Temperature regulation in buildings can be tricky and expensive. A common problem when heating buildings is that an unnecessary amount of energy is supplied. This waste of energy is often caused by a faulty regulation system. This thesis presents a machine learning ap- proach, using time series data, to predict the energy supply needed to keep the inside tem- perature at around 21 degrees Celsius. The machine learning models LSTM, Ensemble LSTM, AT-LSTM, ARIMA, and XGBoost were used for this project. The validation showed that the ensemble LSTM model gave the most accurate predictions with the Mean Absolute Error of 22486.79 (Wh) and Symmetric Mean Absolute Percentage Error of 5.41 % and was the model used for comparison with the current system. From the performance of the different models, the conclusion is that machine learning can be a useful tool to pre- dict the energy supply. But on the other hand, there exist other complex factors that need to be given more attention to, to evaluate the model in a better way. / Temperaturreglering i byggnader kan vara knepigt och dyrt. Ett vanligt problem vid upp- värmning av byggnader är att det tillförs onödigt mycket energi. Detta energispill orsakas oftast av ett felaktigt regleringssystem. Denna rapport studerar möjligheten att, med hjälp av tidsseriedata, kunna träna olika maskininlärningmodeller för att förutsäga den energitill- försel som behövs för att hålla inomhustemperaturen runt 21 grader Celsius. Maskininlär- ningsmodellerna LSTM, Ensemble LSTM, AT-LSTM, ARIMA och XGBoost användes för detta projekt. Valideringen visade att ensemble LSTM-modellen gav den mest exakta förut- sägelserna med Mean Absolute Error på 22486.79 (Wh) och Symmetric Mean Absolute Percentage Error på 5.41% och var modellen som användes för att jämföra med det befint- liga systemet. Från modellernas prestation är slutsatsen att maskininlärning kan vara ett an- vändbart verktyg för att förutsäga energitillförseln. Men å andra sidan finns det andra kom- plexa faktorer som bör tas hänsyn till så att modellen kan evalueras på ett bättre sätt.

Markmonterade solcellsanläggningar i norra Sverige behöver ta hänsyn till förekomsten av snö och risken för markinterferens, vilket innebär att snömängden i framkant av panelerna gör att den snö som ackumuleras ovanpå inte kan glida av. Följden blir skuggning av panelerna som därmed får nedsatt eller helt utebliven elproduktion. Syftet med arbetet var att besvara frågeställningar kring vilken montagehöjd som krävs för att undvika problemet samt om den ökade engångskostnaden kompenseras av potentialen till ökad produktion under vintermånaderna. Metoden bestod främst av att jämföra produktionsdata från en solpark i Östersund med värden för solinstrålning och snödjup från SMHI för att avgöra vilken effekt snöskuggning haft på produktionen och hur utfallet skulle ha sett ut vid olika monteringshöjder av anläggningen. Resultaten visar att det finns stor potential till goda produktionsvärden under vårvintern, förutsatt att markinterferens inte finns närvarande. Anledningen beror troligtvis på högt albedo från snötäckt mark och lägre lufttemperaturer vilket har en positiv inverkan på modulernas verkningsgrad. En beräkningsmodell utvecklades för att uppskatta en lämplig monteringshöjd för en solpark utifrån dess tänkta utformning och det förväntade snödjupet på platsen. Förhoppningen är att modellen kan bidra till ökad kunskap för att främja utbyggnad av markmonterade solcellsanläggningar även på nordliga breddgrader. Lönsamheten för ett högre montage undersöktes genom en jämförelse mellan ett prisexempel från en uppförd solpark och ett uppskattat produktionsbortfall från solparken i Östersund vid en teoretiskt lägre monteringshöjd. Det visade att en höjning av Östersundsparken från 50 till 90 centimeter skulle betala av sig enbart genom tillskottet i produktion under perioden februari till april de tre första vintrarna. / Ground-mounted PV installations in northern Sweden need to consider the presence of snow and the risk of ground interference, meaning that the buildup of snow in front of the panels prevents the snow accumulated on top from sliding off. The result is shading of the panels, which in turn reduces or eliminates the electricity production. The purpose of this work was to answer questions regarding the mounting height required to avoid this problem and whether the increased one-time cost for higher mounting is compensated for by the enhanced production during winter months. The method consisted mainly of comparing production data from a solar park in Östersund to solar radiation values and snow depth from SMHI to determine the effect of snow shading on production and the outcome at different installation heights of the plant. The results showed that there is great potential for valuable energy production during the late winter season, provided that ground interference is not present. This is probably due to high albedo from snow-covered ground and lower air temperatures resulting in a positive impact on the efficiency of the modules. A computational model was developed to estimate a suitable mounting height for a solar park based on the intended design and expected snow depth at the site. The intention is that the model can contribute to increased knowledge to promote the deployment of ground-mounted PV systems in northern latitudes. The profitability of higher mounting was investigated by comparing a price example from an existing solar facility and an estimated production loss from the solar park in Östersund at a theoretical lower mounting height. It showed that  increasing the height of the Östersund site from 50 to 90 centimeters in front would pay off solely on the enhanced production during the period February to April of the first three winters.

