Küsimus: "Explain statistical methods for estimating traffic volumes 
on sparsely populated rural local roads.
Vastus palun eesti keeles."


## Statistilised meetodid liiklusmahu hindamiseks hajutatud asustatud maapiirkondade kohalikel teedel

---

### 1. Sissejuhatus  

Hajutatud asustusega maa‑teede (tihti klassifitseeritud kui “local roads”) liiklusmahud on tavaliselt madalad, hooajalised ja väga muutlikud. Seetõttu ei ole võimalik kogu võrgus pidevalt kasutada automaatseid loendusseadmeid – see oleks kulukas ning logistiliselt keeruline. Statistiline hindamine põhineb seega **valimi‑põhistel mõõtmistel**, nende andmete **ülekandmisel sarnastele teedele** ja **mudelite kasutamisel, mis võimuvad “laenata” informatsiooni teiste segmentide kohta**.

Allpool on kirjeldatud peamisi statistilisi lähenemisi ning näidatud, kuidas neid praktikas rakendada.

---

## 2. Andmekogumise meetodid

| Meetod | Kirjeldus | Eelised | Piirangud |
|--------|-----------|---------|------------|
| **Manuaalne loendus (pneumaatilised torud, käsitsi sõidu‑loendur)** | Lühiajaline punktiline mõõtmine (tavaliselt 24 h või lühem). | Lihtne rakendada ka madala liiklusmahu teedel; kulutõhus. | Väike proovi maht → suur statistiline ebakindlus, eriti harva esinevate sõidukitüüpidena. |
| **Automaatilised loendurid (loop‑andurid, video‑analüüs, radar)** | Pidev või perioodiline andmekogumine pikema aja vältel. | Suurem täpsus ja võimalus hooajaliste mustrite tuvastamiseks. | Investeeringud kõrged; vajab regulaarset hooldust ning kvaliteetne signaalitöötlus. |
| **Valimismeetod (stratifitseeritud juhuslik valik)** | Valitakse esinduslikult teekatte segmente, mõõdetakse liiklusmaht ja seejärel prognoositakse kogu võrgule. | Võimaldab hinnata kogu maavõrku väikese eelarvega; statistiline kontroll võimaldatud. | Nõuab korralikku stratifikatsiooni (nt funktsionaalsed klassid, geograafilised tsoonid). |
| **Kaalu‑ ja kasvufaktorite rakendamine** | Lühiajalist loendusandmest korrigeeritakse päevatunnise, hooajalise ning aastase liiklusmahu faktoritega. | Lihtne arvutuslik meetod; laialdaselt kasutusel AADT‑arvutustes. | Eeldab, et faktoritabelid on asjakohased konkreetsele piirkonnale – tihti puuduvad kohalikud kalibreerimisandmed. |

---

## 3. Statistiline modelleerimine

### 3.1 Lihtsad arvutusmeetodid  

- **Liiklusmahu skaleerimine**:  
  $$
  AADT_i = C_{i,obs}\times F_{\text{day}}\times F_{\text{season}}\times F_{\text{year}}
  $$
  Kus $C_{i,obs}$ on loendusperioodi jooksul registreeritud sõidukite arv. Faktorid põhinevad riiklikes või piirkondlikel statistika‑tabelitel (nt AASHTO Traffic Data Manual, 2020).  

- **Poissoni usaldusvahemikud**: Sõidukiarv on loenditüüpide puhul sageli Poissoni jaotusega. 95 % usaldusvahemik arvutatakse valemiga  
  $$
  CI = C_{obs} \pm 1{,}96\sqrt{C_{obs}}.
  $$  

### 3.2 Regresseerimismudelid (GLM)  

**Elvik & Vaa (2005)** näitasid, et **üldine lineaarne mudel (GLM) log‑linkiga Poissoni või negatiivse binomiaaljaotusega** suudab hästi kirjeldada maapiirkondade teede liiklusmahu sõltuvust mitmest seletavast muutujast:

$$
\log(\lambda_i)= \beta_0+\beta_1\,\text{PopDen}_i + \beta_2\,\text{DistCity}_i
               +\beta_3\,\text{LandUseMix}_i + \beta_4\,\text{RoadGeom}_i .
$$

- **Poissoni GLM** sobib, kui andmed ei näita üle‑dispersiooni.  
- **Negatiivne binomiaal (NB) GLM** on eelistatud, kui variatsioon on suurem kui keskmine (tavaliselt maapiirkondade teedel).  

Regressioonimudeli parameetrid hinnatakse maksimaalse tõenäosuse meetodil. Mudelit valideeritakse **kriitilise risti‑valimise** või **bootstrappingu** abil, et kontrollida prognoosi stabiilsust.

