Syftet med detta examensarbete är att förkorta 20-timmars frisättningen för en tablettformulering med förlängd frisättning genom att använda maskininlärning genom multivariat prediktiv modellering, helt automatisera frisättningsmetoden och utvärdera antalet tabletter som kan representera en batch vid frisättningsanalys av en specifik provtablett. Prediktionsmodellerna byggdes i SIMCA 14, som är en programvara för multivariat dataanalys. Två PLS-prediktionsmodeller byggdes som använder sig av de första 8 timmarna av frisättningen som X-variabler för att prediktera mängden aktiv farmaceutisk ingrediens som frisatts vid timme 12 och timme 20. Y-variablerna behandlades med logit-transformation i SIMCA 14. Modellerna bedömdes med en oberoende testset med avseende på linjäritet och precision. Beräkningar visar att prediktionerna av 12 och 20 timmars värden är utmärkta. RMSEP för 12-timmars prediktionen är 0,39 och 1,12 för 20-timmars prediktionen. Detta visar att modellerna korrekt kan prediktera timme 12 och timme 20 efter en 8 timmars frisättningsanalys. En automatiserad 8-timmars frisättningsmetod med alla nödvändiga kommandon har byggts för SingBATH-roboten i SenISS-programvaran. Det är möjligt att koppla modellerna till SingBATH-metoden till SIMCA Quick Predict-modulen som finns i SenISS-programvaran. SingBATH-robotarna är placerade i produktionsanläggningarna, vilket innebär att hela analysen kan överföras från laboratoriet för kvalitetskontroll till produktionen. För att utvärdera möjligheten att använda färre än 6 tabletter vid frisättning av provtabletten för en batch, användes ett testset med data från 73 olika batcher. Flera beräkningar har utförts för att undersöka effekten av att minska antalet tabletter från 6 till 3 tabletter per batch. Det visas att risken för felaktig bedömning av batchens frisättning vid timme 1, 4, 8 och 20 med frisättning av 3 tabletter istället för 6 är mycket liten. Dessutom är den tid och resurser som sparas när antalet testade tabletter per batch minskas mycket stora. En utvärdering av prediktionsmodellerna med 6 och 3 tabletter per batch har också utförts. Resultaten visar att skillnaderna i resultat är små. Genom att flytta analyserna till produktionen, med hjälp av prediktionsmodeller för att minska analystiden till 8 timmar istället för 20 timmar och att minska antalet tabletter som representerar en batchs frisättning till 3 tabletter, från 6 tabletter, innebär en stor tidsbesparing för analys av denna provtablett. / The aim of this thesis degree is to shorten the 20-hour dissolution time of an extended release tablet formulation by using machine learning through multivariate predictive modelling, fully automate the dissolution method and assess the number of tablets needed to have correct test result for a batch of the formulation analyzed in this thesis.  The prediction models were built in SIMCA 14, which is a software for multivariate data analysis. Two PLS prediction models were built using the first 8 hours of dissolution as X-variables to predict the amount active pharmaceutical ingredient dissolved at hour 12 and hour 20. The Y variables were treated with logit transformation in SIMCA 14. The models were assessed with an independent test set with respect to linearity and precision. Calculations show that predictions of the 12 and 20 hour values are excellent. RMSEP for the 12-hour prediction is 0,39 whereas it is 1,12 for the 20-hour prediction. This shows that the models can correctly predict hour 12 and hour 20 after an 8 hours dissolution analysis.  An automated 8 hour dissolution method with all the necessary commands has been built for the SingBATH robot in the SenISS software. It is possible to couple the models to the SingBATH method to the SIMCA Quick Predict module available in the SenISS software. The SingBATH robots are placed in the production facilities, which means that the entire analysis can be transferred from the quality control laboratory to the production. To evaluate the possibility of using fewer than 6 tablets when testing the dissolution profile for a batch, a test set with data from 73 different batches was used. Several calculations have been performed to investigate the effect of reducing the number of tablets from 6 to 3 tablets per batch. It is shown that the risk of incorrectly judging the batch dissolution at hour 1, 4, 8 and 20 associated with testing 3 tablets instead of 6 is very small. Moreover, the time and resources saved when  the number of tablets tested per batch are reduced are very large.  An evaluation of the prediction models with 6 and 3 tablets per batch has also been performed. The results show that the differences in results are minor. By moving the analyses to the production, using prediction models to reduce the analysis time to 8 hours instead of 20 hours, and to reduce the number of tablets representing a batch dissolution to 3 tablets, from 6 tablets, means a great time saving for this analysis.