Improved sales forecasts for individual products in retail stores can have a positive effect both environmentally and economically. Historically these forecasts have been done through a combination of statistical measurements and experience. However, with the increased computational power available in modern computers, there has been an interest in applying machine learning for this problem. The aim of this thesis was to utilize two years of sales data, yearly calendar events, and weather data to investigate which machine learning method could forecast sales the best. The investigated methods were XGBoost, ARIMAX, LSTM, and Facebook Prophet. Overall the XGBoost and LSTM models performed the best and had a lower mean absolute value and symmetric mean percentage absolute error compared to the other models. However, Facebook Prophet performed the best in regards to root mean squared error and mean absolute error during the holiday season, indicating that Facebook Prophet was the best model for the holidays. The LSTM model could however quickly adapt during the holiday season improved the performance. Furthermore, the inclusion of weather did not improve the models significantly, and in some cases, the results were worsened. Thus, the results are inconclusive but indicate that the best model is dependent on the time period and goal of the forecast. / Förbättrade försäljningsprognoser för individuella produkter inom detaljhandeln kan leda till både en miljömässig och ekonomisk förbättring. Historiskt sett har dessa utförts genom en kombination av statistiska metoder och erfarenhet. Med den ökade beräkningskraften hos dagens datorer har intresset för att applicera maskininlärning på dessa problem ökat. Målet med detta examensarbete är därför att undersöka vilken maskininlärningsmetod som kunde prognostisera försäljning bäst. De undersökta metoderna var XGBoost, ARIMAX, LSTM och Facebook Prophet. Generellt presterade XGBoost och LSTM modellerna bäst då dem hade ett lägre mean absolute value och symmetric mean percentage absolute error jämfört med de andra modellerna. Dock, gällande root mean squared error hade Facebook Prophet bättre resultat under högtider, vilket indikerade att Facebook Prophet var den bäst lämpade modellen för att förutspå försäljningen under högtider. Dock, kunde LSTM modellen snabbt anpassa sig och förbättrade estimeringarna. Inkluderingen av väderdata i modellerna resulterade inte i några markanta förbättringar och gav i vissa fall även försämringar. Övergripande, var resultaten tvetydiga men indikerar att den bästa modellen är beroende av prognosens tidsperiod och mål.

