varundus 2026-08-09 08:00

Doktoritöö/Liiklussageduse kaudne hindamine/05_Artiklid/Kirjanduse ülevaade – liiklusmahu kaudne määramine 2026-08-08.md

@@ -0,0 +1,77 @@
+# Kirjanduse ülevaade: liiklussageduse kaudne määramine kohalikel teedel
+
+> Otsing tehtud 2026-08-08 (OpenAlex + Crossref + Semantic Scholar, viimased 5 aastat)
+> Teema: liiklusmahu kaudne määramine / hõredad andmed / kohalikud (lokaalsed) teed / hõreasustus
+> ✅ = avatud juurdepääs (tasuta täistekst)
+
+## Valik I – otseasemad tabamused (kaudne määramine, hõredad andmed)
+
+### 1. Liu, J., Das, S., Barua, S., et al. (2026). Scalable prediction of local road traffic volume via macro-level indicators and spatial… *Scientific Reports*. https://doi.org/10.1038/s41598-026-64387-x ✅
+- **Meetod:** Geographically Weighted Regression (GWR) – eraldi mudelid linna- ja maakohtlikele teedele (Texas). Prediktorid Smart Location Database'ist (ehitatud keskkond, ligipääsetavus, teedevõrgu karakteristikud) + segmenditasandi kaugus lähima mittelokaalse teeni. Võrdlus globaalse regressiooniga – GWR tabab ruumiliselt varieeruvaid seoseid paremini.
+- **Asjakohasus:** kõige otseasem match – kohalikud teed + AADT + ruumiline varieeruvus.
+
+### 2. Ganji, A., Zhang, M., & Hatzopoulou, M. (2022). Traffic volume prediction using aerial imagery and sparse data from road counts. *Transportation Research Part C*, 143. https://doi.org/10.1016/j.trc.2022.103739
+- **Meetod:** aerofotod + hõredad loendusandmed (pildituvastus sõidukite tuvastamiseks; kombineerimine harvade loendustega). *(abstrakt ei olnud API-st kättesaadav – kokkuvõte pealkirja põhjal)*
+- **Asjakohasus:** hõredate andmete kasutamine – täpselt sinu teema.
+
+### 3. Xing, J., Liu, R., Zhang, Y., et al. (2023). Urban network-wide traffic volume estimation under sparse deployment of detectors. *Transportmetrica A*. https://doi.org/10.1080/23249935.2023.2197511
+- **Meetod:** ülekandeõppe raamistik TL-LSSVR (transfer learning-based least square support vector regression). Fuseerib aktiivsed detektorid (takso GPS) ja passiivsed detektorid (numbrimärgituvastus) → tervikvõrgu maht hõreda detektorvõrgu korral, sh täiesti mõõtmata lõigud.
+- **Asjakohasus:** hõreda mõõtmise probleem, kuigi linnakontekst.
+
+### 4. Eisinga, K., & Lorkowski, S. (2025). Network-wide traffic volume estimation based on probe vehicle data. *Transportation Research Record*. https://doi.org/10.1177/03611981241289408
+- **Meetod:** suuremahulised sondiandmed + statsionaarsed detektorid. Mudel hindab sondiandmete penetratsioonimäära teede lõikes (MAPE 8,3%, maanteedel 6%; Holland). Piisab ~60% detektorite katvusest – töötab ka vähem arenenud detektorinfra riikides.
+- **Asjakohasus:** penetratsioonipõhine lähenemine on põhiline "kaudse määramise" paradigma; madal detektorite nõue sobib Eesti konteksti.
+
+### 5. Sfyridis, A., & Agnolucci, P. (2022). Factors affecting road traffic: Identifying drivers of annual average daily traffic. *Transportation Research Record*. https://doi.org/10.1177/03611981221141435 ✅
+- **Meetod:** LASSO regressioon (least absolute shrinkage and selection operator) – AADT mõjurite identifitseerimine Inglismaal/Walesis 4 teeklassile ja 5 sõidukitüübile; prediktorid: maakasutus, sotsiaalmajanduslikud, ühistranspordi ja teede muutujad.
