آشکارسازی الگوهای مکانی- زمانی سفر تاکسی بر اساس تخمین تراکم هسته شبکه بهبودیافته

خلاصه

داده های تحرک تاکسی نقش مهمی در درک تحرک شهری در زمینه ترافیک شهری ایفا می کند. به طور خاص، تاکسی بخش مهمی از حمل و نقل شهری است و سفرهای تاکسی منعکس کننده رفتارهای انسانی و الگوهای حرکتی است که به ما امکان می دهد تنوع فضایی این الگوها را شناسایی کنیم. اگرچه سفرهای تاکسی در قالب جریان های شبکه ایجاد می شوند، کارهای قبلی به ندرت الگوهای جریان شبکه را در تجزیه و تحلیل داده های تحرک تاکسی در نظر گرفته اند. در عوض، بیشتر آثار بر روی الگوهای نقطه ای یا الگوهای سفر متمرکز بودند که ممکن است یک عکس فوری ناقص ارائه دهند. در این کار، ما یک رویکرد جدید برای کشف الگوهای مکانی- زمانی سفر تاکسی با در نظر گرفتن الگوهای جریان نقطه، سفر و شبکه به صورت همزمان پیشنهاد می‌کنیم. در چارچوب این رویکرد، یک روش بهبود یافته تخمین تراکم هسته شبکه (imNKDE) ابتدا برای تخمین چگالی نقاط تحویل و رها کردن سفر تاکسی (ODs) توسعه یافته است. در مرحله بعد، همبستگی بین فعالیت های خدمات تاکسی (به عنوان مثال، ODs) و کاربری زمین مورد بررسی قرار می گیرد.
دوره-آموزش-حرفه-ای-gis
سپس، الگوهای سفر سفرهای تاکسی و مسیرهای مربوط به آن برای آشکار کردن همبستگی بین سفرها و ساختار جاده تحلیل می‌شوند. در نهایت، تجزیه و تحلیل جریان شبکه برای سفر تاکسی در میان مناطق با انواع کاربری های مختلف زمین در زمان های مختلف برای کشف OD های سفر تاکسی مکانی و زمانی از دیدگاهی جدید انجام می شود. یک مطالعه موردی در شهر شنژن، چین، به طور کامل ارائه شده و برای اهداف توضیحی مورد بحث قرار گرفته است. ODs) و کاربری زمین مورد بررسی قرار می گیرد. سپس، الگوهای سفر سفرهای تاکسی و مسیرهای مربوط به آن برای آشکار کردن همبستگی بین سفرها و ساختار جاده تحلیل می‌شوند. در نهایت، تجزیه و تحلیل جریان شبکه برای سفر تاکسی در میان مناطق با انواع کاربری های مختلف زمین در زمان های مختلف برای کشف OD های سفر تاکسی مکانی و زمانی از دیدگاهی جدید انجام می شود. یک مطالعه موردی در شهر شنژن، چین، به طور کامل ارائه شده و برای اهداف توضیحی مورد بحث قرار گرفته است. ODs و کاربری زمین مورد بررسی قرار می گیرد. سپس، الگوهای سفر سفرهای تاکسی و مسیرهای مربوط به آن برای آشکار کردن همبستگی بین سفرها و ساختار جاده تحلیل می‌شوند. در نهایت، تجزیه و تحلیل جریان شبکه برای سفر تاکسی در میان مناطق با انواع کاربری های مختلف زمین در زمان های مختلف برای کشف OD های سفر تاکسی مکانی و زمانی از دیدگاهی جدید انجام می شود. یک مطالعه موردی در شهر شنژن، چین، به طور کامل ارائه شده و برای اهداف توضیحی مورد بحث قرار گرفته است.

کلید واژه ها:

نقاط حمل و نقل (ODs) ؛ تخمین چگالی هسته شبکه (NKDE) ; داده های کاربری زمین ؛ تطبیق نقشه

1. معرفی

داده های تحرک شهری برای توسعه شهری اهمیت قابل توجهی دارند و نقش مهمی در درک سیستم ترافیک شهری دارند [ 1 ، 2 ]، معمولاً شامل مسیرهای تاکسی [ 3 ، 4 ]، مسیرهای اتوبوس [ 5 ]، سوابق کارت هوشمند برای حمل و نقل [ 6 ] است. ، مسیرهای به اشتراک گذاری دوچرخه [ 7 ، 8] و سایر سیستم های حمل و نقل عمومی (زیر زمین، تراموا، راه آهن و غیره). در این میان، تاکسی بخش مهمی از حمل و نقل شهری است و سفرهای تاکسی منعکس کننده رفتارهای انسانی و الگوهای حرکتی است که به ما امکان می دهد تنوع فضایی الگوهای تحرک را شناسایی کنیم. به طور خاص، الگوهای نقطه‌ای، الگوهای سفر و الگوهای جریان شبکه فرصت ارزشمندی را برای به دست آوردن بینش‌های ارزشمند در مورد تحرک تاکسی، که یکی از مهم‌ترین بخش‌های تحرک شهری است، ارائه می‌دهد [9 ] . امروزه برای کاربرد ترافیک شهری مهم است.
درک بینش هایی که داده های تحرک دلالت می کنند ضروری است. تحقیقات تحرک تاکسی عمدتاً بر سه جنبه زیر متمرکز شده است. اول، اکثر مطالعات عمدتاً الگوهای نقطه‌ای را در نظر می‌گیرند، مانند مسیرهای تاکسی، که می‌توانند بینش مرتبطی را در مورد رفتار مسافران [ 10 ، 11 ]، اهداف سفر [ 12 ، 13 ] و الگوهای فضایی [ 14 ، 15 ] ارائه دهند. دوم، برخی از مطالعات بیشتر الگوهای سفر را در نظر گرفتند، مانند سفرهای تاکسی اهرمی، که نقاط تحویل و رها کردن آنها (ODs) [ 16]] برای تحلیل الگوی فضایی و شناسایی هدف سفر و توزیع فضایی استفاده می شود. توجه داشته باشید، در این مقاله، ما مکان رویدادهای انتخاب را به عنوان Os، مکان رویدادهای drop-off را به عنوان Ds، جفت O و D را OD تعریف می کنیم. سوم، مطالعات اندکی الگوهای جریان شبکه را در نظر گرفتند و بسیاری از روش‌شناسی‌ها به طور کلی یک الگوی واحد را برای بهره‌برداری استخراج کردند [ 17 ، 18 ].
در حین بررسی الگوهای نقطه ای، بررسی رابطه بین انواع کاربری زمین و داده های تحرک انسانی [ 19 ] مهم است، زیرا فعالیت های انسانی ارتباط نزدیکی با انواع کاربری زمین دارد [ 20 ]. بسیاری از مطالعات رفتارهای سفر انسان را بر اساس انواع کاربری زمین ردیابی کرده اند [ 9 ، 10 ]. رابطه معکوس موجود بین فعالیت‌های انسانی و انواع کاربری‌های زمین (یعنی استخراج دسته‌های کاربری زمین از فعالیت‌های مسکونی) مطالعات بسیاری را آغاز کرده است [ 16 , 17 , 21 , 22]. ویژگی‌های چندگانه استخراج‌شده از داده‌های مسیر تاکسی، مانند جریان خروجی، ورودی، جریان خالص (ورودی-خروجی) و نسبت جریان خالص ([inflow – outflow]/[inflow + outflow]) می‌توانند از طبقه‌بندی کاربری زمین پشتیبانی کنند [ 23 ، 24 ] . به عنوان مثال، Ge و همکاران. یک چارچوب یکپارچه برای ترکیب چندین ویژگی و افزایش دقت طبقه‌بندی کاربری زمین [ 25 ] پیشنهاد کرد. این ویژگی‌های مبتنی بر مسیر تاکسی با یک روش مبتنی بر سلول شبکه محاسبه شد و داده‌های مسیر تاکسی به فضای شبکه جاده‌ای تبدیل نشد. تأثیر کاربری های مختلف زمین و مناطق بر روی OD سفر تاکسی ممکن است در سری های زمانی متفاوت باشد. درک رابطه بین کاربری زمین و فعالیت های خدمات تاکسی می تواند بینش های مرتبطی را در مورد چگونگی بهینه سازی برنامه ریزی حمل و نقل ارائه دهد.
پیش از این، الگوریتم تخمین تراکم هسته شبکه (NKDE) که یک تابع چگالی هسته را بر اساس فاصله شبکه جاده به جای فاصله اقلیدسی در نظر می گیرد، برای تجزیه و تحلیل رویدادهای نقطه ای در امتداد شبکه های جاده ای استفاده می شد [26 ] . تجزیه و تحلیل مبتنی بر NKDE می تواند الگوهای دقیق تری را در سناریوهای مرتبط با شبکه ارائه دهد، و اطلاعاتی را در مورد پرتراکم ترین بخش های شبکه جاده ای در اطراف رویدادهای نقطه ای ارائه می دهد. در حالی که NKDE به طور گسترده برای بررسی حوادث ترافیکی [ 27 ]، فعالیت های اقتصادی [ 28 ]، مناطق تجاری مرکزی [ 29 ] و دسترسی به نقاط مورد علاقه (POIs) [ 30] استفاده شده است.]، مطالعات اندکی از آن برای کاوش الگوهای فضایی ODs در امتداد شبکه‌های جاده‌ای استفاده کرده‌اند.
در الگوهای سفر، بسیاری از مطالعات از OD های سفر تاکسی برای تجزیه و تحلیل ویژگی ها استفاده کردند [ 16 ]. یک حوزه تحقیقاتی مهم، کشف الگوهای رفتاری افراد با تجزیه و تحلیل ODهای سفر تاکسی است. چنین ODها، محاسبه‌شده از داده‌های مسیر تاکسی، برای تحلیل الگوی سفر، هدف سفر و توزیع فضایی با استفاده از جعبه‌ابزار سیستم اطلاعات جغرافیایی مکانی-زمانی (GIS) یکپارچه بررسی شده‌اند. در همین حال، خدمات تاکسی یکی از مهم ترین فعالیت های رانندگی است، و به طور گسترده ای برای تعیین کمیت ویژگی های حمل و نقل استفاده شده است [ 31 ]. به عنوان مثال، تئوری حمل و نقل نشان می دهد که رانندگان زمان سفر را برای رفتار انتخاب مسیر به حداقل می رساند [ 32و برخی از مطالعات نشان دادند که مسیرهای تاکسی می توانند بینش های مرتبطی را در مورد رفتار مسافران [ 10 ، 11 ]، اهداف سفر [ 12 ، 13 ] و الگوهای فضایی [ 14 ، 15 ، 16 ] ارائه دهند که از این پس توجه زیادی را برای تحقیق به خود جلب می کند.
در واقع، سفرهای تاکسی در یک جریان شبکه ایجاد می‌شوند که برای تحلیل سفر فضایی تحت الگوهای جریان شبکه بصری‌تر است. جریان شبکه مکان ها، پیوندها و تعامل بین مکان ها را با تعداد پیوندها در نظر می گیرد [ 33 ]. شن و همکاران هدف این است که از طریق تجزیه و تحلیل حجم زیادی از داده‌های تاکسی، الگوهای مکانی و زمانی مانند ویژگی‌های مکان افراد و حرکات فضا-زمان (که روند آنها در طول زمان متفاوت است) کشف کند. لیو و همکاران یک مدل شبکه جاسازی شده فضایی برای کشف تعاملات فضایی درون شهری پیشنهاد کرد [ 21 ].
به طور خلاصه، آثار موجود تنها یک نوع الگوی فضایی را در نظر می گیرند. از آنجایی که داده‌های حرکت تاکسی به خودی خود در قالب قاب نقطه در دسترس هستند، و رفتار انسانی مرتبط در قالب چارچوب شبکه است، تجزیه و تحلیل الگوهای فضایی از طریق سه منبع اطلاعات طبیعی و ضروری است. در این کار، ما ادغام الگوهای نقطه‌ای، الگوهای سفر و الگوهای جریان شبکه را دنبال می‌کنیم تا بتوانیم شناسایی و درک بهتری از تنوع فضایی داده‌های حرکت تاکسی ارائه کنیم. به طور خاص، ما پیشنهاد می‌کنیم تنوع فضایی الگوهای سفر را از داده‌های تحرک تاکسی با در نظر گرفتن جنبه‌های نقطه، سفر و شبکه به طور همزمان شناسایی کنیم. برای دستیابی به این هدف، سه موضوع چالش برانگیز وجود دارد که باید به آنها پرداخته شود که در زیر به تفصیل شرح داده شده است:
(1)
اول از همه، اگرچه پیشرفت های زیادی در ادبیات مربوط به رابطه بین کاربری زمین و حمل و نقل انجام شده است (عملکرد خوب از توزیع های فضایی، آمار فضایی و تجزیه و تحلیل فضایی گزارش شده است)، مطالعات کمی روی رابطه بین تاکسی متمرکز شده است. الگوهای فضایی و کاربری زمین با در نظر گرفتن این ملاحظات، ما یک روش جدید به نام تخمین تراکم هسته شبکه بهبود یافته (imNKDE) پیشنهاد می کنیم که قادر است چگالی OD را به طور موثر از مقدار زیادی از داده های مسیر تاکسی تخمین بزند و الگوهای فضایی را از چگالی OD شناسایی کند. و داده های کاربری زمین از طریق رگرسیون پواسون.
(2)
روابط و ویژگی‌های فضایی یک سفر تاکسی و مسیرهای مربوط به آن به اندازه کافی بررسی نشده است و این موارد برای یافتن توزیع گرم‌ترین بخش‌های جاده مفید هستند. در حالی که یک سفر تاکسی با مسافران احتمالاً کوتاه ترین مسیر را دنبال می کند، یعنی کوتاه ترین مسیر [ 32]، سفری که در نهایت توسط یک راننده تاکسی انتخاب می‌شود ممکن است تحت تأثیر عوامل مختلفی از شبکه و ساختار جاده‌ها باشد، مانند زمان سفر، سرعت سفر، تعداد خطوط جاده و پیچ‌های چپ، و نسبت بزرگراه‌ها. به این ترتیب، هنوز مشخص نیست که یک سفر تاکسی تا چه حد کوتاه ترین مسیر را دنبال می کند. در اینجا، ما استفاده از الگوهای سفر را برای اندازه‌گیری رابطه بین سفرهای تاکسی و مسیرهای تاکسی بر اساس شباهت‌های آنها پیشنهاد می‌کنیم. یک مدل رگرسیون برای بررسی بیشتر عوامل بالقوه ای که ممکن است بر انتخاب راننده تاکسی برای سفرهای تاکسی تأثیر بگذارد، معرفی شده است.
(3)
موضوع مهم دیگری که در نظر می گیریم این است که جریان شبکه فعلی برای یکپارچه سازی تجزیه و تحلیل نقطه ای طراحی شده است که برای تجزیه و تحلیل سفر مناسب نیست. همانطور که گفته شد، الگوهای سفر ضروری هستند. با این حال، مطالعات قبلی رابطه فضایی بین سفرهای طولانی و کوتاه تاکسی را نشان ندادند. بنابراین، تجزیه و تحلیل جریان شبکه بیشتر باید در نظر گرفته شود تا اثرات مبتنی بر فاصله را در بین سفرهای تاکسی آشکار کند. در این کار، ما پیشنهاد می‌کنیم که از تجزیه و تحلیل الگوی جریان شبکه برای مدل‌سازی تفاوت‌های بین ODهای سفر تاکسی و داده‌های کاربری زمین استفاده کنیم. به طور خاص، ما از تحلیل تعامل فضایی مبتنی بر منطقه‌ای و درون منطقه‌ای برای دریافت این تفاوت‌ها استفاده می‌کنیم.
یک مطالعه موردی در شهر شنژن، چین، برای اهداف اعتبار سنجی انتخاب شده است. داده‌های تحرک تاکسی، همراه با داده‌های کاربری زمین و داده‌های شبکه جاده در نظر گرفته می‌شوند. مشارکت های اصلی کار ما را می توان به شرح زیر خلاصه کرد:
(1)
یک NKDE (imNKDE) بهبود یافته برای پردازش مقدار زیادی از مسیرهای تاکسی برای تخمین چگالی OD پیشنهاد شده است.
(2)
با در نظر گرفتن مشترک OD های سفر تاکسی و داده های شبکه جاده ای، مشاهده می شود که رانندگان تاکسی جاده هایی با خطوط یا بزرگراه های بیشتر را ترجیح می دهند.
(3)
ما الگوهای جریان شبکه را شناسایی می کنیم که برای کشف تعاملات فضایی بین مناطق مختلف و کاربری زمین استفاده می شود.
ادامه مقاله به شرح زیر تدوین شده است. بخش 2 برخی از کارهای مرتبط را شرح می دهد. بخش 3 داده های تحقیق را معرفی می کند. بخش 4 روش شناسایی الگوهای فضایی برای داده های تحرک شهری را شرح می دهد. نتایج و تحلیل های مفصل در بخش 5 آورده شده است . بخش 6 مقاله را با برخی نکات و نکاتی در مورد خطوط تحقیقاتی قابل قبول در آینده به پایان می‌رساند.
دوره-آموزش-حرفه-ای-gis

