Road compaction is the last and important stage in road construction. Both under-compaction and over-compaction are inappropriate and may lead to road failures. Intelligent compactors has enabled data gathering and edge computing functionalities, which introduces possibilities in data-driven compaction control. Compaction physical processes are complex and are material-dependent. In the road construction industry, material physical models, together with boundary conditions, can be used for modeling effects of compacting the underlying subgrade materials and the pavement (the most widely used is asphalt) itself on site, which can be computed using Finite Element (FE) methods. However, parametrizations of these physical models require large efforts, creating difficulties in using these models to optimize real-time compaction. Our research has, for the first time, bridged the gap between data-driven compaction control and physics by introducing the parameter identification pipeline. Two use cases are investigated, corresponding to offline learning and online learning of parameters. In offline learning, a sequence of actions is learned to maximally reduce parameters uncertainties without observing responses; in online learning, the decisions of actions are made and parameters are derived while sequential observations come in. The parameter identification pipeline developed in this thesis involves compaction simulation using a simple physical model, surrogate model development using Artificial Neural Network (ANN), and online/offline optimization procedure with Approximate Bayesian Computation (ABC). The developed procedure can successfully identify the parameters with low uncertainty for the case that the selected experiments supply enough information to theoretically identify the parameters. For the case of that parameters cannot be theoretically identified by certain experiments, the identified parameters have larger uncertainties. / Vägpackning är det sista och viktiga steget i vägbygget. Både under- och överkomprimering är olämpliga och kan leda till vägfel. Intelligenta komprimatorer har möjliggjort datainsamling och edge computing-funktioner som introducerar möjligheter inom datadriven komprimeringskontroll. Packningsfysiska processer är komplexa och materialberoende. Inom vägbyggnadsindustrin kan materialfysiska modeller tillsammans med randvillkor användas för att modellera effekter av att packa de underliggande underlagsmaterialen och själva beläggningen (den mest använda är asfalt) på plats. Dem kan beräknas med Finite Element (FE) metoder. Parametrisering av dessa fysiska modeller kräver dock stora ansträngningar och skapar svårigheter att använda dessa modeller för att optimera realtid vägpackning. Vår forskning har för första gången överbryggt gapet mellan datadriven komprimeringskontroll och fysik genom att introducera pipeline för parameteridentifiering. Två användningsfall undersöks motsvarande offlineinlärning och onlineinlärning av parametrar. En sekvens av åtgärder är lärd vid offlineinlärning för att maximalt reducera parametrar osäkerheter utan att observera svar. Vid onlineinlärning fattas beslut om åtgärder och parametrar härleds medan sekventiella observationer kommer in. Den pipeline för parameteridentifiering som utvecklats i denna avhandling involverar kompakteringssimulering med en enkel fysisk modell, surrogatmodellutveckling med artificiellt neuralt nätverk (ANN) och online /offline optimeringsprocedur med Approximate Bayesian Computation (ABC). Den utvecklade proceduren kan framgångsrikt identifiera parametrarna med låg osäkerhet för det fall att de valda experimenten ger tillräckligt med information för att teoretiskt identifiera parametrarna. För fallet med att parametrar inte teoretiskt kan identifieras genom vissa experiment, de identifierade parametrarna har större osäkerheter.