Denna rapport behandlar projektarbetet som utfördes av fem studenter inom datateknik och mjukvaruteknik vid Linköpings Universitet. Projektarbetet utfördes som en del av kursen TDDD96 Kandidatprojekt i mjukvaruutveckling under vårterminen 2019. Syftet med rapporten är att utvärdera arbetsgången för framtagningen av en produkt. Projektet behandlar implementering av bildanalys för mobila Android-enheter och har gjorts på uppdrag av Image Systems Nordic AB. Applikationens ändamål var att genom kameran på en mobiltelefon kunna spåra objekt och analysera dess positioner. Resultatet av projektarbetet är applikationen TrackApp som genom maskininlärning kunde spåra objekt i realtid och på video. Utöver produkten bearbetar rapporten hur projektgruppen arbetade samt individuella fördjupningsområden gruppmedlemmarna studerat.

Användandet av mobiltelefoner har blivit en del av vår vardag i dagens samhälle. Mobiltelefonindustrin är en miljard industri med stora företag som Motorola, Nokia och Sony Eriksson. De senaste åren har det även kommit in nya aktörer på marknaden som Apple med sin iPhone och Google med sitt mobiltelefons?operativsystem Android. Dessa aktörer har kommit ut med flera nya mobiltelefonmodeller som använder sig ut av pekskärmar. När en mobiltelefon använder sig av pekskärmar för att navigera i användargränssnittet istället för navigerings och sifferknappar förändras sättet hur vi interagerar med mobiltelefonerna. Mobilegestures är ett begrepp som använd för mobiltelefoner, mobilegestures är ett alternativt sätt att interagera med mobiltelefoner bland annat med hjälp av rörelser. Att till exempel dra fingret upp över skärmen för att bläddra i en lista. I detta arbete har vi intresserat oss för möjligheterna att använda sig av mobilegestures för att starta program i mobiltelefoner. Vi har skrivit ett test program för att ta reda på om det är möjligt, och vi har skickat ut enkät för att se vad det finns för intresse för mobilegestures. Med denna rapport vill vi visa att det är möjligt att använda sig av mobilegestures till att starta program i mobiltelefoner och på så vis göra användandet av mobiltelefoner smidigare och snabbare.

This master´s degree project is carried out by Trafikverket and concerns machine learning and image detection of defective pantographs on trains.   Today, Trafikverket has a system for detecting damages of the coal rail located on the pantograph. This coal rail lies against the contact wire and may become worn in such a way that damages are formed in the coal rail, which results in a risk of demolition of the contact wire which causes major interference and high costs. Today, approximately 10 demolitions of contact wire occur annually due to missed detection. Today's system is called KIKA2, developed during the year 2011 and incorporates a 12 MP digital camera, a target radar and detection of a damaged pantographs is done using various famous imaging techniques. The shortcomings of today's system are that the proportion of false alarms is high and on these occasions, a person must manually review the pictures.   The purpose of this degree project is to propose improvements and explore the possibilities of working with TensorFlow machine learning.  I have used different image processing techniques on the KIKA2 images for optimizing the images for TensorFlow machine learning. I realized after some TensorFlow classification tests on the raw images that preprocessing the images is necessary to obtain realistic values for the classification part. My plan was to clean the pictures from noise, in other words crop the coal rail and improve the contrast to make the damages in the coal rail more visible.  I have used Fourier analyze and correlation techniques to crop the coal rail and the k-means classification algorithm to improve the contrast of the images. The Googles TensorFlow is an open source framework and to use pre-processed RGB images from today's system KIKA2 will give reasonable classification values. I have brought some IR images with an external heating camera (FLIR-E60) of the pantograph. I can see that the thermal camera provides very nice contours on the pantograph, which is very good for machine learning.  My recommendation is that for further studies is to further evaluate the IR technique and use IR-images taken from different angles, distances and with different backgrounds. The segmentation of the images can be done with either Hu´s moment or Fourier analysis with correlation and refined with for example classification techniques. IR images could be used to complement today's systems, or machine learning together with today's RGB images. A robust and proven pre-treatment technique is very important for obtaining good results in machine learning and requires further studies and real life tests to handle different types of pantographs, different light conditions and other differences in the images.