2. کارهای مرتبط

2.1. الگوهای نقطه برای تجزیه و تحلیل مسیر تاکسی

داده های تحرک یکی از نوظهورترین و فعال ترین حوزه های نوآوری را برای حمل و نقل شهری پایدار تقویت کرد [ 34 ، 35 ، 36 ، 37 ]. مسیرهای تاکسی نشان دهنده یک منبع مهم داده جابجایی مبتنی بر جاده است. ژو و همکاران ساختارهای عملکردی شهری و فعالیت‌های مردم را با استفاده از مکان‌های حیاتی شبکه مبتنی بر مسیرهای تاکسی تجزیه و تحلیل کرد [ 38 ]. مناطق عملکردی را می توان با مسیرهای تاکسی، با استفاده از روش های خوشه بندی تعریف کرد [ 39 ، 40 ، 41 ، 42]. با این وجود، تمرکز بر روی OD های سفر تاکسی ممکن است منجر به از دست رفتن اطلاعات حمل و نقل در کل سفر شود، بنابراین ویژگی های کوتاه ترین مسیر در طول سفر و مسیرها نادیده گرفته می شود. به همین ترتیب، انجام تحلیل های فضایی برای رویدادهای مسیر تاکسی در امتداد شبکه های جاده ای ضروری است. NKDE به طور گسترده ای برای شناسایی نقاط داغ شهری در امتداد شبکه های جاده ای بر اساس مسیرهای تاکسی استفاده شده است [ 43 ، 44 ، 45 ]. دلسو و همکاران یک مدل یکپارچه برای اندازه گیری تناسب عابر پیاده-زیستگاه خیابان ها [ 46 ] پیشنهاد کرد. نوع کاربری زمین نیز روابط قوی با مسیرهای تاکسی دارد. پان و همکاران یک الگوریتم خوشه بندی بهبود یافته برای انجام طبقه بندی کاربری اراضی با استفاده از داده های تاکسی [ 24] پیشنهاد کرد.]، با این حال، این کار OD های سفر تاکسی را در امتداد شبکه های جاده ای در نظر نگرفت و الگوهای فضایی بین OD ها و انواع کاربری زمین را شناسایی نکرد. حجم ترافیک یا طول سفر برای توضیح حجم ترافیک یا طول سفر (از دیدگاه کاربری زمین) با تجزیه و تحلیل وابستگی بین رفتارهای انسان و انواع کاربری زمین استفاده شده است [47 ، 48 ] .

2.2. تجزیه و تحلیل الگوهای سفر تاکسی

درک رفتار انتخاب مسیر مسیرهای تاکسی برای حمل و نقل شهری پایدار ضروری است. تئوری حمل و نقل Wardrop نشان می دهد که رانندگان زمان سفر را برای رفتار انتخاب مسیر به حداقل می رساند [ 33 ]. دنبال کردن کوتاه ترین مسیر یکی از ویژگی های اصلی رفتار انتخاب مسیر انسان است، زیرا کوتاه ترین مسیر به طور بالقوه حداقل زمان سفر را نشان می دهد [ 34 ]. با این حال، یائو و همکاران. دریافتند که رانندگان تاکسی تمایل دارند مسیری را با سرعت سفر سریع‌تر، گردش به چپ کمتر و نسبت بزرگراه‌ها (فقط با در نظر گرفتن 221 سفر تاکسی در پکن) انتخاب کنند [ 49 ]. سان و همکاران نشان داد که مسافت سفر، زمان سفر و ترجیح جاده تأثیر زیادی بر انتخاب مسیر رانندگان تاکسی دارند (به عنوان مثال، داده های مسیر تاکسی شنژن [ 50]]). تعداد کل سفرهای تاکسی در کار Sun و همکاران حدود 4000 بود که بسیار کمتر از کل سفرها در سناریوهای مسیر تاکسی در دنیای واقعی است. به نوبه خود، مدل رگرسیون لجستیک چند جمله ای برای مدل سازی انتخاب مسیر استفاده شده است که نسبتاً تحت تأثیر زمان واقعی سفر است [ 51 ]. همانطور که قبلا ذکر شد، رانندگان تاکسی تمایل دارند مسیری را با کمترین مسافت یا سریعترین زمان انتخاب کنند [ 51 ، 52 ]. در نتیجه، کشف این که کدام سفرهای تاکسی (با مسافر) کوتاه‌ترین مسیر را در حضور عوامل مختلف دنبال می‌کنند، با استفاده از مجموعه داده‌های مسیر تاکسی در مقیاس بزرگ‌تر بسیار مهم است.

