**Kokkuvõte kaudsete liiklussageduse hindamismeetodite kohta hõreda asustusega piirkondades piisava teedevõrguga**

---

### 1. Sissejuhatus  

Hõredates elukohtades on traditsioonilised loendusmeetodid (nt püsivad loop‑andurid, käsitsi sõidu­loendused) sageli ebaefektiivsed või majanduslikult mittekohaldatavad, sest liiklusmahdus on madal ja andmete kogumine nõuab suurt ressursikulutust. Seetõttu on viimastel aastakümnetel välja arenenud *kaudsed* hindamismeetodid, mis kasutavad alternatiivseid allikaid – satelliit‑/aerofoto-, LiDAR‑ ja GPS-andmeid ning sotsiaalmajanduslikke indikaatoreid. Järgnevas kokkuvõttes struktureeritakse need meetodid viie põhiallikaga (Wang 2012; Wang jt., 2011; OD‑estimaatioonia; TrafficCounts.md; Hoel jt., 2010) ning analüüsitakse nende sobivust, täpsust ja piiranguid.

---

### 2. Meetodite klassifikatsioon  

| Kategooria | Peamised allikad / tehnika | Tööpõhimõte | Olulisemad tulemused (allikas) |
|------------|---------------------------|-------------|--------------------------------|
| **A. Pildipõhine tiheduse tuvastamine + masinõpe** | Satelliit‑ ja aerofoto, LiDAR; ANN, KNN, SVR | Sõidukite varjutuste või punktpilve intensiivsuse analüüs → lühiajaline sõidu­maht (VMT) → skaleerimine AADT‑ks. | Wang (2012) näitab, et masinõppe mudelid vähendavad traditsioonilise faktorite meetodi RMSE‑d 15–30 % võrreldes ilma ML‑ta; siiski vajab mudel lühiajalist loendusandmestikku kalibreerimiseks. |
| **B. Sotsiaalmajanduslik regressioon (mitteloendusmeetod)** | Kütuse­müük, rahvastiku- ja tööjõu statistika; lineaarne / mitmekordne regressioon | VMT või AADT prognoositakse makro‑taseme korrelatsioonide põhjal. HPMS‑protseduurid on näideteks kõrgema funktsioonitasemega teedele. | Wang jt., 2011 leidsid, et kütuse­müügi ja elanikkonna tiheduse kombinatsioon selgitab kuni 70 % VMT‑variatsiooni maapiirkondades; loendusandmetest sõltumatud meetodid on ebasobivad madala funktsioonitaseme teedele. |
| **C. Probe‑vehicle / GPS‑põhine OD‑maatriksi hindamine** | Reaalajas sõidu­kiiruse ja -aja andmed (GPS, telefoniprobe), traditsioonilised loenduspunktid | Sõidukite trajektooride rekonstrueerimine → päritolu–sihtkoha (OD) maatriks; skaleeritavus sõltub proovide tihedusest. | OD‑estimaatioonia näitab, et 5 % sõidukitest pärinev GPS‑proov suudab reaalajas hinnata peamisi voogusid ±12 % täpsusega; mastaabitavuse piirang on andmete geograafiline katvus ja signaali kvaliteet. |
| **D. Manuaalsed vs automaatsed loendusmeetodid** | Sõidukite klassifitseerimine, pöörded, suunad (manuaalne); tunnimustrid, sesoonsusanalüüs, masinõppe‑põhised sensorid (automaatsed) | Manuaalses meetodis kogutakse punktandmeid; automaatsetes süsteemides kasutatakse anomaaliate tuvastamist ja trendianalüüsi. | TrafficCounts.md kirjeldab, et automaatsed loendusalgoritmid suudavad vähendada tööjõukulu 80 % võrreldes käsitsi meetodiga, kuid nõuavad kalibreerimist kohalikus liiklusmustris. |
| **E. Occupancy‑põhine mahtude eristamine** | Induktiivsed ahelad (avaldatud ja suletud), radar‑/ultraheliandurid | Sõidukite teel veedetud aeg / hõivatuse protsent → tiheduse indekseerimine; madal occupancy võib tähendada vaba või ummistunud olukorda. | Hoel jt., 2010 demonstreeris, et kahe‑ahela (avaldatud + suletud) süsteem eristab ummikuid (< 30 % occupancy) ja vaba liiklust (> 70 %) isegi väga madala AADT‑taseme korral (≤ 200 vph). |

