Väljapääsupunktide isoleeritud komponendi jaotus: best_exit-põhine

Doktoritöö/Liiklussageduse kaudne hindamine/00 Sisukord.md

@@ -16,6 +16,8 @@ Uurimisteema: **kohalike teede liiklussageduse hindamine kaudsel meetodil** hõr
 - [[Liiklussageduse kaudne hindamine/02_Metoodika/05 Gravitatsioonimudel]] — gravity model
 - [[Liiklussageduse kaudne hindamine/02_Metoodika/06 Haavatavusanalüüs]] — vulnerability
 - [[Liiklussageduse kaudne hindamine/02_Metoodika/07 Valideerimine]] — validate
+- [[Liiklussageduse kaudne hindamine/02_Metoodika/08 ML-põhised meetodid]] — masinõpe/andmeanalüütika
+- [[Liiklussageduse kaudne hindamine/02_Metoodika/08 ML-põhised meetodid – APA viited]] — APA viited (Zotero)
 
 ### Andmed ja tulemused
 - [[Liiklussageduse kaudne hindamine/03_Andmed_ja_tulemused/Valga vald]]

Doktoritöö/Liiklussageduse kaudne hindamine/02_Metoodika/08 ML-põhised meetodid – APA viited.md

@@ -0,0 +1,33 @@
+# 08 ML-põhised meetodid – APA viited
+
+*Zotero jaoks: lisa DOI kaudu, täismetaandmed tulevad automaatselt. Koostatud 2026-08-11 (Crossrefi andmetel).*
+
+## Põhiviited (meetodiülevaade)
+
+Baffoe-Twum, E., Asa, E., & Awuku, B. (2022). Estimation of annual average daily traffic (AADT) data for low-volume roads: A systematic literature review and meta-analysis. *Emerald Open Research, 1*(5). https://doi.org/10.1108/eor-05-2023-0010
+
+Das, S., & Tsapakis, I. (2020). Interpretable machine learning approach in estimating traffic volume on low-volume roadways. *International Journal of Transportation Science and Technology, 9*(1), 76–88. https://doi.org/10.1016/j.ijtst.2019.09.004
+
+Klinkhardt, C., Woerle, T., Briem, L., Heilig, M., Kagerbauer, M., & Vortisch, P. (2021). Using OpenStreetMap as a data source for attractiveness in travel demand models. *Transportation Research Record, 2675*(8), 294–303. https://doi.org/10.1177/0361198121997415
+
+Mahdavian, A., Shojaei, A., Salem, M., Laman, H., Yuan, J.-S., & Oloufa, A. (2021). Automated machine learning pipeline for traffic count prediction. *Modelling, 2*(4), 482–513. https://doi.org/10.3390/modelling2040026
+
+Mathew, S., Pulugurtha, S. S., Bhure, C., & Duvvuri, S. (2023). One-dimensional convolutional neural network model for local road annual average daily traffic estimation. *IEEE Access, 11*, 127229–127241. https://doi.org/10.1109/access.2023.3332125
+
+Pun, L., Zhao, P., & Liu, X. (2019). A multiple regression approach for traffic flow estimation. *IEEE Access, 7*, 35998–36009. https://doi.org/10.1109/access.2019.2904645
+
+Sekuła, P., Vander Laan, Z., Farokhi Sadabadi, K., Kania, K., & Zahedian, S. (2021). Transferability of a machine learning-based model of hourly traffic volume estimation—Florida and New Hampshire case study. *Journal of Advanced Transportation, 2021*, 9944918. https://doi.org/10.1155/2021/9944918
+
+Sfyridis, A., & Agnolucci, P. (2020). Annual average daily traffic estimation in England and Wales: An application of clustering and regression modelling. *Journal of Transport Geography, 83*, 102658. https://doi.org/10.1016/j.jtrangeo.2020.102658
+
+## Täiendav kirjandus (GNN, süvaõpe)
+
+Han, D. C. (2024). Prediction of traffic volume based on deep learning model for AADT correction. *Applied Sciences, 14*(20), 9436. https://doi.org/10.3390/app14209436
+
+Jiang, W., Luo, J., He, M., & Gu, W. (2023). Graph neural network for traffic forecasting: The research progress. *ISPRS International Journal of Geo-Information, 12*(3), 100. https://doi.org/10.3390/ijgi12030100
+
+Rahmani, S., Baghbani, A., Bouguila, N., & Patterson, Z. (2023). Graph neural networks for intelligent transportation systems: A survey. *IEEE Transactions on Intelligent Transportation Systems, 24*(8), 8846–8885. https://doi.org/10.1109/tits.2023.3257759
+
+## Lõputöö (USA kontekst, NFAS teed)
+
+Sun, Q. (2020). *Nationwide annual average daily traffic (AADT) estimation on non-federal aid system (NFAS) roads by machine learning with data mining of built-in environment* [Doctoral dissertation, University of Maryland]. https://doi.org/10.13016/yrbr-jwgm