Preem, det största oljebolaget i Sverige, har en stor omsättning på sitt lager. På dess dryga fem hundra anläggningar omsätt mer än 2,5 miljoner liter om året. För Preem är kontroll av varulagret ett måste för god lönsamhet, säker drift och ett starkt miljöansvar. I syfte att förbättra lageruppföljningen önskar Preem bli utmanade. Preem önskar få ett nytt perspektiv och innovation och tog därför in studenter för att få möjligheter att förbättra systemet. Denna rapport gör en studie av befintliga system med dess för- och nackdelar. Preem har ett väl utvecklat systemstöd, processer, bemanning och personal för uppföljning av lagret. Preem har gjort benchmarkstudier och funnit att de är ledande i Sverige på lagerkontroll. Preem är dock av uppfattningen att nya funktionaliteter kan förbättra lageruppföljningen för Preem och i syfte att inkludera funktionen i det system som Preem planerar skapa har studier bedrivits. Som utgångspunkt för ett projekt som börjar till hösten i syfte att vidareutveckla lagerkontroll genomförs denna studie och vars resultat skall föreslå förbättringar och utvecklingar. Målet med rapporten är att presentera relevant bakgrundsinformation samt de resultat som framkommit under arbetet. Denna rapport behandlar design av ett antal nya funktionaliteter som borde ingå i det nya systemet samt skapande av kravspecifikationer tillhörande dessa funktionaliteter och i ett fall en prototyp. Syftet med kravspecifikationerna är att påtala möjligheter och varvid syftet med prototypen är att pröva dess relevans. Rapporten utgör endast en del i ett större arbete som bedrivits i fyra parallella kandidatexamensrapporter. Ett arbete avsåg databaser, två avsåg GUI och användbarhet och denna rapport kompletterande ett andra om kompletterande funktionalitet. Preem har med dessa rapporter fått en bra utgångsrapport för nästa steg – kostnadsbesparingar genom minskade lagerförluster och ökad effektivitet. Rapporten visar hur en tajt avgränsning fokuserar på problemlösning, beslutsträd kan styrka logiken, och hur datamängder kan hanteras. / Preem, the largest oil company acting in Sweden, has a huge turnover of its stock. On their more than five hundred fuel stations they have more than 2,5 million liters of turnover in average annually. To Preem, stock control is imperative for profitability, ensure safe operations and commitment to the safety of the environment. In an attempt to enhance stock control, Preem has a desire to be challenged. Preem whishes to gain a new perspective and innovation and took the decision to try out university students to challenge them to improve the processes. This report makes a study of existing system with their advantage and disadvantages. Preem does have a well-developed system support, processes, staff and skill for stock control. Preem have performed bench-mark studies and has the opinion that they are market leaders in this area in Sweden today. Preem, however, has the opinion that new functionality could enhance stock control and that these functions should be implemented after studies have been undertaken. As a starting point for a new project intended to start this autumn to enhance stock control, this study is performed and whose result shall propose improvements and developing areas. The aim of the report is to present relevant back ground information as well as the results discovered during the study. This report covers design of some new functionality that should be included in the new system, system specifications regarding these functions and in one case a prototype. The system specifications are to implore the possibilities and the purpose of the prototype is to challenge their relevance. This report is only a part of a larger study done in four parallel bachelor studies. One study covers design of databases, two covered GUI and usability and this report is one of two reports of additional functionality. With these reports, Preem has a good starting point for the next step, ensuring cost efficiency through decreased stock losses and increased efficiency. The report shows how increased focus on problem solutions, decision trees improving logic and how vast amounts of data could be managed

