Obsidian/Doktoritöö/Liiklussageduse kaudne hindamine/02_Metoodika/08 ML-põhised meetodid.md

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]]