Doktoritöö/Liiklussageduse kaudne hindamine/02_Metoodika/08 ML-põhised meetodid.md

@@ -0,0 +1,63 @@
+# 08 – ML-põhised meetodid (masinõpe / andmeanalüütika)
+
+*Lisa [[00 Metoodika ülevaade]] juurde. Koostatud 2026-08-11 kirjandusotsingu põhjal (OpenAlex/Crossref).*
+
+## Olemus
+
+ML-põhine liiklussageduse hindamine on **supervised regression**: teelõikudele, millel on teada loendusandmed (AADT), seotakse hulk "tasuta" tunnuseid (OSM-i atribuudid, POI-d, rahvastik, maakasutus, topoloogia) ja mudel õpetatakse ennustama liiklust lõikudele, kus loendust pole.
+
+Erinevus mehhanistlikust gravitatsioonimudelist ([[05 Gravitatsioonimudel]]):
+- Gravitatsioonimudel tuletab nõudluse "füüsikast" (rahvastik × impedants) – ei vaja õpetusandmeid.
+- ML on andmepõhine – **vajab õpetamiseks tegelikke loendusi**, lahendab sisuliselt interpoleerimise loenduspunktide vahel.
+
+## Algoritmid (kirjanduse põhjal)
+
+| Algoritm | Tugevus | Viide |
+|---|---|---|
+| Random Forest | parim üldjõudlus, stabiilne väikese valimi puhul | Das & Tsapakis 2020; Sfyridis & Agnolucci 2020; Pun et al. 2019 |
+| Support Vector Regression | täpsem kui lineaarne | Sfyridis & Agnolucci 2020 |
+| Klonstrimine + regressioon | sarnaste lõikude grupeerimine, siis mudel grupi kohta | Sfyridis & Agnolucci 2020 (terve Inglismaa/Wales) |
+| 1D-CNN (süvaõpe) | lõigutasandi AADT; võidab GWR-i, krigingut, OLS-i | Mathew et al. 2023 (NC, 12 899 loenduspunkti) |
+| AutoML | automatiseeritud mudelivalik | Mahdavian et al. 2021 |
+| GNN (graaf-neuraalvõrgud) | võrgu konteksti arvestamine; pigem forecasting kui hinnang | Jiang et al. 2023; Rahmani et al. 2023 (ülevaated) |
+| Interpretable ML (SHAP) | selgitatavus – mis tunnused loevad | Das & Tsapakis 2020 |
+
+## Kasutatavad tunnused
+
+- **Rahvastikutihedus, töökohtade tihedus (WAC)** – Vermonti uuringus parimad ennustajad
+- Sotsiaalmajanduslikud (sissetulek, autode arv, omandisuhe – USA Census/ACS)
+- Maakasutus (elamu-, äri-, tööstusala pindalad)
+- **Topoloogilised mõõdikud**: degree, betweenness, closeness, page rank, clustering coefficient, tee pikkus (Pun et al. 2019 – sama OSMnx-maailm mis meil)
+- **OSM-i POI-d** atraktiivsusmõõdikutena (Klinkhardt et al. 2021 – OSM-i POI kvaliteet võrreldav ametlike allikatega, kuid sõltub POI-tüübist; soovitatakse plausibility-kontrolli)
+- Teeklass, ühenduvus, kaugus keskustest
+
+## Peamised artiklid
+
+1. **Das & Tsapakis (2020)** – interpretable ML madala liiklusega teedel (Vermont). Kõige lähem meie teemale. https://doi.org/10.1016/j.ijtst.2019.09.004
+2. **Sfyridis & Agnolucci (2020)** – AADT kogu Inglismaa/Walesi võrgul, sh kõrvalteed. https://doi.org/10.1016/j.jtrangeo.2020.102658
+3. **Pun, Zhao & Liu (2019)** – topoloogilised mõõdikud + RF (Hongkong). https://doi.org/10.1109/access.2019.2904645
+4. **Mathew et al. (2023)** – 1D-CNN kohalike teede AADT; võrdlus 8 mudeliga. https://doi.org/10.1109/access.2023.3332125
+5. **Baffoe-Twum et al. (2022)** – süstemaatiline kirjandusülevaade + meta-analüüs: AADT madala liiklusega teedel. **Kirjanduspeatüki põhiallikas.** https://doi.org/10.1108/eor-05-2023-0010
+6. **Klinkhardt et al. (2021)** – OSM-i POI-d nõudlusmudelite atraktiivsusena (sild gravitatsioonimudeli ja POI-de vahel). https://doi.org/10.1177/0361198121997415
+7. **Sekuła et al. (2021)** – ML-mudeli ülekantavus FL→NH; hoiatus ülekantavuse kohta. https://doi.org/10.1155/2021/9944918
+
+## Nõrkused ja lõksud
+
+- **Vajab õpetamiseks loendusandmeid** – hõreasustuses on just need puudu. ML lahendab interpoleerimise, mitte andmepuudust.
+- **Ülekantavus on halb** – Floridas õpetatud mudel ei tööta New Hampshire'is (Sekuła et al. 2021). Valga mudel ei pruugi kehtida Otepääl.
+- **OSM-i katvus maapiirkonnas ebaühtlane** – POI-d linnades hästi kaardistatud, hõreasustuses hõredalt.
+- **Klassitasakaal** – enamik kohalikke teed on väikese liiklusega; mudel kipub keskmistama ja alahindama tippe.
+- **Ruumiline autokorrelatsioon** – naaberlõigud sarnased; ilma ruumilise struktuurita (GWR, kriging, GNN) jääb info kasutamata.
+
+## Kus mõtekas kasutada (meie kontekstis)
+
+1. **Täiendus gravitatsioonimudelile**: kus on loenduspunktid olemas (nt Transpordiameti riigiteede loendused), saab ML-ga hinnata kohalikke teid OSM-i tunnuste põhjal (nt Sun 2020, MD – NFAS roads).
+2. **Valideerimisbaas** ([[07 Valideerimine]]): võrrelda gravitatsioonimudelit ML-hinnanguga samadel lõikudel; lahknevused = uurimisnipp.
+3. **Feature importance (SHAP)**: näidata, miks mõni lõik on kriitiline.
+4. **Loenduspunktide paigutuse prioriseerimine**: ML ennustab kõige ebakindlamad lõigud.
+
+**Kus mitte:** puhtalt hõreasustuses ilma õpetusandmeteta – seal on mehhanistlik mudel tugevam, sest ei sõltu loendustest.
+
+## Viited
+
+APA-vormingus täisviited: [[08 ML-põhised meetodid – APA viited]]

