Obsidian/Doktoritöö/Liiklussageduse kaudne hindamine/05_Artiklid/Kirjanduse ülevaade – liiklusmahu kaudne määramine 2026-08-08.md

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.