Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Predicting the risk of accidents for downhill skiers
KTH, School of Information and Communication Technology (ICT).
2017 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

In recent years, the need for insurance coverage for downhill skiers is becoming increasingly important. The goal of this thesis work is to enable the development of innovative insurance services for skiers. Specifically, this project addresses the problem of estimating the probability for a skier to suffer injuries while skiing.This problem is addressed by developing and evaluating a number of machinelearning models. The models are trained on data that is commonly available to skiresorts, namely the history of accesses to ski-lifts, reports of accidents collected by ski-patrols, and weather-related information retrieved from publicly accessible weather stations. Both personal information about skiers and environmental variables are considered to estimate the risk. Additionally, an auxiliary model is developed to estimate the condition of the snow in a ski-resort from past weather data. A number of techniques to deal with the problems related to this task, such as the class imbalance and the calibration of probabilities, are evaluated and compared.The main contribution of this project is the implementation of machine learning models to predict the probability of accidents for downhill skiers. The obtained models achieve a satisfactory performance at estimating the risk of accidents for skiers, provided that the needed historical data for the target skiresorts is available. The biggest limitation encountered by this study is related to the relatively low volume and quality of available data, which suggests that there are opportunities for further enhancements if additional (and especially better) data is collected.

Abstract [sv]

Under senaste åren har behovet av försäkringsskydd för utförsåkare vuxit sig större och blivit viktigare än någonsin. Målet med detta examensarbete är att möjliggöra utveckling av innovativa försäkringar för skidåkare. Projektet tar specifikt upp problemet med att uppskatta sannolikheten att en skidåkare skadar sig under skidåkning.Problemet adresseras genom att utveckla och utvärdera ett antal maskininlärnings modeller. De här modellerna är tränade på data som är allmänt tillgänglig för skidorter, nämligen historiken bakom åtkomsten till skidliftar, rapporter om olyckor som samlas in av skidpatruller och väder-relaterad information som hämtats från allmänt tillgängliga väderstationer. Både personlig information om skidåkare och olika miljövariabler anses uppskatta risken. Dessutom utvecklas en extra modell för att uppskatta villkoren hos snön vid en skidort från tidigare väderdata. Ett antal tekniker för att ta itu med problemen med denna uppgift, till exempel klass obalans och kalibrering av sannolikheter, utvärderas och jämförs.Projektets huvudsakliga bidrag består av genomförandet av maskininlärnings modeller att förutsäga sannolikheten för olyckor för utförsåkning skidåkare. Den erhållna modellen uppnår en tillfredsställande prestanda på uppskatta risken för olyckor där skidåkare är involverade, förutsatt att de historiska uppgifter sombehövs för skidorterna är tillgängliga. Den största begränsningen som dennastudie har stött på är relaterad till de relativt låga volymer och kvaliteten påtillgänglig data, vilket tyder på att det finns möjligheter för ytterligare förbättringar om ytterligare (och särskilt bättre) data samlas in.

Place, publisher, year, edition, pages
2017. , p. 80
Series
TRITA-ICT-EX ; 2017:156
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:kth:diva-215697OAI: oai:DiVA.org:kth-215697DiVA, id: diva2:1149017
Subject / course
Computer Science
Educational program
Master of Science - Computer Science
Supervisors
Examiners
Available from: 2017-10-13 Created: 2017-10-13 Last updated: 2018-01-13Bibliographically approved

Open Access in DiVA

fulltext(1100 kB)48 downloads
File information
File name FULLTEXT01.pdfFile size 1100 kBChecksum SHA-512
8ab3c7fb70e3a1066fac1fb797a165048f013804e1f25a00ee1f06476e43a4ff3b1928bd59a2e4bd2685d6f133bc9609b659ed096ed726237044bedb9b9052af
Type fulltextMimetype application/pdf

By organisation
School of Information and Communication Technology (ICT)
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 48 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 315 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf