Abstract: Enligt Trafikverkets strategiska inriktning anges att utsläppen från transportsektorn ska minskas så att miljökvalitetsmålet Frisk luft uppnås för partiklar, PM10, i gaturum. Beräkningar har visat att målet kommer överskridas längs 184 km vägsträcka bara inom Stockholms län år 2030 om inga insatser görs. Mätningar av PM10 som har utförts invid statligt vägnät under perioden 2020 - 2023 i Skellefteå (E4), Botkyrka (E4/E20), Sundsvall (E4), Göteborg (E6/E20), Örnsköldsvik (E4) visade att halterna vid samtliga platser översteg miljömålet. Två viktiga åtgärdsverktyg som Trafikverket har rådighet över är hastighetsminskning och dammbindning.Syftet med detta projekt är att möjliggöra träffsäkra och kostnadseffektiva åtgärder för att minska halterna av PM10 vid Trafikverkets vägar. Med hjälp av maskininlärning optimeras en emissionsmodell och sammanlänkas med meteorologiska prognoser. Resultatet är ett beslutsunderlag om lämplig åtgärd vid rätt tillfälle och på rätt plats. I projektet används beräkningar för att ta fram prognosticerade halter av PM10 med och utan partikelsänkande åtgärder. Beräkningarna behöver jämföras med uppmätta halter för att säkerställa beräkningsmodellens kvalitet och kommer därför utföras vid statligt vägnät där PM10 har uppmätts de senaste åren. Beräkningsmodellen som används, NORTRIP, är en emissionsmodell som utformats för att beskriva PM10 i nordiska förhållanden. Den har visat sig fungera bra i tätorter men har svårare att återge halterna som uppmäts vid vägar med högre hastigheter. Inom projektet kommer vi därför att utveckla NORTRIP-modellen med hjälp av maskininlärningsalgoritmer. Maskininlärning kommer också användas för att identifiera nyckelparametrar som påverkar utfall i beräknade värden så att fokus hamnar på att justera de parametrar som är viktigast för att få bra modelldata. För att ta fram haltprognoser av PM10 används meteorologiska prognoser.Med hjälp av förslag på uppdateringar till ASEK beräknas hur olika partikelsänkande åtgärder minskar samhällskostnader, i och med minskad exponering för luftföroreningar och förbättrad hälsa hos allmänbefolkningen. Abstract: According to the Swedish Transport Administration's strategic direction emissions from the transport sector must be reduced so that the environmental quality target Fresh air is achieved for particles, PM10, in street areas. Measurements of PM10 that have been carried out next to the state road network during the period 2020 - 2023 showed that the particle levels exceeded the environmental goal at all locations.The aim of this project is to enable accurate and cost-effective measures to reduce the levels of PM10 along the Swedish Transport Administration's roads. Using machine learning, an emission model is optimized and linked with meteorological forecasts. The result serves a decision-making basis for the appropriate action at the right time and in the right place.In the project, calculations are performed to evaluate concentrations of PM10 with and without measures for particle reduction. The calculated concentrations need to be compared with measured levels to ensure the quality of the model and will therefore be carried out on state road networks where PM10 has been measured in recent years. The calculation model used, NORTRIP, is an emission model designed to describe PM10 in Nordic conditions. It has been shown to work well in dense city area but it has more difficulty reproducing levels measured on roads at higher speeds. Within the project, we will therefore develop the NORTRIP model using machine learning algorithms. Machine learning will also be used to identify key parameters that affect the outcome in calculated values so that the focus is on adjusting those parameters that are most important to get better model performance. Meteorological forecasts will be used to produce PM10 forecasts.With the help of proposals for updates to ASEK, we will calculate how the particle reduction measures reduce societal costs, through reduced exposure to air pollution and improved health.