Pattern recognition is now considered a fundamental building block in many fields.  The ability to interact with a computer or vice versa is no longer limited by how fast the computer is, but rather what an application developer can think of. Today many modern, real-time applications, such as high performance and high quality graphics can be combined with a Xbox Kinect to do object tracking and Google Glass to provide a heads up display. These applications can also be combined with other sensors and actuators to produce monitoring systems that can give facilities' operators "telepresence" throughout a facility. To be able to computationally interpret movement or patterns in an image it is imperative to investigate the application of this technology. The research conducted at Xylem has focused on a very specific problem: How can pattern recognition be utilized to dynamically determine the volume and depth of water in a sump at a pumping station. The equipment currently used to determine the water level depends upon being either below or alongside the water's surface, this puts the equipment under great stress due to the nature of a pumping station. Xylem is one of the leading global water technology companies, hence sewage-pumps are one of its main products. The main equipment utilized in this thesis project consists of a camera attached to the interior at the top of the sump in a pumping station connected to a computer. The software developed includes a simple graphical user interface (GUI). This GUI was implemented in C# and is designed to continuously collect data from a camera for subsequent analysis. Our algorithm utilizes anti-correlation between many images taken during a short interval to determine the actual water level. The known dimensions of the sump are then used to calculate the volume of water. Most of the depth values produced by our software were correct and we were able to correctly estimate the water level with an error of less than 4 cm, this corresponds to a volume error of 62 liters for a 140 cm wide sump. Our algorithm was able to monitor the depth over time inside a pumping station in a simulated live environment.  This accuracy is obtained with a time window of 1 second. The results of this system are important because it shows that it is possible to use a camera to measure water depth. This provides pump owners and operators with valuable information regarding the current state of the pump, both in terms of current water depth and an image of possible anomalies such as the presence of foreign objects in the sump. / Mönsterigenkänning betraktas numera som en grundläggande byggsten inom många områden. Möjligheten att kunna interagera med en dator eller vice versa är inte längre begränsat av datorkraft, utan snarare av vilken slags applikation en utvecklare kan komma på. Idag kan många moderna realtidsapplikationer, såsom högpresterande datorer och högkvalitativ grafik kombineras med en Xbox Kinect för att utföra objektspårning och Google Glass för att åstadkomma en huvudburen display. Dessa applikationer kan även kombineras med andra sensorer samt manöverdon för att skapa övervakningssystem som kan ge anläggningsoperatörer möjlighet till fjärrövervakning i en anläggning. För att beräkningsmässigt kunna tolka rörelser eller mönster i en bild är det nödvändigt att utforska tillämpningen av denna teknologi. Forskningen utförd på Xylem har fokuserat på ett väldigt specifikt problem: Hur kan mönsterigenkänning användas för att dynamiskt detektera volymen och vattendjupet i en sumpstation? Utrustningen som vanligen används för detektering av vattennivån är beroende av att vara antingen under eller i linje med vattennivån. Detta utsätter utrustningen för stora påfrestningar på grund av miljön inuti i en pumpstation. Xylem är ett av de globalt ledande företagen inom pumpar, följaktligen är avloppspumpar en av deras huvudsakliga produkter. Den huvudsakliga utrustningen som används i detta projekt är en kamera kopplad till en dator som monteras på den inre och översta delen av en sump i en pumpstation. Programvaran som utvecklats inkluderar ett enkelt grafiskt interface. Detta interface implementerades i C# och är designat för att kontinuerligt samla in data från en kamera för efterföljande analys. Vår algoritm använder sig utav anti-korrelationen mellan många bilder tagna under ett kort intervall för att bestämma det verkliga vattendjupet. De kända dimensionerna av pumpstationen används sedan för att beräkna volymen av vattnet. De flesta djupmätningar genererade av vårt program var korrekta och vi har lyckats korrekt uppskatta vattennivån med ett fel på mindre än 4 cm. Detta motsvarar ett volymfel på 62 liter för en sump med en diameter på 140 cm. Vår algoritm har lyckats övervaka hur djupet ändras med tiden i en live-simulerad miljö. Denna noggrannhet erhålles med ett tidsfönster på 1 sekund. Resultatet av detta system är viktigt eftersom det visar att det är möjligt att använda en kamera för att mäta vattendjup. Detta ger pumpägare och operatörer värdefull information om befintligt skick av en pumpsump, både i form av aktuellt vattendjup samt en bild av möjliga avvikelser såsom förekomsten av främmande objekt inuti sumpen.

