# 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