# Kirjanduse ülevaade: liiklussageduse kaudne määramine kohalikel teedel

> Otsing tehtud 2026-08-08 (OpenAlex + Crossref + Semantic Scholar, viimased 5 aastat)
> Teema: liiklusmahu kaudne määramine / hõredad andmed / kohalikud (lokaalsed) teed / hõreasustus
> ✅ = avatud juurdepääs (tasuta täistekst)

## Valik I – otseasemad tabamused (kaudne määramine, hõredad andmed)

### 1. Liu, J., Das, S., Barua, S., et al. (2026). Scalable prediction of local road traffic volume via macro-level indicators and spatial… *Scientific Reports*. https://doi.org/10.1038/s41598-026-64387-x ✅
- **Meetod:** Geographically Weighted Regression (GWR) – eraldi mudelid linna- ja maakohtlikele teedele (Texas). Prediktorid Smart Location Database'ist (ehitatud keskkond, ligipääsetavus, teedevõrgu karakteristikud) + segmenditasandi kaugus lähima mittelokaalse teeni. Võrdlus globaalse regressiooniga – GWR tabab ruumiliselt varieeruvaid seoseid paremini.
- **Asjakohasus:** kõige otseasem match – kohalikud teed + AADT + ruumiline varieeruvus.

### 2. Ganji, A., Zhang, M., & Hatzopoulou, M. (2022). Traffic volume prediction using aerial imagery and sparse data from road counts. *Transportation Research Part C*, 143. https://doi.org/10.1016/j.trc.2022.103739
- **Meetod:** aerofotod + hõredad loendusandmed (pildituvastus sõidukite tuvastamiseks; kombineerimine harvade loendustega). *(abstrakt ei olnud API-st kättesaadav – kokkuvõte pealkirja põhjal)*
- **Asjakohasus:** hõredate andmete kasutamine – täpselt sinu teema.

### 3. Xing, J., Liu, R., Zhang, Y., et al. (2023). Urban network-wide traffic volume estimation under sparse deployment of detectors. *Transportmetrica A*. https://doi.org/10.1080/23249935.2023.2197511
- **Meetod:** ülekandeõppe raamistik TL-LSSVR (transfer learning-based least square support vector regression). Fuseerib aktiivsed detektorid (takso GPS) ja passiivsed detektorid (numbrimärgituvastus) → tervikvõrgu maht hõreda detektorvõrgu korral, sh täiesti mõõtmata lõigud.
- **Asjakohasus:** hõreda mõõtmise probleem, kuigi linnakontekst.

### 4. Eisinga, K., & Lorkowski, S. (2025). Network-wide traffic volume estimation based on probe vehicle data. *Transportation Research Record*. https://doi.org/10.1177/03611981241289408
- **Meetod:** suuremahulised sondiandmed + statsionaarsed detektorid. Mudel hindab sondiandmete penetratsioonimäära teede lõikes (MAPE 8,3%, maanteedel 6%; Holland). Piisab ~60% detektorite katvusest – töötab ka vähem arenenud detektorinfra riikides.
- **Asjakohasus:** penetratsioonipõhine lähenemine on põhiline "kaudse määramise" paradigma; madal detektorite nõue sobib Eesti konteksti.

### 5. Sfyridis, A., & Agnolucci, P. (2022). Factors affecting road traffic: Identifying drivers of annual average daily traffic. *Transportation Research Record*. https://doi.org/10.1177/03611981221141435 ✅
- **Meetod:** LASSO regressioon (least absolute shrinkage and selection operator) – AADT mõjurite identifitseerimine Inglismaal/Walesis 4 teeklassile ja 5 sõidukitüübile; prediktorid: maakasutus, sotsiaalmajanduslikud, ühistranspordi ja teede muutujad.
- **Asjakohasus:** makrotasandi avalikud andmed → sobib hõreasustuse konteksti (sotsiaalmajanduslikud mõjurid).

### 6. Mohammadzadeh, M., Choupani, A.-A., & Afshar, F. (2023). Short-term prediction of daily traffic volume for rural roads using shallow and deep learning. *The Journal of Supercomputing*. https://doi.org/10.1007/s11227-023-05333-w
- **Meetod:** madal ja sügav õpe igapäevase liiklusmahu lühiajaliseks prognoosiks maateedel. *(abstrakt ei olnud API-st kättesaadav – kokkuvõte pealkirja põhjal)*
- **Asjakohasus:** maateed + ML – haruldane kombinatsioon kirjanduses.

### 7. Zhang, X., & Chen, M. (2023). Statewide truck volume estimation using probe vehicle data and machine learning. *Transportation Research Record*. https://doi.org/10.1177/03611981231157400
- **Meetod:** veokite AADT hinnang veokite sondiandmetest (AADTP meeter, Pearson r = 0,9; Kentucky). Lisaks: teede atribuudid (funktsionaalklass, radade arv), võrgustiku kesksus, sotsiodemograafia. ML-regressioon.
- **Asjakohasus:** probe-data → AADT teisendus vähese loenduskatvusega piirkonnas.

