I bilaga 9 beskrivs den genomsnittliga årliga tillväxttakten (m) och standardavvikelsen (s) för den årliga tillväxttakten för IRI och spårdjup. Värdena är beräknade från 100- meterssegmentens individuella årliga tillväxttakt. Tabellerna i bilagan grupperas på beläggningskategori (kolumner) och län (rader). Vidare beskrivs vägar med låg (mindre än 4000 ÅDT) och hög trafikmängd (större än eller lika med 4000 ÅDT) i separata tab- eller. Det finns några län och beläggningskategorier som har negativ tillväxttakt för IRI. Detta är troligtvis ett tecken på icke rapporterade underhållsåtgärder eller driftåtgärder som inte ”filtrerats” bort som fiktiv beläggning eller outlier.
Tabellerna som berör IRI visar att den genomsnittliga tillväxttakten för de lågtrafike- rade vägarna generellt är högre än för de högtrafikerade vägarna. Skillnaderna ligger i storleksordningen 0,02 mm/m/år högre tillväxttakt för lågtrafikerade vägar. Detta beror antagligen på att de högtrafikerade vägarna i huvudsak består av byggda vägar, dimen- sionerade efter de laster de utsätts för medan de lågtrafikerade i stor utsträckning består av så kallade obyggda vägar som i olika grad trafikeras av tung trafik och är mer käns- liga för tjälskador. Den genomsnittliga tillväxttakten för IRI på lågtrafikerade vägar är 0,038 mm/m/år och motsvarande siffra för de högtrafikerade vägarna är 0,017 mm/m/år. Standardavvikelsen för IRI-tillväxten är generellt lägre för de högtrafikerade vägarna
vilket indikerar att de högtrafikerade vägarna beter sig på ett liknande sätt mellan olika 100-meterssegment. Ser vi i stället till den genomsnittliga spårdjupstillväxten följer den trafikmängden väldigt väl; högtrafikerade vägar har mer än dubbelt så hög tillväxttakt (0,83 mm/år) jämfört med de lågtrafikerade vägarna (0,38 mm/år). Orsaken är naturligt- vis att spårbildningen på vägen beror på slitage i kombination med deformationer, vilket i sin tur beror på antal fordon som trafikerar vägen. Antalet fordonspassager tycks ha en större inverkan på spårdjupet än om vägen är byggd/obyggd. För spårdjupet är standard- avvikelsen lägre på högtrafikerade vägar i jämförelse med de lågtrafikerade, vilket också var fallet för IRI.
5
Analys av 1 000-meterssegment
Den valda prognosmetoden utgår från att utvecklingen på ett 100-meterssegment be- skrivs av en rät linje mot tid. Observationerna antas variera slumpmässigt kring linjen. Modellen har inte några stödvariabler och inte heller någon koppling mellan intilligg- ande sträckor. En analys av 1 000-meterssegment kan eventuellt bli bättre eftersom den slumpmässiga variationen i genomsnitt minskar då man medelvärdesbildar över längre sträckor men man förlorar möjligheten att göra prognoser för korta sträckor. En analys genomfördes där 1 000-meterssegment användes medan metoderna i övrigt var desamma som vid analys av 100-meterssegment. I jämförelserna nedan ingår alla 100-metersseg- ment, inte bara de som ingår i något 1 000-meterssegment.
• I modellvalet ingick att undersöka om stödvariabler som ÅDT med flera kan för- klara förändringstakten av IRI och spår. Vid analys av en sådan modell blir för- klaringsgraden något bättre, ca fem procentenheter, för både IRI och spårdjup än vid beräkning på 100-meterssegment. Förklaringsgraden bedöms fortfarande vara så låg att en sådan modell ej kan utgöra en bra prognosmodell. Om man granskar tecknet hos den skattade koefficienten för ÅDT vid analys av spårdjup så får man även för 1 000-meterssegment ett otydligt svar med olika tecken vid olika kombi- nationer av län och beläggningskategori.
• I modellen med endast tid som förklaringsvariabel får man ungefär samma gen- omsnittliga förändringstakt för 1 000-meterssegment som för 100-meterssegment. Variationen mellan förändringstakter hos 1 000-meterssegment blir lägre än mot- svarande variation hos 100-meterssegment. Hos IRI är sänkningen ca 25 % och hos spår ca 10 %. Uppgifterna är ej viktade med antal och bör endast läsas som en grov skattning.
• Den slumpmässiga variationen kring linjen blir ca 10 % lägre hos 1 000-meters- segment än hos 100-meterssegment för både IRI och spårdjup.
