مشخص کردن شبکه مسافرتی تاکسی برای درک ما از تحرک شهری اهمیت اساسی دارد و می‌تواند پشتیبانی فکری برای برنامه‌ریزی شهری، تراکم ترافیک و حتی گسترش بیماری‌ها فراهم کند. با این حال، تحقیقات در مورد شبکه تعامل بین واحدهای منطقه عملکردی شهری (UFA) محدود و قابل توجه است. بنابراین، این مطالعه داده های بزرگ تاکسی را برای ساخت یک شبکه جریان سفر برای اکتشاف روابط متقابل فضایی بین واحدهای مختلف UFA در شنژن، چین به کار گرفته است. نتایج ما نشان داد که رفتار سفر تاکسی در واحدهای UFA که تحت سلطه عملکردها، از جمله مسکونی، تجاری، منظره، و فضای سبز در طول تعطیلات آخر هفته هستند، فعال تر بود، در حالی که در واحدهای UFA تحت سلطه عملکرد صنعتی در طول روزهای هفته فعال تر بود. از نظر حجم متوسط ​​روزانه، ویژگی های تعامل فضایی بین انواع مختلف UFA در طول روزهای هفته و آخر هفته مشابه بود. در طول دوره اوج صبح، نواحی سینک عمدتاً در منطقه Futian و منطقه Nanshan توزیع شده است، در حالی که در طول دوره اوج عصر، نواحی سینک عمدتا در قسمت جنوبی منطقه Yantian، بخش جنوب غربی منطقه Longgang و شرق توزیع شده است. بخشی از ناحیه لوهو میانگین شبکه تحرک روزانه تاکسی در طول روزهای هفته، الگوی فضایی “متراکم در غرب و شمال، پراکنده در جنوب و شرق” را نشان می‌دهد که ناهمواری فضایی قابل توجهی را نشان می‌دهد. در مقایسه با روزهای هفته، شبکه تحرک روزانه تاکسی در آخر هفته ها پراکنده تر بود و تفاوت در اندازه گره ها کاهش یافت، که نشان می دهد مقصدهای سفر تاکسی متنوع تر است. الگوی جوامع با تقسیم بندی اداری در روزهای هفته سازگارتر بود، که نشان می دهد سفرهای تاکسی عمدتاً در داخل مناطق انجام می شود. در مقایسه با روزهای هفته، الگوی شبکه اجتماعی در تعطیلات آخر هفته به وضوح متفاوت بود و بیشتر با ویژگی های یک شبکه کوچک جهانی مطابقت داشت. یافته‌ها می‌توانند درک بهتری از ویژگی‌های تحرک شهری در شنژن ارائه دهند و مرجعی برای برنامه‌ریزی و مدیریت حمل‌ونقل شهری ارائه دهند.

کلید واژه ها:

تاکسی ؛ کلان داده ؛ شبکه پیچیده ؛ منطقه عملکردی شهری ; دنیای کوچک ؛ نقطه مورد علاقه (POI) ; تحرک شهری

