The main thrust of time-series forecasting models in recent years has gone in the direction of pattern-based learning, in which the input variable for the models is a vector of past observations of the variable itself to predict. The most used models based on this traditional pattern-based approach are the autoregressive integrated moving average model (ARIMA) and long short-term memory neural networks (LSTM). The main drawback of the mentioned approaches is their inability to react when the underlying relationships in the data change resulting in a degrading predictive performance of the models. In order to solve this problem, various studies seek to incorporate external factors into the models treating the system as a black box using a machine learning approach which generates complex models that require a large amount of data for their training and have little interpretability. In this thesis, three different algorithms have been proposed to incorporate additional external factors into these pattern-based models, obtaining a good balance between forecast accuracy and model interpretability. After applying these algorithms in a study case of Ethereum price time-series forecasting, it is shown that the prediction error can be efficiently reduced by taking into account these influential external factors compared to traditional approaches while maintaining full interpretability of the model. / Huvudinstrumentet för prognosmodeller för tidsserier de senaste åren har gått i riktning mot mönsterbaserat lärande, där ingångsvariablerna för modellerna är en vektor av tidigare observationer för variabeln som ska förutsägas. De mest använda modellerna baserade på detta traditionella mönsterbaserade tillvägagångssätt är auto-regressiv integrerad rörlig genomsnittsmodell (ARIMA) och långa kortvariga neurala nätverk (LSTM). Den huvudsakliga nackdelen med de nämnda tillvägagångssätten är att de inte kan reagera när de underliggande förhållandena i data förändras vilket resulterar i en försämrad prediktiv prestanda för modellerna. För att lösa detta problem försöker olika studier integrera externa faktorer i modellerna som behandlar systemet som en svart låda med en maskininlärningsmetod som genererar komplexa modeller som kräver en stor mängd data för deras inlärning och har liten förklarande kapacitet. I denna uppsatsen har tre olika algoritmer föreslagits för att införliva ytterligare externa faktorer i dessa mönsterbaserade modeller, vilket ger en bra balans mellan prognosnoggrannhet och modelltolkbarhet. Efter att ha använt dessa algoritmer i ett studiefall av prognoser för Ethereums pristidsserier, visas det att förutsägelsefelet effektivt kan minskas genom att ta hänsyn till dessa inflytelserika externa faktorer jämfört med traditionella tillvägagångssätt med bibehållen full tolkbarhet av modellen.

Augmented Reality är ett brett fält med många olika användningsområden. Det hargjorts flera studier om hur AR kan hjälpa oss att lösa olika arbetsuppgifter på ett effektivare sätt samt att det ingjuter självsäkerhet hos användaren som utför en uppgiftmed hjälp av AR. AR har även letat sig in i tillverkningsindustrin som gör det möjligtför ingenjörer att följa en arbetsprocess med hjälp av AR.Kretskort som är en del av ett system som gör det möjligt för oss att exempelvis ha tillgång till datorer och mobiltelefoner och behöver ibland felsökas. Elektronikingenjörerbehöver ibland identifiera testpunkter och komponenter i den krets på kretskortet somska felsökas. Detta kan underlättas med AR. I denna studie kommer ett experimentatt genomförs för att se om kretskort kan lämpa sig väl som ett Marker-based target.Marker-based target är en bild som möjliggör objektspårning för exempelvis en Head-mounted display, i detta fall en HoloLens. Här efter kommer Marker-based target attbenämnas som mönsterbaserad bild.Experimentet kommer att genomföras med en testgrupp om 10 personer där samtliga kommer att få testa att använda en HoloLens i syftet att lokalisera komponentereller testpunkter på ett kretskort. Detta kommer sedan att jämföras med en traditionell metod genom att identifiera samma komponenter eller testpunkter med en PDF.Testpersonerna kommer även att få svara på en enkät som tittar på om denna metodlämpar sig för att identifiera komponenter med hjälp av AR. En applikation kommeratt skapas som möjliggör att implementera metoden och att testpersonerna kommerkunna använda ett gränssnitt i lokaliseringsprocessen. Resultatet visar att med HoloLensen i jämförelse med traditionella metoden är nästan likvärdig tidsmässigt för attlokalisera komponenter men att vanan av användandet av HoloLensen hade inflytandepå resultatet. / Augmented Reality is an broad field with many different areas of applications. Therehave been several studies on how AR can help us solve various tasks in a more efficientway and that it instills self-confidence in the user who performs a task with the help of AR. AR has also found its way into the manufacturing industry, which enables engineers to follow a work process with the help of AR. For example circuit boards that arepart of a system that makes it possible for us to have access to computers and mobilephones, does sometimes need to undergo troubleshooting process by engineers duringmanufacture.Electronics engineers sometimes need to identify test points and components on thecircuit board that needs troubleshooting. AR can help in this process. In this study, anexperiment will be conducted to see if circuit boards can be well suited as a marker-based target. Marker-based target is an image that enables object tracking for examplewith a Head-mounted display, in this case a HoloLens.The experiment will be conducted with a test group of 10 people where all will beallowed to test a HoloLens in order to locate components or test points on a circuitboard. This method will then be compared to a traditional method by identifying thesame components or test points with a PDF. The test persons will also have to answer aquestionnaire that looks at whether this method is suitable for identifying componentsusing AR. An application will be created that implements the method and that the testpersons will be able to use in the localization process. The results show that the traditional method in comparison with the HoloLens is equivalent for locating components,but the habit of using HoloLens had an influence on the result.