2.3. الگوی جریان شبکه برای تحلیل مسیر تاکسی

جریان شبکه تاکسی مکان ها، پیوندها و تعامل بین مکان ها را با تعداد پیوندها در نظر می گیرد [ 53 ]. تجسم جریان شبکه برای سفرهای تاکسی (با استفاده از شمارش مبتنی بر سلول شبکه) این پتانسیل را دارد که تعاملات فضایی بین بخش‌های مختلف را منعکس کند [ 53 ، 54 ]، اما این روش فقط ویژگی‌های مسیرهای تاکسی را در نظر می‌گیرد. یانگ و همکاران یک روش نقشه جریان به نام MapLinks برای تجزیه و تحلیل ODs [ 55 ] پیشنهاد کرد. روش OD-Wheel جزئیاتی از الگوهای محلی در مسیرهای تاکسی را نشان داد [ 56 ]. تحقیقات بیشتری برای گنجاندن جریان های شبکه در الگوهای تحرک تاکسی مورد نیاز است.

3. منطقه مطالعه و مجموعه داده

3.1. منطقه مطالعه

شهر شنژن در استان گوانگدونگ چین به عنوان منطقه مطالعه ما انتخاب شده است. شنژن در جنوب شرقی چین و در مجاورت هنگ کنگ واقع شده است ( شکل 1 را ببینید.). شنژن به عنوان یک منطقه ویژه اقتصادی و یک کلان شهر مدرن در چین، یکی از شهرهای درجه یک چین است. در همین حال، شنژن یکی از کارآمدترین شهرهای سرزمین اصلی چین است. ناحیه لوهو، ناحیه نانشان و ناحیه فوتیان بخش‌های مرکزی به عنوان مراکز اداری، مالی، فرهنگی و اطلاعاتی شهر شنژن هستند. در پایان سال 2019، 9 ناحیه اداری و یک ناحیه جدید وجود دارد. مساحت کل شنژن 1997.47 کیلومتر مربع و مساحت ساخته شده 927.96 کیلومتر مربع است. جمعیت دائمی آن 13438800 نفر است. به عنوان یکی از پرجمعیت ترین شهرهای چین، در شنژن سیالیت ترافیک شدیدی وجود دارد. نمایش دیجیتال 2019 شبکه جاده شنژن از 72357 بخش جاده و 51074 گره شبکه تشکیل شده است.https://www.openstreetmap.org/ ) با استفاده از OSMnx [ 57 ، 58 ] ( شکل 2 را ببینید ).

3.2. داده های تحرک تاکسی

داده های تحرک تاکسی در شنژن در این کار از مجموعه داده STL ( https://github.com/cbdog94/STL ) در [ 59 ] تولید شده است. جدول 1 فراداده این مجموعه داده را توضیح می دهد. این مجموعه داده تحرک تاکسی در سپتامبر 2009 جمع‌آوری شد. داده‌های تحرک تاکسی مورد استفاده در این مطالعه عمدتاً بر منطقه مرکز شهر متمرکز بود.
هر رکورد حرکت تاکسی شامل شناسه تاکسی، زمان، طول جغرافیایی، عرض جغرافیایی، سرعت، جهت، وضعیت اشغال و سایر اطلاعات است. جدول 2 شرحی از هر رکورد برای مجموعه داده تاکسی شنژن را نشان می دهد.
شکل 3 نقشه حرارتی مسیرهای تاکسی را برای مجموعه داده تاکسی شنژن با مسافران اشغال شده نشان می دهد. در این شکل شبکه راه ها را می توان به وضوح مشاهده کرد. مسیرهای تاکسی با بخش‌های جاده‌ای هم‌تراز هستند و منطقه مورد مطالعه دارای توزیع‌های رنگی مکانی متفاوت است.

3.3. داده های کاربری زمین

سیزده نوع برای داده های کاربری زمین در نظر گرفته شده است، از جمله آپارتمان ها، کسب و کار، فرهنگ، آموزش، تسهیلات، علفزار، بهداشت، پارکینگ، گشت و گذار، ورزش، مترو، حمل و نقل، آب و موارد دیگر (شکل 4 ) . شنژن یکی از “شهرهای اسفنجی” (در لیست آزمایشی) در چین است. یک جنبه مهم این است که خلبانان “شهر اسفنجی” دارای علفزار و آب فراوان هستند. انواع کاربری اراضی با علفزار و آب نیز در این مطالعه در نظر گرفته شده است. داده های آپارتمان از نتیجه همپوشانی نقشه از مجموعه داده های ساختمان و لایه تسهیلات تولید شد. داده‌های کاربری زمین در سال 2014 جمع‌آوری شد. از کمیسیون برنامه‌ریزی و منابع زمین شهرداری شنژن و اداره آمار شهرداری شنژن به‌دست آمد. با توجه به [ 60]، زمین ساخت و ساز در منطقه مرکز شهر، به ویژه زمین حمل و نقل، از سال 2009 به کندی توسعه یافته است. در این منطقه، زمین حمل و نقل عمدتا به حاشیه و اطراف گسترش یافته است. علاوه بر این، همانطور که در بالا ذکر شد، داده‌های جابجایی تاکسی عمدتاً بر منطقه مرکز شهر متمرکز شده است که از سال 2009 تا 2014 از هر دو جنبه انواع کاربری زمین و ساختارهای حمل‌ونقل تغییرات جزئی داشته است. بنابراین، حتی داده‌های کاربری اراضی مورد استفاده در این مطالعه در سال 1393 جمع‌آوری شده است، زمین حمل‌ونقل آن به‌ویژه در محدوده مرکز شهر نسبت به سال 2009 تغییر کمی داشته است. بنابراین مناسب است از داده‌های کاربری اراضی سال 1393 و تاکسی استفاده شود. داده های سفر از سال 2009 برای تجزیه و تحلیل الگوهای سفر تاکسی.
دوره-آموزش-حرفه-ای-gis

4. روش شناسی

در این بخش، روش پیشنهادی برای شناسایی الگوهای تحرک چندگانه در شنژن ارائه می‌کنیم. برای هدف توضیحی، گردش کار اتخاذ شده برای کشف الگوهای مکانی-زمانی در شکل 5 نشان داده شده است.. ابتدا، نقاط دریافت (Os)، نقاط رها کردن (Ds)، سفرهای OD و داده‌های سری زمانی از مجموعه داده‌های تاکسی به‌دست می‌آیند. در این مطالعه، الگوهای مکانی- زمانی سفر تاکسی از سه جنبه الگوهای نقطه‌ای، الگوهای سفر و الگوهای جریان شبکه آشکار می‌شوند. برای الگوهای نقطه ای، ما یک روش imNDKE را برای تخمین تراکم OD بر اساس ODs و شبکه جاده پیشنهاد می کنیم. به منظور آشکارسازی الگوهای نقطه ای سفر تاکسی، از روش OLS برای شبیه سازی رابطه بین کاربری زمین و تراکم O و تراکم D استفاده شده است. برای الگوهای سفر، مرتبط با شبکه جاده، ما کوتاه ترین مسیرها را برای سفرهای OD محاسبه می کنیم. در مرحله بعد، برای تجزیه و تحلیل رابطه بین سفر تاکسی و کوتاه ترین مسیر، نرخ تصادف (CR) یک سفر OD و کوتاه ترین مسیر مربوطه محاسبه می شود. در همین حال، توزیع فضایی “جاده داغ” نیز نشان داده شده است. برای الگوهای جریان شبکه، جریان شبکه در میان مناطق مختلف از تحلیل مکانی و زمانی Os، Ds، OD-trips و سری‌های زمانی به‌دست می‌آید. ما یک نمودار وتر برای تجسم جریان ها و کمی کردن داده های جریان طراحی می کنیم. بر اساس روش های ذکر شده در بالا، الگوهای مکانی و زمانی سفر تاکسی از نقطه، سفر و الگوهای جریان شبکه تحلیل می شود.

4.1. پیش پردازش: محاسبه OD ها و تطبیق نقشه

OD های سفر تاکسی در مرحله پردازش جغرافیایی تولید می شوند. داده‌های تاکسی با استفاده از عملیات فضایی تمیز و از قبل پردازش می‌شوند، که در آن زمانی که ویژگی اشغال شده وضعیت غیرعادی دارد (یعنی مقدار نه 0 و نه 1 است)، یا زمانی که تاکسی در همان مکان برای بیش از 10 دقیقه توقف کرده است. ، رکورد داده از در نظر گرفتن حذف می شود. سپس استخراج OD سفر تاکسی را از وضعیت اشغالی هر مسیر به صورت زیر انجام می دهیم:
  • اگر حالت قبلی برای مسیر تاکسی اشغال نشده باشد (بدون مسافر) و وضعیت فعلی مسیر تاکسی اشغال شده باشد (با مسافر)، مسیر فعلی تاکسی نقطه بالقوه وانت (O) است.
  • اگر وضعیت مسافر در مسیر قبلی تاکسی اشغال شده باشد و مسیر فعلی در نقطه ردیابی بعدی اشغال نشده باشد، آنگاه نقطه مسیر قبلی یک نقطه رها کردن جایگزین (D) است.
  • اگر فاصله زمانی بین O و D کوچکتر از حداقل زمان t (5 دقیقه) باشد، این جفت OD نادیده گرفته می شود به دلیل اینکه زمان صرف شده توسط مسافر بسیار کم است و ما فرض می کنیم که یک کار اشغال شده توسط یک مسافر نمی تواند در این مدت تکمیل شود. با در نظر گرفتن این موضوع، OD های سفر تاکسی به دست آمده در شکل 6 نشان داده شده است .
سپس، ما اپراتورهای تطبیق نقشه را برای مسیرهای تاکسی در شبکه جاده، با استفاده از مدل پنهان مارکوف (HMM) انجام می دهیم [ 61 ، 62 ]. الگوریتم کوتاه ترین مسیر کارآمد اغلب در تطبیق نقشه و تجزیه و تحلیل سفر تاکسی در امتداد شبکه جاده استفاده می شود. از آنجایی که الگوریتم A*، یکی از محبوب‌ترین الگوریتم‌های کوتاه‌ترین مسیر، در مقایسه با روش‌های دیگر در شبکه‌های جاده‌ای با کلمه واقعی [ 63 ، 64 ] بسیار خوب عمل می‌کند، ما از یک الگوریتم A* Dijkstra دو طرفه با هیپ باینری استفاده می‌کنیم. توجه داشته باشید که اگر یک رکورد از مسیر تاکسی یک نتیجه مطابق نقشه نداشته باشد، این رکورد نادیده گرفته می شود.

