Liu 2026 – kokkuvõte.md 3.8 KB
Liu 2026 – kokkuvõte: kohalike teede liiklusmahu ruumiline modelleerimine
Liu, J., Das, S., Barua, S., & Chhetri, G. (2026). Scalable prediction of local road traffic volume via macro-level indicators and spatial heterogeneity modeling. Scientific Reports (Article in Press). https://doi.org/10.1038/s41598-026-64387-x Kokkuvõte koostatud 2026-08-08 täisteksti põhjal (PDF, 21 lk). CC BY-NC-ND – tasuta loetav.
Uurimisküsimus ja lünk
AADT (aasta keskmine ööpäevane liiklussagedus) kohalikel teedel on praktiliselt mõõtmata – loendusjaamad on koondatud arteritele. Olemasolevad mudelid on "globaalsed" ega arvesta ruumilist heterogeensust. Esimene kombinatsioon: kohalikud teed + ruumiline heterogeensus + linna/maa eristamine + makrotasandi avalikud näitajad (SLD).
Andmed
- Texas (TxDOT), 2022–2023; 10 999 jaama (5 812 maa / 5 187 linna kohalikud teed)
- Prediktorid: Smart Location Database (maakasutus, ligipääsetavus, sotsiaal-majanduslikud, teedevõrk), 30 kandidaati
- DIST_NonLocal = lühim teedevõrgu kaugus lähima mittelokaalse teeni (segment-tasand, ArcGIS Pro)
- AADT log-transform, prediktorid standardiseeritud
Meetod
- Random Forest permutatsiooniolulisus (kirjeldav)
- VIF < 2 tagurpidi valik + mittelokaalselt ebaoluliste eemaldamine → 9 linna / 10 maa prediktorit
- Moran's I: tugev ruumiline autokorrelatsioon (maa 0,578; linn 0,344; p=0,001)
- GWR lokaalse regressiooniga igale jaamale; Bisquare kernel (parim; Gaussi/eksponentsiaalne andsid maal MAPE ~967); adaptiivne ribalaius (Golden Section Search, AIC)
- 3-kordne ristvalideerimine; 6 mõõdikut (MAPE, MedAPE, MAE, RMSE, RMSLE, wMAPE)
Tulemused
| Globaalne → GWR (maa) | Globaalne → GWR (linn) | |
|---|---|---|
| R² | 0,30 → 0,73 (adj 0,68) | 0,18 → 0,47 (adj 0,43) |
| MAPE | 126,5 → 55,8 | 95,0 → 68,3 |
| RMSE | 919 → 343 | 1051 → 933 |
| wMAPE | 79,0 → 49,4 | 65,0 → 55,9 |
- Jääkide Moran's I → 0 (ruumiline sõltuvus peaaegu täielikult eemaldatud)
- DIST_NonLocal domineeriv prediktor mõlemas kontekstis (negatiivne seos: põhivõrgule lähemal = rohkem liiklust)
- Maa: jaemüügi töökohad 2. kohal, ülejäänud langevad järsult (väheste domineerivate mõjuritega)
- Linn: lai ligipääsetavuse/tööhõive/demograafia kogum
- Kordajad varieeruvad märgi ja suurusega ruumis → seosed ruumiliselt tingitud
- Maa mudel võitis GWR-ist rohkem kui linn – heterogeensus on hõreda võrguga piirkondades tugevam
Praktilised soovitused
- Loendusjaamad: kõrgema klassi teede ühenduste lähedusse, maapiirkonna aktiivsuskeskuste (jaemüük/teenindus) juurde, suure ebakindlusega aladesse
- Kontekstispetsiifilised mudelid (maa ≠ linn), mitte üks üleriigiline
Piirangud
- Juhuslik (mitte ruumiline) ristvalideerimine – täpsus võib olla üle hinnatud
- Vead jäid suureks (maa MedAPE 46%, wMAPE 49%) – sisuliselt raske probleem
- Prediktorid valdavalt kvartali (CBG) tasandil
Olulisus meie teemale (Eesti, hõreasustus)
- Üks väheseid artikleid, mis katab täpselt meie teemat (kohalikud teed + hõredad andmed)
- Meetod on Eestis rakendatav: GWR + Statistikaameti/makasutuse näitajad + kaugus põhivõrgust (OSM/PostGIS olemas)
- Kinnitab uurimislünka kirjanduses
Edasilugemine (artikli viidetest)
- Pulugurtha, S. S., & Mathew, S. (2021). Modeling AADT on local functionally classified roads using land use, road density, and nearest nonlocal road data. Journal of Transport Geography, 93, 103071. https://doi.org/10.1016/j.jtrangeo.2021.103071 – DIST_NonLocal-i algallikas
- Selby, B., & Kockelman, K. Universal Kriging vs GWR (Texas) – neil kriging võitis GWR-i just hõredates piirkondades
- Das, S., & Tsapakis, I. Interpretable machine learning approach in estimating traffic volume on low-volume roadways