Eine sehr wesentliche Eingangsgröße in der Dimensionierung des Oberbaus von Straßen und tragenden Konstruktionen der erforderlichen Ingenieurbauwerke, wie z. B. Brücken, stellt die prognostizierte Verkehrsbelastung innerhalb der vorgesehenen Nutzungsdauer dar. Die modernen rechnerischen Verfahren benötigen dafür zwingend praxisnahe Eingangsgrößen der aktuellen örtlichen Verkehrsbelastung und die Erhebung der lokal auftretenden Achslasten. Wird der reale Verkehr, d. h. alle auftretenden Fahrzeugtypen, lückenlos erfasst und je nach den entsprechenden Achslasten zuverlässig klassifiziert, können sogenannte objektspezifische Achslastkollektive ermittelt werden, auf deren Basis genauere Aussagen zur prognostizierten Lebensdauer getroffen werden können. Besonders effizient ist eine solche Erfassung, wenn dafür ohnehin verwendete Sensoren des Monitoringsystems, wie z. B. typische Low-Cost-Beschleunigungssensoren, eingesetzt und die erfassten Daten mit einem computergestützten Beurteilungssystem vollautomatisch verarbeitet werden. Es liegt ebenso nahe, zu diesem Zweck moderne Methoden der künstlichen Intelligenz einzusetzen, welche die Vorteile des menschlichen Lernens mit der enormen Rechenkapazität heutiger Prozessoren kombinieren. Anhand von umfangreichen Messdaten eines aktuellen Überwachungsprojekts in Berlin wurde von den Autoren beispielhaft untersucht, inwieweit KNN bei der Auswertung von Schwingungsmessungen dienlich sind, um eine Verkehrszählung sowie Schätzung von Achslasten nach bestimmten Fahrzeugklassen erfolgreich zu ermöglichen.