Tor and VPNs are used by many to be anonymous and circumvent censorship on the Internet. Therefore, traffic analysis attacks that enable adversaries to link users to their online activities are a severe threat. One such attack is Website Fingerprinting (WF), which analyses patterns in the encrypted traffic from and to users to identify website visits. To better understand to which extent WF can identify patterns in VPN traffic, there needs to be a deeper exploration into which extent background traffic in VPNs impacts WF attacks, which is traffic in the stream that the adversary does not wish to classify. This thesis explores how different background traffic types affect WF on VPN traffic. It is done by using existing VPN datasets and combining them into datasets which simulate a VPN tunnel where both foreground and background traffic is sent simultaneously. This is to explore how different kinds of background traffic affect known state-of-the-art WF attacks using Deep Learning (DL). Background traffic does affect DL-based WF attacks, but the impact on accuracy is relatively small compared to the bandwidth overhead: 200 % overhead reduces the accuracy from roughly 95 % to 70 %. WF attacks can be trained without any background traffic, as long as the overhead of the background traffic is smaller than 2 %, without any impact on accuracy. WF attacks can also be trained with background traffic from other applications than what it is tested on, as long as the applications produce similar traffic patterns. For example, traffic from different pre-recorded streaming applications like Netflix and YouTube is similar enough, but not traffic from pre-recorded and live streaming applications such as Twitch. Also, having access to the size of the packets makes WF attacks better than if the size is obscured, making VPNs probably more vulnerable than Tor to WF attacks. Thesis artefacts are available at: https://github.com/gustavRehnholm/wf-vpn-bg / Tor och VPN:er används av många för att ge anonymitet och kringgå censurera i Internet. Därför är trafikanalysattacker som gör det möjligt för angripare att länka användaren till sina onlineaktiviteter ett allvarligt hot. En sådan attack är Website Fingerprinting (WF), som analyserar mönster i den krypterade trafiken mellan användaren och reläet med målet att identifiera webbplatsbesök. För att bättre förstå i vilken ut-sträckning WF kan identifiera mönster i VPN-tunnlar måste det finnas en djupare undersökning i vilken utsträckning bakgrundstrafik i VPN-tunnlar påverkar WF-attacker, trafik i VPN-tuneln som WF-attackeraren inte försöker klassificera. Målet med denna avhandling är att undersöka hur bakgrundstrafik, i olika kombinationer, påverkar WF på VPN-tunnlar. Det görs genom att använda befintliga VPN-datauppsättningar och kombinera dem till datauppsättningar som simulerar en VPN-tunnel där både förgrunds- och bakgrundstrafik skickas samtidigt. Detta är att utforska hur olika typer av bakgrundstrafik påverkar kända WF-attacker med hjälp av djupinlärning. Bakgrundstrafik har en påverkan på djupinlärnings baserade WF-attacker, men påverkan på WF noggrannheten är relativt liten jämfört med overheaden som behövs: 200 %overhead minskar noggrannheten från ungefär 95 % till 70 %. WF-attacker kan tränas utan bakgrundstrafik, så länge bakgrundstrafikens overhead är mindre än 2 %, utan att det påverkar noggrannheten. WF-attacker kan också tränas med bakgrundstrafik från andra applikationer än vad den testas på, så länge applikationerna producerar liknande trafikmönster. Till exempel är trafik från olika förinspelade streamingapplikationer som Netflix och YouTube tillräckligt lik, men inte trafik från förinspelade och livestreamingapplikationer som Twitch. Det är också tydligt att ha tillgång till paketstorlek gör klassificeraren bättre, vilket gör VPN:er förmodligen mer sårbar än Tor. Avhandlingsartefakter finns på följande hemsida: https://github.com/gustavRehnholm/wf-vpn-bg

