våra implementerade och datadrivna interpoleringsmetoder kan vara till hjälp för att minska de tidskrävande simuleringstiderna, när de används på frekvensdomänslösare. Här prestandajämför vi de fyra interpoleringsmetoderna vector fitting, Loewner ramverket, Cauchy interpolering, och modifierad Nevanlinna-Pick interpolering. Dessa fyra interpoleringsmetoder är prestandajämförda på sju olika antennsystemsvar, med avseende på hur många interpoleringspunkter de behöver för att nå en viss root mean squared error (RMSE)-tolerans. Vi prestandajämför också olika frekvenssamplingsalgoritmer tillsammas med interpoleringsmetoderna. Här använder vi oss av förbestämda frekvenssamplingsdistributioner så som linjär samplingsdistribution och Chebyshevbaserade samplingsdistributioner. Vi använder oss också av två olika sorters adaptiv frekvenssamplingsalgoritmer. Den första sortens adaptiv frekvenssamplingsalgoritm är kompatibel med alla de fyra interpoleringsmetoderna, och den väljer nästa frekvenspunkt genom att analysera den föregående interpolantens dynamik. Den andra adaptiva frekvenssamplingsalgoritmen är enbart till den modifierade Nevanlinna-Pick interpoleringsalgoritmen, och den baserar sitt val av nästa frekvenspunkt genom att använda sig av den fria parametern i Nevanlinna-Pick interpolering. Från resultaten av prestandajämförelsen ser vi att två interpoleringsmetoder framgångsrikt lyckas minska medelvärdetsfelet som en funktion av antalet interpoleringspunkter som används. Dessa två metoder är vector fitting och Loewner ramverket. Här så presterar Loewner ramverket aningen bättre än vad vector fitting gör. Prestandajämförelsen visar också att vector fitting inte är lika beroende av vilken frekvenssamplingsalgoritm som används, medan Loewner ramverket är mer beroende på vilken frekvenssamplingsalgoritm som används. För Loewner ramverket så visade det sig att Chebyshev-baserade frekvenssamplingsalgoritmer presterade bättre.