Publikationer från KTH
Not a member yet
57933 research outputs found
Sort by
Design of Jet-Grouted Support Structures : Comparison of Probabilistic Calculation Methods
No full textSyftet med detta arbete har varit att undersöka jetinjekterade stödkonstruktioners beteende viddragspänningar samt att utvärdera hur probabilistiska beräkningsmetoder kan bidra till en mertillförlitlig och effektiv dimensionering.Studien baseras på en fallstudie från Slussenprojektet i Stockholm. Draghållfastheten hos jetpelarehar beräknats med empiriska data och Eurokodens riktlinjer, och konstruktionens respons viddragpåverkan analyserades med Plaxis 2D. Resultaten visar att dragbrott är den primärabrottmoden, men att sprickbildning inte nödvändigtvis leder till kollaps. Deformationerna förblevsmå vid realistiska materialparametrar.Brottsannolikheten bestämdes med FORM och Monte Carlo-simuleringar. Analysen visar attmaterialets höga variation är avgörande för säkerhetsnivån, men att osäkerheten kan reducerasgenom att beakta korrelationer mellan materialegenskaper. Bestämning av den rumsligakorrelationslängden framstår som särskilt viktig för att uppnå en mer realistisk uppskattning avbrottsrisken.Studien visar att probabilistiska beräkningsmetoder kan ge en mer nyanserad och resurseffektivdimensionering av jetinjekterade stödkonstruktioner, och att dessa metoder har stor potential attanvändas i praktiska projekt som Slussen.The aim of this study was to investigate the tensile behaviour of jet-grouted support structuresand to evaluate how probabilistic methods can contribute to more reliable and efûcient design.The study is based on a case from the Slussen project in Stockholm. The tensile strength ofjet-grouted columns was calculated using empirical data and Eurocode guidelines, while thestructural response to tensile loading was analysed in Plaxis 2D. The results indicate that tensilefailure is the primary mode, but that cracking does not necessarily lead to collapse. Deformationsremained small under realistic material parameters.Failure probabilities were assessed using FORM and Monte Carlo simulations. The resultshighlight the signiûcance of the high variability in material properties but also show thatuncertainties can be reduced by accounting for correlations between key parameters. In particular,the determination of the spatial correlation length appears crucial for achieving a more realisticestimate of failure probability.The study demonstrates that probabilistic methods can provide a more nuanced andresource-efûcient design of jet-grouted support structures and that these methods hold strongpotential for application in practical projects such as Slussen
Utvärdering av återhämtningsförstärkt generering med hjälp av Neo4j och GPT-4o mini. : Bedömning av påverkan på frågeprecision, svarskvalitet och systemeffektivitet.
No full textThis thesis explores the effectiveness of a Retrieval-Augmented Generation (RAG) system that integrates the Neo4j graph database with the GPT-4o mini language model. The research aims to enhance query accuracy, response quality, and system efficiency by comparing the performance of this hybrid system against standalone implementations of GPT-4o mini and Neo4j. Through a series of experiments, the study evaluates the system’s performance based on precision, relevance, and faithfulness metrics. The findings indicate that the RAG system with graph database Neo4j significantly outperforms the standalone models, particularly in handling complex queries and structured data. The results demonstrate that integrating the graph database Neo4J with large language models not only improves the reliability of responses but also reduces the incidence of hallucinations, thereby enhancing the overall trustworthiness of the system. This work contributes to the understanding of how retrieval mechanisms with with a graph database can complement generative models, offering substantial improvements in information retrieval tasks that demand high accuracy and contextual relevance. The study concludes with recommendations for future research, including the exploration of real-time decision-making frameworks and the application of these findings to other domains requiring precise data management.Denna tes undersöker effektiviteten hos ett Retrieval-Augmented Generation (RAG)-system som integrerar Neo4j-grafdatabasen med språkmodellen GPT-4o mini. Forskningen syftar till att förbättra frågeprecision, svarskvalitet och systemeffektivitet genom att jämföra prestandan hos detta hybridsystem mot fristående implementationer av GPT-4o mini och Neo4j. Genom en serie noggrant utformade experiment utvärderas systemets prestanda baserat på precision, relevans och trovärdighet. Resultaten visar att det RAG-systemet med grafdatabas som källa avsevärt överträffar de fristående modellerna, särskilt när det gäller hantering av komplexa frågor och strukturerad data. Resultaten visar att integrationen av grafdatabaser med stora språkmodeller inte bara förbättrar svarens tillförlitlighet utan också minskar förekomsten av hallucinationer, vilket därigenom ökar systemets övergripande trovärdighet. Detta arbete bidrar till förståelsen av hur grafbaserade sökmetoder kan komplettera generativa modeller, och därigenom erbjuda betydande förbättringar i informationssökningsuppgifter som kräver hög precision och kontextuell relevans. Studien avslutas med rekommendationer för framtida forskning, inklusive utforskning av realtidsbeslutsramverk och tillämpning av dessa fynd på andra områden som kräver noggrann databehandling
Evaluating End-of-Life Strategiesfor a Feed Pusher Robot using LifeCycle Assessment : A Simplified LCA Approach to Support CircularityDecisions in SMEs
No full textSustainability and circularity are becoming increasingly important for numerous industriesdue to the significant rise in environmental regulations and taxes. Therefore, tools like LifeCycle Assessment (LCA) are becoming more popular as they help industries to evaluate theirenvironmental impacts and comply with these regulations. Although LCA is a powerful tool, it is challenging for Small and medium-sized enterprises(SMEs), as they face barriers such as (i) Lack of internal personnel trained on LCA, (ii) Lackof data to perform LCA, and (iii) High costs of LCA [1]. Thus, this study uses a simplified andrapid LCA method to evaluate different End-of-Life (EoL) strategies for the MOOV 2.0 feedpusher robot developed by JOZ B.V. in the Netherlands. A cradle-to-grave LCA is carried out in SimaPro 9.6.0.1 using secondary data as proxies fromEcoinvent v3.9.1, and the Global Warming Potential (GWP) is calculated using the ReCiPe 2016Midpoint (H) method. The study aims to compare the carbon footprint of the feed pusher robotunder three different EoL strategies: (i) Municipal solid waste treatment in the Netherlands,(ii) Take-back recycling without substitution credits (cut-off approach), and (iii) Take-backrecycling with substitution credits for avoided virgin material production. The initial results show that the municipal solid waste disposal scenario has the lowestcarbon emissions due to the cut-off method being adopted, which does not account for anyenvironmental credits. But when the substitution benefits of avoiding virgin material use aremanually included, take-back recycling with credits becomes the most sustainable option. Sincethe robot is majorly made of steel and considering that steel is 100% recyclable [2], a controlledclosed-loop recycling is a feasible and effective solution. The study finally shows that even a simplified LCA can give useful results for SMEs. It alsosuggests that introducing a take-back system for collecting the robots at their EoL and recyclingthe key components such as the steel components can help reduce emissions and improveresource use. This study is clearly documented to ensure transparency and to make it replicableby other SMEs who are facing similar challenges with LCA.Hållbarhet och cirkularitet blir allt viktigare för många branscher till följd av den kraftigaökningen av miljöregleringar och miljöskatter. Därför blir verktyg som LCA allt mer populäraeftersom de hjälper industrin att utvärdera sina miljöpåverkan och uppfylla dessa regler. Även om LCA är ett kraftfullt verktyg är det utmanande för SMEs, eftersom de står