1. مقدمه

تحرک شهری یک موضوع کلاسیک و داغ در زمینه های جغرافیا، حمل و نقل و برنامه ریزی شهری است. ویژگی‌های مکانی-زمانی تحرک شهری می‌تواند همگنی تأثیر رفتارهای ساکنان فردی را بر فضای شهری توضیح دهد [ 1 ]. تاکسی ها به دلیل توانایی آنها در ارائه خدمات منعطف و شخصی و پوشش منطقه جغرافیایی وسیع، عنصر مهمی در سیستم حمل و نقل شهری هستند [ 2 ، 3 ، 4 ، 5 ، 6 ]. مطالعات متعددی در مورد رفتار سفر تاکسی از جنبه های مختلف انجام شده است.
در سال‌های اخیر، دو مقاله منتشر شده در ژورنال‌های Nature و Science [ 7 ، 8 ] کاربرد روش‌های تحلیل شبکه پیچیده را ترویج کرده‌اند. تا به امروز، مطالعه شبکه های پیچیده در زمینه های مختلفی از جمله جامعه شناسی، زیست شناسی، فیزیک، اقتصاد، علوم کامپیوتر، حمل و نقل و غیره نفوذ کرده است. زیرا شبکه پیچیده می تواند توانایی مطالعه حالت های حمل و نقل و تعاملات آنها را فراهم کند [ 9 ، 10 ، 11 ]. بسیاری از محققان شبکه های پیچیده ای را برای تحلیل سفر تاکسی به کار برده اند [ 12 ، 13 ، 14 ، 15 ، 16 ، 17 ، 18 .]. واحد منطقه عملکردی شهری یک شاخص مهم برای توصیف ناهمگونی های فضایی عملکردهای شهری است. تجزیه و تحلیل تعاملات جریان ترافیک بین واحدهای مختلف منطقه عملکردی شهری به درک ما از تحرک شهری کمک می کند و مرجعی برای بهینه سازی استفاده از زمین شهری ارائه می دهد. با این حال، اکثر مطالعات الگوی سفر را در مقیاس شبکه منظم تحلیل کردند و مطالعات از منظر واحدهای منطقه عملکردی شهری محدود است. به طور مشخص، شبکه تعامل تاکسی در بین واحدهای مختلف UFA چگونه است؟ پاسخ به این سوال نه تنها می تواند درک ما از تحرک شهری را بهبود بخشد، بلکه مرجعی برای برنامه ریزی حمل و نقل شهری نیز فراهم می کند.
پژوهش ما سعی دارد از دو جنبه به این سوال پاسخ دهد. ابتدا، توزیع فضایی واحدهای UFA در شنژن چگونه است؟ دوم، چگونه جریان تاکسی بین واحدهای مختلف UFA تعامل دارد؟ شنژن به عنوان یکی از شهرهای مرکزی در منطقه خلیج گوانگدونگ-هنگ کنگ-ماکائو، دارای تراکم جمعیت بالا و ساختار عملکرد شهری پیچیده در منطقه است و تضاد بین تقاضای سفر ساکنان و ساختار عملکرد شهری به ویژه برجسته است. بنابراین، ما از روش تحلیل شبکه پیچیده برای مطالعه ویژگی‌های تعامل فضایی جریان تاکسی بین واحدهای مختلف منطقه عملکردی شهری در شنژن استفاده کردیم. این یافته‌ها می‌توانند بینش‌های ارزشمندی را در مورد شکل‌گیری سیاست در مورد سفر تاکسی برای هدایت توسعه حمل‌ونقل در شنژن، چین و سراسر جهان ارائه دهند.
ادامه مقاله به شرح زیر تدوین شده است. بخش 2 شامل بررسی ادبیات موضوع ما است. در بخش 3 ، منطقه مورد مطالعه، داده ها و روش ها شرح داده شده است. بخش 4 داده های سفر تاکسی را برای کشف ویژگی های شبکه تحرک شهری در مقیاس واحدهای UFA اعمال می کند. بخش 5 شامل نتیجه گیری و چشم انداز ما است.

