Inledning: ​Maskininlärning kan användas för att göra förutsägelser på mängder av data. Vi presenterar en studie där vi analyserat data från en cykelbarometer som registrerar förbipasserande cyklar vid en cykelväg i Malmö. Genom att komplettera cykeldatan med andra uppmätta värden som exempelvis väder och veckodagar förbättras förutsättningarna för maskininlärningsalgoritmer att lära sig prediktera antalet registrerade cyklar baserat på olika faktorer. För att mäta hur framgångsrik olika kurvanpassningar var togs en utvärderingsmetod fram. Denna metod effektiviserade arbetet i att använda kurvanpassningar i regressionsalgoritmer för prediktion av cykelbarometerdata. Mål: ​Målet med vår studie var att ta fram en metod för att utvärdera kurvanpassningar på insamlad data. Syfte: Vårt arbete syftar på att möjliggöra förbättrade prediktioner av cykelflöden genom maskininlärning. Gällande specifikt förbättrad prediktion på cykelflöden kan detta leda till mer välinformerade beslut vid stadsplanering. Metoder: ​Vår metod togs fram genom en tudelad process enligt Design Science, vilket består i konstruktion följt av utvärdering. Konstruktionen var att ta fram stegen, utvärderingen var analysen av våra resultat producerade av metoden. Vi bearbetade datamängden från cykelbarometern och SMHI, fyllde igen uppenbara hål i datamängden med data under samma tidsperiod från åren innan och efter. På datan från cykelbarometern utförde vi kurvanpassningar med olika grader av polynom. Med de ny datamängderna skrev vi ihop tester med olika maskininlärningsalgoritmer. Vi använde Ten Fold Cross Validation i våra tester för att skapa ett större statistiskt underlag och underlätta analysen av resultaten. Resultat: ​Utvärderingsmetoden togs fram och kan användas för att utvärdera kurvanpassningar på data. Slutsatser:​ Kurvanpassningar som representerar långtidstrender kan utvärderas med vår metod. Genom resultaten från metoden kunde vi se hur maskininlärningsalgoritmerna klarar prediktion och hur bra kurvanpassningar kan bidra till bättre prediktion av cykelflöden.

Introduction: ​Machine Learning algorithms can be used in prediction on large quantities of data. We present a study where we have used data values that we have extracted through the use of curve fittings on bicycle data. This data was retrieved from a bicycle barometer that registers passing bicycles by a bicycle road in Malmö. By supplementing the bicycle data with other measured values like for example weather and weekdays the conditions are improved for machine learning algorithms in the effort of prediction. To measure how successful each algorithm was a evaluation method was created. This method streamlined the work in testing different machine learning algorithms on the collected data. Objectives: ​Our objective have been to create a method for evaluation of curve fittings on collected data. Purpose: ​The purpose of our work is to enable improved predictions of bicycle flows through machine learning. In regards to improved prediction specifically on bicycle data this leads to more well informed decisions within urban planning. Methods: Our method was created through a two part process devised from the Design Science principles, which is construction followed by evaluation. The construction was to create our method parts, the evaluation was the analysis of our results produced by the method. We processed the data from the bicycle barometer and SMHI, filled obvious anomalies in the statistics with data from the year before and after during the same period of time. Upon this data we performed curve fitting with the use of polynomial of different degrees. With the data we created tests using scikit-learn with several different Machine Learning Algorithms. We used Ten Fold Cross Validation to create a larger statistical basis upon which our analysis of the results is based upon. Results: ​The evaluation method was created and can be used to evaluate curve fittings on data. Conclusions: Curve fitted data representing long-term trends can be evaluated using our method. Through the evaluation of the method, we could see how machine learning algorithms are capable of prediction and how well curve fitted data can contribute to better prediction of cycling.