Syftet med det här arbetet är att undersöka hur väl logistisk regression kan användas för att prediktera vinnaren i en snookermatch. Detta görs med hjälp av statistik över spelarna samt resultat från tidigare matcher och turneringar. En mängd möjliga förklarande variabler presenteras som exempelvis ranking, antal vunna matcher, hemland, typ av turnering, prissumma och omgång (final, semifinal, et cetera). Även tvåvägs-interaktioner mellan variablerna undersöks. Modeller tas fram utifrån hur de presterar i AIC, BIC, residualavvikelse samt Hosmer-Lemeshow-testet. Därefter mäts deras prediktiva förmåga hos ett helt nytt datamaterial med hjälp av noggrannhet, sammanblandningsmatriser och AUC. Resultatet ger flera olika modeller, men den som i slutändan väljs är en modell med bara en förklarande variabel – skillnaden i spelarnas ranking. Modellen hade rätt i sina prediktioner i 60 procent av fallen. Snooker visar sig vara en relativt svårpredikterad sport, jämfört med exempelvis fotboll och hockey, med flera oväntade utfall där den överlägset bättre rankade spelaren förlorade. Modellen är visserligen bättre än vad att godtyckligt gissa vilken spelare som kommer vinna hade presterat, vilket får ses som ett lägsta mått på användbarhet. / This study aims to investigate how well logistic regression can be used to predict the winner in a snooker game. This is done using statistics on the players and results from previous matches and tournaments. A range of possible explanatory variables are presented, such as ranking, number of wins, country, type of tournament, prize money, and round (final, semifinal, et cetera). Two-way interactions between the variables are also examined. Models are developed based on their performance in AIC, BIC, residual deviation, and the Hosmer-Lemeshow test. Then, their predictive ability is measured on an entirely new data set using accuracy, confusion matrices, and AUC. The result produces several different models, but the one ultimately chosen is a model with only one explanatory variable – the difference in the players' rankings. The model was correct in its predictions in 60 per cent of cases. Snooker turns out to be a relatively difficult sport to predict, compared to, for example, football and hockey, with several unexpected outcomes where the significantly better-ranked player lost. The model is at least better than randomly guessing which player would win, which should be seen as the lowest measure of usefulness.

Ground vibrations due to pile driving are part of a complex process. Vibration is generated from the pile driver to the pile. As the pile interacts with the surrounding soil, vibrations are transferred at the pile-soil interface. The vibration propagates through the ground and interacts with structures, both above ground and underground. The vibration continues into the structure where it may disturb occupants and/or damage the structure. In this thesis the study of the vibration transfer process due to pile driving is limited to the vibration source and the wave propagation in the soil. Vibration transmission to adjacent buildings and structures is not studied. However, impact of vibrations on buildings is briefly discussed in the literature study. It is important to accurately predict the magnitude of ground vibrations that result from pile driving in urban areas, both over- and underestimated vibration levels lead to increased costs. A lot of research has been performed within this field of knowledge, but a reliable and acknowledged prediction model for vibrations induced by pile or sheet pile driving is still needed. The objective of the research project is to increase the knowledge and understanding in the field of ground vibrations due to impact and vibratory driving of piles and sheet piles. This research project also aims to develop a reliable prediction model that can be used by practising engineers to estimate vibration due to pile driving. This licentiate thesis presents the first part of the research project and aims to increase the knowledge and understanding of the subject and to form a basis for continued research work. The most important findings and conclusions from this study are: The main factors influencing vibrations due to pile and sheet pile driving are; (1) the vibrations transferred from the pile to the soil, (2) the geotechnical conditions at the site and (3) the distance from the source. The vibrations transmitted from the pile to the soil depend on the vibrations transferred to the pile from the hammer, the pile-soil interaction and the wave propagation and attenuation in the plastic/elasto-plastic zone closest to the pile. There is today no prediction model that fulfils the criteria of the “perfect” prediction model; reliable but yet easy to apply. Future research should study the transfer of vibrations at the pile-soil interface, including the generation of a plastic/elasto-plastic zone in the area closest to the pile and how that affects the transfer of vibrations from the pile to the soil. / Markvibrationer på grund av pålning är del av en komplex process. Vibrationer genereras från pålmaskinen till pålen. När pålen kommer i kontakt med den omgivande jorden överförs vibrationer mellan påle och jord. Vibrationerna fortplantar sig som vågor genom