införhinder såsom (i) Brist på intern personal med kompetens inom LCA, (ii) Brist på data föratt kunna genomföra en LCA och (iii) Höga kostnader för LCA [1]. Därför använder dennastudie en förenklad och snabb LCA-metod för att utvärdera olika EoL-strategier för MOOV2.0-fodervagnsroboten utvecklad av JOZ B.V i Nederländerna. En cradle-to-grave LCA genomförs i SimaPro 9.6.0.1 med sekundärdata som proxy frånEcoinvent v3.9.1, och GWP beräknas med hjälp av ReCiPe 2016 Midpoint (H)-metoden.Syftet med studien är att jämföra koldioxidavtrycket för fodervagnsroboten under tre olikaEoL-strategier: (i) Behandling av kommunalt fast avfall i Nederländerna, (ii) Take-backåtervinningutan substitutionskrediter (cut-off-metod), och (iii) Take-back-återvinning medsubstitutionskrediter för undviket användande av jungfruligt material. De initiala resultaten visar att scenariot med behandling av kommunalt fast avfall har delägsta koldioxidutsläppen på grund av att cut-off-metoden används, vilket inte tar hänsyn tillnågra miljökrediter. Men när substitutionsfördelarna av att undvika användning av jungfruligtmaterial manuellt inkluderas, blir take-back-återvinning med krediter det mest hållbaraalternativet. Eftersom roboten till största delen är tillverkad av stål, och eftersom stål är 100%återvinningsbart [2], är en kontrollerad closed-loop-återvinning en genomförbar och effektivlösning. Studien visar slutligen att även en förenklad LCA kan ge användbara resultat för SMEs. Denföreslår också att införandet av ett take-back-system för insamling av robotarna vid deras EoLoch återvinning av nyckelkomponenter såsom ståldelarna kan bidra till att minska utsläppoch förbättra resursanvändningen. Denna studien är tydligt dokumenterad för att säkerställatransparens och för att göra den reproducerbar för andra SMEs som står inför liknandeutmaningar med LCA
Känslor i musikmaskinen : En utforskning av sambandet mellan textprompter och AI-genererad musik i termer av valens och arousal
No full textAI music generation platforms allow users to generate music by just providing textual prompts. However, how the sentiment of the generated music aligns with the sentiment of the prompts has yet to be explored. This thesis examines the alignment between the valence (pleasantness) and arousal (intensity) of text prompts to the generated music. To achieve this, we fine-tune a pre-trained language model to infer valence and arousal (V-A) from text prompts, and train a deep neural network to infer V-A from music. We apply these models to a dataset of 6,086 text prompt-music pairs collected from two commercial AI music platforms, Suno and Udio, and analyze the relationships of the inferred scores. We conduct a human listening test on 24 text prompt-music pairs selected based on the model inferences, and manual inspections on specific examples to validate the model results. Our results indicate a significant but weak correlation between the V-A of text prompts and the resulting music. We include illustrative examples to support interpretation and discussions.AI-musikgenereringsplattformar låter användare generera musik endast baserat på textbaserade instruktioner (även kallat textprompter). Däremot är det ännu inte utforskat i vilken utsträckning den känsla som förmedlas i den genererade musiken överensstämmer med den avsedda känslan i användarens instruktioner. Denna avhandling undersöker hur väl valens (behaglighet) och arousal (intensitet) i textprompter överensstämmer med den musik som genereras. För att möjliggöra detta finjusteras en förtränad språkmodell för att uppskatta valens och arousal (V-A) i textprompterna, och ett djupt neuralt nätverk tränas för att identifiera V-A i musiken. Modellerna appliceras på ett dataset bestående av 6 086 textprompter-musik par insamlade från två kommersiella AI-musikplattformar, Suno och Udio. Därefter analyseras sambanden mellan de uppskattade V-A värdena. För att validera modellernas utfall genomförs manuella granskningar av utvalda exempel och ett lyssningstest med mänskliga användare, där 24 textprompter-musik par väljs ut. Resultaten indikerar ett betydande men svagt samband mellan V-A i textprompterna och den genererade musiken. För att underlätta tolkning och diskussion presenteras även illustrativa exempel
