Utvärderingsmetod av kurvanpassningar för identifiering av trender i cykelbarometerdata

Sammanfattning: Inledning: ​Maskininlärning kan användas för att göra förutsägelser påmängder av data. Vi presenterar en studie där vi analyserat data från encykelbarometer som registrerar förbipasserande cyklar vid en cykelväg iMalmö. Genom att komplettera cykeldatan med andra uppmätta värden somexempelvis väder och veckodagar förbättras förutsättningarna förmaskininlärningsalgoritmer att lära sig prediktera antalet registreradecyklar baserat på olika faktorer. För att mäta hur framgångsrik olikakurvanpassningar var togs en utvärderingsmetod fram. Denna metodeffektiviserade arbetet i att använda kurvanpassningar iregressionsalgoritmer för prediktion av cykelbarometerdata.Mål: ​Målet med vår studie var att ta fram en metod för att utvärderakurvanpassningar på insamlad data.Syfte: Vårt arbete syftar på att möjliggöra förbättrade prediktioner avcykelflöden genom maskininlärning. Gällande specifikt förbättrad prediktionpå cykelflöden kan detta leda till mer välinformerade beslut vidstadsplanering.Metoder: ​Vår metod togs fram genom en tudelad process enligt DesignScience, vilket består i konstruktion följt av utvärdering. Konstruktionen varatt ta fram stegen, utvärderingen var analysen av våra resultat produceradeav metoden. Vi bearbetade datamängden från cykelbarometern och SMHI,fyllde igen uppenbara hål i datamängden med data under samma tidsperiodfrån åren innan och efter. På datan från cykelbarometern utförde vikurvanpassningar med olika grader av polynom. Med de ny datamängdernaskrev vi ihop tester med olika maskininlärningsalgoritmer. Vi använde TenFold Cross Validation i våra tester för att skapa ett större statistisktunderlag och underlätta analysen av resultaten.Resultat: ​Utvärderingsmetoden togs fram och kan användas för attutvärdera kurvanpassningar på data.Slutsatser:​ Kurvanpassningar som representerar långtidstrender kanutvärderas med vår metod. Genom resultaten från metoden kunde vi se hurmaskininlärningsalgoritmerna klarar prediktion och hur brakurvanpassningar kan bidra till bättre prediktion av cykelflöden.