marken och träffar byggnader och andra konstruktioner, både ovan och under jord. Vibrationerna fortsätter in i byggnaden där de kan orsaka störningar eller skador. I denna avhandling begränsas studien av vibrationsöverföringsprocessen till vibrationskällan och vågutbredningen i jord. Vibrationsöverföringen till intilliggande byggnader eller konstruktioner har inte studerats. Påverkan av vibrationer på byggnader diskuteras dock kort i litteraturstudien. Det är viktigt att på ett tillförlitligt sätt kunna förutsäga markvibrationerna på grund av pålning i stadsmiljö, både över- och underskattade vibrationsnivåer leder till ökade kostnader. Forskning har tidigare utförts inom detta område, men en tillförlitlig och allmänt accepterad prognosmodell för vibrationer på grund av pålning eller spontning saknas fortfarande. Syftet med forskningsprojektet är att öka kunskapen och förståelsen för markvibrationer som uppkommer vid installation genom slagning eller vibrering av pålar och spont. Forskningsprojektet syftar också till att utveckla en tillförlitlig prognosmodell som kan användas av yrkesverksamma ingenjörer för att uppskatta vibrationsnivåer orsakade av pålning. Denna licentiatavhandling presenterar den första delen av forskningsprojektet och syftar till att öka kunskapen och förståelsen inom ämnesområdet samt att skapa en plattform för det fortsatta forskningsarbetet. De viktigaste resultaten och slutsatserna från denna studie är: De huvudsakliga faktorer som påverkar vibrationer orsakade av pålning är; (1) de vibrationer som överförs från källan till jorden, (2) de geotekniska förhållandena på platsen och (3) avståndet från vibrationskällan (pålen). Vibrationerna som överförs från pålen till jorden beror på de vibrationer som överförs från pålmaskinen till pålen, påle-jord interaktionen samt vågutbredning och dämpning i den plastiska/elasto-plastiska zonen som bildas närmast pålen. Det finns idag ingen prognosmodell som uppfyller kriterierna för den ”perfekta” prognosmodellen; tillförlitlig men ändå lätt att tillämpa. Framtida forskning bör undersöka överföringen av vibrationer mellan påle och jord, innefattande uppkomsten av en plastisk/elasto-plastisk zon närmast pålen och hur det påverkar vibrationsöverföringen från påle till jord. / <p>QC 20130314</p>

Global food prices are currently rising at a rapid pace. The current supply chain involves a number of different steps, where each step involves a price surcharge that is ultimately paid by the consumer. Modern technology, such as machine learning and smart logistics, enables alternative supply chains. This report examines the possibility of designing a model that, with the help of scenarios of change based on previous studies and the taskmaster’s vision, can make predictions for future food prices. The report was based on the supply chain and current prices for potatoes. The models used are ARIMA, SVR with different cores, linear regression, Ridge regression and Lasso regression. The models are evaluated with the error measurements Mean Absolute Error, Mean Squared Error, Root Mean Squared Error and R2. The best-performing models, with which the prediction was then performed, were ARIMA and SVR with a linear core. The predictions and calculations showed drastically reduced food prices and a large reduction in unnecessary food waste, especially in the scenario that involves an overall change of the supply chain. This has major macroeconomic effects, as food prices affect inflation. The analysis also shows the importance of the industry’s players working with analysis and strategy to handle a future shift that entails higher uncertainty in the market. There are uncertainties about the effect on other supply chains, as well as the net effect of a shift as the costs for this are unknown. / I dagsläget stiger livsmedelspriserna globalt i hög takt. Den nuvarande försörjningskedjan innebär många olika steg, där varje steg innebär prispåslag som till slut betalas av konsumenten. Modern teknik, som maskininlärning och smart logistik ger upphov till alternativa försörjningskedjor. Denna rapport undersöker möjligheten att utforma en modell som, med hjälp av omställningsscenarion baserade på tidigare studier och uppdragsgivarens vision, kan göra prediktioner för framtida livsmedelspriser. Rapporten baserades på försörjningskedjan och aktuella priser för matpotatis. De använda modellerna är ARIMA, SVR med olika kärnor, linjär regression, Ridge regression samt Lasso regression. Modellerna utvärderas med felmåtten Mean Absolute Error, Mean Squared Error, Root Mean Squared Error samt R2. De bäst presterande modellerna, som prediktionen sedan utfördes med, var ARIMA och SVR med linjär kärna. Prediktionerna och uträkningarna visade på drastiskt sänkta matpriser och en stor sänkning av onödigt matsvinn, framför allt vid det scenario som innebär en övergripande omställning av försörjningskedjan. Detta för med sig stora makroekonomiska effekter, då livsmedelspriset påverkar inflationen. Analysen visar även på vikten av att branschens aktörer arbetar med analys och strategi för att hantera ett kommande skifte som innebär en högre osäkerhet på marknaden. Osäkerheter finns kring effekten på andra försörjningskedjor, samt nettoeffekten av en omställning då kostnaderna för denna är okända.

Konfliktprediktering handlar om att bedöma risken för våld i ett geografiskt område vid en given tid. Uppgiften lämpar sig bra för datorer som med hjälp av matematiska modeller kan hitta mönster i stora mängder data. Att prediktera konflikthändelser går att göra med olika metoder. Syftet med studien var att utvärdera multilayer perceptron (MLP), en typ av artificiella neuronnät, som metod för konfliktprediktering i relation till två andra metoder. I studien beskrivs hur MLP-neuronnätet konstruerades och hur prestationsmått togs fram för dess prediktioner. De värdena jämfördes senare med prestationsmått från andra studier för de två andra metoderna. Prediktionerna grundade sig på data om konflikthändelser, samt ekonomiska och demografiska faktorer för länder i världen. Jämförelsen visade att MLP är användbar som metod för konfliktprediktering och hade, under de förutsättningar som rådde, i viktiga avseenden högre prediktiv förmåga än de andra metoderna. Studien presenterar även fyra faktorer som kan påverka vilken modelleringsmetod som en modellerare borde använda för konfliktprediktering.

The purpose of this study is to create a model of prediction for the volume distribution. Due to the lack of previous studies on the subject, an exploratory approach is used, with the purpose of serving as a proof of concept for further research. By looking at all market data from the Stockholm stock exchange the volume distribution of individual order books are matched with a mixed beta distribution and scaled by a prediction based on a linear regression. The model provided in this study outperforms the floating mean by quite a good margin. Some days are, almost by definition, impossible to get an accurate prediction on. Intraday news with a big impact have a tendency to skew the results away from the predicted value. To remedy this the initial model is expanded by using intraday data to catch up on trends / Syftet med denna rapport är att skapa en model för prediction av höglikvida aktiers volym fördelingen på stockholmsbörsen. Detta görs på ett utforskande sätt och agerar som konceptvalidering och bevis att grunda vidare forsking på. Genom att titta på all marknadsdata på stockholmsbörsen kommer den kumulativa volym fördelingen av induviduela aktier skapas. För att sedan bli matchad mot en mixture beta fördeling och skalas med en prediktion erhållen från en linjär regrission. Modelen som presenteras i rapporten fungerar bättre som prediktion än det flytande medelet. Det finns dock dagar som av sin natur är omöjliga att förutspå, exempelvis när en stor nyhet blir känd. För att kompensera för detta expanderas modelen genom att använda data från samma dag som ska prediceras och detta förbättrar modelen för den resterande tiden av dagen.