Från punkter till mönster : Spatiotemporala dynamiken hos betautbrott i OPM-MEG-data under vila
No full textBeta oscillations in the human brain appear as transient, high-amplitude events known as beta bursts, which underpin sensorimotor and cognitive processes. Their disruption is a hallmark of Parkinson’s disease (PD), yet the large-scale spatiotemporal organization of beta bursts in the resting brain remains poorly understood. In this single-subject feasibility study, we employ high-density optically pumped magnetoencephalography (OPM-MEG) to map beta burst-derived functional networks, capturing transient, event-locked connectivity across 26 cortical regions in a healthy adult at rest. Resting-state data were recorded with a 128-channel OPM array and source-reconstructed; beta bursts (13–30 Hz) were identified via thresholding and spatiotemporal clustering. Directed coburst interactions were inferred through lag-resolved cross-correlation, with statistical significance assessed by circular time-shift surrogates and FDR correction. Graph-theoretic analysis of the burst network suggested a lateralized, frequency-specific architecture: sensorimotor regions (postcentral gyri) functioned as high out-degree broadcasters, whereas frontal areas (orbitofrontal and rostral middle frontal cortices) emerged as convergence hubs. These findings suggests that even at rest, beta bursts form structured, propagating networks with distinct directional roles. Importantly, this work introduces a novel, burst-centric pipeline combining OPM-MEG, unsupervised clustering, time-lagged connectivity, and network theory. Although inherently tentative due to the single-subject design, it provides proof of concept that beta bursts can delineate dynamic functional networks. Extending this framework to larger cohorts and clinical populations—especially in PD, where burst dynamics correlate with symptomatology—may yield physiologically grounded biomarkers of network dysfunction.Betaoscillationer i den mänskliga hjärnan uppträder som kortvariga, högamplitudhändelser— så kallade beta bursts—som understöder sensorimotoriska och kognitiva processer. Deras störning är ett kännetecken för Parkinsons sjukdom (PD), men den storskaliga spatiotemporala organisationen av beta bursts i vilotillstånd är fortfarande dåligt kartlagd. I denna enskilda fallstudie demonstrerar vi möjligheten att härleda beta burst–baserade funktionella nätverk med högupplöst optiskt pumpad magnetoencefalografi (OPM-MEG). Vilodata spelades in med en 128-kanalig OPM-array och rekonstruerades till 26 kortikala regioner; beta bursts (13–30 Hz) identifierades med tröskelbaserad detektion och spatialtemporal klustring. Transienta, händelselåsade samaktiveringar mellan regioner beräknades via tidsförskjuten korskorrelation och signifikanta kopplingar fastställdes med surrogattestning och FDR-korrektion. Grafteoretisk analys av burst-nätverket avslöjade en lateraliserad, frekvensspecifik arkitektur: sensorimotoriska regioner (postcentrala gyrus) fungerade som högut-grads–sändare, medan frontala områden (orbitofrontal och rostral mellersta frontala cortex) framträdde som högin-grads– konvergenspunkter. Dessa resultat visar att beta bursts, även i vila, bildar strukturerade, riktade nätverksmönster. Detta arbete introducerar ett nytt, burst-centrerat analysramverk som kombinerar OPM-MEG, unsupervised klustring, tidsfördröjd funktionell konnektivitet och nätverksanalys. Även om resultaten är tentativa på grund av en enskild deltagaren, ger de ett proof-of-concept för att beta bursts kan definiera dynamiska funktionella nätverk. Att vidareutveckla denna metod i större kohorter och kliniska populationer—särskilt vid PD, där beta burstdynamik korrelerar med symtom—kan bidra till mer precisa, fysiologiskt förankrade biomarkörer. Framtida studier bör tillämpa och validera detta tillvägagångssätt på större urval och kliniska grupper för att utvärdera dess robusthet och translativ potential
Kortsiktig belastningsprognos för elkonsumption : En jämförande studie av förutspående modeller
