Denna uppsats undersöker om användandet av stark hjälpinformation kan ge ökad precision i skattningarna i undersökningen Lastbilstrafik – Inrikes och utrikes trafik med svenska lastbilar som utges av Trafikanalys. Förutom att en ökad precision är önskvärd i sig, kan det också möjliggöra ett minskat urval. Detta innebär i sin tur att uppgiftslämnarbördan minskas. Tre parametrar undersöks: totalt antal körda kilometer, total lastad godsmängd och totalt transportarbete. För dessa finns precisionskravet att för den skattade årstotalen får den relativa osäkerhetsmarginalen vara högst fem procent (den relativa osäkerhetsmarginalen definieras som halva konfidensintervallets längd dividerat med punktskattningen). Lastad godsmängd är den parameter som ligger närmast gränsen för precisionskravet. Parametrarna estimeras idag med hjälp av en Horvitz-Thompson-estimator. I uppsatsen undersöks olika kombinationer av hjälpinformation och de regressionsestimatorer hjälpinformationen ger upphov till. En simuleringsanalys visar att regressionsestimatorerna verkar ge förväntningsriktiga resultat och lägre varians för punktestimaten. Vid en upprepning av de kvartalsskattningar som publicerats för år 2009 är osäkerhetsmarginalen lägre för samtliga undersökningsvariabler, dock är förbättringen liten för lastad godsmängd. Detta gör att inget minskat urval bedöms vara möjligt utifrån resultaten i denna uppsats, men att det ändå är möjligt att höja precisionen i skattningarna.

Artificiella neuronnätverk används idag frekvent för att försöka se mönster i stora mängder data. Ser man mönster kan man till viss del se framtiden, och hur väl det fungerar på lastbilstrafik undersöks i den här rapporten. Historisk data om lastbilstrafik används med ett framåtkopplat artificiellt neuronnätverk för att skapa prognoser för lastbilars ankomster till en logistisk plats. Med ett program som skapats för att testa vilka paramterar som ger bäst resultat för det artificiella neuronnätverket så undersöks vilken datastruktur och vilken typ av prognos som ger det bästa resultatet. De två typer av prognoser som testas är tiden till nästa lastbils ankomst samt intensiteten av lastbilarnas ankomster nästa timme. De bästa prognoserna skapades när intensiteten av lastbilar för nästa timme förutspåddes, och prognoserna visade sig då vara bättre än de prognoser nuvarande statistiska metoder kan ge. / Artificial neural networks are used frequently today in order to find patterns in large amounts of data. If one can see the patterns one can to some extent see the future, and how well this works for truck traffic is researched in this report. Historical data about truck traffic is used with a feed-forward artificial neural network to create forecasts for arrivals of trucks to a logistic location. With a program that was created to test what data structure and what parameters give the best results for the artificial neural network it is researched what type of forecast gives the best result. The two forecasts that are tested are the time to the next trucks arrival and the intensity of truck arrivals the next hour. The best forecasts were created when the intensity of trucks for the next hour were predicted, and the forecasts were shown to be better than the forecasts present statistical methods can give.