Varje år går ca 6 000 företag i konkurs och det påverkar intressenter i form av kreditgivare, leverantörer, anställda och staten i form av inställda amorteringar, betalningar, skatteskulder samt löneutbetalningar. Därav är intresset stort att kunna predicera samt identifierav arningssignaler för konkurs. Denna uppsats kommer att undersöka skillnader mellan de finansiella nyckeltalen mellan konkursade och icke konkursade företag i de två mest konkursutsatta branscherna i svenskt näringsliv. Syfte Syftet med studien är att få bättre inblick i finansiella nyckeltalens betydelse för företag som går i konkurs genom att studera sambandet mellan konkurs och nyckeltal på mindre aktiebolag i Sverige inom byggnad och detaljbranschen. Metod Vi har använt oss av en kvantitativ metod där vi analyserat data genom deskriptiv statistik, oberoende t-test, korrelationsanalys och en logistisk regressionsanalys. Urvalet har varit påmindre företag i Sverige som upprättar årsredovisning i enlighet med K2-regelverket. Urvalet på 45 konkursade företag och 90 icke konkursade företag per bransch gjordes genom ett systematiskt urval av varje bransch. Ur varje grupp gjordes ett systematiskt urval på var femte företag som matchade våra kriterier. Slutsats Vår studie visar att det i den univariata och bivariata analysen finns tydliga skillnader mellan konkursade och icke konkursade företag. Studien visar också att nyckeltalen har en negativ trend från en treårsperiod innan konkursen fram tills konkursförfarandet. Ett år innan konkurs var differensen mellan konkursade och icke konkursade företag i byggbranschen signifikant på samtliga nyckeltal medan detaljhandeln endast hade sex av åtta nyckeltal signifikanta. / Every year, about 6,000 companies go bankrupt and this affects stakeholders in the form of creditors, suppliers, employees and governments in the form of canceled repayments, payments, tax liabilities and salary payments. As a result, there is great interest in being ableto predict and identify warning signals for bankruptcy. This thesis will examine differences between the financial key figures between bankrupt and non-bankrupt companies in the two most bankrupt industries in Swedish business. Purpose The purpose of the study is to gain a better insight into the significance of financial ratios for companies that go bankrupt by studying the relationship between bankruptcy and financialratios on smaller limited companies in Sweden in the construction and retail industry. Method We have used a quantitative method where we analyzed the data through descriptive statistics, independent t-tests, correlation analysis and a logistic regression analysis. The sample has been smaller companies in Sweden that prepare annual reports in accordance with the K2 regulations. The selection of 45 bankrupt companies and 90 non-bankrupt companies per industry was made through a systematic selection. From each group, a systematic selection was made on every fifth company that matched our criteria. Conclusion Our study shows that in the univariate and bivariate analysis there are clear differences between bankrupt and non-bankrupt companies. The study also shows that the key figures have a negative trend from a three-year period in bankruptcy until the bankruptcy proceedings. One year before bankruptcy, the difference between bankrupt and non-bankrupt companies in the construction industry was significant on all key figures, while the retail tradehad only six out of eight key figures significant.

Huvudsyftet med denna studie är att förstå om ett säsongsmässigt autoregressivt integrerat rörligt genomsnitt (SARIMA) -metod pålitligt kan förutsäga extrem variation i värmelaster för en fjärrvärmestation. Genom extrem variation ser vi på den maximala och minsta värmebelastningen per dag mätt i megawattstimmar. Avhandlingen bygger på standardimplementering av SARIMAX och utför en rutnätsökning efter de mest lämpliga parametrarna. Prognoser kan genereras från tidsserier i syfte att uppskatta förväntad energiförbrukning i en fjärrvärmestation. Frågan som ställs är: Hur tillförlitlig är SARIMAX-modellen för energibehov i en fjärrvärmestation? För att besvara studiens fråga designas och genomförs experiment med hjälp av ett dataset från verkliga mätningar. Datasetet studerades och analyserades med hjälp av undersökande dataanalystekniker som kommer med statistiska paket implementerade i en pythonmiljön, som kan användas som ett statistiskt program. Uppgifterna är uppdelade i två säsonger, sommar och vinter. Där den explorativa analysen av datasetet visar att modellen måste ta hänsyn till den starka veckocykeln med data. Så att korrelationen mellan utetemperaturen kan användas för att förbättra förutsägelsen. Fininställning och tillämpning av SARIMAX och Prophet för förutsägelser genererar data i form av diagram som visar hur tillförlitlig modellen är för förutsägelse. Resultaten visar att SARIMAX-modellen presterar bättre under vintermånaderna och sämre under sommaren. Baserat på dessa resultat antyder avhandlingsstudien att SARIMAX-modellen är mer tillämplig under vintermånaderna där förutsägelsen är mer tillförlitlig. Jämförelser med Prophet modellen indikerar lovande resultat och att vidare forskning borde föras för denna modell. Dessa resultat kan vara till hjälp för industrin som förser samhället och konsumenterna med fjärrvärme. Det hjälper till att förutse hur mycket energiförbrukning som används där industrin