Den anadroma öringen i Östersjöns avrinningsområde uppnår inte tillfredsställande status och uppskattningsvis upprätthålls ungefär hälften av populationerna med kompensationsodling. En av dem är Dalälvens anadroma öring som numer har sitt reproduktionsområde vid Älvkarleby, ca 10 km uppströms älvmynningen till Östersjön. Där finns även ett vattenkraftverk som innebär ett definitivt vandringshinder för Dalälvens migrerande arter. Vid Älvkarleby bedriver SLU Aqua forskning på öring och lax, samt ansvarar för kompensationsodlingen av Dalälvens anadroma öring. Tack vare det långvariga kompensationsodlingsprogrammet finns långa tidsserier innehållandes populationsdynamiska och strukturella data om populationen i Dalälven. I denna studie beskrivs långtidstrender i detta data, och med hjälp av statistiska metoder identifieras potentiella påverkansfaktorer. Resultaten visar att studieperioden kännetecknas av kraftiga populationsdynamiska fluktuationer, och temperatur identifierades som en stark påverkansfaktor. / Anadromous trout populations in the Baltic Sea area are in a less than optimal state and about half of the populations are maintained by hatchery-reared trout. One of the populations spawns near Älvkarleby of river Dalälven, about 10 km upstream of the estuary in the Baltic Sea. A hydroelectric dam located in the same area blocks the routes of migratory species. SLU Aqua operates the cultivation of trout native to river Dalälven and conducts research at the research center in Älvkarleby. Owing to the long-term cultivation in river Dalälven, long time-series containing population-specific data is available. Based on the collected data, this study describes long-term trends in the trout population native to river Dalälven and tries to identify potential factors effecting these by using statistical methods. The results show that the study period is characterized by large fluctuations in population dynamics, and that temperature is a major influencing factor.

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.