The use of non-invasive signal acquisition methods is today the standard for testing pattern recognition algorithms in prosthetic control. Such research had shown consecutively high performance on both prerecorded and real time data, yet when tested in real life they deteriorate. To investigate why, the author who is a congenital amputee, wore a prosthetic system utilizing pattern recognition control on a daily basis for a five-day period. The system generated one new classification every 50 ms and movement execution was made continuously; for classifying open/close; and by winning a majority vote; for classifying side grip, fine grip and pointer. System data was continuously collected and errors were registered through both a manual and an automatic log system. Calculations on extracted data show that grip classifications had an individual accuracy of 47%- 70% while open/close got 95%/98%, but if classified according to a majority vote, grips increased their accuracy to above 90% while open/close dropped to 80%. The conclusion was that majority vote might help complex classifications, like fine grips, while simpler proportional movements is exacerbated by majority voting. Major error sources were identified as signal similarities, electrode displacements and socket design. After the daily monitoring ended the systems functionality was tested using the "Assessment of Capacity for Myoelectric Control". The ACMC results showed that the system has similar functionality to commercial threshold control and thus is a possible viable option for both acquired and congenital amputees. / Användningen av icke-invasiva signalavläsningsmetoder är för nuvarande standarden inom utvärderingar av mönsterigenkännings-algoritmer för proteskontroll. Forskning inom området har konsekvent visat på hög prestanda för både ansamlat och realtids data, men när algoritmerna testas i verkliga livet fungerar de ej väl. För att undersöka varför har författaren, som har en kongenital amputation, burit en protes vilken använder mönsterigenkänningskontroll i sitt vardagliga liv under en femdagars period. Systemet genererade en ny klassificering var 50 ms och rörelse-utförande skedde antingen kontinuerligt; för öppna/stäng; eller genom att vinna en majoritetsröstning, för att klassificera greppen sidogrepp, fingrepp samt peka. Data insamlades kontinuerligt och felklassificeringar registrerades genom både ett manuellt och ett automatiskt markeringssystem. Beräkningar på insamlade data visade att för grepp låg den individuella träffsäkerheten på 47%- 70% medan öppna/stäng var 95%/98%, men om data grupperades ökade träffsäkerheten för greppen till 90% medan för öppna/stäng minskade den till 80%. Slutsatsen blev då att majoritetsröstning hjälper mer komplexa rörelser som grepp, men är hindrande för mer väldefinierade proportionella öppna/stäng rörelser. De största felkällorna identifierades som likheter i signaler, elektrodavbrytningar och design av proteshylsan. Efter slutförd daglig övervakning undersöktes funktionaliteten hos systemet med hjälp av funktionalitetstestet "Assessment of Capacity for Myoelectric Control". ACMC testen visade att systemet hade liknande funktionalitet som kommersiell tröskelkontrol och därmed kan ses som ett möjligt alternativ för kontroll, både hos dem med förvärvade och kongenitala amputationer.

