En verkstad som tillverkar växellådor planerade att bygga om verkstaden. Det fanns flera problem i verkstaden som indirekt påverkade produktionen. Att tåg stod stilla utan att göra ett aktivt arbete på en huvudled i verkstaden sågs som ett stort problem. Ett annat problem var att det fanns för många tåg i verkstaden. Den planerade ombyggnationen var till för att få ned antalet tåg i verkstaden. Med ombyggnationen ville verkstadens ansvariga undersöka ytterligare möjligheter hur verkstaden skulle kunna förändras och kunna lösa delar av problemen. Det var även intressant att se om möjliga implementeringar av verkstaden skulle ge en ökad produktion. Målen var att skapa ett simuleringsverktyg för att undersöka hur olika lösningar som baserades på ombyggnationen skulle kunna påverka ett tåg som fyllde på material till monteringslinor i verkstaden. För att kunna testa olika lösningar behövde en simuleringsmodell utvecklas och verifieras mot den befintliga lösningen i verkstaden. Därefter utökades modellen för att testa nya lösningar. Från verkstaden fanns det data på konsumering av material. För tåget som skulle fylla på material fanns det teoretiska tider för olika arbetsmoment. Konsumeringen av material uppförde sig enligt en slumpfördelning som var normalfördelad. Resultatet blev att endast konsumeringen av material kunde verifieras då det bara fanns data på hur konsumtionen av material skedde. Resterande delar av simuleringen använde teoretiska planerade värden. Av de undersökta lösningarna var det en lösning med en ny hållplats på en mindre trafikerad väg, där ett tåg kunde vänta, som visade ett mer önskat resultat än de andra som undersöktes. / A workshop that produces gearboxes planned to remodel the workshop. There were several problems that indirectly affected the production. The fact that trains stood still without doing active work on the main road in the workshop was a major problem. Another problem was that there were too many trains in the workshop. The planned reconstruction was to reduce the number of trains in the workshop. With the remodel, those responsible for the workshop wanted to explore further possibilities on how the workshop could be changed. It was also interesting to see if the implementation of changes would give an increased production. The goals were to create a simulation tool to investigate how different solutions based on the rebuild could affect a train that loaded the material into assembly lines in the workshop. To be able to test different solutions, a simulation model needed to be developed and verified against the existing solution. Then the model was expanded to test new solutions. From the workshop there was data on the consumption of materials. For the train that would load up on materials, there were theoretical times for various work tasks. The consumption of materials behaved according to a random distribution that was normally distributed. The result was that only the consumption of materials could be verified as there was only data on how the consumption of materials took place. Remaining parts of the simulation used theoretically planned values. Of the solutions investigated, it was a solution with a new bus stop on a less busy road, where a train could wait, that showed a more desirable result than the others that were investigated.

