Ny artikel om vägunderhåll ute nu!

Vad var utgångspunkten för arbetet?
– Syftet med studien var att ta fram en enkel och tydlig metod som kan hjälpa kommunen att fatta bra beslut om vägunderhåll. Målet var att använda underhållsbudgeten på ett smart sätt och bibehålla gator i bra skick. Studien genomfördes i Skellefteå kommun och handlar om hur man kan använda maskininlärning (random forest (RF), neurala nätverk (NN) och linjär regression (LR) för att förutsäga gatuskick baserat på subjektiva bedömningsdata. Studien hjälper till att förutse gatuskick, vilket gör det möjligt för kommuner att planera underhåll i god tid och använda budgeten på ett smartare sätt.

Vilka är de viktigaste slutsatserna?
– Fyra viktiga slutsatser är dessa: 

1. RF-modellen gav bäst resultat resultat för att förutsäga gatuskick för både bostadsgator och icke-bostadsgator, jämfört med NN och LR-modeller.
2. Vägens ålder är den viktigaste faktorn i alla modeller, men andra variabler som skador och trafik har också stor betydelse beroende på gatutyp. Till exempel, för bostadsgator var ålder och vägskador mest användbart, medan för icke-bostadsgator var ålder och trafik mest användbart.
3. Enkla modeller som LR kan fungera bra, särskilt för mindre kommuner med begränsad budget – modellerna hjälper till att prioritera underhåll och använda resurser smart.
4. Ökad datainsamling rekommenderas: Eftersom studien är begränsad till en kommun och endast två gatuinventeringar (2014 och 2018) föreslås fler inventeringar av gatunätet över tid för att bättre förstå hur modellerna presterar. Dessutom skulle liknande studier i andra kommuner förbättra modellernas användbarhet på kommunal nivå.

Vilka tycker du ska läsa artikeln, och vad hoppas du att de tar med sig?
– Personer som arbetar med vägunderhåll och vägförvaltning på kommunal nivå, särskilt de som är intresserade av att använda maskininlärning för att förbättra beslutsfattande och resursanvändning. Även forskare och ingenjörer som fokuserar på vägunderhåll, vägförvaltning och tillämpningar av maskininlärning inom samhällsplanering och infrastruktur. Den här studien kan också hjälpa till att prioritera vid val av objekt för gatuunderhållet för att optimera gatunätets tillstånd för en given budget.

Amjad Afridi har skrivit artikeln tillsammans med Sigurdur Erlingsson, Leif Sjögren och Cristofer Englund. Läs artikeln här: Predicting Pavement Condition Index Using an ML Approach for a Municipal Street Network