Automated pattern recognition of stone walls, within both point cloud and image processing, can help identify previously inaccessible areas than with only image pro-cessing. This is important as stone walls are biotopes and serve as structures and have ecological functions for both plants and animals. An automated pattern recog-nition can also benefit Sweden with the fulfillment of the national environmental quality objectives, as well as several commitments from the EU which promote the preservation of biological diversity and cultural heritage. However, conventional airborne laser scanners, via airplanes, have not had a sufficiently high point density and penetration of dense forests. This study therefore aims to use an improved tech-nology in Light Detection and Ranging (LiDAR), where data is collected from Sin-gle Photon LiDAR (SPL). Then, the automated pattern recognition will be used to discover stone walls in varied terrain. After the evaluation, two out of five stone walls were identified, one of which had rendered 99.99% of the target area and the other had a 75% target area, although both also displayed one false hit outside of the desired area. The remaining missing area, as well as the other stone walls, could not be identified because of nearby fac-tors such as shrubbery and trees, but even though the method selection for this study did not provide a 100% match on all stone walls, the data from the SPL tech-nology is still useful for pattern recognition with its point density and penetration. The conclusion of this work is that a point cloud filtering must be improved, if not adapted for each area of stone walls, to create better areas of interest before image processing of segmentation and pattern recognition can be implemented. However, the study shows that a combination of point cloud and image processing for auto-matic pattern recognition is a useful way of identifying stone walls. / En automatiserad mönsterigenkänning av stenmurar, inom både punktmolns- och bildbehandling, kan bidra till att identifiera tidigare oåtkomliga områden än med endast bildbehandling. Detta är viktigt då stenmurar är biotoper och fungerar som strukturer och ekologiska funktioner för både växter och djur. En automatiserad mönsterigenkänning kan även bidra till att Sverige gynnar uppfyllandet av de nation-ella miljökvalitetsmålen, samt flera åtaganden från EU enklare inom bevarelse av den biologiska mångfalden och kulturarv. Däremot har konventionella flygburna la-serskanningar, med flygplan, inte haft en tillräcklig hög punkttäthet och genom-trängning av tät skog. Denna studie syftar därför till att använda sig av en förbättrad teknik inom Light Detection and Ranging (LiDAR), där data är insamlat från Single Photon LiDAR (SPL). Därefter ska den automatiserade mönsterigenkänningen an-vändas på dess data för att identifiera stenmurar i varierad terräng. Efter utvärderingen identifierades två av fem stenmurar, varav den ena muren hade 99,99 % upphittad träffyta med en felträff och den andra muren hade en 75 % upp-hittad träffyta med en felträff. Resterande saknad träffyta, samt de övriga stenmu-rarna, kunde inte identifieras på grund av närliggande faktorer som buskage och träd, men även om metodvalet till den här studien inte gav en 100 % träffyta på alla samtliga stenmurar är data från SPL-tekniken fortfarande användbart för mönsteri-genkänning med dess punkttäthet och genomträngning. Slutsatsen av detta arbete är att en punktmolnsfiltreringen måste förbättras, om inte anpassas för varje område av stenmurar, för att på så sätt skapa bättre intresseområden av stenmurar innan bildbe-handling av segmentering och mönsterigenkänning kan implementeras. Däremot vi-sar studien att en kombination av punktmolns- och bildbehandling för automatisk mönsterigenkänning är ett användbart arbetssätt för identifiering av stenmurar.

Intresset för elkvalitet har ökat då elektrisk utrustning, såsom omriktare, numera ger upphov till mer störningar. Elektrisk utrustning har också blivit mer känslig mot störningar samtidigt som industrier har blivit mindre toleranta mot produktionsstörningar. Traditionellt har felhantering i elnät skett när problemet redan uppstått och utgått från historiska data. Metrum har dock genom sin applikation PQ4Cast introducerat mönsterigenkänning för att prognosticera elkvalitetsparametrar samt aktiv effekt och i och med det bidra till ett proaktivt underhåll. Applikationen skapar en prognos för kommande vecka utifrån data för de senaste veckorna, under utveckling är även en funktion för trendanalys av bland annat effektförbrukning och spänningsnivå. Syftet med implementeringen av PQ4Cast är att få en högre tillgänglighet och minimera kostnader för underhåll och oplanerade avbrott. Ett andra syfte är att skapa ökad kontroll över variationer i effektuttag. Målet med detta examensarbete är att avgöra vilka avvikelser som är viktiga för Sandvik att ha kontroll över, ta fram metoder för att utvärdera applikationens