4.2. تخمین تراکم هسته شبکه بهبود یافته (imNKDE)

در این بخش ابتدا به طور خلاصه روش سنتی تخمین تراکم هسته شبکه (NKDE) را معرفی می کنیم. سپس، با استفاده از روش imNKDE پیشنهادی خود، تخمین چگالی ODها را به تفصیل بررسی کردیم، و الگوهای حرکت تاکسی فضایی بین داده‌های تاکسی و داده‌های کاربری زمین در امتداد شبکه‌های جاده‌ای را شناسایی کردیم.

4.2.1. NKDE

KDE (یک روش ناپارامتریک) برای تخمین سطح داده استفاده می شود [ 65 ، 66 ]. تحلیل تابع هسته اساساً یک روش فاصله وزنی است. بر اساس این ایده است که تأثیر نقطه دور بر روی شبکه هدف کمتر از تأثیر نقطه نسبتاً نزدیک است. در تابع تخمین تابع هسته، عوامل موثر بر تخمین تابع هسته، نوع تابع هسته و شعاع جستجوی تابع هسته است. انواع مختلفی از توابع هسته مانند گاوسی، هسته یکنواخت، هسته مثلثی و هسته گاما وجود دارد. تابع گاوسی بیشترین استفاده را در ادبیات دارد. Xie و Yan استدلال کردند که استفاده از توابع مختلف هسته تأثیر کمی بر نتیجه تخمین چگالی دارد [ 67]]. از ضرایب تأثیر تابع تخمین هسته، شعاع جستجو نسبت به استفاده از توابع مختلف هسته تأثیر مهم تری بر نتیجه تخمین هسته دارد.

بر اساس KDE، NKDE به طور گسترده برای شناسایی نقاط داغ و ارزیابی OD ها همراه با شبکه جاده استفاده می شود. پهنای باند برای NKDE تأثیر مهمی در تشخیص صافی الگوهای فضایی دارد، که در آن مشاهده می شود که پهنای باند باریک (بین 20 تا 250 متر) برای شناسایی اثرات محلی در مقیاس های کوچکتر مناسب تر است [67 ] . اجازه دهید NKDE(ایکس)تخمین چگالی هسته شبکه در نقطه x باشد. سپس می توانیم بدست آوریم NKDE(ایکس)به عنوان مجموع چگالی های مختلف هر هسته برای هر نقطه [ 68 ]، همانطور که در رابطه (1) نشان داده شده است:

NKDE(ایکس)=∑من=1nکyمن(ایکس)،

جایی که yمنرویداد نقطه O/D است، با من=1،2،…،n، و nتعداد کل تمام نقاط O/D است. کyمنتابع هسته نقطه است yمن. کyمن(ایکس)مقدار در یک نقطه است ایکساز هسته های مختلف برای هر نقطه، و NKDE(ایکس)مقدار NKDE در یک نقطه است ایکس. در این مطالعه، به دنبال تحقیقات قبلی، هسته گاوسی را انتخاب می کنیم. توجه داشته باشید که مقدار NKDE در یک نقطه O/D از شبکه جاده، چگالی OD را نشان می دهد.

4.2.2. ImNKDE

روش پیشنهادی بهبود یافته NKDE (imNKDE) ما با هدف مقابله با مشکل مقادیر زیادی از مجموعه داده‌های تاکسی، به منظور دستیابی موثر به چگالی OD است. هنگامی که تعداد مسیرها زیاد باشد، فرآیند پرس و جو از هر لبه جاده و رویدادهای تاکسی نزدیک برای روش NKDE زمان بر و چالش برانگیز است. در واقع برای تخمین چگالی OD، در عمل ما چگالی ها را برای رویدادهای افزایش (O) و رویدادهای افت (D) به صورت جداگانه محاسبه می کنیم، به این معنی که برای هر مکان، تخمین چگالی آن به طور مستقل با توجه به مکان دیگر تخمین زده می شود. مکان ها کاملاً برعکس، در کار ما پیشنهاد می‌کنیم که چگالی OD زیرمناطق را از طریق NKDE تخمین بزنیم، زیرا مشاهده می‌شود که NKDE زمانی که تعداد مسیرها نسبتاً کوچک است بسیار کارآمد است. به طور خاص، ما کل شبکه جاده را به زیرشبکه های مختلف تقسیم می کنیم و یک رویکرد محاسباتی موازی با حافظه مشترک برای تخمین چگالی OD برای هر زیرمنطقه معرفی می کنیم. فرض کنید داریمدر لبه های شبکه جاده، لبه های شبکه راه را به k قسمت تقسیم می کنیم ( k برابر با تعداد نخ ها). همه رشته ها به طور همزمان تخمین چگالی را از طریق NKDE اجرا می کنند، جایی که یک روش محاسباتی موازی حافظه مشترک (که در آن رشته های مختلف شاخص های فضایی رویدادهای تاکسی را به اشتراک می گذارند) برای پردازش کارآمد پیشنهاد شده است. پس از اجرای تمام وظایف محاسباتی برای هر لبه جاده و پرس و جو از رویدادهای تاکسی نزدیک، نتایج را به عنوان چگالی OD نهایی جمع می کنیم. پارامترهای متد imNKDE به صورت زیر تنظیم شده است. شعاع جستجو برای تابع هسته گاوسی روی 200 متر تنظیم شده است. روش تقسیم مساوی با ده بخش در شبکه جاده انتخاب شده است [ 26 ].
شکل 7 ویژگی روش های NKDE و imNKDE و تفاوت بین آنها را نشان می دهد. همانطور که در شکل 7 نشان داده شده است، برای NKDE، رویدادهای O و D به صورت جداگانه برای کل منطقه محاسبه می شوند. به دلیل حجم زیاد داده و ساختار پیچیده شبکه، تخمین آن زمان بر است. برای بهبود کارایی محاسبه، شبکه جاده را به بخش‌های مختلف تقسیم می‌کنیم و تراکم O و D را همزمان برای بخش‌های مختلف در imNKDE پیشنهادی ما تخمین می‌زنیم. به طور خاص، به منظور بهبود کارایی و جلوگیری از از دست دادن اطلاعات مکانی در حین تجزیه شبکه جاده، چگالی OD برای هر بخش با یک روش محاسباتی موازی حافظه مشترک محاسبه می‌شود. در مرحله بعد، چگالی OD قطعات برای به دست آوردن چگالی OD نهایی تجمیع شده است. به طور کلی، در مقایسه با NKDE اصلی،

در نهایت، ما از imNKDE پیشنهادی برای بررسی رابطه بین سفر تاکسی و کاربری زمین استفاده می‌کنیم. در اینجا ما تراکم OD سفر تاکسی و داده‌های کاربری زمین را در نظر می‌گیریم. رگرسیون پواسون برای بررسی رابطه بین imNKDE و کاربری زمین استفاده می شود. برای تجزیه و تحلیل رابطه، مقدار imNKDE در مجموعه داده مبتنی بر شبکه 500 متر * 500 متر قرار می گیرد. سپس، مقدار نوع کاربری زمین به مجموعه داده مبتنی بر شبکه تجمیع می شود. رگرسیون حداقل مربعات معمولی (OLS) یک روش رگرسیون چند متغیره ساده و موثر برای تخمین عوامل ناشناخته برای رگرسیون پواسون است. فرمول مدل OLS با معادله (2) تعریف می شود:

r=β0+∑ک=1مترβکایکسک+ε،

جایی که rمتغیر وابسته است، یعنی نوع کاربری زمین، β0رهگیری است، مترتعداد متغیرهای مستقل است، ایکسکمتغیر مستقل است، βکضریب تخمینی مربوطه است و εباقی مانده است. در اینجا، ما به ترتیب رابطه بین تراکم OD سفر تاکسی و انواع مختلف کاربری زمین را محاسبه می‌کنیم. بنابراین، برای انواع کاربری های مختلف، rمقدار imNKDE است، یعنی چگالی O یا چگالی D. از آنجایی که ما فقط نوع کاربری زمین را به عنوان متغیر مستقل در نظر می گیریم، در اینجا، متر=1، و ایکس1نوع کاربری زمین است، بنابراین β1به عنوان ضریب بین کاربری زمین و imNKDE در قسمت های زیر استفاده می شود.

اگر مقدار p برای نتیجه OLS بین imNKDE و نوع کاربری زمین کمتر از 0.05 باشد، آنگاه متغیرها در تأثیرگذاری بر imNKDE در رگرسیون مهم هستند. اگر ضریب برای نتیجه رگرسیون مثبت باشد، شبکه‌هایی با درصد بالای ارزش کاربری زمین دارای imNKDE بالایی هستند.

4.3. الگوهای سفر تاکسی در شنژن (کلان شهر)

سفرها و مسیرهای تاکسی برای توصیف الگوهای سفر استفاده می شود. در این تحقیق تفاوت بین سفر واقعی تاکسی و کوتاه ترین مسیر مربوطه را که با توجه به مسافت محاسبه می شود، تحلیل می کنیم. نرخ تصادف (CR) برای توصیف رابطه بین یک سفر تاکسی و کوتاه ترین مسیر در نظر گرفته می شود. اجازه دهید تی={تی1،…،تیک،…،تیمتر}سفر تاکسی است که با نقشه از مسیر تاکسی، که در آن مطابقت دارد تیکبخش جاده برای سفر تاکسی است، مترتعداد بخش های جاده برای سفر تاکسی است. اجازه دهید اس={س1،…،سمن،…،سn}کوتاه ترین مسیر مربوطه باشد، جایی که سمنبخش جاده برای کوتاه ترین مسیر است، nتعداد بخش های جاده برای کوتاه ترین مسیر است. پ = اس∩تی = {پ1،…،پj،…،پnج}محل تقاطع مجموعه باشد اسو تی، با پjاین بخش جاده ای است که هم از کوتاه ترین مسیر و هم از مسیر واقعی تاکسی عبور می کند nجتعداد این بخش های جاده ای سپس CR را به صورت زیر داریم:

سیآر(تی،اس) = ∑پj∈پ Lپj∑سمن∈اس Lسمن،

جایی که Lسمن طول بخش جاده را نشان می دهد سمن، و Lپj طول بخش جاده را نشان می دهد پj. مقدار CR از 0 تا 1 متغیر است. وقتی مقدار CR 1 است، به این معنی است که سفر تاکسی با کوتاه ترین مسیر یکسان است. وقتی مقدار CR 0 باشد، نشان می‌دهد که هیچ تداخلی بین سفر تاکسی و کوتاه‌ترین مسیر وجود ندارد. در اینجا ما همچنین از OLS برای اهداف تجزیه و تحلیل استفاده می کنیم. اگر مقدار p برای OLS بین مقدار در بخش‌های جاده و فرکانس سفرهای تاکسی کمتر از 0.05 باشد، به این معنی که انتخاب مسیر به‌جای کوتاه‌ترین مسیر، به شدت به ویژگی‌های شبکه جاده وابسته است.