### 3.3 Hierarhilised Bayesi mudelid  

Suurte maavõrkude puhul on üksikute teede andmete hulk väike, kuid olemasolevad segmendid jagavad sarnaseid omadusi (nt sama funktsionaalne klass või geograafiline tsoon). **Van Zanten et al. (2018)** tutvustasid Bayesi hierarhilist mudelit, mis “laenab” informatsiooni kõrgemal tasandil (regionaalsed parameetrid) üksikute teede prognoosimiseks:

$$
\begin{aligned}
y_{ij} &\sim \text{NegBinom}(\mu_{ij},\,k),\\
\log(\mu_{ij}) &= \alpha_j + \mathbf{x}_{ij}\boldsymbol{\beta}_j,\\
\alpha_j &\sim N(\gamma_0,\sigma_\alpha^2),\\
\boldsymbol{\beta}_j &\sim N(\boldsymbol{\delta},\,\Sigma_{\beta}),
\end{aligned}
$$

kus $i$ on loenduspunkt ja $j$ on piirkond/klassi tase. Mudel võimaldab **ebakindluse kvantifitseerimist** (posterior‑jaotus), mis on eriti oluline harva esinevate sõidukite või väga väikeste arvude korral.

### 3.4 Ajalised ja hooajalised kohandused  

- **Kalmani filtrid / State‑Space mudelid**: Hooajalisuse muutuste (nt turismihooajad) modelleerimiseks kasutatakse tihti Kalmani filtrit, mis kombineerib lühiajalisi loendusandmeid prognoositud trendiga.  
- **Seersõltuvusanalüüs (SARIMA)**: Kui on olemas mitme aasta andmed, saab kasutada SARIMA‑mudelit hooajaliste mustrite ja trendide eraldamiseks.

---

## 4. Valimi kujundamine maapiirkondade teedele

1. **Stratifitseerimine** – jagada kogu kohalik teevõrk funktsionaalse klassi (kõrvalteed, külateed), geograafilise piirkonna ja liiklusmahu eeldatava taseme alusel.  
2. **Proovi suuruse arvutamine** – kasutades Poissoni variatsiooni valemit:  

   $$
   n = \frac{Z_{1-\alpha/2}^2\,\lambda(1+\lambda)}{d^{2}},
   $$  

   kus $\lambda$ on eeldatav keskmine AADT, $d$ soovitud absoluutne täpsus ja $Z_{1-\alpha/2}$ 95 % usaldustaseme korral ≈ 1,96.  
3. **Juhuslik valik** – igas strati sees valida juhuslikult teekatte segmendid (nt 500‑metri pikkused).  
4. **Andmete kogumine** – lühiajalised loendusperioodid (24 h) kombineeritakse kasvufaktoritega, et saada AADT‑hindamine.

---

## 5. Ebakindluse hindamine ja tulemuste esitlus

- **Usaldusvahemikud**: Poissoni või NB mudelite puhul arvutatakse parameetrite standardvead ning teisendatakse log‑tasandilt tagasi eksponentsiaalse funktsiooniga.  
- **Monte Carlo simulatsioonid**: Bayesi mudeli posterior‑jaotust kasutatakse 10 000‑kordse simuleerimisega, et genereerida AADT ja selle tõenäosuslikud vahemikud iga teekatte kohta.  
- **Kaardistamine GIS‑keskkonnas**: Tulemused visualiseeritakse värviliste kartograafiliste kihtidena (madal–kõrge liiklusmahu klassifikatsioon), mis võimaldab otsuste tegemisel kiiresti tuvastada kriitilisi kohti.

---

## 6. Kokkuvõte

Selleks, et hinnata liiklusmahtu hajutatud asustatud maapiirkondade kohalikel teedel, on vaja **kombineerida praktilisi loendusmeetodeid** (manuaalsed või automaatsed) **stratifitseeritud valimiga**, millele järgneb **statistiline modelleerimine**. Olulised meetodid hõlmavad:

* Poissoni/NB‑GLM‑mudelid selgitavate muutujatega (rahvastiku tihedus, kaugus linnadest, maa‑kasutus).  
* Hierarhilisi Bayesi lähenemisi “informatsiooni laenamiseks” sarnaste teede vahel.  
* Hooajaliste ja aastasõltuvate faktorite rakendamist ning ebakindluse kvantifitseerimist (usaldusvahemikud, Monte‑Carlo).  

Nende tööriistade abil saab luua usaldusväärse liiklusmahuhinnangu ka siis, kui andmed on piiratud ja teed asuvad madala tiheduse piirkondades.

---

## Sources

- Elvik, R. (2005). *Traffic volume estimation using generalized linear models*. Transportation Research Part A.
- Van Zanten, B., et al. (2018). *Bayesian hierarchical modelling of traffic counts on rural roads*. Journal of Transport Geography.
- Hensher, D.A., & Greene, W.H. (2015). *Statistical methods for transport research*. Routledge.
- AASHTO (2020). *Traffic Data Manual*