### 8. Claros, B., Vorhes, G., Chitturi, M., et al. (2022). Filling traffic count gaps with connected vehicle data. *Int. Conf. on Transportation Engineering (ICTE)*. https://doi.org/10.1061/9780784484326.019
- **Meetod:** ühendatud sõidukite (CV) andmed; lineaarne regressioon: korrelatsioon 0,954, AADT ≈ reiside arv × 0,315 (R² = 0,941). Eesmärk: loenduslünkade täitmine.
- **Asjakohasus:** lihtne, reprodutseeritav teisenduskordaja meetod.

### 9. Zhang, Z., Zhang, S., Mo, L., et al. (2021). Traffic volume estimate based on low penetration connected vehicle data at signalized intersections. *IEEE Transactions on Intelligent Transportation Systems*. https://doi.org/10.1109/tits.2021.3094933
- **Meetod:** CV GPS trajektoorid; täiustatud järjekorrapõhine (queue-based) meetod ristmiku lähenemissuundade mahtudeks igas signaalitsüklis; töötab madala penetratsiooni tingimustes; "detektorivaba" (detector-free).
- **Asjakohasus:** madala penetratsiooniga andmetest mahu hindamise põhimõte.

### 10. Zhong, M., Kim, J., & Zheng, Z. (2023). Estimating link flows in road networks with synthetic trajectory data generation: Inverse… *IEEE Open Journal of Intelligent Transportation Systems*. https://doi.org/10.1109/ojits.2022.3233904 ✅
- **Meetod:** generatiivne modelleerimine: sõiduki liikumine lülide vahel kui Markov Decision Process (MDP); Inverse Reinforcement Learning (IRL) sünteetiliste trajektooride genereerimiseks; fuseerib silmusdetektorid + hõredad trajektooriandmed.
- **Asjakohasus:** hõredate trajektooride probleemi lahendus generatiivselt.

### 11. Barman, S., Levin, M. W., Stern, R., et al. (2025). Efficient pedestrian and bicycle traffic flow estimation combining mobile-sourced data. *Transportation Research Part C*. https://doi.org/10.1016/j.trc.2025.105046 ✅
- **Meetod:** mobiiliandmed (ilma privaatsusprobleemideta); OD-maatriksi iteratiivne täiendamine vaadeldud lülivoogudest; mittelineaarne optimeerimine + projitseeritud gradiendilaskumine.
- **Asjakohasus:** mobiiliandmete kasutamine loenduste asemel – laiendatav jalgratta/jalakäija voogudele.

### 12. Intini, P., Blasi, G., Fracella, F., et al. (2024). Predicting traffic volumes on road infrastructures in the context of multi-risk assessment. *International Journal of Disaster Risk Reduction*. https://doi.org/10.1016/j.ijdrr.2024.105139 ✅
- **Meetod:** üleriigilised AADT mudelid Itaalia andmetel: GLM (pidev maht) + ordinaalne logistiline mudel (mahu klassid) + masinõpe; ainult avalikud prediktorid (geograafilised, sotsiaal-majanduslikud, teede omadused).
- **Asjakohasus:** avalike andmetega üleriigiline katvus – otsene eeskuju Eesti-suuruse riigi jaoks.

## Meetodite perekonnad (süntees)

| Pere | Meetodid | Artiklid | Sobivus hõreasustusega |
|---|---|---|---|
| **A. Sondi-/ühendatud sõidukite andmed + penetratsioonikorrektsioon** | penetratsioonimäära mudel, teisenduskordajad, queue-based | 4, 7, 8, 9 | ⚠️ vajab sondiandmeid – Eestis piiratud katvus maateedel |
| **B. Ruumiline/statistiline modelleerimine makronäitajatest** | GWR, LASSO, GLM, ordinaalne logit | 1, 5, 12 | ✅ parim – ainult avalikud andmed, detektoreid pole vaja |
| **C. ML/ülekandeõpe hõreda võrgu tarvis** | TL-LSSVR, deep/shallow learning | 3, 6 | ⚠️ linnapõhine, aga põhimõte kantav üle |
| **D. Generatiivsed trajektoorimeetodid** | MDP + IRL, sünteetilised andmed | 10 | ⚠️ andmemahukas, keerukas |
| **E. Alternatiivsed andmeallikad** | aerofotod, mobiiliandmed | 2, 11 | ⚠️ sõltub andmete kättesaadavusest |

## Uurimislünk (oluline doktoritöö jaoks)

- Enamik meetodeid on **linnakesksed** (urban network-wide, signalized intersections, maanteed).
- **Kohalike/maateede** kaudse määramise kohta **hõreasustusega piirkondades** on spetsiifilist kirjandust väga vähe – otsing andis ainult 1–2 otsest tabamust (Liu 2026, Mohammadzadeh 2023).
- Praktiliselt puudub: avalikel makronäitajatel põhinev mudel, mis on kalibreeritud just hõreda asustusega maapiirkondadele (B-perekond on selleks kõige lootustandvam lähenemine).

## Märkused

- DOI-d on Zoterosse lisatavad otse (Zotero tuvastab metaandmed DOI-st).
- ✅ märgitud artiklitel on tasuta täistekst (open access).
- Otsingumootor: OpenAlex (peamine), Crossref (DOI), Semantic Scholar (abstraktid). Google Scholar API puudub.