Denna avhandling utforskar hur effektiviteten i fordonsindustrins leveranskedja kan förbättras genom integration av maskininlärningstekniker (ML). Eftersom fordonsindustrin hanterar hög volatilitet och snabba förändringar, blir exakt efterfrågeprognos avgörande för operationell effektivitet. Arbetet fokuserar på potentialen hos ML-teknologier att generera precisa och tillförlitliga efterfrågeprognoser, jämfört med traditionella prognosmetoder som används inom branschen. Studien använder en systematisk litteraturöversikt i kombination med en fallstudie som involverar DinBil AB, en ledande bilhandlare i Sverige. Genom detta flerdimensionella metodologiska tillvägagångssätt bedömer avhandlingen förmågorna hos olika ML-algoritmer att hantera de unika utmaningarna som fordonssektorn ställer. Dessutom undersöker arbetet implementeringsutmaningar och praktiska fördelar med ML i verkliga tillämpningar, med särskild tonvikt på förbättrad lagerhantering och minskade leveranskedjekostnader. Resultaten tyder på att integration av ML i leveranskedjeoperationer kan förbättra noggrannheten i efterfrågeprognoser avsevärt jämfört med traditionella metoder. Dessutom visar ML-tillämpningar att de anpassar sig mer dynamiskt till marknadsförändringar, vilket stödjer en smidig och kostnadseffektiv hantering av leveranskedjan. Avhandlingen avslutas med rekommendationer för bilföretag att anta ML-drivna prognoslösningar, vilket möjliggör en djupare integration av avancerad analys i leveranskedjesystem. / This thesis explores the enhancement of automotive supply chain efficiency through the integration of machine learning (ML) techniques. As the automotive industry contends with high volatility and rapid changes, accurate demand forecasting becomes crucial for operational efficiency. The research focuses on the potential of ML technologies to generate precise and reliable demand forecasts, comparing these against traditional forecasting methods used within the industry. The study utilizes a systematic literature review coupled with a case study involving DinBil AB, a leading automotive dealership in Sweden. Through this multifaceted methodological approach, the thesis assesses the capabilities of various ML algorithms in addressing the unique challenges posed by the automotive sector. Additionally, the research examines the implementation challenges and practical benefits of ML in real-world applications, with a particular emphasis on improving inventory management and reducing supply chain costs. The findings suggest that integrating ML into supply chain operations can significantly enhance the accuracy of demand forecasts compared to traditional methods. Moreover, ML applications are shown to adapt more dynamically to market changes, thereby supporting more agile and cost-effective supply chain management. The thesis concludes with recommendations for automotive companies to adopt ML-driven forecasting solutions, providing a framework for further integration of advanced analytics into supply chain systems.

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.