Den slumpmässiga variationen sjunker vid medelvärdesbildning till 1 000-metersseg- ment men sänkningen är inte särskilt stor. En förklaring kan vara att slumpkomponent- erna vid ett mättillfälle är korrelerade längs vägen. Om man till exempel får ett ovanligt lågt spårdjupsvärde i förhållande till tidigare och/eller senare mättillfällen på ett visst 100-meterssegment ett år så finns en tendens att man får det även på nästa 100-meters- segment samma år. En förklaring till detta skulle kunna vara förarbeteende eller skillna- der i kalibrering. Bilden nedan visar ett exempel där den skattade slumpkomponenten på ett 100-meterssegment vid fem olika mättillfällen visas med svart och motsvarigheten för de sex följande 100-meterssegmenten visas med grått. Samma fenomen förekommer för IRI, med en något svagare tendens.
● ● ● ● ● −2 −1 0 1 2 Mättillfälle (ordningsnummer) Skattad slumpk omponent (mm) 1 2 3 4 5 −2 −1 0 1 2 ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
6
Leveranskontroll och prognosnoggrannhet
Innan data från en produktionsmätning godkänns måste de passera flera kontroller. En sådan kontroll är att ett urval av sträckor mäts i en andra omgång och att avvikelsen mel- lan data från produktions- och kontrollmätning då måste hålla sig inom vissa gränser. Produktions- och kontrollmätningen på en sträcka ska ej genomföras med samma förare eller med samma mätbil. För genomsnittligt spårdjup på 400-meterssegment ska minst 80 % av segmenten ha en absolut avvikelse mellan produktions- och kontrollmätning som inte överstiger 0, 1 + 0, 075m där m är det gemensamma medelvärdet på segmentet. Kontrollen sätter gränser för hur stor skillnaden mellan två mätningar får vara. Den till- låter större variation vid större spårdjup medan vi i prognosmetoden har antagit att va- riationen är lika stor oavsett nivå. Vi beräknar fortsättningen utifrån att det förvänta- de spårdjupet är sju mm, vilket är nära det genomsnittliga spårdjupet i underlaget för
prognosmodeller. Vid detta förväntade spårdjup uppfylls olikheten | ¯xk− ¯xp| < 0, 10 +
0, 075 (x¯k+ ¯xp/2) med 80 % sannolikhet vid oberoende och normalfördelade mätningar om
slumpkomponentens standardavvikelse är av storlek 0,34. Medelvärdenas index i for- meln ovan avser kontroll- respektive produktionsmätning och avser 400-meterssegment. Kontrollmetoden förutsätter inte att felen är helt slumpmässiga. Kontrollen tillåter ett systematiskt fel, vilket inte har tillåtits ovan, och ett slumpmässigt fel som ska vara mindre än ovan ifall systematiskt fel förekommer. För felmarginalen i en prognos av ett nytt värde spelar det ingen roll om avvikelser är helt slumpmässiga eller om de är sys- tematiska på ett sätt som ändras mellan mättillfällen. Vi avstår därför från att redovisa detta uppdelat på fall med och utan systematiskt fel.
Om man har oberoende i längsled skulle slumpkomponentens standardavvikelse vid in- delning till 100-meterssegment vara dubbelt så stor som vid 400 meter men vi har sett att det finns ett beroende i längsled. Antag därför att den vid 100 meter är 0,52, beräknat som 1,5 gånger värdet för 400 meter. Detta kan jämföras med tabell 15. Värdet 0,52 lig- ger i nederkant i fördelningen av tabellens värden men inte tydligt utanför. Den slump- mässiga variationen i underlaget är alltså lite större än vad leveranskontrollen tillåter men den innehåller också ytterligare variationskällor, bland annat skillnad mellan leve- rantörer och ej registrerade åtgärder som inte upptäckts i tvättningen.
Kontrollmetoden säger också indirekt något om vilken prognosnoggrannhet man bör för- vänta sig. Man kan beräkna vilka prognosfelmaginaler kontrollmetoden tillåter genom att ersätta
√
MSE med 0,52 enligt ovan och i övrigt följa kapitel 3.7.2–3.7.3. På samma
sätt som för slumpmässig variation skulle man då se att kontrollmetodens tillåtna fel- marginaler är mindre än prognosmetodens genomsnittliga felmarginaler men att de inte ligger tydligt utanför om man betraktar hela fördelningar.