Utvecklingen av teknologin i dagens industrier förändras snabbt och för att bibehålla verksamhetens konkurrenskraft är det viktigt att förstå kundernas behov. Prognostisering är förväntat framtida behov baserad på historisk data. En prognos kan hjälpa ett företag med att planera och budgetera för framtida produktions- och distributions behov, samt fatta beslut om lagerhållning och inköp av råvaror. Syftet med studien är att undersöka framtida materialbehov med hjälp av prognostisering samt öka förståelsen samtidigt. Målet med studien är att få fram en metod för att utföra prognoser i ett affärssystem. De frågor studien kommer att besvara är “Hur kan användning av prognoser minska ledtider och bundet kapital?” & “Hur kan affärssystemet SAP användas för prognoser av en specifik produktgrupp?”Genom en förstudie om ämnet och därefter en fallstudie hos Wexiödisk kommer informationen att tas. Studien består av primära källor i form av intervjuer och sekundära källor i form av dokumentinsamling. Resultaten studien kom fram till var bland annat transaktionskoder och dess användningsområde, förklaring och utvärdering av parametrarna tillhörande materialplanering 1-4 och prognos. Dessutom hur en grundläggande prognos kan utföras med historiska värden. Resultatet redovisar även skillnaden i bundet kapital med hjälp av prognostisering.Den generella slutsatsen från studien är att med en parameterlösning och arbetssätt för att utföra prognosen besvaras frågan “Hur kan affärssystemet SAP användas för prognoser av en specifik produktgrupp?”. Vidare förslag om forskning och optimering kring parametrarna ges även för att få en mer exakt slutgiltig prognos. / The development of technology in today's industries is changing rapidly and in order to maintain the competitiveness of the business it is important to understand the needs of the customers. Forecasting is expected future demand based on historical data. A forecast can help a company plan and budget for future production and distribution needs, as well as make decisions about stocking and purchasing raw materials.The purpose of the study is to investigate future material needs using forecasting and to gaina greater understanding at the same time. The goal of the study is to come up with a method for performing forecasts in a business system. The questions the study will answer are "How can the use of forecasts reduce lead times and tied up capital?" & "How can the business system SAP be used for forecasts of a specific product group?"Through a preliminary study on the subject and then a case study at Wexiödisk, which the information will be taken from. The study consists of primary sources in the form of interviews and secondary sources in the form of document collection.The results of the study showed among other things, transaction codes and their area of use, explanation and evaluation of the parameters associated with MRP 1-4 and forecasting. Also, how a basic forecast can be performed using historical values. The result also reports the difference in tied up capital with the help of forecasting.The general conclusion of the study is that with a parameter solution and working method to perform the forecast, the question "How can the business system SAP be used for forecasts of a specific product group?" is answered. Further suggestions about research and optimization around the parameters are also given to get a more accurate final forecast.

In this master thesis multiple time series of shipping industry and financial data are analysed in order to create a forecasting model to forecast freight rate indices. The data of main interest which are predicted are the two freight rate indices, BDI and BDTI, from the Baltic Exchange. The project investigates the possibilities for aggregated Vector Autoregression(VAR) models to outperform simple univariate models, in this case, an Autoregressive Integrated Moving Average(ARIMA) with seasonal components. The other part of this thesis is to model market shocks in the freight rate indices, given impulses in the other underlying VAR-model time series using the impulse response function. The main results are that the VAR-model forecast outperforms the ARIMA-model in forecasting the tanker freight rate index (BDTI), while the the bulk freight rate index(BDI) is better predicted by the simple ARIMA when calculating the forecast mean square error. / I denna avhandling analyseras multipla tidsserier över rederinärings- och finansiell data i syfte att skapa en prognosticerande modell för att prognosticera fraktratsindex. Dataserierna som i huvudsak prognosticeras är fraktratsindexen BDI och BDTI från Baltic exchange. I projektet undersöks om en aggregerad Vektor Autoregressiv(VAR) modell överträffar en univariat modell, i detta fall en Autoregressive Integrated Moving Average(ARIMA) med säsongsvariabel. I andra delen av denna avhandling modelleras chocker i fraktratsindexen givet impulser i de andra underliggande tidsserierna i de aggregerade VAR-modellerna. Huvudresultaten är att VAR-modellens prognos överträffar ARIMA-modellen för tankerraterna (BDTI), medan bulkraterna(BDI) bättre prognosticeras av ARIMA-modellen, i avseende på prognosernas beräknade mean square error.

Electricity spot prices are difficult to predict since they depend on different unstable and erratic parameters, and also due to the fact that electricity is a commodity that cannot be stored efficiently. This results in a volatile, highly fluctuating behavior of the prices, with many peaks. Machine learning algorithms have outperformed traditional methods in various areas due to their ability to learn complex patterns. In the last decade, deep learning approaches have been introduced in electricity spot price prediction problems, often exceeding their predecessors. In this thesis, several deep learning models were built and evaluated for their ability to predict the spot prices 10-days ahead. Several conclusions were made. Firstly, it was concluded that rather simple neural network architectures can predict prices with high accuracy, except for the most extreme sudden peaks. Secondly, all the deep networks outperformed the benchmark statistical model. Lastly, the proposed LSTM and CNN provided forecasts which were statistically, significantly superior and had the lowest errors, suggesting they are the most suitable for the prediction task. / Elspotspriser är svåra att förutsäga eftersom de beror på olika instabila och oregelbundna faktorer, och också på grund av att elektricitet är en vara som inte kan lagras effektivt. Detta leder till ett volatilt, fluktuerande beteende hos priserna, med många plötsliga toppar. Maskininlärningsalgoritmer har överträffat traditionella metoder inom olika områden på grund av deras förmåga att lära sig komplexa mönster. Under det senaste decenniet har djupinlärningsmetoder introducerats till problem inom elprisprognostisering och ofta visat sig överlägsna sina föregångare. I denna avhandling konstruerades och utvärderades flera djupinlärningsmodeller på deras förmåga att förutsäga spotpriserna 10 dagar framåt. Den första slutsatsen är att relativt simpla nätverksarkitekturer kan förutsäga priser med hög noggrannhet, förutom för fallen med de mest extrema, plötsliga topparna. Vidare, så övertränade alla djupa neurala nätverken den statistiska modellen som användes som riktmärke. Slutligen, så gav de föreslagna LSTM- och CNN-modellerna prognoser som var statistiskt, signifikant överlägsna de andra och hade de lägsta felen, vilket tyder på att de är bäst lämpade för prognostiseringsuppgiften.