Detta arbete tar avstamp i Brian Enos uttryck generative music, detta har blivit förknippat med modulära syntar. Hos modulära syntar är möjligheterna stora att ställa in parametrar och sedan låta synten göra sitt, vilket kan skapa intressanta ljudlandskap. Det som dock sällan uppstår är melodier. Arbetet går ut på att lägga till ytterligare en dimension i en sådan kreativ process. Målet med arbetet är att skapa en steg-sequencer inom formatet Eurorack. Denna sequencer ska kunna spela, och slumpmässigt ändra melodier, utifrån valda parametrar. Den önskas dessutom kunna uttrycka musik utifrån musikteoretiska koncept. En prototyp skapas med mikrokontrollern RP2040 från Raspberry Pi Foundation, kretskort designas och tillverkas med KiCad och beställs från mönsterkortstillverkare JLCPCB. Mjukvaran utvecklas i programmeringsspråket C, och skrivs så generellt som möjligt för att det skapade operativsystemet ska kunna expanderas. Prototypen klarar av att programmeras på samma sätt som man skriver noter på notblad. Den innehåller två separata sekvenser med 16 takter vardera, dessa är oberoende av varandra och kan vara olika längd. Det går att ställa in skala och tonart, dessa påverkar båda sekvenser. Det går att ställa in sannolikhet för slumpmässiga ändringar i tonart, skala, melodi på två sekvenser, och harmonisering mellan sekvenserna. Förutom sannolikhet finns flera andra parametrar för de slumpmässiga ändringarna. På prototypens panel sitter en bildskärm och 18 tryckknappar där 13 av dem är utformade likt tangenterna på ett piano. Förutom att programmera sekvenser går det även att spela de kopplade syntarna med pianotangenterna. Följande MoSCoW modellen uppfyller prototypen alla ska och bör mål. Endast två av önskade målen är ej uppfyllda. Funktionaliteten upplevs över författarens förväntan. / This work kicks off with Brian Enos expression generative music. Generative music has risen to prominence lately within the modular synth community. With modular synthesizers there are basically infinite possibilities of setting up some modules and let the synth play forever creating soundscapes without human influence. What seldom is produces in this process is melodies. This work sets to add a new dimension to this kind of creative process. A step-sequencer is produced, intended to play random musical harmonies, within the boundaries that are set. Another aspiration is to create a sequencer which more closely follows the principles of basic music theory. A prototype is created with the microcontroller RP2040 from Raspberry Pi foundation. The circuit board is designed and created in KiCad and ordered from PCB manufacturer JLCPCB. Software is written in the C programming language, data structures are written as generic as possible, so that the operating system easily can be expanded. The result is a sequencer in which you add notes much like you would write sheet music. It contains two separate sequences which can play at the same time, both with 16 bars. There is a changeable key and scale which both affect the sequences. It has the possibility to set a probability for random changes to occur. The key, the scale, the melodies, and harmonization can be randomized. There are several other parameters that affect the randomization. The front panel of the sequencer contains a display and several buttons, some of which is positioned as a piano, which you can use to play any synth it is connected to. Following the MoSCoW model, the prototype fulfills all the must and should goals, only two of the could goals is not implemented. The usability and functionality are beyond the authors expectations.

Forskningen pekar på en konflikt mellan de krav vissa arbetsgivare har på att alkohol- och drogtesta sina anställda, respektive den eventuella ovilja arbetstagare av integritetsskäl kan ha att bli testade. I detta sammanhang råder det en oklarhet om vilka attityder svenska sjömän har till att bli alkohol- och drogtestade ombord på arbetsplatsen. Syftet med denna uppsats blev därför att undersöka svenska sjömäns attityder till att genomgå slumpmässiga alkohol- och drogtester ombord. Genom intervjuer av fjorton testerfarna och testoerfarna sjömän genomfördes en kvalitativ tematisk innehållsanalys av sjömännens attityder till testerna. Resultatet visade att sjömännen till skillnad från tidigare forskning hade positiva eller neutrala attityder till testerna. De upplevde inte obehag eller en känsla av att vara övervakade eller kränkta. Stämningen på arbetsplatsen blev inte märkbart sämre och tilltron till arbetsgivaren var oförändrad. Sjömännen var väl medvetna om reglerna och rutinerna för alkohol- och drogtesterna och deltog samarbetsvilligt i testerna utan protester. Attityderna mellan de testerfarna och testoerfarna sjömännen var mycket snarlika, med den mindre skillnaden att de testoerfarna sjömännen hade mindre kunskaper om reglerna kring testerna samt antog felaktigt att stämningen på arbetsplatsen skulle bli sämre om tester skulle införas. / This thesis focuses on the relationship between the requirements that some employers have involving alcohol and drug testing of employees, and the potential resistance that employees may have to such tests as regards integrity issues. The purpose of this thesis was to investigate Swedish seafarers’ attitudes to undergoing random alcohol and drug testing on board. Through interviews with fourteen both test-experienced and non-test-experienced seafarers a qualitative thematic content analysis of seafarers’ attitudes to the tests was conducted. The results show that contrary to previous research, the seafarers had positive or neutral attitudes to the tests. The seafarers did not experience any feeling of discomfort or of being monitored and the atmosphere of the workplace and trust for the employer remained unchanged. The seafarers cooperated in the tests without protests. The attitudes of the test-experienced and the non-test-experienced seafarers were similar. One difference however was found in that the non-test-experienced seafarers had less knowledge of rules and procedures regarding the tests and believed that the atmosphere of the workplace would be negatively affected if the tests were to be introduced.

