Empirisk undersökning av ML strategier vid prediktion av cykelflöden baserad på cykeldata och veckodagar

DSpace Repository

Empirisk undersökning av ML strategier vid prediktion av cykelflöden baserad på cykeldata och veckodagar

Details

Files for download
Icon
Overview of item record
Publication Bachelor thesis
Title Empirisk undersökning av ML strategier vid prediktion av cykelflöden baserad på cykeldata och veckodagar
Author Kakadost, Naser ; Ramadan, Charif
Date 2019
English abstract
This work focuses on the prediction of bicycle traffic for a month on a given street in Malmö by means of machine learning. The algorithm used is the Python implementation of Support Vector Machine from Scikit. The data used is the number of cyclists / day during 2006-2013 from a cycle barometer placed on Kaptensgatan in Malmö. The function of the barometer is to count the number of cycles that pass and register the time. In our study we investigate how precision of the prediction of the number of cyclists each day for four weeks in October 2013, measured by the RMSE and MAPE methods, depends on the choice of input data (cycle data and the weekday indication). A number of experiments with different combinations of input data and representatives of weekdays were conducted. The results show that the test with the largest input amount and week days indicated as 1-7 gave the best prediction.
Swedish abstract
Detta arbete fokuserar på prediktion av cykeltrafik under en månad på en given gata i Malmö med hjälp av maskininlärning. Algoritmen som används är Python-implementering av Stödvektormaskin (Support Vector Machine) från Scikit . Data som används är antalet cyklister/dag under 2006-2013 från en cykel-barometer som är placerad på Kaptensgatan i Malmö. Barometerns funktion är att räkna antalet cyklar som passerar samt registrera tiden. I vår studie undersöker vi hur precision av prediktionen av antalet cyklister varje dag under fyra veckor i oktober 2013, mätt med metoderna RMSE och MAPE, beror av valet av indata (cykeldata och angivelse av veckodag). Ett antal experiment med olika kombinationer av indata och representanter av veckodagar genomfördes. Resultaten visar att testet med störst indata-mängd och veckodagar, angivet som 1-7, gav bäst prediktion.
Publisher Malmö universitet/Teknik och samhälle
Language swe (iso)
Subject Machine Learning
Machine Learning
Handle http://hdl.handle.net/2043/29041 Permalink to this page
Facebook

This item appears in the following Collection(s)

Details

Search


Browse

My Account

Statistics