No full textThe necessity to make energy distribution more efficient is important for both ethical and environmental reasons: it ensures that consumers receive their required energy, and it lowers the risk of having electricity losses. Predicting energy consumption can provide some aid to plan for a period ahead, and today there are multiple models used for time series predictions. Two areas of these models are statistical and neural network. While both have their advantages and disadvantages, neural networks usually produce better prediction results. However, exogenous variables can be added to the testing, and can improve predictions, but there are few studies involving them. This study will therefore see how much improvement the use of exogenous variables to statistical methods can be made compared to neural network models without exogenous variables. The models investigated in this thesis is AutoRegressive Integrated Moving Average with Exogenous variables (ARIMAX), Seasonal ARIMAX (SARIMAX), NeuralProphet, MultiLayered Perceptron (MLP) and Gated Recurrent Unit (GRU). The first two are statistical, the last two are neural networks, and NeuralProphet is a combination as it uses both statistical and neural network methods in its implementation. These five models were set to predict 24 hours into the future, after training on data containing hourly energy consumption. The exogenous variables were the temperature of the area, as well as whether it was a weekday or weekend. The resulting optimal model turned out to be NeuralProphet, with SARIMAX performing almost as well, based on the error metrics. The two neural network models came thereafter, whose performances were almost equal, and MLP even surpassing GRU in some cases. The least optimal model was ARIMAX, which is not too surprising as it did not take seasonal patterns into consideration. However, doing statistical hypothesis testing of their performances revealed that only half of the pairwise comparisons rejected the null hypothesis, stating that the model choice made an impact on the prediction results. All comparisons relating to ARIMAX were rejected, and an additional one between NeuralProphet and GRU. This means that ARIMAX is proven to be the worst performing model when doing time series prediction, and NeuralProphet is proven to be better than GRU. Otherwise, it is concluded that more testing is required to provide results regarding the remaining models.Vikten av att effektivisera energidistribution är betydelsefull av både etiska och miljömässiga skäl: det säkerställer att konsumenter får sin nödvändiga energi, och det minskar risken att producera överflödig energi som går till förlust. Att förutspå energikonsumption kan vara till hjälp för framtidsplanering, och i dagsläget finns det flertalet modeller som används för att förutspå tidsserier. Två av dessa kategorier är statistiska modeller och neurala nätverk. Även om båda har sina för- och nackdelar så ger neurala nätverk oftast bättre resultat. Man kan dock involvera externa variabler, och detta brukar förbättra resultatet, men i dagsläget finns det få studier som använder sig av dem. Den här studien kommer därför undersöka hur mycket förbättring användandet av externa variabler ger till statistiska metoder, jämfört med neurala nätverk som inte använder externa variabler. Modellerna som undersöks i den här studien är AutoRegressive Integrated Moving Average with Exogenous variables (ARIMAX), Seasonal ARIMAX (SARIMAX), NeuralProphet, MultiLayered Perceptron (MLP) och Gated Recurrent Unit (GRU). De två första är statistiska modeller, de två sista är neurala nätverk, och NeuralProphet använder sig av en kombination av statistiska och neurala nätverksmetoder i sin konstruktion. Dessa fem modeller förutspådde de kommande 24 timmarna, baserat på inlärning av data som bestod av timvis energikonsumption. De externa variablerna var temperaturen i samma område som energidatan, och om det var en veckodag eller helgdag. Resultatet visade att NeuralProphet var den optimala modellen, med SARIMAX som hade snarlikt bra resultat, baserat på felmätningarna. De två neurala nätverken