In this thesis we consider graph partition of a particular kind of complex networks referred to as power law graphs. In particular, we focus our analysis on the market graph, constructed from time series of price return on the American stock market. Two different methods originating from clustering analysis in social networks and image segmentation are applied to obtain graph partitions and the results are evaluated in terms of the structure and quality of the partition. Along with the market graph, power law graphs from three different theoretical graph models are considered. This study highlights topological features common in many power law graphs as well as their differences and limitations. Our results show that the market graph possess a clear clustered structure only for higher correlation thresholds. By studying the internal structure of the graph clusters we found that they could serve as an alternative to traditional sector classification of the market. Finally, partitions for different time series was considered to study the dynamics and stability in the partition structure. Even though the results from this part were not conclusive we think this could be an interesting topic for future research. / I denna uppsats studeras graf partition av en typ av komplexa nätverk som kallas power law grafer. Specifikt fokuserar vi på marknadengrafen, konstruerad av tidsserier av aktiepriser på den amerikanska aktiemarknaden. Två olika metoder, initialt utvecklade för klusteranalys i sociala nätverk samt för bildanalys appliceras för att få graf-partitioner och resultaten utvärderas utifrån strukturen och kvaliten på partitionen. Utöver marknadsgrafen studeras aven power law grafer från tre olika teoretiska grafmodeller. Denna studie belyser topologiska egenskaper vanligt förekommande i många power law grafer samt modellerns olikheter och begränsningar. Våra resultat visar att marknadsgrafen endast uppvisar en tydlig klustrad struktur för högre korrelation-trösklar. Genom att studera den interna strukturen hos varje kluster fann vi att kluster kan vara ett alternativ till traditionell marknadsindelning med industriella sektorer. Slutligen studerades partitioner för olika tidsserier för att undersöka dynamiken och stabiliteten i partitionsstrukturen. Trots att resultaten från denna del inte var entydiga tror vi att detta kan vara ett intressant spår för framtida studier.

The field of Deep Learning (DL) only over the last decade has proven useful for increasingly more complex Machine Learning tasks and data, a notable milestone being generative models achieving facial synthesis indistinguishable from real faces. With the increased complexity in DL architecture and training data, follows a steep increase in time and hardware resources required for the training task. These resources are easily accessible via cloud-based platforms if the data owner is willing to share its training data. To allow for cloud-sharing of its training data, The Swedish Transport Administration (TRV) is interested in evaluating resource effective, infrastructure independent, privacy-preserving obfuscation methods to be used on real-time collected data on distributed Internet-of-Things (IoT) devices. A fundamental problem in this setting is to balance the trade-off between privacy and DL utility of the obfuscated training data. We identify statistically measurable relevant metrics of privacy achievable via obfuscation and compare two prominent alternatives from the literature, optimization-based methods (OBM) and random projections (RP). OBM achieve privacy via direct optimization towards a metric, preserving utility-crucial patterns in the data, and is typically in addition evaluated in terms of a DL-based adversary’s sensitive feature