Due to the increasingly uncertain environments that global supply chains operate within, both due to component shortages and other types of challenges, the possibility of managing demand variability and balancing it with supply capabilities is getting more challenging. The primary way to deal with these fluctuations in demand is by building flexibility in the supply chain to meet the variations that occur and keep the customers satisfied. However, when flexibility is not enough, and the supply chain becomes increasingly strained due to geopolitical factors and customers demanding higher customizations, more efforts are required to manage the variability. This study investigates the possibility that instead of relying solely on flexibility, try to deal with the variations that arise in demand. This relates both to internal processes that increase variation but also to the variations that are caused by actual changes in demand. The study partly examines what drives internal variation and how one should work to minimize it. Moreover, concerning the external variation, demand shaping theory is applied. This is to understand how external variation can be handled by trying to steer the demand. As the theory in previous studies has primarily been applied in B2C contexts, the applicability of the theory in a B2B context is also examined. Furthermore, the study also investigates how demand and supply should be integrated to utilize the concepts in the best way possible when managing demand variability. The study has been conducted through a case study at Ericsson, where people who work within sales and supply have participated and contributed with their knowledge. The results show the importance of integration between different functions to succeed in managing demand variations and having a more significant impact on what customers buy. This means both clear communication, internally and externally, and the importance of having a unified vision and incentives that drive the company towards the same goal. In addition, the results also show that although the academic literature is mainly aimed at B2C companies, it is possible to apply the concept to B2B companies as well. / Till följd av den alltmer osäkra omvärld som globala leveranskedjor arbetar inom, med både komponentbrist och andra typer av utmaningar, blir det allt svårare att hantera den varierande efterfrågan och balansera den mot den kapacitet som företag besitter. Det primära sättet att hantera dessa fluktuationer i efterfrågan är genom att bygga in flexibilitet för att kunna bemöta de variationer som uppstår och för att behålla kunder nöjda. När flexibiliteten inte räcker till och leveranskedjan blir alltmer ansträngd, på grund av geopolitiska faktorer och kunder som kräver alltmer kundanpassade produkter, behöver man arbeta än mer med att försöka hantera variationen som uppstår. Syftet med denna studie är därför att undersöka möjligheten att, i stället för att enbart förlita sig på flexibilitet, försöka hantera de variationer som uppstår i efterfrågan. Detta relaterar både till interna processer som driver variationen men också de variationer som orsakas av faktiska förändringar i efterfrågan. Studien undersöker vad det är som driver intern variation och hur man bör arbeta för att minimera denna. I relation till den externa variationen, används bland annat demand shaping teori för att förstå hur denna typ av variation kan hanteras genom att försöka ha mer inflytande över vad kunderna väljer att köpa. Då teorin i tidigare studier enbart applicerats i B2C sammanhang, undersöks även om teorin är applicerbar i en B2B kontext. Studien undersöker också hur funktioner inom försäljning och supply bör integreras för att möjliggöra detta. Studien har genomförts som en fallstudie på Ericsson där personer som arbetar inom försäljning och supply deltagit och bidragit med sin kunskap. Resultaten visar på vikten av integration mellan olika funktioner för att lyckas hantera demand variationer och på att ha större inverkan på det kunderna köper. Detta innebär tydlig kommunikation både internt och externt, samt värdet av att ha gemensamma mål och incitament som driver företaget mot samma vision. Resultaten visar dessutom på att det finns förutsättningar för att applicera det undersökta konceptet på B2B företag trots att den akademiska litteraturen främst riktat in sig mot B2C företag.