kan använda den för att reglera mängden fjärrvärme, för att ytterligare hjälpa ekonomin och miljön. / The main objective in this study is to understand if a Seasonal Autoregressive Integrated Moving Average (SARIMA) method can reliably predict extreme variation in heat loads for a district heating substation. By extreme variation we look at the maximum and minimum heat load per day measured in megawatt hour. The thesis relies on standard implementation of SARIMAX and performs a grid search for the most suitable parameters. Forecast can be generated from time series with the purpose of estimating expected energy consumption in a district heating substation. The question addressed is: How reliable is the SARIMAX-model for energy demand in a district heating substation? To answer the study’s question, experiments are designed and conducted using a dataset from real measurements. The dataset was studied and analyzed using exploratory data analysis techniques that come with statistical packages implemented in the python environment, which can be used as a statistical program. The data is separated into two seasons, summer and winter. Where the explorative analysis of the data shows that the model needs to take in account the strong weekly cycle of data. Also the correlation between the outside temperature can be used to improve prediction. Fine tuning and applying SARIMAX and Prophet for predictions generates data in the form of graphs and tables which shows how reliable the SARIMAX model is for prediction. Results show that the SARIMAX model is performing better during winter months and worse during summer. Based on these results, the thesis study suggests that the SARIMAX-model is more applicable during winter months where prediction is more reliable. Comparison with the Prophet model indicates promising results and that further investigations should be made into this model. These results can be of help to the industry that supplies the community and consumers with district heating. It helps by predicting how much energy consumption is used where the industry can use it to regulate the amount of district heating, to further help the economy and environment.

The ability to handle and process data for information extraction is getting more and more important. Using extracted data from the business to improve productivity is seen as an important part in developing the business processes. In this thesis, industrial robots and their survival times are analyzed. The work is about predicting the probability that a specific robot will fail during a specified time period. Also, survival analysis is conducted where the median lifetime and conditional median lifetime for industrial robots are estimated. Two approaches are used, logistic regression and survival analysis. A logistic regression model is made to predict the probability for different industrial robots to break during a specified time period. The logistic model achieves an accuracy of 0.694 with even higher accuracy regarding high – and low risk robots. The survival analysis uses a Cox PH model to check validity for proportional hazards and then a parametric model with Weibull distribution is fitted. The parametrical survival model is used to estimate the median lifetime and the remaining median lifetime for the robots. The estimated probabilities and lifetimes can be used as an indication of which robots are in risk of failure.

This project aimed to use accelerometer data and KPIs to predict the oxygen consumption of runners’ during exercises on flat terrain. Based on many studies researching the relationship between oxygen consumption and running economy and a small set of data, a model was constructed which had a prediction accuracy of 81.1% on one individual. Problems encountered during the research include issues with comparing data from different systems, model nonlinearity and data noise. These problems were solved using transformation of data in the R software, model re-specification and identifying outlying observations that could be viewed as noise. The results from this project should be seen as a proof of concept for further studies, showing that it is possible to predict oxygen consumption using a set of accelerometer data and KPIs. With a larger sample set this model can be validated and furthermore implemented in Racefox’s current service as a calibration method of individual results and an early warning system to avoid running economy deficiency. / Detta projekts målsättning var att använda accelerometerdata och KPI-värden för att prediktera syrekonsumtion för löpare på plan mark. Baserat på ett urval av studier om korrelationen mellan syrekonsumtion och löpekonomi samt en liten mängd data så konstruerades en modell med en förklaringsgrad på 81.1% på en individ. Svårigheter under arbetet inkluderar datajämförelser, icke-linjäriteter och databrus. Detta hanterades genom datatransformationer i mjukvaran R, modell-modifikationer och identifikation av avvikande data som kunde klassificeras som brus. Resultaten kan ses som en förstudie som indikerar att det är möjligt att prediktera syrekonsumtion genom accelerometerdata och KPI-värden. En fortsatt större studie med fler individer och mätningar som underlag kan validera denna slutsats samt då implementeras i Racefoxs nuvarande tjänst som en kalibreringsmetod för individuella resultat och som ett varningssystem för att undvika försämrad löpekonomi.