دوره-آموزش-حرفه-ای-gis

4.4. الگوهای جریان شبکه

در این کار، ما از imNKDE پیشنهادی با روش جریان شبکه، برای شناسایی الگوهای زمانی برای سفرهای OD تاکسی در میان مناطق مختلف استفاده می‌کنیم. داده های تاکسی برای درک الگوهای تعامل بین مناطق مختلف ضروری است. جریان شبکه در میان مناطق مختلف می تواند جریان الگوهای حرکت تاکسی را آشکار کند. یک نمودار وتر، نشان دهنده جریان های شبکه یا اتصالات بین گره های شبکه، برای تجسم جریان ها، با استفاده از نمودارهای دایره ای برای تعیین کمیت داده های جریان طراحی شده است [ 69 ، 70 ]. هر جزء با یک قطعه در قسمت بیرونی طرح دایره ای نشان داده می شود. سپس، قوس های جریان شبکه بین هر جفت گره شبکه رسم می شود. عرض قوس متناسب با اندازه جریان شبکه است.
همانطور که نمودار وتر می تواند تعاملات سفرهای تاکسی را در بین مناطق مختلف نشان دهد، یک ماتریس جریان شبکه در میان مناطق مختلف و مناطق مختلف کاربری زمین ساخته شده است. عملگر نقطه در چند ضلعی برای هر جفت تاکسی در جریان OD انجام می شود. توجه داشته باشید که اگر یک نقطه برداشت (O) در منطقه A و نقطه افت (D) در منطقه B قرار داشته باشد، مقدار آیتم ماتریس جریان شبکه از منطقه A به منطقه B به میزان 1 افزایش می یابد. واحد.

5. آزمایش ها و نتایج

این بخش آزمایش‌هایی را بر روی تحلیل الگوی فضایی از مسیرهای تاکسی در شنژن ارائه می‌کند. ما ابتدا رابطه بین داده‌های تاکسی و داده‌های کاربری زمین را بررسی می‌کنیم. سپس الگوهای سفر سفرهای تاکسی و کوتاه ترین مسیرها تحلیل شده و همبستگی بین سفرها و ساختار جاده آشکار می شود. در نهایت، تجزیه و تحلیل جریان شبکه برای داده‌های تاکسی برای کشف ODهای مکانی و زمانی سفر تاکسی مورد مطالعه قرار می‌گیرد.

5.1. تجزیه و تحلیل الگوی نقطه

5.1.1. رابطه بین ایستگاه های مترو و تاکسی های OD

رابطه بین OD ها و ایستگاه های مترو اهداف سفر را نشان می دهد. مکان رها کردن یک سفر (مربوط به کار، خرید، مدرسه، اوقات فراغت و کسب و کار) به شدت بر انتخاب حالت سفر و رفتار سفر در سفر تأثیر می گذارد. با در نظر گرفتن ایستگاه های مترو به عنوان مثال، ما در مورد فاصله مکانی رویدادهای سوار شدن تاکسی و رویدادهای خروج تاکسی بحث می کنیم ( جدول 3 ). ایستگاه ها و خطوط مترو در شنژن در شکل 6 نشان داده شده است . جدول 4نتایج آماری را فقط برای رویدادهای سوار کردن تاکسی، فقط رویدادهای خروج تاکسی، جفت رویدادهای سوار شدن و خروج در نزدیکی ایستگاه‌های مترو نشان می‌دهد. درصد برای جفت رویدادهای تحویل و رها کردن از درصد رویدادهای تحویل و فقط رویدادهای سقوط کمتر است. دلیل اصلی آن این است که وقتی مبدا و مقصد هر دو نزدیک ایستگاه های مترو هستند، مردم ممکن است به جای تاکسی برای سفر، مترو را انتخاب کنند. علاوه بر این، تعداد رویدادهای انتخابی بیشتر از رویدادهای حذفی است. زمان داده های تاکسی که برای تجزیه و تحلیل استفاده کردیم 21:39:45 است. در این شرایط مردم پس از سوار شدن به مترو بیشتر از قبل از مترو از خدمات تاکسی استفاده می کنند.

5.1.2. رابطه بین تراکم OD سفر تاکسی و کاربری زمین

شکل 8 (بالا) مکان های برداشت (O) را نشان می دهد و شکل 8 (پایین) مکان های تخلیه (D) را نشان می دهد که با روش پیشنهادی imNKDE بر روی شبکه جاده ها به دست آمده است. رنگ سبز نشان دهنده مقدار imNKDE کمتر است، در حالی که رنگ قرمز نشان دهنده مقدار imNKDE بالاتر است. در این شکل، می‌توان مشاهده کرد که نتایج برای Os و Ds روی شبکه جاده‌ها الگوهای مشابهی در مقیاس شهر دارند. دو منطقه بالاترین منطقه Futian و Luohu هستند.
جدول 5نتایج همبستگی OLS بین چگالی OD و کاربری زمین را نشان می دهد. ارتباط معنی داری بین OD های سفر تاکسی و انواع کاربری زمین کسب و کار، تسهیلات، علفزار، بهداشت، مترو و حمل و نقل وجود دارد. این نشان می دهد که رویدادهای OD بیشتری در این مناطق رخ می دهد. بعلاوه، همبستگی منفی معناداری بین OD ها و کاربری زمین با آپارتمان، پارکینگ، گشت و گذار، ورزش و آب مشاهده می شود. در نهایت می توان مشاهده کرد که برای کلاس آموزشی، بین رویدادهای ترک تحصیل و کلاس آموزش همبستگی معنی داری وجود دارد، در حالی که همبستگی بین رویدادهای انتخابی و کلاس آموزشی برعکس است. این بدان معناست که رویدادهای رها کردن بیشتر از رویدادهای تحویل در منطقه آموزش وجود دارد. برای منطقه دیدنی، بین رویدادهای رها کردن و کلاس گشت و گذار همبستگی منفی و معنادار وجود دارد، در حالی که برای رویدادهای سوار شدن، همبستگی هنوز منفی است اما معنی دار نیست. این بدان معنی است که رویدادهای رها کردن کمی در مناطق دیدنی وجود دارد. این به این دلیل است که زمان داده‌های تاکسی در ساعت 21:39:45 جمع‌آوری شده است، زمانی که مردم ممکن است در این زمان به گشت و گذار نپردازند.

5.2. الگوهای سفر برای تجزیه و تحلیل مسیر تاکسی

شکل 9 بخش های جاده گرم را در سفر تاکسی و کوتاه ترین مسیرها نشان می دهد. در اینجا، “جاده گرم” به این معنی است که جاده توسط مسیرهای تاکسی بیشتری استفاده می شود. در شکل 9، شاخص جاده های گرم نشان دهنده تعداد مسیرهای تاکسی یا کوتاه ترین مسیرهایی است که از این جاده استفاده می کنند. مشاهده می شود که حداکثر ارزش جاده های گرم در سفرهای تاکسی بیشتر از کوتاه ترین مسیرها است. این نشان می دهد که الگوهای متنوع تری در سفرهای تاکسی نسبت به کوتاه ترین مسیرها وجود دارد. این انتظار می رود، زیرا (در واقعیت) رانندگان احتمالاً به جای کوتاه ترین مسیر، مسیری با دسترسی آسان را انتخاب می کنند. علاوه بر این، بخش‌های جاده گرم برای سفرهای تاکسی و کوتاه‌ترین مسیرها، توزیع‌های مشابهی را در مقیاس شهر نشان می‌دهند. توجه داشته باشید که دو منطقه با تعداد زیاد جاده های گرم در هر دو نقشه وجود دارد: منطقه Futian و منطقه Luohu.
به منظور بررسی بیشتر ساختار جاده‌ای که بر انتخاب‌های راننده تاکسی برای سفرهای تاکسی تأثیر می‌گذارد، ما یک تحلیل OLS بر روی ساختار جاده و جاده‌های داغ انجام می‌دهیم. در مورد ساختار راه، در این کار دو عامل اصلی یعنی تعداد خطوط راه و طبقات عملکردی راه را در نظر می گیریم. نتایج به دست آمده در جدول 6 نشان داده شده است . مشاهده می شود که بین تعداد خطوط جاده و راه های گرم (ضریب 0.0439) با p همبستگی معنی داری وجود دارد.-مقدار کوچکتر از 0.05 این به این معنی است که جاده ای با خطوط بیشتر به احتمال زیاد جاده ای گرم است، یعنی جاده ای با سفرهای تاکسی بیشتر. این معقول است، زیرا (در واقعیت) رانندگان در هر صورت از جاده‌هایی با خطوط بیشتر حمایت می‌کنند. علاوه بر این، یک همبستگی منفی بین کلاس‌های عملکردی جاده و جاده‌های گرم مشاهده می‌شود (ضریب 0.0405- است)، که نشان می‌دهد جاده‌های گرم در کلاس‌های عملکردی جاده‌ای پایین، به عنوان مثال، بزرگراه‌ها بیشتر اتفاق می‌افتند. به طور خلاصه می توان نتیجه گرفت که رانندگان تاکسی جاده هایی با خطوط یا بزرگراه های بیشتر را ترجیح می دهند. به طور معمول، جاده های با خطوط بیشتر و بزرگراه ها به این معنی است که ترافیک کمتری وجود دارد و در نتیجه زمان صرف شده برای سفر کاهش می یابد. رانندگان به دنبال کوتاه ترین مسیر با زمان کمتر هستند.