In this master thesis, the impact of forward-looking macroeconomic information under IFRS 9 is studied using fictional data from a Swedish mortgage loan portfolio. The study employs a time series analysis approach and employs vector autoregression models to model expected credit loss parameters with multiple incorporated macroeconomic parameters. The models are analyzed using impulse response functions to study the impact of macroeconomic shocks and the results show that the unemployment rate, USD/SEK exchange rate and 3-month interest rates have a significant impact on expected credit losses. / I detta examensarbete studeras effekterna av framåtblickande makroekonomisk information enligt IFRS 9 med fiktiv data baserad på en svensk bolåneportfölj. Studien använder sig av tidsserieanalys och vektorautoregressionsmodeller för att modellera förväntade kreditförlust-parametrar med flera inkorporerade makroekonomiska parametrar. Modellerna analyseras med hjälp av impulsresponsfunktioner för att studera effekterna av makroekonomiska chocker. Resultaten visar att arbetslöshet, USD/SEK växelkurs och 3-månaders räntor har en signifikant inverkan på förväntade kreditförluster.

In the context of decarbonizing the electricity generation of French non-interconnected territories, the knowledge of future electricity demand, in particular annual and peak demand in the long-term, is crucial to design new renewable energy infrastructures. So far, these territories, mainly islands located in the Pacific and Indian ocean, relies mainly on fossil fuels powered facilities. Energy policies envision to widely develop renewable energies to move towards a low-carbon electricity mix by 2028.  This thesis focuses on the long-term forecasting of hourly electricity demand. A methodology is developed to design and select a model able to fit accurately historical data and to forecast future demand in these particular territories. Historical data are first analyzed through a clustering analysis to identify trends and patterns, based on a k-means clustering algorithm. Specific calendar inputs are then designed to consider these first observations. External inputs, such as weather data, economic and demographic variables, are also included.  Forecasting algorithms are selected based on the literature and they are than tested and compared on different input datasets. These input datasets, besides the calendar and external variables mentioned, include different number of lagged values, from zero to three. The combination of model and input dataset which gives the most accurate results on the testing set is selected to forecast future electricity demand. The inclusion of lagged values leads to considerable improvements in accuracy. Although gradient boosting regression features the lowest errors, it is not able to detect peaks of electricity demand correctly. On the contrary, artificial neural network (ANN) demonstrates a great ability to fit historical data and demonstrates a good accuracy on the testing set, as well as for peak demand prediction. Generalized additive model, a relatively new model in the energy forecasting field, gives promising results as its performances are close to the one of ANN and represent an interesting model for future research.  Based on the future values of inputs, the electricity demand in 2028 in Réunion was forecasted using ANN. The electricity demand is expected to reach more than 2.3 GWh and the peak demand about 485 MW. This represents a growth of 12.7% and 14.6% respectively compared to 2019 levels. / I samband med utfasningen av fossila källor för elproduktion i franska icke-sammankopplade territorier är kunskapen om framtida elbehov, särskilt årlig förbrukning och topplast på lång sikt, avgörande för att utforma ny infrastruktur för förnybar energi. Hittills är dessa territorier, främst öar som ligger i Stilla havet och Indiska oceanen, beroende av anläggningar med fossila bränslen. Energipolitiken planerar att på bred front utveckla förnybar energi för att gå mot en koldioxidsnål elmix till 2028.  Denna avhandling fokuserar på den långsiktiga prognosen för elbehov per timme. En metod är utvecklad för att utforma och välja en modell som kan passa korrekt historisk data och för att förutsäga framtida efterfrågan inom dessa specifika områden. Historiska data analyseras först genom en klusteranalys för att identifiera trender och mönster, baserat på en k-means klusteralgoritm. Specifika kalenderinmatningar utformas sedan för att beakta dessa första observationer. Externa inmatningar, såsom väderdata, ekonomiska och demografiska variabler, ingår också.  Prognosalgoritmer väljs utifrån litteraturen och de testas och jämförs på olika inmatade dataset. Dessa inmatade dataset, förutom den nämnda kalenderdatan och externa variabler, innehåller olika antal fördröjda värden, från noll till tre. Kombinationen av modell och inmatat dataset som ger de mest exakta resultaten på testdvärdena väljs för att förutsäga framtida elbehov. Införandet av fördröjda värden leder till betydande förbättringar i exakthet. Även om gradientförstärkande regression har de lägsta felen kan den inte upptäcka toppar av elbehov korrekt. Tvärtom, visar artificiella neurala nätverk (ANN) en stor förmåga att passa historiska data och visar en god noggrannhet på testuppsättningen, liksom för förutsägelse av toppefterfrågan. En generaliserad tillsatsmodell, en relativt ny modell inom energiprognosfältet, ger lovande resultat eftersom dess prestanda ligger nära den för ANN och representerar en intressant modell för framtida forskning.  Baserat på de framtida värdena på indata, prognostiserades elbehovet 2028 i Réunion med ANN. Elbehovet förväntas nå mer än 2,3 GWh och toppbehovet cirka 485 MW. Detta motsvarar en tillväxt på 12,7% respektive 14,6% jämfört med 2019 års nivåer.

