Inledning: ​Maskininlärning kan användas för att göra förutsägelser påmängder av data. Vi presenterar en studie där vi analyserat data från encykelbarometer som registrerar förbipasserande cyklar vid en cykelväg iMalmö. Genom att komplettera cykeldatan med andra uppmätta värden somexempelvis väder och veckodagar förbättras förutsättningarna förmaskininlärningsalgoritmer att lära sig prediktera antalet registreradecyklar baserat på olika faktorer. För att mäta hur framgångsrik olikakurvanpassningar var togs en utvärderingsmetod fram. Denna metodeffektiviserade arbetet i att använda kurvanpassningar iregressionsalgoritmer för prediktion av cykelbarometerdata.Mål: ​Målet med vår studie var att ta fram en metod för att utvärderakurvanpassningar på insamlad data.Syfte: Vårt arbete syftar på att möjliggöra förbättrade prediktioner avcykelflöden genom maskininlärning. Gällande specifikt förbättrad prediktionpå cykelflöden kan detta leda till mer välinformerade beslut vidstadsplanering.Metoder: ​Vår metod togs fram genom en tudelad process enligt DesignScience, vilket består i konstruktion följt av utvärdering. Konstruktionen varatt ta fram stegen, utvärderingen var analysen av våra resultat produceradeav metoden. Vi bearbetade datamängden från cykelbarometern och SMHI,fyllde igen uppenbara hål i datamängden med data under samma tidsperiodfrån åren innan och efter. På datan från cykelbarometern utförde vikurvanpassningar med olika grader av polynom. Med de ny datamängdernaskrev vi ihop tester med olika maskininlärningsalgoritmer. Vi använde TenFold Cross Validation i våra tester för att skapa ett större statistisktunderlag och underlätta analysen av resultaten.Resultat: ​Utvärderingsmetoden togs fram och kan användas för attutvärdera kurvanpassningar på data.Slutsatser:​ Kurvanpassningar som representerar långtidstrender kanutvärderas med vår metod. Genom resultaten från metoden kunde vi se hurmaskininlärningsalgoritmerna klarar prediktion och hur brakurvanpassningar kan bidra till bättre prediktion av cykelflöden. / Introduction: ​Machine Learning algorithms can be used in prediction onlarge quantities of data. We present a study where we have used data valuesthat we have extracted through the use of curve fittings on bicycle data. Thisdata was retrieved from a bicycle barometer that registers passing bicyclesby a bicycle road in Malmö. By supplementing the bicycle data with othermeasured values like for example weather and weekdays the conditions areimproved for machine learning algorithms in the effort of prediction. Tomeasure how successful each algorithm was a evaluation method wascreated. This method streamlined the work in testing different machinelearning algorithms on the collected data.Objectives: ​Our objective have been to create a method for evaluation ofcurve fittings on collected data.Purpose: ​The purpose of our work is to enable improved predictions ofbicycle flows through machine learning. In regards to improved predictionspecifically on bicycle data this leads to more well informed decisions withinurban planning.Methods: Our method was created through a two part process devised fromthe Design Science principles, which is construction followed by evaluation.The construction was to create our method parts, the evaluation was theanalysis of our results produced by the method. We processed the data fromthe bicycle barometer and SMHI, filled obvious anomalies in the statisticswith data from the year before and after during the same period of time.Upon this data we performed curve fitting with the use of polynomial ofdifferent degrees. With the data we created tests using scikit-learn withseveral different Machine Learning Algorithms. We used Ten Fold CrossValidation to create a larger statistical basis upon which our analysis of theresults is based upon.Results: ​The evaluation method was created and can be used to evaluatecurve fittings on data.Conclusions: Curve fitted data representing long-term trends can beevaluated using our method. Through the evaluation of the method, wecould see how machine learning algorithms are capable of prediction andhow well curve fitted data can contribute to better prediction of cycling.

The work done in this thesis is to examine various methods for curve fitting. Linear least squares and non-linear least squares will be described and compared, and the Newton method, Gauss--Newton method and Levenberg--Marquardt method will be applied to example problems. / Syftet med denna uppsats är att beskriva och använda olika metoder för kurvanpassning, det vill säga att passa matematiska funktioner till data. De metoder som undersöks är Newtons metod, Gauss--Newton metoden och Levenberg--Marquardt metoden. Även skillnaden mellan linjär minsta kvadrat anpassning och olinjär minsta kvadrat anpassning. Till sist tillämpas Newton, Gauss Newton och Levenberg--Marquardt metoderna på olika exempel.

This Master Thesis deals with the study of analytical and finite-element (FE) models for calculation of losses in traction induction motors. Motors are fed through inverters for this type of application. Therefore, both fundamental and harmonic losses are considered. The study is done with one particular motor and one initial analytical model. In order to validate the model and improve it, a FE model is developed with the tool FLUX 2D. Several chosen operating points with different modulation patterns are simulated both with FE and analytical models and results are compared. Stator and rotor Joule losses are studied first. A model to calculate stator Joule losses at strand level is proposed as an improvement to the current analytical model. Then iron losses, both in stator and rotor, are calculated. Two different computations methods with data extraction from FE are studied: the Bertotti model and a recently developed method called MVPRS in the report. It is based on a mathematical model for curve fitting of the core loss material data. Results with the two methods are compared with the ones from ana-lytical model. Finally total fundamental and harmonic losses are compared with measurements and conclusions are drawn on the quality and accuracy of the analytical model. / Detta examensarbete handlar om analytiska och Finita Element (FE) modeller för beräkning av förluster i asynkronmotorer för traktion. Motorer matas genom växelriktare för denna typ av applikation. Därför är det nödvändigt att både grundläggande och harmoniska förluster beaktas. Studien görs för en särskild motor och en redan existerande analytisk modell. För att validera modellen och förbättra den, utvecklats en FE modell med verktyget FLUX 2D. Flera arbetspunkter med olika moduleringsmönster simuleras både med FE och analytiska modeller och resultaten jämförs. Först studeras stator och rotor Joule förluster. En modell för att beräkna stator Joule förluster i varje ledare föreslås som en förbättring av den nuvarande analytiska modellen. Sedan beräknas järnförluster, både i stator och rotor, beräknas. Två olika metoder baserad på flödestäthet variationer i tid och rum från FE simuleringar studeras med Bertottis modell och en nyutvecklad metod som kallas MVPRS. Den är baserat på en matematisk modell för kurvanpassning av materialet förlust data. Resultaten med de två metoderna jämförs med de från analytiska modellen. Slutligen jämförs totala fundamentala och harmoniska förluster med mätningar och slutsatser dras om kvalitet och noggrannhet av analytiska modellen.