5.3. الگوهای جریان شبکه بین ODهای سفر تاکسی و انواع کاربری زمین

الگوهای جریان شبکه، از دیدگاه فضایی (یعنی انواع کاربری زمین، همراه با ویژگی های زمانی) در این مطالعه بررسی شده است. برای OD های سفر تاکسی و بر اساس سری های زمانی، آنها به ساعات شلوغ صبح (07:00-09:00) و ساعات شلوغی عصر (17:00-19:00) در روزهای هفته (دوشنبه، سه شنبه، چهارشنبه،) تقسیم می شوند. پنجشنبه و جمعه) و آخر هفته (شنبه و یکشنبه). در شکل 10 و شکل 11 ، رنگ متفاوت دایره در خارج به معنای نوع کاربری متفاوت است. قوس به معنای سفر بین شبکه ای است، به این معنی که O و D در مناطق مختلف از نوع کاربری زمین هستند، یا سفر درونی شبکه، به این معنی که O و D در مناطقی با نوع کاربری زمین یکسان هستند. به عنوان مثال، در شکل 10 و شکل 11، قسمت نارنجی دایره نشان دهنده منطقه آموزش و پرورش است. اول اینکه قوس نارنجی رنگ در قسمت نارنجی به این معنی است که سفر تاکسی از منطقه آموزش و پرورش به منطقه آموزش و پرورش است. دوم اینکه قوس نارنجی رنگ بین قسمت نارنجی و سایر قسمت ها به این معنی است که سفر تاکسی از منطقه آموزش و پرورش به مناطق دیگر است. به عنوان مثال، قوس نارنجی بین قسمت نارنجی و قسمت آبی روشن به این معنی است که مردم از منطقه آموزشی به منطقه تجاری سفر می کنند. ثالثاً قوس به رنگ های دیگر بین قسمت نارنجی و سایر قسمت ها به این معنی است که سفر تاکسی از مناطق دیگر به منطقه آموزش و پرورش است. مانند قوس آبی بین قسمت نارنجی و قسمت آبی به این معنی است که افراد از منطقه آپارتمانی به قسمت آموزشی سفر می کنند. در شکل 10 ، جریان شبکه ODهای سفر تاکسی در روزهای هفته، و شکل 11جریان شبکه ای از OD های سفر تاکسی را به ترتیب در آخر هفته ها نشان می دهد. نتایج نشان می‌دهد که شش نوع کاربری برتر فعالیت‌های OD عبارتند از آپارتمان، تجارت، آموزش، گشت و گذار، مترو و تسهیلات. در ساعات شلوغی صبح در روزهای هفته، مردم تمایل دارند از آپارتمان خارج شده و با تاکسی وارد منطقه تجاری شوند. جالب است که همین مشاهده را برای تعطیلات آخر هفته به دست آوریم. این به نوعی قابل درک است، زیرا شنژن شهری بسیار شلوغ است و بسیاری از مردم در تعطیلات آخر هفته کار می کنند. در ساعات شلوغی عصر، بیشترین جریان شبکه از منطقه تجاری به منطقه آپارتمان در روزهای هفته و آخر هفته است. این مورد انتظار است، زیرا مردم پس از کار به خانه باز می گردند. لازم به ذکر است که ساعت شلوغی عصر در تعطیلات آخر هفته الگوهای بسیار مشابهی با ساعت شلوغی عصر در روزهای هفته دارد. با این حال، در ساعات شلوغی صبح، تفاوت هایی بین مناطق مختلف در جریان شبکه وجود دارد. اول از همه، در منطقه مترو (در روزهای هفته)، جریان شبکه فقط از آپارتمانی به مترو دیگر است، در حالی که (در آخر هفته ها) برعکس است، زیرا فقط در آخر هفته جریان های شبکه خروجی وجود دارد. این ممکن است به این دلیل باشد که در آخر هفته‌ها، مردم آپارتمان‌ها ممکن است بازدیدکنندگانی را دریافت کنند که احتمالاً مترو را به عنوان بخشی از سفر خود انتخاب می‌کنند. علاوه بر این، در منطقه آموزش، در روزهای هفته، جریان شبکه ای از آموزش به کسب و کار وجود دارد. این به احتمال زیاد به این دلیل اتفاق می افتد که والدین ابتدا بچه ها را به مدرسه می فرستند و سپس به کار خود می روند. همانطور که مشاهده می شود، یک جریان شبکه از آپارتمان به آموزش وجود دارد. با این حال، در تعطیلات آخر هفته، هنوز یک جریان شبکه از آپارتمان به آموزش وجود دارد. این به این دلیل است که والدین اغلب کودکان را در تعطیلات آخر هفته به مدارس آموزشی می برند. با این حال، جریان شبکه ای از آموزش به تجارت وجود ندارد. در عوض، یک جریان شبکه ای از تجارت به آموزش وجود دارد. این به احتمال زیاد به این دلیل است که والدین بعد از آموزش از محل کار برای بردن بچه ها می روند.
دوره-آموزش-حرفه-ای-gis

6. نتیجه گیری و کار آینده

درک بهتر الگوهای سفر تاکسی برای بهینه سازی برنامه ریزی حمل و نقل مهم است. اولاً، با ارتقای شدید حوزه‌های انرژی‌های نو و مجموعه‌ای از حمایت‌های سیاستی، وسایل نقلیه انرژی جدید روز به روز بیشتر می‌شوند. انتخاب سایت های مناسب برای ایستگاه های شارژ بسیار مهم است. توزیع فضایی چگالی های OD بر اساس imNKDE می تواند به ما کمک کند تا منطقه اصلی سفر تاکسی را بشناسیم، که می تواند مرجعی برای انتخاب سایت باشد. در همین حال، دانش تراکم OD ها می تواند تنظیم توقف تاکسی ها را راهنمایی کند. تنظیم مناسب ایستگاه های تاکسی می تواند به طور موثری ترافیک را کاهش دهد و تصویر شهر را بهبود بخشد. دوم، به دلایلی مانند ترافیک، تعمیر و نگهداری جاده ها و موارد دیگر، بسیاری از سفرهای تاکسی از قانون کوتاه ترین مسیر پیروی نمی کنند. از این رو، با تجزیه و تحلیل رابطه بین سفر تاکسی و کوتاه ترین مسیر، تصمیم گیرندگان می توانند کمبودهای احتمالی در شبکه حمل و نقل فعلی را بشناسند و راهبردهای جدیدی را برای بهبود شبکه ترافیک و ارتقای توسعه ترافیک طراحی کنند. آخرین اما نه کم‌اهمیت، الگوی جریان شبکه سفر تاکسی می‌تواند رابطه بین سفر تاکسی و کاربری زمین را منعکس کند، می‌تواند راهنمایی برای برنامه‌ریزی ترافیک در شهرهای دیگر باشد.
در این مقاله، ما یک روش جدید برای شناسایی تنوع فضایی در الگوهای سفر از داده‌های تحرک تاکسی و کاربری زمین ایجاد کرده‌ایم. نوآوری اصلی روش ما این است که جنبه های نقطه، سفر و شبکه را به طور همزمان در نظر می گیرد، برخلاف سایر روش های موجود. سهم مهم دیگر کار ما توسعه یک الگوریتم جدید بهبود یافته تخمین تراکم هسته شبکه (imNKDE) است، با قابلیت تخمین موثر چگالی جفت‌های OD از داده‌های عظیم مسیر تاکسی، برای شناسایی الگوهای فضایی از چنین چگالی و زمین. استفاده از داده ها همچنین استفاده از الگوهای سفر را برای اندازه گیری رابطه بین سفرهای تاکسی و مسیرهای تاکسی بر اساس شباهت آنها معرفی می کنیم. آخرین موضوع ولی به همان اهمیت،
نتایج تجربی ما، که با استفاده از یک مطالعه موردی در شهر شنژن، چین (شامل داده‌های تحرک تاکسی، داده‌های کاربری زمین و داده‌های شبکه جاده‌ای) انجام شد، نشان می‌دهد که روش جدید توسعه‌یافته ما می‌تواند مقادیر زیادی از مسیرهای تاکسی را پردازش کند و جریان شبکه را با دقت شناسایی کند. الگوهایی که بیشتر برای کشف تعاملات فضایی بین مناطق مختلف و مناطق کاربری زمین مورد استفاده قرار می گیرند. تجزیه و تحلیل مکانی-زمانی ما مبتنی بر داده‌های چند منبعی است زیرا شهرهای بیشتری وجود دارد که می‌توان با استفاده از روش‌های ما قابل اجرا باشد. اگرچه روش ما از یک پیاده‌سازی موازی حافظه مشترک کارآمد برای تخمین چگالی OD برای هر زیرمنطقه استفاده می‌کند، در آینده یک پیاده‌سازی مبتنی بر واحد پردازش گرافیکی (GPU) ایجاد خواهیم کرد که پردازش مقادیر زیادی داده را حتی بیشتر تسریع خواهد کرد. با هدف پردازش بلادرنگ داده های مسیر، که ممکن است به نظارت و کنترل ترافیک کمک زیادی کند. در همین حال، ما رابطه بین الگوهای سفر تاکسی و کاربری زمین را بیشتر تحلیل خواهیم کرد و مرجعی برای برنامه ریزی ترافیک ارائه خواهیم داد.

