Digital disputas: Andreas Brandsæter

M.Sc. Andreas Brandsæter ved Matematisk institutt vil forsvare sin avhandling for graden ph.d.

Data-driven methods for multiple sensor streams, with applications in the maritime industry

 

Bildet av kandidaten.

Andreas Brandsæter

Disputas

Universitetet i Oslo er for tiden stengt, og disputasen vil derfor bli strømmet direkte via Zoom. Verten vil moderere det digitale mens disputaslederen moderer disputasen. 

Ex auditorio-spørsmål: Disputasleder vil invitere til ex auditorio-spørsmål, og disse kan foretas enten skriftlig eller muntlig ved å klikke "Participants -> Raise hand". 

Klikk her for å delta på disputasen (avsluttet)

 

Prøveforelesning

Digitalt opptak av prøveforelesning

 

Bedømmelseskomité

  • Associate professor Piero Baraldi, Politecnico di Milano
  • Associate Professor Prasad Lokukaluge Perera, UiT Norges arktiske universitet
  • Associate Professor Riccardo De Bin, Universitetet i Oslo

Leder av disputas

Professor Geir Dahl, Matematisk institutt, Universitetet i Oslo

Veiledere

  • Professor Ingrid K. Glad, Matematisk institutt, Universitetet i Oslo 

  • Førsteamanuensis Erik Vanem, Matematisk institutt, Universitetet i Oslo 

  • Professor Geir O. Storvik, Matematisk institutt, Universitetet i Oslo 

  • Sjefsforsker Magne Aldrin, Norsk regnesentral

  • Professor Arne B. Huseby, Matematisk institutt, Universitetet i Oslo 

Sammendrag

Når en datadrevet metode benyttes for å lage en prediksjon, er denne prediksjonen basert på et sett med historiske data. Vi kan for eksempel predikere ulykkesrisiko for et skip, og da er prediksjonen vanligvis basert på historiske data om andre skips ulykker, samt historiske data om det aktuelle skipet. Vi kaller ulykkeshistorikken for treningsdata, fordi vi bruker dette datasettet til å trene en modell som kan brukes til å produsere prediksjoner.  

Slike datadrevne metoder er ofte svært komplekse og nærmest umulige å forstå og tolke. For å bedre brukerens forståelse av disse prediksjonene, har vi utviklet en metode for å kvantifisere effekten av ulike deler av treningsdatasettet. Dette lar brukeren for eksempel forstå hvordan treningsdata fra ulike tidsperioder påvirker prediksjonen.

Selv når vi ikke forstår bakgrunnen for en prediksjon kan den være presis. Vi utforsker en rekke forskjellige metoder for å sette modellene på prøve. Dette kan blant annet gjøres ved hjelp av gjentatte tester og såkalt kryssvalidering. Vi kan også gjøre små endringer i test og treningsdata, og undersøke hvordan dette påvirker resultatet. Et spesielt fokus er rettet mot utfordringer og muligheter innen autonom navigasjon av skip.

Metodene og problemstillingene vi presenterer og diskuterer er generelle, men anvendelsene er hovedsakelig hentet fra maritim næring. Vi anvender blant annet en rekke forskjellige datadrevne modeller for å predikere et skips fart i bølger. Videre undersøker vi ulike metoder for å detektere feil basert på analyse av sensordata.

For mer informasjon

Kontakt Matematisk institutt

Publisert 28. feb. 2020 13:45 - Sist endret 26. mars 2020 14:58