estimation error. RP project data via a random matrix to lower dimensions to preserve sample pair-wise distances while offering privacy in terms of difficulty in data recovery. The goals of the project centered around evaluating RP on privacy metric results previously attained for OBM, compare adversarial feature estimation error in OBM and RP, as well as to address the possibly infeasible learning task of using composite multi-device datasets generated using independent projection matrices. The last goal is relevant to TRV in that multiple devices are likely to contribute to the same composite dataset. Our results complement previous research in that they indicate that both privacy and utility guarantees in a distributed setting, vary depending on data type and learning task. These results favor OBM that theoretically should offer more robust guarantees. Our results and conclusions would encourage further experimentation with RP in a distributed setting to better understand the influence of data type and learning task on privacy-utility, target-distributed data sources being a promising starting point. / Forskningsområdet Deep Learning (DL) bara under det senaste decenniet har visat sig vara användbart för allt mer komplexa maskinginlärnings-uppgifter och data, en anmärkningsvärd milstolpe är generativa modeller som erhåller verklighetstrogna syntetiska ansiktsbilder. Med den ökade komplexiteten i DL -arkitektur och träningsdata följer ett kraftigt ökat behov av tid och hårdvaruresurser för träningsuppgiften. Dessa resurser är lättillgängliga via molnbaserade plattformar om dataägaren är villig att dela sin träningsdata. För att möjliggöra molndelning av träningsdata är Trafikverket (TRV) intresserat av att utvärdera resurseffektiva, infrastrukturoberoende, privatiserade obfuskeringsmetoder som ska användas på data hämtad i realtid via distribuerade Internet-of-Things ( IoT) -enheter; det grundläggande problemet är avvägningen mellan privatisering och användbarhet av datan i DL-syfte. Vi identifierar statistiskt mätbara relevanta mått av privatisering som kan uppnås via obfuskering och jämför två framstående alternativ från litteraturen, optimeringsbaserade metoder (OBM) och slumpmässiga projektioner (RP). OBM uppnår privatisering via matematisk optimering av ett mått av data-privatisering, vilket bevarar övriga nödvändiga mönster i data för DL-uppgiften. OBM-metoder utvärderas vanligtvis i termer av en DL-baserad motståndares uppskattningsfel av känsliga attribut i datan. RP obfuskerar data via en slumpmässig projektion till lägre dimensioner för att bevara avstånd mellan datapunkter samtidigt som de erbjuder privatisering genom teoretisk svårighet i dataåterställning. Målen för examensarbetet centrerades kring utvärdering av RP på privatiserings-mått som tidigare uppnåtts för OBM, att jämföra DL-baserade motståndares uppskattningsfel på data från OBM och RP, samt att ta itu med den befarat omöjliga inlärningsuppgiften att använda sammansatta dataset från flera IoT-enheter som använder oberoende projektionsmatriser. Sistnämnda målet är relevant i en miljö sådan som TRVs, där flera IoT-enheter oberoende bidrar till ett och samma dataset och DL-uppgift. Våra resultat kompletterar tidigare forskning genom att de indikerar att både privatisering och användbarhetsgarantier i en distribuerad miljö varierar beroende på datatyp och inlärningsuppgift. Dessa resultat gynnar OBM som teoretiskt sett bör erbjuda mer robusta garantier vad gäller användbarhet. Våra resultat och slutsatser uppmuntrar framtida experiment med RP i en distribuerad miljö för att bättre förstå inverkan av datatyp och inlärningsuppgift på graden av privatisering, datakällor distribuerade baserat på klassificerings-target är en lovande utgångspunkt.