منابع

  1. ژانگ، دی. ژائو، جی. ژانگ، اف. او، تی. در مجموعه مقالات ششمین کنفرانس بین المللی ACM/IEEE در مورد سیستم های فیزیکی-سایبری، سیاتل، WA، ایالات متحده آمریکا، 14-16 آوریل 2015. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; صص 238-247. [ Google Scholar ]
  2. ژانگ، دی. ژائو، جی. ژانگ، اف. او، تی. لی، اچ. پسر، SH یکپارچه سازی مدل ناهمگن برای داده های زیرساخت شهری چند منبعی. ACM Trans. Cyber-Phys. سیستم 2017 ، 1 ، 4. [ Google Scholar ] [ CrossRef ]
  3. یوان، جی. ژنگ، ی. ژانگ، سی. زی، دبلیو. Xie، X. سان، جی. Huang, Y. T-drive: مسیرهای رانندگی بر اساس مسیرهای تاکسی. در مجموعه مقالات هجدهمین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 2 تا 5 نوامبر 2010. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2010; صص 99-108. [ Google Scholar ]
  4. لیو، دی. ونگ، دی. لی، ی. بائو، جی. ژنگ، ی. کو، اچ. Wu, Y. Smartadp: تجزیه و تحلیل بصری مسیرهای تاکسی در مقیاس بزرگ برای انتخاب مکان های بیلبورد. IEEE Trans. Vis. محاسبه کنید. نمودار. 2016 ، 23 ، 1-10. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. گارگ، ن. رامادورای، جی. Ranu، S. ایستگاه های اتوبوس معدنی از داده های خام جی پی اس مسیرهای اتوبوس. در مجموعه مقالات دهمین کنفرانس بین المللی 2018 در مورد سیستم ها و شبکه های ارتباطی (COMSNETS)، بنگلور، هند، 3 تا 7 ژانویه 2018؛ صص 583-588. [ Google Scholar ]
  6. سیبورن، سی. آتانوچی، جی. ویلسون، NH در حال تجزیه و تحلیل سفرهای حمل‌ونقل عمومی چندوجهی در لندن با داده‌های پرداخت کرایه کارت هوشمند. ترانسپ Res. ضبط 2009 ، 2121 ، 55-62. [ Google Scholar ] [ CrossRef ]
  7. لین، دی. ژانگ، ی. زو، آر. Meng, L. تجزیه و تحلیل حوضه های آبریز ایستگاه های مترو با استفاده از داده های مسیر تولید شده توسط دوچرخه های مشترک بدون اسکله. حفظ کنید. جامعه شهرها 2019 ، 49 ، 101598. [ Google Scholar ] [ CrossRef ]
  8. او، تی. بائو، جی. لی، آر. روآن، اس. لی، ی. تیان، سی. ژنگ، ی. شناسایی رویدادهای پارک غیرقانونی وسایل نقلیه با استفاده از مسیرهای مشترک دوچرخه‌ها. در مجموعه مقالات کنفرانس بین المللی Sigkdd، لندن، بریتانیا، 19 تا 23 اوت 2018؛ ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2018؛ صص 340-349. [ Google Scholar ]
  9. ژو، ز. یو، جی. گوا، ز. لیو، ی. کاوش بصری توابع شهری از طریق داده‌های OD تاکسی مکانی-زمانی. J. Vis. لنگ محاسبه کنید. 2018 ، 48 ، 169-177. [ Google Scholar ] [ CrossRef ]
  10. شی، ج. تائو، ال. لی، ایکس. شیائو، ی. Atchley, P. بررسی رفتار ناهنجار رانندگی رانندگان تاکسی در پکن. J. Transp. Saf. امن 2014 ، 6 ، 34-43. [ Google Scholar ] [ CrossRef ]
  11. چن، XM; ظهیری، م. ژانگ، اس. درک رفتار تقسیم سواری خدمات سواری بر اساس تقاضا: یک رویکرد یادگیری گروهی. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 76 ، 51-70. [ Google Scholar ] [ CrossRef ]
  12. وانگ، پی. فو، ی. لیو، جی. هو، دبلیو. آگاروال، سی. همگام سازی تحرک انسان و تشخیص هدف سفر با مخلوطی از فرآیندهای هاک. در مجموعه مقالات بیست و سومین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، هالیفاکس، NS، کانادا، 13 تا 17 اوت 2017؛ ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2017؛ صص 495-503. [ Google Scholar ]
  13. رز، جی.ام. Hensher، DA تقاضا برای خدمات تاکسی: شواهد کشش جدید. حمل و نقل 2014 ، 41 ، 717-743. [ Google Scholar ] [ CrossRef ]
  14. فریرا، ن. پوکو، جی. Vo، HT; فریره، جی. سیلوا، CT اکتشاف بصری داده‌های شهری فضایی-زمانی بزرگ: مطالعه سفرهای تاکسی شهر نیویورک. IEEE Trans. Vis. محاسبه کنید. نمودار. 2013 ، 19 ، 2149-2158. [ Google Scholar ] [ CrossRef ]
  15. شن، جی. لیو، ایکس. چن، ام. کشف الگوهای مکانی و زمانی از داده‌های خودروهای شناور مبتنی بر تاکسی: مطالعه موردی از نانجینگ. گیسی. Remote Sens. 2017 , 54 , 617–638. [ Google Scholar ] [ CrossRef ]
  16. چن، سی. ژانگ، دی. ما، ایکس. گوو، بی. وانگ، ال. وانگ، ی. Sha, E. Crowddeliver: برنامه ریزی مسیرهای تحویل بسته در سطح شهر با استفاده از ازدحام تاکسی ها. IEEE Trans. هوشمند ترانسپ سیستم 2016 ، 18 ، 1478-1496. [ Google Scholar ] [ CrossRef ]
  17. کای، اچ. جیا، ایکس. چیو، ع. هو، ایکس. Xu، M. نصب ایستگاه‌های شارژ وسایل نقلیه برقی عمومی در پکن با استفاده از الگوهای سفر ناوگان تاکسیرانی با اطلاعات کلان. ترانسپ Res. قسمت D Transp. محیط زیست 2014 ، 33 ، 39-46. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. گوا، دی. زو، ایکس. جین، اچ. گائو، پی. آندریس، سی. کشف الگوهای فضایی در داده‌های تحرک مبدا-مقصد. ترانس. GIS 2012 ، 16 ، 411-429. [ Google Scholar ] [ CrossRef ]
  19. پی، تی. سوبولفسکی، اس. راتی، سی. شاو، اس.-ال. لی، تی. ژو، سی. بینشی جدید در طبقه بندی کاربری زمین بر اساس داده های تلفن همراه جمع آوری شده است. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1988-2007. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. بورنت، ام. کرین، R. تأثیر استفاده از زمین بر رفتار سفر: استراتژی‌های تعیین و برآورد. ترانسپ Res. بخش A سیاست سیاست. 2001 ، 35 ، 823-845. [ Google Scholar ] [ CrossRef ]
  21. لیو، ایکس. گونگ، ال. گونگ، ی. لیو، ی. افشای الگوهای سفر و ساختار شهر با داده‌های سفر تاکسی. J. Transp. Geogr. 2015 ، 43 ، 78-90. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. لیو، ی. کانگ، سی. گائو، اس. شیائو، ی. Tian, ​​Y. درک الگوهای سفر درون شهری از داده های مسیر تاکسی. جی. جئوگر. سیستم 2012 ، 14 ، 463-483. [ Google Scholar ] [ CrossRef ]
  23. پان، جی. چی، جی. وو، زی. ژانگ، دی. Li, S. طبقه بندی کاربری زمین با استفاده از ردیابی GPS تاکسی. IEEE Trans. هوشمند ترانسپ سیستم 2012 ، 14 ، 113-123. [ Google Scholar ] [ CrossRef ]
  24. لیو، ایکس. کانگ، سی. گونگ، ال. لیو، ی. ترکیب الگوهای تعامل فضایی در طبقه بندی و درک کاربری زمین شهری. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 334-350. [ Google Scholar ] [ CrossRef ]
  25. جنرال الکتریک، پی. او، جی. ژانگ، اس. ژانگ، ال. She, J. یک چارچوب یکپارچه ترکیبی از ویژگی‌های چندگانه فعالیت انسانی برای طبقه‌بندی کاربری زمین. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 90. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  26. اوکابه، ا. ساتوح، تی. Sugihara, K. یک روش تخمین چگالی هسته برای شبکه ها، روش محاسباتی آن و یک ابزار مبتنی بر gis. بین المللی جی. جئوگر. Inf. علمی 2009 ، 23 ، 7-32. [ Google Scholar ] [ CrossRef ]
  27. زی، ز. Yan, J. تشخیص خوشه های تصادفات ترافیکی با تخمین تراکم هسته شبکه و آمار فضایی محلی: یک رویکرد یکپارچه. J. Transp. Geogr. 2013 ، 31 ، 64-71. [ Google Scholar ] [ CrossRef ]
  28. تیموتی، پی. نیکلاس، L.-B. امانوئل، اس. سرجیو، پی. Stéphane, J. یک برآوردگر چگالی هسته مبتنی بر شبکه که برای فعالیت‌های اقتصادی بارسلونا اعمال شد. در کنفرانس بین المللی علوم محاسباتی و کاربردهای آن ; Springer: برلین، آلمان، 2010; صص 32-45. [ Google Scholar ]
  29. یو، دبلیو. آی، تی. Shao, S. تجزیه و تحلیل و تحدید حدود ناحیه تجاری مرکزی با استفاده از تخمین تراکم هسته شبکه. J. Transp. Geogr. 2015 ، 45 ، 32-47. [ Google Scholar ] [ CrossRef ]
  30. لی، کیو. ژانگ، تی. وانگ، اچ. Zeng، Z. نقشه‌برداری پویا دسترسی با استفاده از داده‌های شناور خودرو: یک رویکرد برآورد چگالی محدود به شبکه. J. Transp. Geogr. 2011 ، 19 ، 379-393. [ Google Scholar ] [ CrossRef ]
  31. تانگ، جی. لیو، اف. وانگ، ی. وانگ، اچ. کشف تحرک انسان شهری از داده های جی پی اس تاکسی در مقیاس بزرگ. فیزیک یک آمار مکانیک. برنامه آن است. 2015 ، 438 ، 140-153. [ Google Scholar ] [ CrossRef ]
  32. کاغذ Wardrop، JG Road. برخی از جنبه های نظری تحقیقات ترافیک جاده ای. Proc. Inst. مدنی مهندس 1952 ، 1 ، 325-362. [ Google Scholar ] [ CrossRef ]
  33. وروتسو، ک. فوکس، جی. آندرینکو، ن. آندرینکو، جی. یک رویکرد تعاملی برای اکتشاف جریان ها از طریق فیلترینگ مبتنی بر جهت. جی. جوویس. تف کردن مقعدی 2017 ، 1 ، 1. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. Golledge، انتخاب مسیر RG و ترجیح مسیر در ناوبری انسانی: گزارش پیشرفت در کنفرانس بین المللی نظریه اطلاعات مکانی ; Springer: برلین، آلمان، 1995; ص 207-222. [ Google Scholar ]
  35. گلدمن، تی. گورهام، آر. حمل و نقل شهری پایدار: چهار جهت نوآورانه. تکنولوژی Soc. 2006 ، 28 ، 261-273. [ Google Scholar ] [ CrossRef ]
  36. مالوس، م. کولیسترا، جی. آتزوری، ال. مورونی، م. Pilloni، V. کارپول پویا در مناطق شهری: طراحی و آزمایش با الگوریتم تطبیق مسیر چند هدفه. Sustainability 2017 , 9 , 254. [ Google Scholar ] [ CrossRef ][ Green Version ]
  37. هادسون، ام. Geels، FW; مک میکین، ای. پیکربندی مجدد انتقال پایداری شهری، تجزیه و تحلیل چندگانگی. Sustainability 2017 , 9 , 299. [ Google Scholar ] [ CrossRef ][ Green Version ]