kom trea och fyra, där de överraskande nog presterade i princip lika bra, med MLP som överträffade GRU i vissa fall. Den minst optimala modellen var ARIMAX, vilket inte är särskilt oväntat då den inte tar hänsyn till säsongsmönster i datan. Däremot så visade statistisk signifikanstestning av deras prestationer att bara hälften av de parvisa jämförelsena mellan modellerna avfärdade nollhypotesen, som var att valet av model hade en påverkan på förutsägelseresultaten. Alla nollhypoteser som inkluderade ARIMAX var avfärdade, samt en mellan NeuralProphet och GRU. Detta innebär att ARIMAX är bevisat den minst optimala modellen för användning inom förutspåelse inom tidsserier, och NeuralProphet är besvisat bättre än GRU. I övrigt är slutsatsen att det krävs mer testning för att få fram resultat när det gäller övriga modeller
Ett nytt OCaml FFI till Miking
No full textDomain-specific languages (DSLs) are programming languages designed for a specific domain, as opposed to general-purpose languages, which can be used for a variety of tasks. Examples of DSLs include HTML, TeX, or Verilog. The Miking framework is a meta-language system with the goal of facilitating creation of external domain-specific and general-purpose languages. The framework functions by compiling a minimal functional language called MCore to one of the several supported backends – OCaml, C, JavaScript or JVM, or by interpreting MCore through a self-hosted interpreter. Miking provides a foreign function interface (FFI), called the externals system, which lets MCore call backend functions. The current system only has support for compiled targets and requires a full recompilation of the compiler when new externals are defined. This thesis presents a redesign and a proof-of-concept implementation of a new externals system targeting the OCaml backend. The system provides a unified interface for definition of externals for both compiled and interpreted modes, with native support for basic types. It acts as a stepping stone towards a fully redesigned externals system supporting all the existing backends and language features.Domänspecifika språk (DSL:er) är programmeringsspråk utformade för en specifik domän, till skillnad från allmänna språk som kan användas för olika uppgifter. Exempel på DSL:er inkluderar HTML, TeX och Verilog. Miking är ett metaspråkssystem för att skapa DSL:er och allmänna språk. Ramverket fungerar genom att kompilera ett minimalt funktionellt språk, MCore, till ett av flera målspråk – OCaml, C, JavaScript eller JVM – eller genom att exekvera MCore i en interpretator. Miking tillhandahåller ett Foreign Function Interface (FFI), kallat externalssystemet, som låter MCore anropa funktioner i målspråket. Den nuvarande lösningen stöder endast kompilerat läge och kräver omkompilering av kompilatorn när nya externals läggs till. Denna avhandling presenterar en omdesign och en proof-of-conceptimplementering av ett nytt externalssystem för målspråket OCaml. Systemet ger ett enhetligt sätt att definiera externals för både kompilerat och interpreterat läge, med inbyggt stöd för grundläggande typer. Det fungerar som ett steg mot ett helt omdesignat externalssystem som stöder alla befintliga målspråk och språkfunktioner
Designtillgänglig från början: vägledning för utvecklare mot tillgängliga webbmetoder : Utvärdering av effektiviteten av att integrera AI-driven tillgänglighetsvägledning i webbutvecklingsprocessen
No full textWeb accessibility continues to pose significant challenges despite the availability of established guidelines such as WCAG 2.1 and 2.2. A key barrier lies in the absence of integrated, real-time tools that help developers identify and address accessibility issues during the coding process. This thesis presents the design, development, and evaluation of an AI-powered assistant aimed at guiding developers toward accessible web practices. The tool combines static code analysis with generative support from a large language model to provide context-aware recommendations directly within the development environment. Inspired by the Born-Accessible paradigm, this research takes a proactive accessibility approach, shifting