---

### 3. Meetodite hindamine hõredates piirkondades  

| Kriteerium | A – Pildipõhine + ML | B – Sotsiaalmajanduslik regressioon | C – Probe‑vehicle / GPS | D – Loendusmeetodid (manuaal/automaat) | E – Occupancy |
|-----------|----------------------|-------------------------------------|--------------------------|----------------------------------------|---------------|
| **Andmete kättesaadavus** | Satelliit‑ ja LiDAR‑andmed on globaalne, kuid kõrge resolutsiooni pildid harva saadaval väikeste teede jaoks. | Kütuse­müük ja demograafilised andmed on riiklikult olemas; lokaalne granulaarsus (küla tasemel) võib olla piiratud. | GPS‑probe nõuab piisavat sõidukite osakaalu, mis hõredates piirkondades sageli < 2 %. | Manuaalset loendust saab läbi viia punktis, kuid tööjõukulu on kõrge; automaatsed sensorid vajavad infrastruktuuri (nt kamerasüsteem). | Occupancy‑sensorid (loop või radar) võivad olla paigaldatud ka väikestel teedel, kuid nõuavad elektrivarustust ja regulaarset hooldust. |
| **Mõõtmise täpsus** | RMSE 10–15 % AADT‑hinnangul pärast ML‑kalibreerimist; sõltuvus lühiajalistest loendusandmetest (koolituskomplekt). | R² kuni 0,70 makro‑tasemel; lokaalses skaalas võib viga tõusta > 30 %. | OD‑maatriks ±12 % täpsusega peamiste voogude korral; väikeste teede puhul suur usaldusväärsuse langus. | Manuaalne loendus ±5–10 %; automaatne sensor (tunnimustrid) ±8–15 %, sõltub kalibreerimisest. | Occupancy suudab eristada ummikuid ja vaba liiklust < 30 % occupancyiga, kuid ei anna otsest AADT‑väärtust; täpsus sõltub ahela tüübist (avaldatud vs suletud). |
| **Madalad mahtude käsitlemine** | Masinõpe võib “ülefit” harva esinevaid mustreid → ebausaldusväärsed prognoosid, kui loendusandmeid on < 30 h. | Sotsiaalmajanduslikud indikaatorid ei erista madalat mahtu ja null‑voogu; vajab täiendavaid korrektsioone (nt kütuse­müügi hooajalised kõikumised). | GPS‑proovi tihedus on kriitiline – 1 % sõidukitest annab ebatäpsed OD‑maatriksid. | Manuaalne loendus võimaldab täpse mõõtmise, kuid töömahukas; automaatne sensor vajab kohandatud algoritme harva esinevate mustrite tuvastamiseks (nt “null‑flow” detektsioon). | Occupancy meetod on spetsiaalselt loodud madala mahtu eristama: suletud ahel annab selge signaali, kui occupancy < 20 % → tõenäoliselt vaba liiklus. |
| **Mastaabitavus** | Globaalne pildikateerimine võimaldab laiapõhjalist rakendust; kuid skaleerimise takistus on kohalike kalibreeringute vajadus igas piirkonnas eraldi. | Kõrge mastaabitavus riiklikul tasandil, kuid lokaalse täpsuse vähenemine (küla‑taseme) piirab kasutamist. | Skaleeritav ainult siis, kui GPS‑probe on piisavalt tihe; harva asustatud aladel skaleerimine ebaefektiivne. | Manuaalne loendus ei ole mastaabitav; automaatne sensor võib olla laialdane, kuid nõuab suurt investeeringut infrastruktuuri (andurite võrk). | Occupancy ahelad on tehniliselt lihtsad ja skaleeritavad, kuid vajavad füüsilist paigaldust igal teel. |

---

### 4. Integreeritud hindamisskeem  

1. **Algne andmekogumine**  
   - *Satelliit‑/LiDAR* (tase A) → esialgne tiheduse kaardistamine, eriti piirkondades ilma loendusandmeteta.  
   - *Sotsiaalmajanduslikud indikaatorid* (tase B) → makro‑taseme VMT prognoos, mis annab taustaläve.

2. **Kalibreerimine**  
   - Kasutada piiratud *käsitsi loendusi* või *automaatseid sensorite* (D) lühiajalisi mõõtmisi 5–10 % teedest, et treenida ML‑mudeleid (ANN/KNN/SVR).  
   - Lisada *occupancy ahelad* (E) kriitiliste punktide lähedale, et eristada madala mahtu ja ummikuid.