7
Detaljerad analys av på varandra följande 100 m-segment
Exemplen i detta kapitel är hämtade från Svärdsjövägen som, på uppdrag av Vägverket, mättes av VTI 1997–2011.
Figurerna nedan illustrerar hur stor skillnad i spårutveckling det kan vara mellan an- gränsande 100 m-segment. Dessa 100 m-segment uppvisar nära nog idealiska nedbryt- ningsförlopp, men nedbrytningstakten varierar kraftigt: 0,39; 0,68 respektive 1,14 mm/år. Detta talar starkt för en lokal prognosmodell, förutsatt att det finns tillräckligt med data att göra prognosen med. Observera även att utvecklingstakten är korrelerad med till- ståndet innan åtgärd. 0 5 10 15 20 1996−06−051997−06−041998−06−121999−06−07 2000−07−052001−06−132002−06−122003−06−172004−06−022005−06−01 2006−06−262007−06−12 2008−07−042009−06−252010−06−292011−06−29 1996−09−20 Spårdjup [mm]
Vägnr: 850.00 — OID: 1000:1 — Pos: 4100 meter
0 5 10 15 20 1996−06−051997−06−041998−06−121999−06−07 2000−07−052001−06−132002−06−122003−06−172004−06−022005−06−01 2006−06−262007−06−12 2008−07−042009−06−252010−06−292011−06−29 1996−09−20 Spårdjup [mm]
Vägnr: 850.00 — OID: 1000:1 — Pos: 4200 meter
0 5 10 15 20 1996−06−051997−06−041998−06−121999−06−07 2000−07−052001−06−132002−06−122003−06−172004−06−022005−06−01 2006−06−262007−06−12 2008−07−042009−06−252010−06−292011−06−29 1996−09−20 Spårdjup [mm]
Det är dock inte ovanligt med 100 m-segment som inte uppvisar regelbundna nedbryt- ningsförlopp. Utvecklingen för 600, 700 och 900 m beter sig som förväntat, medan 800 m har ett mer oregelbundet utseende. Mycket av detta oregelbundna utseende kan förklaras genom att titta på de digitala stillbilderna på de två efterföljande sidorna. Att prognostisera utvecklingen för segmentet vid 800 m är naturligtvis mycket svårare.
0 5 10 15 20 1996−06−051997−06−041998−06−121999−06−07 2000−07−052001−06−132002−06−122003−06−172004−06−022005−06−01 2006−06−262007−06−12 2008−07−042009−06−252010−06−292011−06−29 1996−09−20 Spårdjup [mm]
Vägnr: 850.00 — OID: 1000:11 — Pos: 600 meter
0 5 10 15 20 1996−06−051997−06−041998−06−121999−06−07 2000−07−052001−06−132002−06−122003−06−172004−06−022005−06−01 2006−06−262007−06−12 2008−07−042009−06−252010−06−292011−06−29 1996−09−20 Spårdjup [mm]
Vägnr: 850.00 — OID: 1000:11 — Pos: 700 meter
0 5 10 15 20 1996−06−051997−06−041998−06−121999−06−07 2000−07−052001−06−132002−06−122003−06−172004−06−022005−06−01 2006−06−262007−06−12 2008−07−042009−06−252010−06−292011−06−29 1996−09−20 2000−12−23 2003−12−09 2005−12−13 2008−12−29 Spårdjup [mm]
Vägnr: 850.00 — OID: 1000:11 — Pos: 800 meter
0 5 10 15 20 1996−06−051997−06−041998−06−121999−06−07 2000−07−052001−06−132002−06−122003−06−172004−06−022005−06−01 2006−06−262007−06−12 2008−07−042009−06−252010−06−292011−06−29 1996−09−20 Spårdjup [mm]
Bilderna nedan visar digitala stillbilder som tagits 2001–2011. Dessa bilder är tagna 700 meter in på länk 11 på Svärdsjövägen. De lagningar som syns är med största sannolikhet orsaken till den oregelbundna mäthistoriken för position 800 på föregående sida. Jämför med bilderna på nästa sida.
2001 2002 2003
2004 2005 2006
2007 2008 2009
2010 2011
Det som i bilderna ovan framstår som skillnader i position längs vägen beror huvudsak- ligen på förändringar av använd kamerautrustning.
Bilderna nedan visar digitala stillbilder som tagits 2001–2011. Dessa bilder är tagna 480 meter in på länk 11 på Svärdsjövägen. Som synes är beläggningen helt oskadd, vil- ket ger den väldigt regelbundna mäthistoriken för position 600 på sidan 44. Jämför med bilderna på föregående sida.