accessibility from a reactive concern to an integral part of the coding process. A mixed-methods methodology, including automated WCAG evaluations, developer usability testing, and qualitative feedback from participants, was used to assess the tool’s effectiveness. Findings indicate that embedding accessibility feedback at the point of code creation significantly improves both compliance and developer understanding, ultimately enhancing the accessibility and usability of web content by default for end-users with disabilities.Webbtillgänglighet fortsätter att utgöra en betydande utmaning trots att det finns etablerade riktlinjer som WCAG 2.1 och 2.2. Ett viktigt hinder är avsaknaden av integrerade verktyg i realtid som hjälper utvecklare att identifiera och åtgärda tillgänglighetsproblem under kodningsprocessen. Denna uppsats presenterar design, utveckling och utvärdering av en AI-driven assistent som syftar till att vägleda utvecklare mot tillgängliga webbmetoder. Verktyget kombinerar statisk kodanalys med generativt stöd från en stor språkmodell för att ge kontextmedvetna rekommendationer direkt i utvecklingsmiljön. Denna forskning, som bygger på Born-Accessible-paradigmet (tillgänglig från början), förflyttar tillgänglighet från ett reaktivt problem till en proaktiv designprincip. En blandad metodik, inklusive automatiserade WCAGutvärderingar, användbarhetstester för utvecklare och kvalitativ feedback från deltagarna, användes för att bedöma verktygets effektivitet. Resultaten visar att införlivandet av tillgänglighetsfeedback vid kodskapandet avsevärt förbättrar både efterlevnaden och utvecklarnas förståelse, vilket i slutändan förbättrar tillgängligheten och användbarheten av webbinnehåll som standard för slutanvändare med funktionsnedsättningar
Evaluering av NR-IQA- och NR-PCQA-metoder på väderdegraderad data inom autonoma fordon
No full textIn autonomous driving, balancing the quality of training data is essential for developing safe and reliable self-driving models. A necessary prerequisite for striking this balance is having reliable methods for assessing data quality. This thesis investigates methods for evaluating the quality of images and point clouds without relying on reference data, known as no-reference image quality assessment (NR-IQA) and no-reference point cloud quality assessment (NRPCQA), respectively. Five NR-IQA methods (IL-NIQE, TOPIQ, DBCNN, QualiCLIP, and Q-Align) and two NR-PCQA methods (MM-PCQA and MSPCQE) were evaluated. The image data was obtained from two drives in authentic winter conditions, while the point clouds were obtained from a test track. Both the images and the point clouds were synthetically distorted using artificial fog and rain, and the NR-IQA and NR-PCQA methods were evaluated on their ability to rank versions of the images or point clouds by distortion level. Neither of the two NR-PCQA methods demonstrated reliable performance in ranking the distorted point clouds. While MM-PCQA outperformed MS-PCQE, it also failed to generate reliable rankings. This suggests that NR-PCQA methods are not yet mature enough to be employed in the autonomous driving domain. Of the evaluated NR-IQA methods, Q-Align and IL-NIQE achieved the best performance, significantly outperforming the other methods. These results suggest that large multimodal models and natural scene statistics are viable approaches for assessing the quality of weatherdistorted images.Vid träningen av självkörande fordon är det väsentligt att balansera kvaliteten på träningsdatan för att utveckla säkra och tillförlitliga modeller. För att uppnå en balans i träningsdatan krävs robusta metoder för att avgöra datakvalitet. Det här arbetet undersöker metoder för att evaluera kvaliteten av bilder (NRIQA) och punktmoln (NR-PCQA) utan användning av referensdata. Fem NR-IQA-metoder (IL-NIQE, TOPIQ, DBCNN, QualiCLIP, and Q-Align) och två NR-PCQA-metoder (MM-PCQA and MS-PCQE) utvärderades. Bilddatan hämtades från FGI, en datamängd som omfattar två körningar i vinterlandskap. Punktmolndatan hämtades från REHEARSE, en datamängd med punktmoln insamlade på en körbana. Bilderna förvrängdes med syntetiskt dimma