funktionalitet samt ge underlag till hur prognoser från applikationen bör hanteras. Utöver det ska även nyttan med funktionen för trendanalys avgöras. Sandvik ser störst nytta med att få kontroll över framtida värden för aktiv effekt, reaktiv effekt samt variationer i spänningens effektivvärde. Av dessa borde variationer i aktiv samt reaktiv effekt vara mest lämpad för PQ4Cast att identifiera. För undersökning av överensstämmelse mellan prognos och verkligt utfall rekommenderas användning av korrelationskoefficient, determinationskoefficient samt signifikansnivå på fem procent. Användning av MAPE, Mean Absolute Percentage Error, rekommenderas också att användas för att kvantifiera prognosfelet. Vid god överensstämmelse rekommenderas prognoserna för aktiv effekt från PQ4Cast användas för veckoprognos till elhandelsbolaget Statkraft i kombination med temperaturprognos samt prognos över produktion kommande veckan. Trendanalysfunktionen visar ett medelfel med några procent för den aktiva effekten. Ytterligare undersökningar av funktionen rekommenderas och vid god överensstämmelse rekommenderas denna användas som grund för prognoser som ges till Statkraft samt används som grund för nytt effektavtal med Vattenfall i kombination med produktionsprognos. För analys av trend för spänningens effektivvärde är avvikelsen från prognosvärdet endast några tiondels procent och här rekommenderas fortsatta undersökningar och då specifikt vid del i nätet där installation av solcellsanläggning planeras. Applikationen PQ4Cast samt trendanalysfunktionen förväntas kunna leda till ekonomiska fördelar i form av minskade kostnader för inköp av el samt minskade elnätsavgifter och även betydande besparingar om störningar som kan leda till avbrott kan upptäckas i tid och avstyras. Kortvariga störningar, såsom spänningsdippar, är dock svåra för PQ4Cast att upptäcka i dagsläget. / Interest in power quality has increased as electrical equipment, such as inverters, nowadays emits more disturbances. Electrical equipment has also become less tolerant to disturbances, while industries have become less tolerant to disturbances in the production. Traditionally, fault diagnosis and handling have been performed when the fault has already arisen and has been based on historical data. Through its application PQ4Cast, Metrum have introduced pattern recognition to forecast power quality parameters and active power, and thereby contribute to proactive maintenance. The application creates a forecast for the coming week based on data for the last few weeks. Under development is also a function for trend analysis of, among other things, power consumption and voltage level. The objective with the implementation of PQ4Cast is to achieve higher availability and minimize costs for maintenance and unplanned interruptions. A second objective is to increase the control over variations in power consumption. The aim of this thesis is to determine which deviations are important for Sandvik, develop methods for evaluating the application’s functionality and provide a basis for how forecasts from the application should be managed. The aim is also to determine the usefulness of the trend analysis function. For Sandvik, the greatest benefit is seen in gaining control over future values for active power, reactive power and variations in the RMS value of the voltage. Of these, variations in active and reactive power should be most suitable for PQ4Cast to identify. For examination of the conformity between prognosis and actual outcome, the use of correlation coefficient, determination coefficient and significance level of five percent is recommended. Use of MAPE, Mean Absolute Percentage Error, is also recommended to quantify the forecast error. In the event of good conformity, the forecasts for active power from PQ4Cast are recommended for weekly forecasts to the electricity trading company, Statkraft, in combination with temperature forecasts and forecasts of production following week. The trend analysis function shows MAPE at a few percent for the active effect. Further investigations of the function are recommended and in case of good conformity, the prognosis is recommended as the basis for forecasts given to Statkraft and as the basis for new power agreements with Vattenfall in combination with production forecast. For analysis of the trend for the voltage's RMS value, the deviation from the forecasted value is only a few tenths of a percentage. Here further studies are recommended and then specifically at area in the grid where installation of solar power is planned. The application PQ4Cast and the trend analysis function are expected to lead to economic benefits, such as reduced costs for purchase of electricity, reduced electricity grid charges and significant savings if disturbances that may lead to interruptions can be detected and prevented. Disturbances of short duration, such as voltage dips, are however hard to detect with the current setup of the application.