2001 2002 2003
2004 2005 2006
2007 2008 2009
2010 2011
Det som i bilderna ovan framstår som skillnader i position längs vägen beror huvudsak- ligen på förändringar av använd kamerautrustning.
8
Slutsatser
Syftet med arbetet som presenteras i föreliggande rapport är att föreslå en lämplig metod att skapa prognosmodeller för IRI och spårdjup. De alternativ vi skulle undersöka var att antingen använda en global modell (en allmän modell för till exempel en vägkategori) eller en lokal modell (varje enskilt 100-meterssegment prognostiseras). En given förut- sättning i projektet som Trafikverket har gett oss är att vi ska använda medelvärden över 100 m, och endast använda data efter senaste beläggningsåtgärd. Resultatet av arbetet vi- sar att en lokal anpassning för enskilda 100-meterssegment i form av en linjär regression av spårdjup eller IRI mot beläggningsålder är att föredra. Slumpkomponentens storlek skattas sammanvägt för alla sträckor med samma beläggningskategori inom ett län. Vi får inte en tillräckligt hög förklaringsgrad för att motivera en ansats med en global an- passning. Angränsande 100-meterssegment kan ha väldigt varierande utveckling med avseende på IRI och spårdjup, även om dessa har identiska förutsättningar vad gäller vägbredd, ÅDT, tillåten hastighet, etc (se kapitel 7).
Sträckor som ”lappats och lagats” i flera omgångar är i stort sett omöjliga att prognosti- sera eftersom det inte finns någon information om dessa åtgärder. Dessa varierande för- utsättningar ställer stora krav på tvättningen, som bör utvecklas ytterligare. En möjlighet kan vara att basera prognosmodellen på data från sträckor med ”hög prognossäkerhet”. Exakt vad ”hög prognossäkerhet” betyder måste definieras i ett kommande projekt. En ytterligare utvecklad tvättning av data kan leda till säkrare prognoser men kan också medföra att fler sträckor betraktas som ej prognostiserbara. För dessa sträckor får man antingen avstå från tillgången till prognostiserade värden, alternativt ansätta schablon- värden baserade på, till exempel, medelvärden för beläggningskategori och län.
Prognosnoggrannheten förbättras av om man har fler observationer och om dessa är mer utspridda i tid. Då historiken av tidigare mätningar ser väldigt olika ut, med varierande antal och tidpunkter på olika platser, kommer prognoserna att bli olika noggranna även om de tidigare mätningarna är gjorda med samma kvalitet på alla sträckor.
För varje 100-meterssegment med minst två observationer som hör till en kombination av beläggningskategori och län sådan att prognosberäkningen går att genomföra så be- räknas felmarginalen vid prognos av ett nytt förväntat spårdjupsvärde ett år framåt från senaste mätning. Felmarginalerna visas i histogrammet på nästa sida. De röda linjerna representerar median och 90:e percentil i fördelningen. Bilden har trunkerats vid fel- marginal 10 mm. Man ser alltså att om man gör prognos för spårdjupet ett år framåt så kommer man i 50 % av fallen få en felmarginal på lite mindre än 2 mm och i 90 % av fallen få en felmarginal på lite mer än 3 mm. I tabellerna 16–31 redovisas värdena för medianen och 90:e percentilen uppdelat per län och beläggningskategori. Redovisningen omfattar både prognos för nytt förväntat värde och för nytt mätvärde uppdelat på pro- gnos för ett respektive två år framåt från senaste mätning.
Den valda prognosmetoden utgår från att utvecklingen av IRI och spårdjup på ett 100- meterssegment beskrivs av en rät linje mot tiden. En analys genomfördes där 1 000- meterssegment användes medan förutsättningarna i övrigt var desamma som vid analys av 100-meterssegment. Den slumpmässiga variationen sjunker vid medelvärdesbildning till 1 000-meterssegment men sänkningen är inte särskilt stor. En förklaring kan vara att slumpkomponenterna vid ett mättillfälle är korrelerade längs vägen. (Se kapitel 5.)
Felmarginal (mm) Antal 0 2 4 6 8 10 0 20000 40000 60000
Figur 10 Fördelning av felmarginaler vid prognos av förväntat spårdjup ett år framåt.