och regn, medan punktmolnen endast förvrängdes med dimma. NR-IQA- och NR-PCQA-metoderna utvärderades utifrån deras förmåga att rangordna olika versioner av samma bild eller punktmoln efter grad av förvrängning. Varken MM-PCQA eller MS-PCQE lyckades tillförlitligt rangordna punktmolnen. Även om MM-PCQA visade bättre prestanda än MSPCQE var dess rangordningar inkonsekventa. Bland de evaluerade NR-IQAmetoderna uppvisade Q-Align och IL-NIQE den bästa prestandan. Resultaten tyder på att stora multimodala modeller och natural scene statistics är lovande metoder för att avgöra kvaliteten av väderdegraderade bilder. Dessutom tyder resultaten på att NR-PCQA-metoder inte är tillräckligt utvecklade för att tillförlitligt utvärdera kvaliteten på punktmoln inom autonom körning
Utvärdering av kontextuella hushållsvariabler och elbilsladdningsbeteende vid kortsiktig prognos av elförbrukning
No full textSweden’s forthcoming effect-based electricity tariffs will base household fees on peak hourly demand, making accurate next-day load forecasts essential. This study tests whether household context such as fuse capacity, dwelling size, electric-vehicle (EV) ownership, and optimized charging behavior improves short-term forecasting with a Temporal Fusion Transformer (TFT). A cleaned, anonymized dataset of 113 million hourly observations from 6 052 dwellings was enriched with weather, price, and calendar covariates. Each TFT received a 336-hour input window and produced 24-hour forecasts. A baseline model using only historical load, weather, and time cues was compared with five variants that added the contextual features individually and in combination. Across the full test set, RMSE improvements remained below 1.3 %, indicating that the baseline model captured most of the signal. The largest gain (≈ 0.1 RMSE) appeared for EV households without smart-charging schedules. Attention and variable-selection analysis showed that contextual data broadened the model’s attention over the recent 14–28 hours and shifted decoder importance however left forecasting accuracy largely unchanged. Static selectors consistently ranked EV state highest, followed by dwelling size and fuse capacity. Overall, household attributes offered modest accuracy gains but enhanced interpretability and niche performance. Further exploration of deeper hyperparameter optimization, more substantial computational resources, or alternative encoding methods may unlock additional benefits.Sveriges kommande effektbaserade eltariffer kommer att basera hushållens elräkningar på den högsta timvisa effekten, vilket gör att prediktioner av elförbrukningen för nästkommande dag kommer bli viktiga. Denna studie undersöker om hushållskontext, såsom huvudsäkringsnivå, bostadsstorlek, elbilsinnehav (EV) och optimerat laddningsbeteende, kan förbättra korttidsprognoser med en Temporal Fusion Transformer (TFT). Ett rensat och anonymiserat dataset med 113 miljoner timvisa observationer från 6 052 hushåll berikades med väder-, pris- och kalendervariabler. Varje TFT-modell fick ett indatafönster på 336 timmar och genererade prognoser för 24 timmar framåt. En baslinjemodell som endast använde historisk förbrukning, väder, spotpris och tidsfaktorer jämfördes med fem varianter som individuellt och i kombination lade till de kontextuella variablerna. Över hela testmängden var förbättringarna i RMSE under 1,3 %, vilket tyder på att baslinjemodellen fångade merparten av signalen. Den största förbättringen (≈ 0,1 RMSE) sågs för hushåll med elbil utan smarta laddningsscheman. Analys av uppmärksamhetsmönster och variabelval visade att den kontextuella datan breddade modellens fokus till de senaste 14–28 timmarna och förändrade dekoderns betydelse, men påverkade i stort sett inte prognosnoggrannheten. Statisk variabelselektion rankade konsekvent elbilsinnehav högst, följt av bostadsstorlek och säkringskapacitet. Sammanfattningsvis gav hushållsattribut måttliga förbättringar i noggrannhet men ökade tolkbarheten och nischprestandan. Vidare utforskning av djupare hyperparameteroptimering, mer omfattande beräkningsresurser eller alternativa kodningsmetoder kan ge ytterligare förbättringa