Origin-Destination (OD) matrix plays an important role in traffic management and urban planning. However, the OD estimation demands large data collection which has been done in past mostly by surveys with numerous limitations. With the development of communication technology and artificial intelligence technology, the transportation industry experiences new opportunities and challenges. Sensors bring big data characterized by 4V (Volume, Variety, Velocity, Value) to the transportation domain. This allows traffic practitioners to receive data covering large-scale areas and long time periods, even several years of data. At the same time, the introduction of artificial intelligence technology provides new opportunities and challenges in processing massive data. Advances from computer science have also brought revolutionary advancements in the field of transportation. All these new advances and technologies enable large data collection that can be used for extracting and estimating dynamic OD matrices for small time intervals and long time periods.Using Stockholm as the focus of the case study, this thesis estimates dynamic OD matrices covering data collected from the tolls located around Stockholm municipality. These dynamic OD matrices are used to analyze the day-to-day characteristics of the traffic flow that goes through Stockholm. In other words, the typical day-types of traffic through the city center are identified and studied in this work. This study analyzes the data collected by 58 sensors around Stockholm containing nearly 100 million vehicle observations (12GB).Furthermore, we consider and study the effects of dimensionality reduction on the revealing of most common day-types by clustering. The considered dimensionality reduction techniques are Principal Component Analysis (PCA) and its variant Kernel PCA (KPCA). The results reveal that dimensionality reduction significantly drops computational costs while resulting in reasonable day-types. Day-type clusters reveal expected as unexpected patterns and thus could have potential in traffic management, urban planning, and designing the strategy for congestion tax. / Origin-Destination (OD) -matrisen spelar en viktig roll i trafikledning och stadsplanering. Emellertid kräver OD-uppskattningen stor datainsamling, vilket har gjorts tidigare mest genom enkäter med många begränsningar. Med utvecklingen av kommunikationsteknik och artificiell intelligens upplever transportindustrin nya möjligheter och utmaningar. Sensorer ger stor data som kännetecknas av 4V (på engelska, volym, variation, hastighet, värde) till transportdomänen. Detta gör det möjligt för trafikutövare att ta emot data som täcker storskaliga områden och långa tidsperioder, till och med flera års data. Samtidigt ger introduktionen av artificiell intelligens teknik nya möjligheter och utmaningar i behandlingen av massiva data. Datavetenskapens framsteg har också lett till revolutionära framsteg inom transportområdet. Alla dessa nya framsteg och tekniker möjliggör stor datainsamling som kan användas för att extrahera och uppskatta dynamiska OD-matriser under små tidsintervall och långa tidsperioder.Genom att använda Stockholm som fokus för fallstudien uppskattar denna avhandling dynamiska OD-matriser som täcker data som samlats in från vägtullarna runt Stockholms kommun. Dessa dynamiska OD-matriser används för att analysera de dagliga egenskaperna hos trafikflödet i Stockholm genom stadens centrum. Med andra ord känns igen och studeras de typiska dagtyperna av trafik genom stadens centrum i detta arbete. Denna studie analyserar data som samlats in av 58 sensorer runt Stockholm som innehåller nästan 100 miljoner fordonsobservationer (12 GB)Dessutom överväger och studerar vi effekterna av dimensioneringsreduktion på avslöjandet av de vanligaste dagtyperna genom kluster. De betraktade dimensioneringsreduktionsteknikerna är Principal Component Analysis (PCA) och dess variant Kernel PCA (KPCA). Resultaten avslöjar att dimensioneringsreduktion avsevärt minskar beräkningskostnaderna, samtidigt som det ger rimliga dagtyper. Dagstyp kluster avslöjar förväntade som oväntade mönster och därmed kan ha potential i trafikledning, stadsplanering och utformning av strategin för trängselskatt.