9
Diskussion
I denna rapport har vi studerat hur tillgänglig data från Trafikverkets Pavement Manage- ment System (PMSv3) bäst kan användas för att prognostisera det framtida tillståndet av IRI och Spårdjup för den belagda delen av det statliga vägnätet. När vi studerar ett helt vägnät måste vi ha i åtanke att den största delen av vägnätet är så kallade obyggda vägar. Detta innebär att vi kan få stora variationer i utvecklingen av spårdjup och IRI från en del av vägen till en annan utan att vi observerar några skillnader i bakgrundsdata som till exempel trafikmängd, beläggningstyp etc. En byggd väg har en mycket stabilare tillståndsutveckling. Uppgifter om vägens konstruktion finns tyvärr ej att tillgå i TRV:s databaser.
Uppgiften från Trafikverket har varit att använda 100-metersmedelvärden som finns tillgängliga i PMSv3 till prognosmodellen för att kunna implementera resultatet i just PMSv3, där mycket är uppbyggt runt 100-metersmedelvärden. Utöver detta har vi haft stora friheter att utforma modeller och välja arbetssätt. Vi har ställt olika tanksätt mot varandra då vi testade en globalt anpassad modell där flera olika förklaringsvariabler un- dersöktes mot den lokala modellen som sedermera blev det val vi förordar. Det visade sig att den lokala modellen hade fler fördelar än den globala modellen främst på grund av den insikten vi fått från att 100-meterssegmentens utveckling kan skilja sig betydligt inom ett vägavsnitt utan att några kända förutsättningar ändras.
De punktprognoser vi beräknat får ganska låg skattad noggrannhet. Ett exempel kan vi se på beläggningstyp ABS (beläggningskategori 3) i Stockholms län (län nummer 2). Där är prognoserna för förväntat IRI-värde ett år framåt i tiden så osäkra att felmargi- nalen överskrider 0,21 i 50 % av fallen och 0,44 i 10 % av fallen. Motsvarande värden för spårdjup är 1,23 resp. 2,59. I sammanhanget ska nämnas att en genomsnittlig årlig förändringstakt för IRI är mellan 0,02 och 0,10 mm/m, beroende på vägkategori, trafik- mängd och beläggningstyp och motsvarande förändringstakt för spårdjupet ligger mellan 0,5 och 1,0 mm. Vad är då orsaken till dessa relativt stora osäkerhetstal? Vi kan rada upp ett antal punkter som inverkar eller kan inverka på noggrannheten.
• Positionering i längsled – Alla mätningar som bidrar till en prognos görs inte på samma fysiska ställe i längsled. Det kan bero på flera olika faktorer men de van- ligaste är positioneringskvalitet (GPS), kalibrering av distansmätare eller den mänskliga faktorn. Det krav som finns på leverantören gällande positionering av data i längsled lyder att länkens längd (allt mellan ett par meter och upp till flera km) inte får skilja från Trafikverkets uppgifter med mer än 40 m ±1 promille. • Beräkning av 100-meterssegment – När vi beräknar 100 m medelvärden kräver vi
att medelvärdet ska baseras på minst 80 m mätdata inom ett 100-meterssegment. Hur mycket data som finns inom ett 100-meterssegment kan skilja sig från år till år.
• Placering av mätbilen i sidled – Detta är en viktig faktor, speciellt för spårdjups- mätningen på spåriga vägar. IRI är relativt okänsligt för sidoläget. Förarna av mät- bilen har tydliga instruktioner hur de ska mäta men erfarenhetsmässigt vet vi att det finns skillnader mellan olika förare. Till exempel kan det vara svårt att tolka hur spårbildningen ser ut i olika ljusförhållanden som motljus och medljus. • Datahanteringen – Det finns många led av datahanteringen innan slutanvändaren
(VTI:s forskare) får sin data. Varje led kan introducera fel. En översiktlig beskriv- ning av alla led visas nedan.
– Att leverantörens mätning görs på rätt ställe och med en korrekt utrustning. – Leverantörens datahantering och formatering för att passa Trafikverkets leve-
ransformat.
– Trafikverkets inläsning av data i databasen för mottagning av data (VYM). – Produktion av PMS-data då vissa beräkningar görs och då mätdata position-
eras på vägnätet utifrån NVDB:s (nationell vägdatabas) vägmodell. – Export av grunddata från PMS till VTI.
– VTI skapar en ny databas.
– Uttag av data och beräkning av 100-meterssegment från VTI:s databas. – Analys av data.
Det finns av naturliga skäl möjligheter till felkällor i denna hantering, även om vi inte misstänker något i dagsläget.