BFT consensus algorithms can ensure the consistency of distributed systems where nodes may behave arbitrarily due to faults or intentional malicious actions. However, most of the practical BFT consensus algorithms are leader-based. In an adversarial network, leader-based BFT consensus algorithms exhibit vulnerabilities and lack resilience. Byzantine leaders can pose a potential threat to the system; firstly, malicious leaders can actively downgrade the processing speed of handling proposals, thereby diminishing the system’s overall performance. Secondly, they can determine the submission order of received requests, which can be fatal in specific decentralized financial systems. Additionally, external attackers can compromise the system’s stability by conducting DDoS attacks on leader nodes, frequently triggering view changes and potentially causing the system to lose liveness altogether. We present BFT Baxos, a more robust and resilient BFT consensus protocol that equips a BFT random exponential backoff mechanism to ensure each node has the egalitarian right to propose. Employing random exponential backoff as a replacement for leader election eliminates the potential malicious actions of Byzantine leaders and prevents external attackers from conducting targeted DDoS attacks on the leader node within systems. We implemented and evaluated our BFT Baxos prototype. Our results indicate that BFT Baxos exhibits good performance and scalability in low-concurrency scenarios. Additionally, we illustrated the functioning of BFT Baxos even in extremely adverse network conditions by subjecting it to random DDoS attacks. / BFT-konsensusalgoritmer är utformade för att säkerställa konsistensen i distribuerade system där noder kan agera godtyckligt, antingen på grund av fel eller avsiktliga skadliga handlingar. Dock är de flesta praktiska BFT-konsensusalgoritmerna baserade på ledare. I en fientlig nätverksmiljö uppvisar ledar-baserade BFT-konsensusalgoritmer sårbarheter och brist på motståndskraft. Bysantinska ledare kan utgöra en potentiell hot mot systemet; för det första kan skadliga ledare aktivt sänka behandlingshastigheten för hantering av förslag och därigenom minska systemets totala prestanda. För det andra kan de bestämma ordningen för inskickning av mottagna begäranden, vilket kan vara ödesdigert i vissa decentraliserade finansiella system. Dessutom kan externa angripare kompromettera systemets stabilitet genom att genomföra DDoS-attacker mot ledarnoder, vilket ofta utlöser vynändringar och potentiellt orsakar att systemet förlorar livskraft helt och hållet. Vi presenterar BFT Baxos, en mer robust och motståndskraftig BFT-konsensusprotokoll som utrustar en BFT slumpmässig exponentiell backoff-mekanism för att säkerställa att varje nod har rätten att föreslå på ett egalitärt sätt. Genom att använda slumpmässig exponentiell backoff som ett alternativ till ledarval eliminerar det inte bara möjliga skadliga handlingar från bysantinska ledare utan förhindrar även externa angripare från att genomföra riktade DDoS-attacker mot ledarnoden inom system. Vi implementerade och utvärderade vår BFT Baxos-prototyp. Våra resultat visar att BFT Baxos uppvisar god prestanda och skalbarhet i scenarier med låg samtidighet. Dessutom illustrerade vi funktionen av BFT Baxos även under extremt ogynnsamma nätverksförhållanden genom att utsätta den för slumpmässiga DDoS-attacker.

Researchers have estimated a 20-percentage point increase in the world’s population residing in urban areas between 2011 and 2050. The increase in denser cities results in opportunities and challenges. Two of the challenges concern sustainability and mobility. With the advancement in technology, smart mobility and car-sharing have emerged as a part of the solution. It has been estimated by research that car-sharing reduces toxic emissions and reduces car ownership, thus decreasing the need for private cars to some extent. Despite being a possible solution to the future’s mobility challenges in urban areas, car-sharing providers suffer from profitability issues. To keep assisting society in the transformation to sustainable mobility alternatives in the future, profitability needs to be reached. Two central challenges to address to reach profitability are user segmentation and demand forecasting. This study focuses on the latter problem and the aim is to understand the demand of different car types and car-sharing users’ individual demands. Quantitative research was conducted, namely, time series analysis and binary classification were selected to answer the research questions. It was concluded that there are a trend, seasonality and residual patterns in the time series capturing bookings per car type per week. However, the patterns were not extensive. Subsequently, a random forest was trained on a data set utilizing moving average feature engineering and consisting of weekly bookings of users having at least 33 journeys during an