+- **Asjakohasus:** makrotasandi avalikud andmed → sobib hõreasustuse konteksti (sotsiaalmajanduslikud mõjurid).
+
+### 6. Mohammadzadeh, M., Choupani, A.-A., & Afshar, F. (2023). Short-term prediction of daily traffic volume for rural roads using shallow and deep learning. *The Journal of Supercomputing*. https://doi.org/10.1007/s11227-023-05333-w
+- **Meetod:** madal ja sügav õpe igapäevase liiklusmahu lühiajaliseks prognoosiks maateedel. *(abstrakt ei olnud API-st kättesaadav – kokkuvõte pealkirja põhjal)*
+- **Asjakohasus:** maateed + ML – haruldane kombinatsioon kirjanduses.
+
+### 7. Zhang, X., & Chen, M. (2023). Statewide truck volume estimation using probe vehicle data and machine learning. *Transportation Research Record*. https://doi.org/10.1177/03611981231157400
+- **Meetod:** veokite AADT hinnang veokite sondiandmetest (AADTP meeter, Pearson r = 0,9; Kentucky). Lisaks: teede atribuudid (funktsionaalklass, radade arv), võrgustiku kesksus, sotsiodemograafia. ML-regressioon.
+- **Asjakohasus:** probe-data → AADT teisendus vähese loenduskatvusega piirkonnas.
+
+### 8. Claros, B., Vorhes, G., Chitturi, M., et al. (2022). Filling traffic count gaps with connected vehicle data. *Int. Conf. on Transportation Engineering (ICTE)*. https://doi.org/10.1061/9780784484326.019
+- **Meetod:** ühendatud sõidukite (CV) andmed; lineaarne regressioon: korrelatsioon 0,954, AADT ≈ reiside arv × 0,315 (R² = 0,941). Eesmärk: loenduslünkade täitmine.
+- **Asjakohasus:** lihtne, reprodutseeritav teisenduskordaja meetod.
+
+### 9. Zhang, Z., Zhang, S., Mo, L., et al. (2021). Traffic volume estimate based on low penetration connected vehicle data at signalized intersections. *IEEE Transactions on Intelligent Transportation Systems*. https://doi.org/10.1109/tits.2021.3094933
+- **Meetod:** CV GPS trajektoorid; täiustatud järjekorrapõhine (queue-based) meetod ristmiku lähenemissuundade mahtudeks igas signaalitsüklis; töötab madala penetratsiooni tingimustes; "detektorivaba" (detector-free).
+- **Asjakohasus:** madala penetratsiooniga andmetest mahu hindamise põhimõte.
+
+### 10. Zhong, M., Kim, J., & Zheng, Z. (2023). Estimating link flows in road networks with synthetic trajectory data generation: Inverse… *IEEE Open Journal of Intelligent Transportation Systems*. https://doi.org/10.1109/ojits.2022.3233904 ✅
+- **Meetod:** generatiivne modelleerimine: sõiduki liikumine lülide vahel kui Markov Decision Process (MDP); Inverse Reinforcement Learning (IRL) sünteetiliste trajektooride genereerimiseks; fuseerib silmusdetektorid + hõredad trajektooriandmed.
+- **Asjakohasus:** hõredate trajektooride probleemi lahendus generatiivselt.
+
+### 11. Barman, S., Levin, M. W., Stern, R., et al. (2025). Efficient pedestrian and bicycle traffic flow estimation combining mobile-sourced data. *Transportation Research Part C*. https://doi.org/10.1016/j.trc.2025.105046 ✅
+- **Meetod:** mobiiliandmed (ilma privaatsusprobleemideta); OD-maatriksi iteratiivne täiendamine vaadeldud lülivoogudest; mittelineaarne optimeerimine + projitseeritud gradiendilaskumine.
+- **Asjakohasus:** mobiiliandmete kasutamine loenduste asemel – laiendatav jalgratta/jalakäija voogudele.