• Ej rapporterade åtgärder på vägnätet – I och med att den prognos som görs för en sträcka baseras på data från den första mätningen efter en åtgärd och så länge ing- en åtgärd utförs på sträckan är åtgärdsrapporteringen mycket viktig. Vi bedömer att det finns relativt många ej rapporterade åtgärder på vägnätet utifrån det arbe- te vi gjort. De sträckor som har förbättrats utan att en åtgärd rapporterats har vi förutsatt vara åtgärdade (fiktiva åtgärder). Vi har hittat många ej rapporterade åt- gärder med den metod som använts men vi kan inte hitta alla vilket leder till en osäkerhet i prognosen. Utöver detta kommer alla mindre lagningar och lappning- ar av vägnätet som normalt inte rapporteras men som kan ge upphov till ”stora hopp” eller ”outliers” och detta påverkar också osäkerheten. För att ge ett exempel är cirka 3,6 % av alla 100-meterssegment åsatta fiktiva åtgärder i Gävleborgs län 2010 vidare finns det 1,1 % outliers och 1,9 % stora hopp samma år. Även om vi gör denna ”datatvätt” innan prognosarbetet kommer vi aldrig att kunna detektera alla sträckor som förändrats av någon annan anledning än den normala nedbryt- ningen. Tvättar vi data för hårt kommer vi att styra alla prognoser till att närma sig ”medelvägens” prognos.
Med utgångspunkt från de värden vi presenterar för prognosernas noggrannhet har be- ställaren möjlighet att avgöra hur långt fram i tiden de vågar prognostisera tillståndet av IRI och spårdjup. Slutligen ser vi det viktigt med ett fortsatt arbete med prognosmo- deller dels för att se hur prognosnoggrannheten förändras och dels för att kunna skapa prognosmodeller för de nya tillståndsmått Trafikverket väljer att satsa på i PMSv3. I VTI rapport 719 (Lundberg et al., 2014) introducerar VTI flera nya mått som Trafik- verket ska ta ställning till och eventuellt introducera i PMSv3.
Referenser
Mika Gustafsson, Thomas Lundberg, och Peter Andrén. Prognosmodeller för till- ståndsmått i Trafikverkets Pavement Management System — makrotextur, MPD. VTI Rapport 765, Statens väg- och transportforskningsinstitut, Linköping, 2012.
Michael H. Kutner, Christopher J. Nachtsheim, John Neter, och William Li. Applied Linear Regression Models. McGraw Hill, 2005.
Thomas Lundberg, Leif Sjögren, och Peter Andrén. Svenska vägtillståndsmått, då, nu och imorgon. Del 3: Imorgon – år 2010 och framåt. VTI Rapport 719, Statens väg- och transportforskningsinstitut, Linköping, 2014.
Bilaga 1 Sid 1 (1)
TRV:s vägnätsbeskrivning
Det statliga vägnätet är indelat i sex regioner (Syd, Öst, Väst, Stockholm, Mitt och Norr). Regionerna är indelade i län enligt tabellen nedan. Inom varje län är vägnätet indelat i vägavsnitt (referenslänkar) med unika objekts-id (OID). Varje OID representerar en länk mellan två knutpunkter (korsning, på- och avfart, länsgräns, etc.). En länk med ett OID består av en eller flera homogena sträckor (HS) som alla har konstant skyltad hastighet, beläggning, vägbredd, etc.
Varje referenslänk har en huvudriktning som kallas ’fram’. Den andra riktningen kallas ’bak’. Vägroll (’Värd’, ’Gäst fram’ och ’Gäst bak’): vägavsnitt kan ha flera samtidiga vägnummer (en konsekvens av att en väg med ett vägnummer inte kan brytas). Normalt sett är det lägsta vägnumret ’Värd’, och de övriga ’Gäst’. En gästväg med samma rikt- ning som värdvägen benämns ’fram’, annars ’bak’. Länkroll (’Normal’, ’Syskon fram’, ’Syskon bak’ och ’Gren’): syskonlänkar uppstår när en väg har två skilda körbanor vil- ka representeras av två skilda referenslinjer – motorvägar är ett tydligt exempel. På en ’normal’ väg delar mötande trafik samma körbana. ’Gren’ är (en del) på- och avfarter samt, till exempel, busshållsplatser. Körfält numreras från ett för körfältet närmast hö- ger vägkant, och sedan med ökande ordningstal åt vänster. Körfältsbeskrivning (’Vanlig väg’, ’1+1’, ’2+1’ och ’2+2’). Sida (’H’ och ’V’) beskriver om vägen mätts med eller