observation period over 66 weeks (N = 1335705). The final model predicted who is likely to use the service in the upcoming week in an attempt to predict individual demand. In terms of metrics, the random forest achieved a score of .89 in accuracy (both classes), .91 in precision (positive class), .73 in recall (positive class) and .82 in F1-score (positive class). We, therefore, concluded that a machine learning model can predict weekly individual demand fairly well. Future research involves further feature engineering and mapping the predictions to business actions. / Forskare har estimerat att världens befolkning som kommer bo i stadsområden kommer öka med 20 procentenheter. Ökningen av mer tätbeboliga städer medför såväl möjligheter som utmaningar. Två av utmaningarna berör hållbarhet och mobilitet. Med teknologiska framsteg har så kallad smart mobilitet och bildelning blivit en del av lösningen. Annan forskning har visat att bildelning minskar utsläpp av skadliga ämnen och minskar ägandet av bilar, vilket därmed till viss del minskar behovet av privata bilar. Trots att det är en möjlig lösning på framtidens mobilitetsutmaningar och behov i stadsområden, lider bildelningstjänster av lönsamhetsproblem. För att fortsätta bidra till samhället i omställningen till hållbara mobilitetsalternativ i framtiden, så måste lönsamhet nås. Två centrala utmaningar för att uppnå lönsamhet är användarsegmentering och efterfrågeprognoser. Denna studie fokuserar på det sistnämnda problemet. Syftet med studien är att förstå efterfrågan på olika typer av bilar samt individuell efterfrågan hos bildelninganvändare. Kvantitativ forskning genomfördes, nämligen tidsserieanalys och binär klassificering för att besvara studiens forskningsfrågor. Efter att ha genomfört statistiska tidsserietester konstaterades det att det finns trender, säsongsvariationer och residualmönster i tidsserier som beskriver bokningar per biltyp per vecka. Dessa mönster var dock inte omfattande. Därefter tränades ett så kallat random forest på en datamängd med hjälp av rörliga medelvärden (eng. moving average). Denna datamängd bestod av veckovisa bokningar från användare som hade minst 33 resor under en observationsperiod på 66 veckor (N = 1335705). Den slutliga modellen förutsade vilka som sannolikt skulle använda tjänsten kommande vecka i ett försök att prognostisera individuell efterfrågan. Med avseende på metriker uppnådde modellen ett resultat på 0,89 i noggrannhet (för båda klasserna), 0,91 i precision (positiva klassen), 0,73 i recall (positiva klassen) och 0,82 i F1-poäng (positiv klass). Vi drog därför slutsatsen att en maskininlärningsmodell kan förutsäga veckovis individuell efterfrågan relativt bra med avseende på dess slutgiltiga användning. Framtida forskning innefattar ytterligare dataselektion, samt kartläggning av prognosen till affärsåtgärder

The goal of this work is to expand the knowledge on the field of Venn Prediction employed with Survival Data. Standard Venn Predictors have been used with Random Forests and binary classification tasks. However, they have not been utilised to predict events with Survival Data nor in combination with Random Survival Forests. With the help of a Data Transformation, the survival task is transformed into several binary classification tasks. One key aspect of Venn Prediction are the categories. The standard number of categories is two, one for each class to predict. In this work, the usage of ten categories is explored and the performance differences between two and ten categories are investigated. Seven data sets are evaluated, and their results presented with two and ten categories. For the Brier Score and Reliability Score metrics, two categories offered the best results, while Quality performed better employing ten categories. Occasionally, the models are too optimistic. Venn Predictors rectify this performance and produce well-calibrated probabilities. / Målet med detta arbete är att utöka kunskapen om området för Venn Prediction som används med överlevnadsdata. Standard Venn Predictors har använts med slumpmässiga skogar och binära klassificeringsuppgifter. De har emellertid inte använts för att förutsäga händelser med överlevnadsdata eller i kombination med Random Survival Forests. Med hjälp av en datatransformation omvandlas överlevnadsprediktion till flera binära klassificeringsproblem. En viktig aspekt av Venn Prediction är kategorierna. Standardantalet kategorier är två, en för varje klass. I detta arbete undersöks användningen av tio kategorier och resultatskillnaderna mellan två och tio kategorier undersöks. Sju datamängder används i en utvärdering där resultaten presenteras för två och tio kategorier. För prestandamåtten Brier Score och Reliability Score gav två kategorier de bästa resultaten, medan för Quality presterade tio kategorier bättre. Ibland är modellerna för optimistiska. Venn Predictors korrigerar denna prestanda och producerar välkalibrerade sannolikheter.

Noise pollution is a big health hazard for people living in urban areas, and its effects on humans is a growing field of research. One of the major contributors to urban noise pollution is the noise generated by traffic. Noise simulations can be made in order to build noise maps used for noise management action plans, but in order to test their accuracy real measurements needs to be done, in this case in the form of noise measurements taken adjacent to a road. The aim of this project is to test machine learning based methods in order to develop a robust way of detecting and classifying vehicle noise in sparse traffic conditions. The primary focus is to detect traffic noise events, and the secondary focus is to classify what kind of vehicle is producing the noise. The data used in this project comes from sensors installed on a testbed at a street in southern Stockholm. The sensors include a microphone that is continuously measuring the local noise environment, a radar that detects each time a vehicle is passing by, and a camera that also detects a vehicle by capturing its license plate. Only sparse traffic noises are considered for this thesis, as such the audio recordings used are those where the radar has only detected one vehicle in a 40 second window. This makes the data gathered weakly labeled. The resulting detection method is a two-step process: First, the unsupervised learning method k-means is implemented for the generation of strong labels. Second, the supervised learning method random forest or support vector machine uses the strong labels in order to classify audio features. The detection system of sparse traffic noise achieved satisfactory results. However, the unsupervised vehicle classification method produced inadequate results and the clustering could not differentiate different vehicle classes based on the noise data. / Buller är en stor hälsorisk för människor som bor i stadsområden, och dess effekter på människor är ett växande forskningsfält. En av de största bidragen till stadsbuller är oljud som genereras av trafiken. Man kan utföra simuleringar i syfte att skapa bullerkartor som kan användas till planer för att minska dessa ljud. För att testa deras noggrannhet måste verkliga mätningar tas, i detta fall i formen av ljudmätningar tagna intill en väg. Syftet med detta projekt är att testa maskininlärningsmetoder för att utveckla ett robust sätt att detektera och klassificera fordonsljud i glesa trafikförhållanden. Primärt fokus ligger på att detektera bullerhändelser från trafiken, och sekundärt fokus är att försöka klassificera vilken typ av fordon som producerade ljudet. Datan som används i detta projekt kommer från sensorer installerade på en testbädd på en gata i södra Stockholm. Sensorerna inkluderar en mikrofon som kontinuerligt mäter den lokala ljudmiljön, en radar som detekterar varje gång ett fordon passerar, och en kamera som också detekterar ett fordon genom att ta bild på dess registreringsskylt. Endast ljud från gles trafik kommer att beaktas och användas i detta arbete, och därför används bara de ljudinspelningar där radarn har upptäckt ett enskilt fordon under ett 40 sekunders intervall. Detta gör att den insamlade datan har svaga etiketter. Den resulterande detekteringsmetoden är en tvåstegsprocess: För det första används den oövervakade inlärningsmetoden k-means för att generera starka etiketter. För det andra används de starka etiketterna av den övervakade inlärningsmetoden slumpmässig beslutsskog eller stödvektormaskin i syfte att klassificera ljudegenskaper. Detekteringssystemet av glest trafikljud uppnådde tillfredsställande resultat. Däremot producerade den oövervakade klassificeringsmetoden för fordonsljud otillräckliga resultat, och klustringen kunde inte urskilja mellan olika fordonsklasser baserat på ljuddatan.