  38. ژو، ی. نیش، ز. تیل، J.-C. لی، کیو. Li، Y. مکان‌های بحرانی عملکردی در شبکه حمل‌ونقل شهری: شناسایی و تحلیل فضا-زمان با استفاده از مسیرهای تاکسی محاسبه کنید. محیط زیست سیستم شهری 2015 ، 52 ، 34-47. [ Google Scholar ] [ CrossRef ]
  39. یوان، جی. ژنگ، ی. Xie, X. کشف مناطق با عملکردهای مختلف در یک شهر با استفاده از تحرک و پوییس انسانی. در مجموعه مقالات هجدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، پکن، چین، 12 تا 16 اوت 2012. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2012; ص 186-194. [ Google Scholar ]
  40. کاسترو، PS; ژانگ، دی. چن، سی. لی، اس. Pan, G. از ردیابی GPS تاکسی تا پویایی اجتماعی و جامعه: یک نظرسنجی. کامپیوتر ACM. Surv. 2013 ، 46 ، 17. [ Google Scholar ] [ CrossRef ]
  41. یوان، نیوجرسی؛ ژنگ، ی. Xie، X. وانگ، ی. ژنگ، ک. Xiong، H. کشف مناطق عملکردی شهری با استفاده از مسیرهای فعالیت نهفته. IEEE Trans. بدانید. مهندسی داده 2014 ، 27 ، 712-725. [ Google Scholar ] [ CrossRef ]
  42. چی، جی. لی، ایکس. لی، اس. پان، جی. وانگ، ز. ژانگ، دی. اندازه گیری کارکردهای اجتماعی مناطق شهر از رفتارهای تاکسی در مقیاس بزرگ. در مجموعه مقالات کنفرانس بین المللی IEEE 2011 در کارگاه های آموزشی فراگیر محاسبات و ارتباطات (کارگاه های آموزشی PERCOM)، سیاتل، WA، ایالات متحده آمریکا، 21-25 مارس 2011. صص 384-388. [ Google Scholar ]
  43. ژائو، پی. لیو، ایکس. شن، جی. چن، ام. روش خوشه‌بندی مبتنی بر فاصله شبکه و پارتیشن بندی نمودار برای بهبود دقت تشخیص نقاط حساس شهری. Geocarto Int. 2019 ، 34 ، 293-315. [ Google Scholar ] [ CrossRef ]
  44. تانگ، ال. کان، ز. ژانگ، ایکس. سان، اف. یانگ، ایکس. Li، Q. تخمین چگالی هسته شبکه برای ویژگی های خطی در تجزیه و تحلیل فضا-زمان داده های ردیابی بزرگ. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1717-1737. [ Google Scholar ] [ CrossRef ]
  45. شیا، ز. لی، اچ. چن، ی. Liao، W. شناسایی و تعیین حدود مناطق کانونی شهری با استفاده از روش خوشه‌بندی میدان مکانی-زمانی مبتنی بر شبکه. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 344. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  46. دلسو، ج. مارتین، بی. اورتگا، ای. Van De Weghe، N. یکپارچه سازی مدل های زیستگاه عابر پیاده و تخمین تراکم هسته شبکه برای اندازه گیری مناسب بودن عابر پیاده خیابان. حفظ کنید. جامعه شهرها 2019 ، 51 ، 101736. [ Google Scholar ] [ CrossRef ]
  47. آنتیپووا، ا. وانگ، اف. ویلموت، سی. استفاده از زمین شهری، ویژگی های اجتماعی-جمعیت شناختی و رفت و آمد: یک رویکرد مدل سازی چند سطحی. Appl. Geogr. 2011 ، 31 ، 1010-1018. [ Google Scholar ] [ CrossRef ]
  48. لیو، ی. وانگ، اف. شیائو، ی. گائو، جنوب، کاربری‌های زمین شهری و ترافیک «مناطق منبع غرق»: شواهدی از داده‌های تاکسی با GPS فعال در شانگهای. Landsc. طرح شهری. 2012 ، 106 ، 73-87. [ Google Scholar ] [ CrossRef ]
  49. یائو، ای جی. پان، ال. یانگ، ی. Zhang، تحلیل رفتار انتخاب مسیر راننده تاکسی YS بر اساس داده‌های شناور خودرو. در مکانیک و مواد کاربردی ; انتشارات ترانس تک: Stafa-Zurich، سوئیس، 2013; صفحات 2036–2039. [ Google Scholar ]
  50. سان، دی. ژانگ، سی. ژانگ، ال. چن، اف. پنگ، Z.-R. تحلیل رفتار سفر شهری و پیش‌بینی مسیر بر اساس داده‌های شناور خودرو. ترانسپ Lett. 2014 ، 6 ، 118-125. [ Google Scholar ] [ CrossRef ]
  51. لی، جی. آیا رانندگان تاکسی کوتاه ترین مسیرها را انتخاب می کنند؟ Technische Universität München: مونیخ، آلمان، 2017. [ Google Scholar ]
  52. تانگ، جی. جیانگ، اچ. لی، ز. لی، ام. لیو، اف. Wang, Y. یک مدل دو لایه برای رفتارهای جستجوی مشتری تاکسی با استفاده از داده های مسیر GPS. IEEE Trans. هوشمند ترانسپ سیستم 2016 ، 17 ، 3318-3324. [ Google Scholar ] [ CrossRef ]
  53. ولوسو، ام. Phithakkitnukoon، S. بنتو، سی. سنجش تحرک شهری با جریان تاکسی. در مجموعه مقالات سومین کارگاه بین المللی ACM SIGSPATIAL در مورد شبکه های اجتماعی مبتنی بر مکان، شیکاگو، IL، ایالات متحده، 1 نوامبر 2011. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; ص 41-44. [ Google Scholar ]
  54. ولوسو، ام. Phithakkitnukoon، S. Bento، C. مطالعه تحرک شهری با استفاده از رد تاکسی. در مجموعه مقالات کارگاه بین المللی 2011 در مورد داده کاوی و تحلیل مسیر، پکن، چین، 18 سپتامبر 2011. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; ص 23-30. [ Google Scholar ]
  55. یانگ، ی. دوایر، تی. جنی، بی. ماریوت، ک. کوردیل، ام. Chen, H. نقشه‌های جریان مبدا-مقصد در محیط‌های غوطه‌ور. IEEE Trans. Vis. محاسبه کنید. نمودار. 2018 ، 25 ، 693-703. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  56. لو، ام. لیانگ، جی. وانگ، ز. یوان، X. کاوش الگوهای منطقه علاقه مند بر اساس مسیرهای تاکسی. J. Vis. 2016 ، 19 ، 811-821. [ Google Scholar ] [ CrossRef ]
  57. بوئینگ، G. OSMnx: روش‌های جدید برای دستیابی، ساخت، تجزیه و تحلیل و تجسم شبکه‌های خیابانی پیچیده. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 65 ، 126-139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  58. بوئینگ، G. OSMnx: یک بسته پایتون برای کار با شبکه‌های خیابانی OpenStreetMap با تئوری گراف. J. نرم افزار منبع باز. 2017 ، 2 ، 1-4. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. چنگ، بی. کیان، س. کائو، جی. ژو، جی. یو، جی. زو، ی. لی، ام. Zhang، T. STL: تشخیص آنلاین ناهنجاری مسیر تاکسی بر اساس قوانین مکانی-زمانی. در کنفرانس بین المللی سیستم های پایگاه داده برای کاربردهای پیشرفته ; Springer: برلین، آلمان، 2019؛ صص 764-779. [ Google Scholar ]
  60. لی، جی. ژانگ، جی. ژانگ، جی. جین، X. تحلیل زمانی و مکانی ساختار کاربری زمین در شنژن. Geomat. تف کردن Inf. تکنولوژی 2017 ، 11 ، 26-30. [ Google Scholar ]
  61. نیوزون، پی. Krumm, J. Hidden markov map تطبیق از طریق نویز و پراکندگی. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، 4-6 نوامبر 2009. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2009; صص 336-343. [ Google Scholar ]
  62. یانگ، سی. Gidofalvi، G. تطبیق سریع نقشه، الگوریتمی که مدل مارکوف پنهان را با پیش محاسبه ادغام می کند. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 547-570. [ Google Scholar ] [ CrossRef ]
  63. زنگ، دبلیو. Church, RL یافتن کوتاه ترین مسیرها در شبکه های جاده ای واقعی: مورد A*. بین المللی جی. جئوگر. Inf. علمی 2009 ، 23 ، 531-543. [ Google Scholar ] [ CrossRef ]
  64. وانگ، اس. گائو، اس. فنگ، ایکس. موری، AT; Zeng، Y. یک چارچوب ژئوپردازش مبتنی بر زمینه برای بهینه‌سازی مکان ملاقات چندین اشیاء متحرک در امتداد شبکه‌های جاده‌ای. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 1368–1390. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. اندرسون، تخمین چگالی هسته TK و خوشه‌بندی k-means به نمایه نقاط حادثه خیز جاده‌ای. اسید. مقعدی قبلی 2009 ، 41 ، 359-364. [ Google Scholar ] [ CrossRef ]
  66. Borruso، G. برآورد تراکم شبکه: یک رویکرد GIS برای تجزیه و تحلیل الگوهای نقطه در یک فضای شبکه. ترانس. GIS 2008 ، 12 ، 377-402. [ Google Scholar ] [ CrossRef ]
  67. زی، ز. Yan, J. تخمین تراکم هسته حوادث ترافیکی در فضای شبکه. محاسبه کنید. محیط زیست سیستم شهری 2008 ، 32 ، 396-406. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  68. دلسو، ج. مارتین، بی. Ortega، E. یک روش جدید با استفاده از تحلیل شبکه و تخمین تراکم هسته برای ارزیابی تأثیر پیکربندی‌های شهری بر تحرک عابران پیاده. مطالعه موردی ویتوریا-گاستیز. J. Transp. Geogr. 2018 ، 67 ، 61-72. [ Google Scholar ] [ CrossRef ]
  69. هابیل، جی. Sander, N. کمی سازی جریان های جهانی مهاجرت بین المللی. Science 2014 ، 343 ، 1520-1522. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  70. سوریچتا، ا. پرنده، تی جی; Ruktanonchai، NW; زو ارباخ-شونبرگ، ای. پزولو، سی. تجدور، ن. والدوک، آی سی; Sadler، JD; گارسیا، ای جی؛ Sedda, L. نقشه‌برداری اتصال داخلی از طریق مهاجرت انسان در کشورهای بومی مالاریا. علمی داده 2016 ، 3 ، 160066. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00683 g001 550
شکل 1. نقشه موقعیت شنژن.
Ijgi 09 00683 g002 550
شکل 2. نمایش دیجیتالی شبکه جاده در شنژن.
Ijgi 09 00683 g003 550
شکل 3. نقشه حرارتی مسیرهای تاکسی (با مسافر) در شنژن.
Ijgi 09 00683 g004 550
شکل 4. نقشه کاربری زمین در شنژن.
Ijgi 09 00683 g005 550
شکل 5. گردش کار برای کشف الگوهای مکانی- زمانی.
Ijgi 09 00683 g006 550
شکل 6. مکان های تحویل تاکسی ( بالا ) و تاکسی (پایین ) .
Ijgi 09 00683 g007 550
شکل 7. شماتیک برای imNKDE.
Ijgi 09 00683 g008 550
شکل 8. ImNKDE برای Os ( بالا ) و Ds ( پایین ).
Ijgi 09 00683 g009 550
شکل 9. جاده های گرم در سفرهای تاکسی ( بالا ) و کوتاه ترین مسیرها ( پایین ).
Ijgi 09 00683 g010 550
شکل 10. جریان شبکه ای از سفرهای تاکسی در شهر شنژن در روزهای هفته.
Ijgi 09 00683 g011 550
شکل 11. جریان شبکه ای از سفرهای OD تاکسی در شهر شنژن در تعطیلات آخر هفته.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید