Abstract: Det här projektet syftar till att bidra till implementering av ett datadrivet stöd för planering och uppföljning av vägunderhållsinsatser genom att kombinera den omfattande datamängd som samlas in av Trafikverket och andra offentliga myndigheter med maskininlärningstekniker. Dessa databaser innehåller detaljerad information om tillståndet för Sveriges vägnät, t.ex. jämnhet, trafik, underhållshistorik och avvattning. Dock har deras potentiella användning inom beslutsstöd för vägteknik ännu inte utforskats fullt ut. Huvudmålet med projektet är att använda maskininlärning och statistiska verktyg för att förutsäga nedbrytningstakten för vägbeläggningen, med hänsyn till strukturella egenskaper, vägytans skick och miljöfaktorer som exempelvis väderdata. Målet är att erbjuda ett datastyrt beslutsstöd för vägunderhåll och förstärkning. Dessutom syftar projektet till att identifiera de mest effektiva underhållsteknikerna ur ett livscykelperspektiv, baserat på dokumenterad prestanda från tidigare underhållsåtgärder. Projektet involverar ett tvärvetenskapligt team, inklusive ett postdoktorprojekt på KTH som fokuserar på dataextraktion, rening och maskininlärning samt ett industriellt doktorandprojekt på COWI dedikerat till att implementera datainsikter inom vägbyggnadspraxis. Förväntade utfall av projektet inkluderar mer exakta förutsägelser av återstående livslängd för vägbeläggningen, en djupare förståelse för underhållets inverkan på förlängning av vägarnas livslängd samt grunden för att optimera strategier för underhåll och förstärkning med hänsyn till livscykelkostnader. Abstract: This project aims to contribute to implementation of a data-driven pavement management approach by combining the comprehensive data collected by the Swedish road administration and other public authorities with machine learning techniques. These databases hold crucial information about the condition of Sweden's paved road network, including aspects like surface quality, traffic, maintenance history, and drainage status. However, their potential use in road engineering decision support is not yet fully explored. The project's primary goal is to utilize machine learning and statistical tools to predict pavement deterioration rates, taking into account structural properties, surface conditions, and environmental factors like weather. The objective is to provide data driven decision support for pavement maintenance and reinforcement. Additionally, the project seeks to identify the most effective maintenance techniques from a life cycle perspective, from the recorded performance of previous maintenance measures. The project involves a multidisciplinary team, including a postdoctoral project at KTH that focuses on data extraction, cleansing, and machine learning, and an industrial PhD project at COWI dedicated to implementing data insights into pavement engineering practices. The project outcomes are expected to contribute more accurate predictions of the remaining pavement service life, a deeper understanding of maintenance effect on pavement life extension, and lay foundation for optimizing maintenance and pavement reinforcement strategies based on life cycle cost considerations.