Doktoritöö/Liiklussageduse kaudne hindamine/06_Logid/Tehtud töö ajalugu.md

@@ -1,5 +1,15 @@
 # Tehtud töö ajalugu
 
+## 2026-08-11 — Väljapääsupunktide isoleeritud komponendi jaotus parandatud
+
+**Probleem:** VAL_0101 rühm (isoleeritud komponent, 2 väljapääsu) näitas mõlemal väljapääsul "ADS aadresse 3" (kokku 6), kuigi rühmas on 5 aadressi. Põhjus: `gravity_exit_analysis.py` jagas isoleeritud komponendi rahvastiku **võrdselt** kõigi komponendi väljapääsude vahel (`/ n_exits`) → iga sõlme pop_ads jagunes 50/50 → mõlemale 5.5 (= 2.5 aadressi, ümardatud üles 3-ni).
+
+**Parandus:** isoleeritud sõlme rahvastik omistatakse tema **best_exit**-ile (§5 juba arvutatud, kõik sõlmed `local_nodes_reached`-s). Tulemus VAL_0101:
+- 846244516 → pop_ads=4.4 (2 aadressi)
+- 846244647 → pop_ads=6.6 (3 aadressi)
+
+ADS-summa konserveeritud igas vallas (Valga 9066, Otepää 6813, Tõrva 4752, Võru 12452). Vastavus `_node_exit`-iga (teelõigu `exit`, reisitee). Kõik 4 valda ümber arvutatud (gravity + export), geojson-id uuendatud, deploy ohmu + hetzner (gogs ab99ca9).
+
 ## 2026-08-11 — ADS-egress-omistus teelõikudele (algne allikas)
 
 **Probleem:** teelõigu `ads_addr` oli BFS-alampuu koond (aadressid mis liiguvad läbi lõigu väljapääsuni), mitte egress. Linnagridis (Valga linn) jäid lõigud 0-ks: Talve tänava sõlmedel olid aadressid olemas, kuid BFS-puu ei jõudnud nendeni, sest tee väljapääsuni läbis teise väljapääsu sõlmi → `parent=None`, 11.3% ADS-rahvastikust kadus.