Värme står för det största energibehovet inom hushåll och andra byggnader i samhället och olika tekniker används för att kunna reducera mängden energi som går åt för att spara på både miljö och pengar. Ett angreppssätt på detta problem är genom informatiken, där maskininlärning kan användas för att analysera och förutspå värmebehovet. I denna studie används maskininlärning för att prognostisera framtida energiförbrukning för fjärrvärme utifrån historisk fjärrvärmedata från ett fjärrvärmebolag tillsammans med exogena variabler i form av väderdata från Sveriges meteorologiska och hydrologiska institut. Studien är skriven på svenska och utforskar effekter av preprocessering hos prediktionsmodeller som använder tidsseriedata för att prognostisera framtida datapunkter. Stegen som utförs i studien är normalisering, interpolering, hantering av numeric outliers och missing values, datetime feature engineering, säsongsmässighet, feature selection, samt korsvalidering. Maskininlärningsmodellen som används i studien är Multilayer Perceptron som är en subkategori av artificiellt neuralt nätverk. Forskningsfrågan som besvaras fokuserar på effekter av preprocessering och feature selection för prediktiva modellers prestanda inom olika datamängder och kombinationer av preprocesseringsmetoder. Modellerna delades upp i tre olika datamängder utifrån datumintervall: 2009, 2007–2011, samt 2007–2017, där de olika kombinationerna utgörs av preprocesseringssteg som kombineras inom en iterativ process. Procentuella ökningar på R2-värden för dessa olika intervall har uppnått 47,45% för ett år, 9,97% för fem år och 32,44% för 11 år. I stora drag bekräftar och förstärker resultatet befintlig teori som menar på att preprocessering kan förbättra prediktionsmodeller. Ett antal mindre observationer kring enskilda preprocesseringsmetoders effekter har identifierats och diskuterats i studien, såsom DateTime Feature Engineerings negativa effekter på modeller som tränats med ett mindre antal iterationer. / Heat accounts for the greatest energy needs in households and other buildings in society. Effective production and distribution of heat energy require techniques for minimising economic and environmental costs. One approach to this problem is through informatics where machine learning is used to analyze and predict the heating needs with the help of historical data from a district heating company and exogenous variables in the form of weather data from Sweden's Meteorological and Hydrological Institute (SMHI). This study is written in Swedish and explores the importance of preprocessing practices before training and using prediction models which utilizes time-series data to predict future energy consumption. The preprocessing steps explored in this study consists of normalization, interpolation, identification and management of numerical outliers and missing values, datetime feature engineering, seasonality, feature selection and cross-validation. The machine learning model used in this study is Multilayer Perceptron which is a subcategory of artificial neural network. The research question focuses on the effects of preprocessing and feature selection for predictive model performance within different datasets and combinations of preprocessing methods. The models were divided into three different data sets based on date ranges: 2009, 2007–2011, and 2007–2017, where the different combinations consist of preprocessing steps that are combined within an iterative process. Percentage increases in R2 values for these different ranges have reached 47,45% for one year, 9,97% for five years and 32,44% for 11 years. The results broadly confirm and reinforce the existing theory that preprocessing can improve prediction models. A few minor observations about the effects of individual preprocessing methods have been identified and discussed in the study, such as DateTime Feature Engineering having a detrimental effect on models with very few training iterations.