This thesis explores a new way to analyze spatiotemporal data. By combining topology, the path signature and machine learning a robust model to analyze swarming behavior over time is created. Using persistent homology a representation of spatial data is obtained and the path signature gives us a representation for how this changes over time. This representation allows us to compare samples even if they have different amounts of time steps and different length of the sequence. It is also resistant to noise in the spatial representation. Using this data is then used to train a gaussian process regressor to extract parameters that govern the movement of swarms. Our analysis shows that the tested method is a good candidate for analyzing spatiotemporal data and that it warrants further studies. / Detta examensarbete utforskar ett nytt sätt att analysera spatiotemporal data. Genom att kombinera topologi, vägsignaturer och maskininlärning skapas en robust modell för att analysera svärmar beter sig över tid. Genom persistent homology erhålls en representation av spatial data och dess vägsignatur ger oss en representation för hur detta förändras över tiden. Denna representation gör det möjligt för oss att jämföra data även om de har olika antal tidssteg och sekvenserna är olika långa. Den är också motståndskraftig mot brus i den spatiala representationen. Denna data används sedan för att träna en gaussisk process-regressor för att extrahera parametrar som styr svärmarnas rörelse. Vår analys visar att den testade metoden är en bra kandidat för att analysera spatiotemporal data och att den är värd att studera ytterligare.