Obsidian/Doktoritöö/Liiklussageduse kaudne hindamine/02_Metoodika/09 Kesksus vs nõudlusmudel (pilotkatse).md

---

tags: [doktoritöö, metoodika, kesksus, betweenness, valideerimine]

loodud: 2026-09-15

09 Kesksus vs nõudlusmudel (pilotkatse)

Taust

Tivadar Danka (The Palindrome) teaser graafiteooria videole – ta ehitas kodulinna tänavatest graafi ja arvutas pikkusega kaalutud edge centrality ja väitis: "Without any traffic data, this map perfectly shows which streets are most painful to navigate during rush hour."

Lingid: tviit · artikkel/teadaanne (video pole veel väljas)

Küsimus: kas puhas struktuurne kesksus asendab nõudlusmudelit hõreasustuses – st kas Danka väide kehtib ka seal, kus meie meetod töötab?

Meetod

• Võrk: Valga vald, OSM (osmnx 2.1.0), kohalik teedevõrk (residential/unclassified/service/track/living_street), 3 960 sõlme, 6 984 kohalikku lõiku
• Kesksus: networkx.edge_betweenness_centrality, weight="length", k=100, seed=42 (sama seade nagu valga_analysis.py)
• Valideerimisandmed: Transpordiameti 2025 riigimaanteede loendused (results/validation/validation_2025.csv), väljapääsupunktide kaupa
• Võrdlus: Spearman + log-log korrelatsioon loendusega (AKÖL autot/ööp)
• Skript: liiklussagedus/centrality_pilot.py · väljund: results/centrality_pilot/

Tulemused (Spearman loendusega)

Grupp	n	Gravitatsioonimudel (trips)	Kesksus (serva-BC summa)	Kesksus (sõlme-BC)	Hübriid 50/50
Kõik	951	+0.346	+0.125	+0.016	+0.301
Kõrvalmaanteed	651	+0.329	+0.168	+0.060	+0.300
Tugimaanteed	189	+0.417	+0.138	−0.023	+0.323
Põhimaanteed (transit)	111	−0.150	−0.097	–	−0.102
Teisaldatav loendus	718	+0.326	+0.095	+0.027	+0.271
Mudelloendus	141	+0.134	−0.138	−0.044	+0.007

(log-log r tugimaanteedel: kesksus +0.57…+0.62 – log-skaalal tugev seos, kuigi Spearman nõrk)

Järeldused

1. Struktuur üksi on hõreasustuses nõrk ennustaja (ρ ≈ 0.13; sõlme-kesksus praktiliselt 0). Danka "without any traffic data" väide ei kandu üle hõredale maapiirkonnale – seal määrab liikluse nõudlus (rahvastik, atraktorid), mitte võrgu topoloogia.
2. Nõudlusmudel (gravitatsioon) on selgelt parem (ρ ≈ 0.35–0.42) – see kinnitab meie metoodika põhjendust.
3. Lihtne 50/50 hübriid ei paranda tulemust – kesksus lisab sellisel kujul müra, mitte infot.
4. Põhimaanteedel on mõlemad negatiivsed (läbisõit/transit domineerib) – sama muster, mis varem dokumenteeritud ([[Liiklussageduse kaudne hindamine/02_Metoodika/07 Valideerimine]]).
5. Tugimaanteedel on kesksuse log-log seos tugev (+0.6) – võimalik, et keskus kannab infot suurusjärgu kohta, isegi kui pingerea järjekord ei klapi.

Soovitused edasiseks

• Kesksus tunnusena, mitte liidetavana: panna kesksus ML-mudelisse (koos rahvastiku, teeklassi, lähedusega) – vt [[Liiklussageduse kaudne hindamine/02_Metoodika/08 ML-põhised meetodid]].
• Nõudlusega kaalutud kesksus: betweenness, kus lähtepunktid on kaalutud rahvastiku/POI-dega (demand-weighted betweenness) – teoreetiliselt õigem kui toores BC.
• Mitme valla peale korrata (Otepää, Tõrva, Võru) – kas muster püsib.
• Kirjandus: Gao 2013 (10.1068/b38141), Akbarzadeh 2017 (10.1007/s11116-017-9814-y, nõudlus+kesksus), Kirkley 2018 (10.1038/s41467-018-04978-z), Jayasinghe 2015 (10.7708/ijtte.2015.5(2).05) – kõik lisatud Zoterosse kogumikku „doktoritöö".

Piirangud

• Betweenness k=100 valimiga; võrk on tugevalt killustunud (618 komponenti) – väljapääsupunktide kesksus on komponendipõhine
• Võrdlus toimub väljapääsupunkti tasemel (mitte lõigu tasemel) – lõigupõhine test annaks detailsema pildi
• Gravitatsioonimudeli trips väärtused on ise mudeliväljundid (mitte sõltumatud andmed)