3. **OD‑maatriksi täiendamine**  
   - Integratsioon GPS‑probe andmetega (C) peamiste arteriaalteede jaoks; väiksematel teedel kasutada *proxy*‑meetodeid (tõenäosuslikud reisimustrid põhinevad demograafilistel ja kütuse­müügi andmetel).

4. **Iteratiivne täpsustamine**  
   - Pärast esialgset hindamist värskendada ML‑mudelit uute loendusandmete (D) või occupancy mõõtmistega (E).  
   - Kontrollida mudeli üldistuvust ristvaliidatsiooni abil, kasutades *kaugemale* asuvaid testpiirkondi.

---

### 5. Järeldused  

1. **Mitmetasandiline lähenemine on vajalik** – ükski kaudne meetod ei suuda üksi pakkuda usaldusväärset AADT‑hinnangut hõredates piirkondades, kus liiklusmaht on madal ja loendusandmed puuduvad.

2. **Masinõppe mudelid (ANN/KNN/SVR) parandavad täpsust**, kuid nende edukas rakendamine sõltub vähemalt 30–50 % kaetud teede lühiajalistest loendusandmetest, mis on sageli logistiliselt keeruline koguda.

3. **Sotsiaalmajanduslikud regressioonid** pakuvad head makro‑taseme VMT prognoosi (R² ≈ 0,70), kuid vajavad täiendavaid lokaalseid korrektsioone, et arvestada piirkondade spetsiifilist liiklusmustri heterogeensust.

4. **GPS‑probe ja OD‑maatriksi meetod** on efektiivne peamiste arteriaalteede jaoks, kus sõidukite osakaal GPS‑proovis ületab 5 %; harva asustatud aladel tuleb seda kombineerida teiste indikaatoritega (B või D).

5. **Occupancy ahelad** pakuvad unikaalset lahendust madala mahtu eristamiseks ning on tehniliselt lihtsad paigaldada, kuid annavad ainult tiheduse indikatsiooni, mitte otsest AADT‑väärtust.

6. **Manuaalsed ja automaatsed loendusmeetodid** jäävad endiselt kõige usaldusväärsemaks “maailmaklassi” viiteks; nende kasutamine väikeste valimite (5–10 % teedest) kalibreerimiseks on soovitatav, kuna see võimaldab masinõppe ja regressioonipõhiste mudelite valideerimist.

---

### 6. Soovitused edasiseks uurimiseks  

| Teema | Konkreetne tegevus |
|-------|--------------------|
| **Andmete integratsioon** | Arendada hübriidmudelit, mis kombineerib pildipõhist tihedust (A) sotsiaalmajanduslike regressioonidega (B) ning occupancy‑korrektsiooniga (E). |
| **Kalibreerimisstrateegia** | Uurida optimaalse loendusvalimi suurust (proportsiooni vs täpsus) väikeste teede võrgustikes; testida adaptatiivseid ML‑treeninguid, mis kasutavad pidevalt lisanduvat käsitsi loendatud andmestikku. |
| **GPS‑probe tiheduse tõstmine** | Katsetada madala energiatarbega IoT‑põhiseid sõidukite jälgimissüsteeme (nt BLE‑beacon) piirkondades, kus traditsiooniline GPS‑signaal on nõrk. |
| **Occupancy sensorite tehnoloogia** | Võrrelda induktiivsete ahelate ja mikrolaine‑radariga põhinevate occupancy andurite täpsust ning kuluefektiivsust harva kasutatud teedel. |
| **Mastaabitavuse raamistik** | Luua skaleerimismudel, mis hindab iga meetodi lisandväärtust (informatsiooni gain) võrreldes traditsioonilise loendusga; see võimaldab prioriseerida investeeringuid piiratud eelarve korral. |

---

**Kokkuvõttes**: Kaudsete liiklussageduse hindamismeetodite valik hõredates asustatud piirkondades peab lähtuma andmete kättesaadavusest, soovitud täpsusastmest ning majanduslikust tasuvusest. Parim praktika on kombineerida pildipõhised ja sotsiaalmajanduslikud prognoosid masinõppe kalibreerimisega, toetada neid punktiliste loendus- või occupancy‑mõõtmistega ning vajadusel täiendada OD‑maatriksiga GPS‑probe andmeid. Selline mitmetasandiline lähenemine maksimeerib täpsust ja mastaabitavust, samal ajal hoides operatiivseid kulusid kontrolli all.

---
Kokku tokeneid: 3655