dc.contributor.advisor | Raja, Kiran (Akademisk veileder) | |
dc.contributor.advisor | Løvbukten, Tomas (Oppdragsgiver) | |
dc.contributor.author | Nguyen, Demi-Bao Lu | |
dc.contributor.author | Edna, Simon | |
dc.date.accessioned | 2024-07-02T17:24:43Z | |
dc.date.available | 2024-07-02T17:24:43Z | |
dc.date.issued | 2024 | |
dc.identifier | no.ntnu:inspera:187263881:231316747 | |
dc.identifier.uri | https://hdl.handle.net/11250/3137519 | |
dc.description | Full text not available | |
dc.description.abstract | Devinco AS er ledende leverandør av integrerte mobile løsninger. I denne bach-
eloroppgaven vil det fokuseres på produktet deres ViaTracks, som er en elektronisk
kjørebok. Problemstillingen som oppdragsgiveren har presentert handler om å
utvikle en løsning for å detektere ferjeturer i ViaTracks med en større nøyaktighet
enn deres eksisterende løsning. Denne løsningen er et konseptbevis der man bruker
sekvensielle nevrale nettverk til å nøyaktig skille ferjeturer fra vanlige kjøreturer
på land.
Man utforsket flere nevrale nettverk av typene RNN - "Recurrant Neural Net-
works", LSTM - "Long-Short Term Memory", og GRU - "Gated Recurrant Unit".
Innen disse metodene ble det også sett på toveis varianter av RNN, LSTM og
GRU, for å oppnå høyere nøyaktighet. Under arbeidsprosessen ble det brukt
smidig utviklingsmetode med sprinter og tilbakemelding hver uke for et mer effek-
tivt arbeid. Løsningen ga høy nøyaktighet i forhold til kravene som ble satt ved
prosjektstart. | |
dc.description.abstract | Devinco AS is a leading provider of integrated mobile solutions. In this bache-
lor thesis, the scope will focus on their product ViaTracks, an automatic electronic
driving book. The problem statement presented by the client involves develop-
ing a solution to detect ferry trips in ViaTracks with greater accuracy than their
existing solution. This solution is a proof of concept where sequential neural net-
works are used to accuratly classify ferry trips and normal driven trips on land.
Several neural network models of the types RNN (Recurrant Neural Networks),
LSTM (Long Short-Term Memory) and GRU (Gated Recurrant Unit) were ex-
plored. Within these methods, bidirectional versions of RNN, LSTM and GRU
were also investigated for higher accuracy. Throughout the process, an agile de-
velopment methodology was used, with sprints and weekly feedback used for more
efficient work. The solution achieved high accuracy in regard to the requirements
set at the beginning of the project. | |
dc.language | nob | |
dc.publisher | NTNU | |
dc.title | Automatisk ferjestøtte i elektronisk kjørebok med sekvensielle nevrale nettverk | |
dc.type | Bachelor thesis | |