# 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]]