+
+### 12. Intini, P., Blasi, G., Fracella, F., et al. (2024). Predicting traffic volumes on road infrastructures in the context of multi-risk assessment. *International Journal of Disaster Risk Reduction*. https://doi.org/10.1016/j.ijdrr.2024.105139 ✅
+- **Meetod:** üleriigilised AADT mudelid Itaalia andmetel: GLM (pidev maht) + ordinaalne logistiline mudel (mahu klassid) + masinõpe; ainult avalikud prediktorid (geograafilised, sotsiaal-majanduslikud, teede omadused).
+- **Asjakohasus:** avalike andmetega üleriigiline katvus – otsene eeskuju Eesti-suuruse riigi jaoks.
+
+## Meetodite perekonnad (süntees)
+
+| Pere | Meetodid | Artiklid | Sobivus hõreasustusega |
+|---|---|---|---|
+| **A. Sondi-/ühendatud sõidukite andmed + penetratsioonikorrektsioon** | penetratsioonimäära mudel, teisenduskordajad, queue-based | 4, 7, 8, 9 | ⚠️ vajab sondiandmeid – Eestis piiratud katvus maateedel |
+| **B. Ruumiline/statistiline modelleerimine makronäitajatest** | GWR, LASSO, GLM, ordinaalne logit | 1, 5, 12 | ✅ parim – ainult avalikud andmed, detektoreid pole vaja |
+| **C. ML/ülekandeõpe hõreda võrgu tarvis** | TL-LSSVR, deep/shallow learning | 3, 6 | ⚠️ linnapõhine, aga põhimõte kantav üle |
+| **D. Generatiivsed trajektoorimeetodid** | MDP + IRL, sünteetilised andmed | 10 | ⚠️ andmemahukas, keerukas |
+| **E. Alternatiivsed andmeallikad** | aerofotod, mobiiliandmed | 2, 11 | ⚠️ sõltub andmete kättesaadavusest |
+
+## Uurimislünk (oluline doktoritöö jaoks)
+
+- Enamik meetodeid on **linnakesksed** (urban network-wide, signalized intersections, maanteed).
+- **Kohalike/maateede** kaudse määramise kohta **hõreasustusega piirkondades** on spetsiifilist kirjandust väga vähe – otsing andis ainult 1–2 otsest tabamust (Liu 2026, Mohammadzadeh 2023).
+- Praktiliselt puudub: avalikel makronäitajatel põhinev mudel, mis on kalibreeritud just hõreda asustusega maapiirkondadele (B-perekond on selleks kõige lootustandvam lähenemine).
+
+## Märkused
+
+- DOI-d on Zoterosse lisatavad otse (Zotero tuvastab metaandmed DOI-st).
+- ✅ märgitud artiklitel on tasuta täistekst (open access).
+- Otsingumootor: OpenAlex (peamine), Crossref (DOI), Semantic Scholar (abstraktid). Google Scholar API puudub.

Doktoritöö/Liiklussageduse kaudne hindamine/05_Artiklid/Liu 2026 – kokkuvõte.md

@@ -0,0 +1,54 @@
+# Liu 2026 – kokkuvõte: kohalike teede liiklusmahu ruumiline modelleerimine
+
+> Liu, J., Das, S., Barua, S., & Chhetri, G. (2026). Scalable prediction of local road traffic volume via macro-level indicators and spatial heterogeneity modeling. *Scientific Reports* (Article in Press). https://doi.org/10.1038/s41598-026-64387-x
+> Kokkuvõte koostatud 2026-08-08 täisteksti põhjal (PDF, 21 lk). CC BY-NC-ND – tasuta loetav.
+
+## Uurimisküsimus ja lünk
+AADT (aasta keskmine ööpäevane liiklussagedus) **kohalikel teedel** on praktiliselt mõõtmata – loendusjaamad on koondatud arteritele. Olemasolevad mudelid on "globaalsed" ega arvesta ruumilist heterogeensust. Esimene kombinatsioon: **kohalikud teed + ruumiline heterogeensus + linna/maa eristamine + makrotasandi avalikud näitajad (SLD)**.
+
+## Andmed
+- Texas (TxDOT), 2022–2023; **10 999 jaama** (5 812 maa / 5 187 linna kohalikud teed)
+- Prediktorid: Smart Location Database (maakasutus, ligipääsetavus, sotsiaal-majanduslikud, teedevõrk), 30 kandidaati
+- **DIST_NonLocal** = lühim teedevõrgu kaugus lähima mittelokaalse teeni (segment-tasand, ArcGIS Pro)
+- AADT log-transform, prediktorid standardiseeritud
+
+## Meetod
+1. Random Forest permutatsiooniolulisus (kirjeldav)
+2. VIF < 2 tagurpidi valik + mittelokaalselt ebaoluliste eemaldamine → **9 linna / 10 maa** prediktorit
+3. Moran's I: tugev ruumiline autokorrelatsioon (maa 0,578; linn 0,344; p=0,001)
+4. **GWR** lokaalse regressiooniga igale jaamale; **Bisquare kernel** (parim; Gaussi/eksponentsiaalne andsid maal MAPE ~967); adaptiivne ribalaius (Golden Section Search, AIC)
+5. 3-kordne ristvalideerimine; 6 mõõdikut (MAPE, MedAPE, MAE, RMSE, RMSLE, wMAPE)
+
+## Tulemused
+| | Globaalne → GWR (maa) | Globaalne → GWR (linn) |
+|---|---|---|
+| R² | 0,30 → **0,73** (adj 0,68) | 0,18 → **0,47** (adj 0,43) |
+| MAPE | 126,5 → **55,8** | 95,0 → **68,3** |
+| RMSE | 919 → **343** | 1051 → **933** |
+| wMAPE | 79,0 → **49,4** | 65,0 → **55,9** |
+
+- Jääkide Moran's I → 0 (ruumiline sõltuvus peaaegu täielikult eemaldatud)
+- **DIST_NonLocal domineeriv prediktor mõlemas kontekstis** (negatiivne seos: põhivõrgule lähemal = rohkem liiklust)
+- Maa: jaemüügi töökohad 2. kohal, ülejäänud langevad järsult (väheste domineerivate mõjuritega)
+- Linn: lai ligipääsetavuse/tööhõive/demograafia kogum
+- Kordajad varieeruvad märgi ja suurusega ruumis → seosed ruumiliselt tingitud
+- **Maa mudel võitis GWR-ist rohkem kui linn** – heterogeensus on hõreda võrguga piirkondades tugevam
+
+## Praktilised soovitused
+- Loendusjaamad: kõrgema klassi teede ühenduste lähedusse, maapiirkonna aktiivsuskeskuste (jaemüük/teenindus) juurde, suure ebakindlusega aladesse
+- Kontekstispetsiifilised mudelid (maa ≠ linn), mitte üks üleriigiline
+
+## Piirangud
+- Juhuslik (mitte ruumiline) ristvalideerimine – täpsus võib olla üle hinnatud
+- Vead jäid suureks (maa MedAPE 46%, wMAPE 49%) – sisuliselt raske probleem
+- Prediktorid valdavalt kvartali (CBG) tasandil
+
+## Olulisus meie teemale (Eesti, hõreasustus)
+- Üks väheseid artikleid, mis katab täpselt meie teemat (kohalikud teed + hõredad andmed)
+- Meetod on Eestis rakendatav: GWR + Statistikaameti/makasutuse näitajad + kaugus põhivõrgust (OSM/PostGIS olemas)
+- Kinnitab uurimislünka kirjanduses
+
+## Edasilugemine (artikli viidetest)
+- **Pulugurtha, S. S., & Mathew, S. (2021).** Modeling AADT on local functionally classified roads using land use, road density, and nearest nonlocal road data. *Journal of Transport Geography*, 93, 103071. https://doi.org/10.1016/j.jtrangeo.2021.103071 – DIST_NonLocal-i algallikas
+- **Selby, B., & Kockelman, K.** Universal Kriging vs GWR (Texas) – neil kriging võitis GWR-i just hõredates piirkondades
+- **Das, S., & Tsapakis, I.** Interpretable machine learning approach in estimating traffic volume on low-volume roadways

Doktoritöö/Liiklussageduse kaudne hindamine/05_Artiklid/Pulugurtha & Mathew 2021 – kokkuvõte.md

@@ -0,0 +1,37 @@
+# Pulugurtha & Mathew 2021 – kokkuvõte (DIST_NonLocal'i algallikas)
+
+> Pulugurtha, S. S., & Mathew, S. (2021). Modeling AADT on local functionally classified roads using land use, road density, and nearest nonlocal road data. *Journal of Transport Geography*, 93, 103071. https://doi.org/10.1016/j.jtrangeo.2021.103071
+> Kokkuvõte koostatud 2026-08-08. ⚠️ Täistekst on rendi taga (Elsevier); kokkuvõte põhineb abstraktil, highlightidel ja lõigu-snippetitel (ScienceDirect).
+
+## Taust ja probleem
+- Põhja-Carolinas (USA) on ~**700 000 kohaliku tee lõiku**, kuid loendusjaamu on ainult ~**1,5%** lõikudest.
+- AADT on vajalik kõigile teedele (HSIP ohutusprogramm, planeerimine, hooldus) → vaja usaldusväärseid hinnanguid mõõtmata lõikudele.
+
+## Andmed
+- **10 maakonda** Põhja-Carolinas (valik: maakasutusandmete kvaliteet, rahvastikutihedus, jaamade arv); 26 maakonda jäeti välja, sest puudusid maakasutusandmed; 4 744 unikaalset maakasutuse kirjeldust
+- Jaamade arv maakonnas: **55 (Mecklenburg) – 295 (Wake)**
+- Muutujad: teetihedus, **AADT lähimal mittelokaalsel teel**, maakasutus (ühe- ja mitmepereelamud, põllumajandus, ärismaad), sotsiaal-majanduslikud
+
+## Meetod
+- **OLS (tavaline vähimruutude regressioon) vs GWR** – maakonnatasandi mudelid
+- Valminud mudelitega hinnati AADT **mõõtmata (non-covered) asukohtades** igas maakonnas
+
+## Peamised tulemused (highlightid)
+1. **Teetihedus, kaugus ja AADT lähimal mittelokaalsel teel** mõjutavad oluliselt kohaliku tee AADT-d
+2. Ühe- ja mitmepereelamud, põllumajandus ja ärismaad mõjutavad oluliselt
+3. **GWR hindab kohaliku tee AADT-d paremini kui OLS** (tabab geograafilisi variatsioone)
+4. **Mediaanviga sõltub jaamade arvust ja maakonna iseloomust** – viga suurem linnapiirkondades ja väheste jaamadega maakondades
+
+## Olulisus meie teemale
+- **See on DIST_NonLocal muutuja algallikas**, mille Liu 2026 võttis üle (seal kõige olulisem prediktor!)
+- Põhimõte: kohaliku tee liiklus on seotud **lähedusega kõrgema klassi teedevõrgule** – seda saab Eestis arvutada OSM/teedevõrgust ilma loendusteta
+- Näitab maakonnatasandi mudelite töötavust, aga ka piirangut: **maakasutusandmete kvaliteet määrab kaasatavate piirkondade arvu** (Eestis on Maa-ameti andmed hea asendus)
+- Soovitus neilt: täiendada kohalike teede loendusmetoodikat (valimi paigutus mõjurite järgi)
+
+## Seos Liu 2026-ga
+- Liu et al. arendasid sama ideed edasi: üleriigiline (Texas), SLD-makronäitajad, linna/maa eraldi mudelid, DIST_NonLocal segmenditasandil
+- Mõlemad kinnitavad: **kaugus põhivõrgust + maakasutus + teetihedus** on kohaliku tee AADT peamised mõjurid
+
+## Kättesaadavus
+- Täistekst: rendi taga (Elsevier). Abstrakt ja highlightid tasuta ScienceDirectis.
+- DOI: https://doi.org/10.1016/j.jtrangeo.2021.103071 (Zoterosse lisatav)

Doktoritöö/Liiklussageduse kaudne hindamine/05_Artiklid/Selby & Kockelman 2013 – kokkuvõte.md

@@ -0,0 +1,44 @@
+# Selby & Kockelman 2013 – kokkuvõte (Universal Kriging vs GWR)
+
+> Selby, B., & Kockelman, K. M. (2013). Spatial prediction of traffic levels in unmeasured locations: applications of universal kriging and geographically weighted regression. *Journal of Transport Geography*, 29, 24–32. https://doi.org/10.1016/j.jtrangeo.2012.12.009
+> Kokkuvõte koostatud 2026-08-08. ⚠️ Täistekst on rendi taga (Elsevier); kokkuvõte põhineb abstraktil, highlightidel, sissejuhatusel ja lõigu-snippetitel (ScienceDirect). 128 tsitaati.
+
+## Taust
+- AADT loendused: püsijaamad (ATR) + lühiajalised loendused (SPTC); jaamade vahe võib olla keskmiselt 5+ miili
+- FHWA nõue: AADT hinnang ±10% (90% usaldus) linnarteritel; tegelikud vead 1–2-päevastest loendustest 10–20% parimal juhul (Gadda et al. 2007); täiesti mõõtmata kohtades võivad vead ületada 100%
+- Vajadus: ruumiline interpoleerimine mõõtmata asukohtadesse
+
+## Andmed
+- **Texas, aasta 2005**; TxDOT geokodeeritud võrk **79 000+ keskmist miili**
+- Kõik teeklassid (kohalikest teedest kiirteedeni), nii tihedalt asustatud linnad kui **suured hõredalt asustatud alad**
+- Kontrollmuutujad: funktsionaalklass, radade arv, piirkiirus, muud objekti atribuudid
+
+## Meetod
+- Sõltuv muutuja: **Box-Cox transformeeritud** loendusväärtus (viltuse eemaldamine)
+- **Universal kriging** (trend + semivariogrammipõhine ruumiline interpolatsioon) vs **GWR** vs mittespaatne regressioon
+- Võrdlus: **Eukleidilised vs teedevõrgu (network) kaugused**
+
+## Tulemused
+- **Mõlemad ruumimeetodid vähendavad vigu oluliselt** (praktiliselt ja statistiliselt) võrreldes mittespaatse regressiooniga
+- **Kriging ületab GWR-i peaaegu kõigis testides, keskmised absoluutvead 3–8% väiksemad**
+- Vead jäävad suureks väikese loendusega kohtades ja **vähem mõõdetud (hõredam) piirkondades**
+- **Teedevõrgu kaugused ei andnud eelist** Eukleidiliste ees – lihtsam ja odavam variant on piisav
+- Mediaan- (mitteabsoluut) vead varieerusid nulli ümber (süstemaatiline nihe puudus)
+
+## Olulisus meie teemale
+- **Hõreda mõõtmisega piirkondades võib kriging olla GWR-ist parem** – just see on meie (Eesti hõreasustuse) kontekstis oluline võrdluspunkt
+- Liu 2026 tugineb sellele artiklile väitega "UK vähendas vigu tõhusamalt hõredates piirkondades"
+- Praktiline õppetund: **Eukleidilised kaugused piisavad** – ei pea ehitama teedevõrgu kaugusmaatriksit (kuigi meil on see OSM/PostGIS-iga niikuinii võimalik)
+- Eelkäijad, mida tasub teada: Wang & Kockelman 2009 (tavaline kriging ArcGIS-is, mediaanviga 33%), Eom et al. 2006 (universal kriging Box-Cox'iga, Wake County NC; täpsus paraneb just linnapiirkondades – rohkem naaberjaamu)
+- Box-Cox transformatsioon on kasulik nipp ka meie mudelitele (viltused loendusandmed)
+
+## Seos varem loetud artiklitega
+| Artikkel | Meetod | Kes on parem? |
+|---|---|---|
+| Pulugurtha & Mathew 2021 | OLS vs GWR (NC) | GWR > OLS |
+| Liu et al. 2026 | GWR (Texas, linn/maa) | GWR > globaalne; maal suurem võit |
+| **Selby & Kockelman 2013** | **UK vs GWR (Texas)** | **UK > GWR 3–8%** |
+
+## Kättesaadavus
+- Täistekst: rendi taga (Elsevier). Abstrakt ja highlightid tasuta ScienceDirectis.
+- DOI: https://doi.org/10.1016/j.jtrangeo.2012.12.009 (Zoterosse lisatav)