2. بررسی ادبیات

از آنجایی که UFA واحد اصلی تحلیل شبکه در این مقاله است، ابتدا مروری بر پیشرفت در شناسایی UFA ارائه شده است. UFA یکی از شاخص های مهم برای کمی سازی ساختار فضایی یک شهر است. شناسایی دقیق واحدهای UFA پیش نیازی برای درک ساختار فضایی شهرها و در نتیجه ساخت برنامه های شهری منطقی است. به همین دلیل بسیاری از محققان در این زمینه تحقیقاتی انجام داده اند. روش های سنتی شناسایی UFA عمدتاً شامل قضاوت کارشناسان و آمار نظرسنجی می شود. با این حال، این روش‌ها به دلیل کاستی‌های متعدد از جمله عدم هدف کافی، زمان‌بر و مستعد خطا، برای استفاده در عصر داده‌های بزرگ مناسب نیستند. نقاط مورد علاقه، به عنوان یک نوع رایج داده های بزرگ، به دلیل پوشش گسترده، حجم زیاد داده ها و دسترسی آسان به یکی از منابع اصلی داده برای مطالعات شناسایی UFA تبدیل شده اند. شناسایی واحدهای UFA اساساً یک فرآیند طبقه بندی است. روش‌های طبقه‌بندی واحدهای UFA بیشتر شامل روش تحلیل آماری، روش تخمین چگالی هسته، روش مدل موضوعی و روش تحلیل خوشه‌ای است. به عنوان مثال، لانگ و همکاران. واحدهای UFA را در پکن، چین با استفاده از داده های POI و داده های کارت آی سی اتوبوس شناسایی کرد [19 ]. لی و همکاران واحدهای UFA را در ووهان چین با استفاده از روش تخمین چگالی هسته شناسایی کرد و دقت بالایی را با مقایسه با نقشه برنامه ریزی شهری و تصاویر سنجش از دور با وضوح بالا نشان داد [ 20 ]. چن و همکاران مدل موضوع را در گوانگژو، چین بر اساس داده‌های POI و داده‌های مسیر تاکسی اعمال کرد و چندین نوع UFA مانند مناطق مسکونی بالغ، مناطق تجاری و سرگرمی و مناطق توسعه را شناسایی کرد [ 21 ]. یان و همکاران شناسایی UFA شهر Dongying، چین را با استفاده از ترکیبی از الگوریتم خوشه‌بندی درخت KD، الگوریتم چگالی هسته و روش آستانه عنصر تصویر، و مقدار کاپا نتیجه 0.763 بود [ 22 ].]. به طور خلاصه، مطالعات قبلی هنوز دارای کاستی هایی هستند. به عنوان مثال، با توجه به ویژگی های داده های POI، POI های مختلف برداشت های اجتماعی متفاوتی دارند (به عنوان مثال، در مقوله POI امکانات پزشکی، تأثیر بیمارستان های عالی و کلینیک های عمومی بسیار متفاوت است)، مطالعات تنها با استفاده از یک روش واحد به طور قابل توجهی خواهد بود. بر دقت نتایج شناسایی تاثیر می گذارد. برای این منظور، ما روشی را برای شناسایی UFA پیشنهاد می‌کنیم که تجزیه و تحلیل آماری و روش‌های تخمین چگالی هسته را برای بهبود دقت ادغام می‌کند. پیشرفت اصلی را می توان در این واقعیت نتیجه گرفت که روش های مختلف شناسایی به ترتیب مطابق با تفاوت بین انواع POI استفاده می شود. برای POI های شناختی، از روش های محاسبه چگالی فرکانس و نسبت نوع استفاده می شود، در حالی که برای POI های چگالی،
در ادامه مروری کوتاه بر پیشرفت رفتار سفر تاکسی ارائه می شود. همانطور که در بالا ذکر شد، مطالعات زیادی در مورد سفر تاکسی از جنبه های مختلف انجام شد. الگوی سفر تاکسی یکی از موضوعات کلاسیک در تحقیقات تحرک شهری است. به عنوان مثال، لیو و همکاران. الگوی سفر با تاکسی در شنژن، چین را بررسی کرد و دریافت که مردم بیشتر مستعد بازدید از مکان‌های تفریحی در تعطیلات آخر هفته هستند و ورزش را انتخاب می‌کنند و هم در روزهای هفته و هم آخر هفته به پزشک مراجعه می‌کنند [ 23 ]. تانگ و همکاران تحرک شهری را از سفرهای تاکسی در هاربین، چین مشخص کرد و الگوی توزیع مبدا و مقصد را در روزهای هفته و آخر هفته پیدا کرد [ 24 ]]. شن و همکاران الگوهای مکانی و زمانی مسیر تاکسی را در نانجینگ چین بررسی کرد و دریافت که الگوی زمانی یک ریتم قوی روزانه را نشان می‌دهد، در حالی که الگوی مکانی نشان می‌دهد که تعداد مکان‌های سوار و رها کردن به تدریج از مناطق مرکز شهر کاهش می‌یابد. حومه بیرونی [ 25 ]. تعداد کمی از محققان عوامل موثر بر ویژگی های سفر تاکسی را بیشتر تحلیل کرده اند. به عنوان مثال، Ge و همکاران. بر اساس مقایسه بین شانگهای و نیویورک، ادعا کرد که منطقه مراقبت های بهداشتی حیاتی ترین عامل در همه متغیرهای کاربری زمین است که بر تاکسی سواری تأثیر می گذارد [ 4 ]. کیان و همکاران دریافتند که شکل شهری تاثیر بسزایی بر تاکسی سواری شهری دارد. به ویژه، دسترسی به مترو ارتباط مثبتی با تاکسی سواری دارد [5 ]. لی و همکاران دریافتند که ترکیب کاربری زمین تأثیر مثبتی بر سفر تاکسی در چنگدو، چین دارد [ 26 ]. فنگ و همکاران جاده ها و تقاطع های مهم را بر اساس داده های سفر تاکسی در لانژو، چین شناسایی کرد [ 27 ]. علاوه بر این، برخی از موضوعات مانند انتشار حمل و نقل، تشخیص شبکه حمل و نقل، پیش بینی تقاضای سفر، تأثیر محیط ساخته شده بر رفتار سفر تاکسی، رابطه بین تاکسی، اتوبوس، مترو و غیره مورد بررسی قرار گرفته است [ 4 ، 5 ، 24 ، 28 ، 29 ، 30 ، 31 ، 32 ، 33]. از آنجایی که مطالعه ما بر ویژگی های سفرهای تاکسی در بین واحدهای مختلف UFA تمرکز دارد، پیشرفت تحقیقات فراتر از الگوی سفر تاکسی توضیح داده نخواهد شد.
روش‌های درگیر در مطالعه ویژگی‌های مکانی و زمانی سفرهای تاکسی را می‌توان در چهار دسته خلاصه کرد: روش‌های آماری فضایی، روش‌های یادگیری ماشین، روش‌های سری زمانی و روش‌های تحلیل شبکه پیچیده. به عنوان مثال، یو و همکاران. مناطق کانونی سفرهای ساکنان را با استفاده از روش تحلیل خوشه‌بندی نشان داد [ 34 ]. پان و همکاران از خوشه‌بندی مکانی-زمانی مکان‌های سوار و رها کردن تاکسی به عنوان راهی برای کشف مناطق کانونی در شهرها استفاده کرد [ 35 ]. جیانگ و همکاران روش تجزیه و تحلیل داده های مکانی اکتشافی را برای مطالعه الگوی سفر انسان به کار برد [ 36 ]. گونگ الگوی سفر مسافران تاکسی را در شانگهای با استفاده از مدل‌های بیزی کشف کرد [ 37]. از سال 1998، روش های پیچیده تجزیه و تحلیل شبکه شروع به جلب توجه محققان در بسیاری از زمینه ها، مانند علوم کامپیوتر، جامعه شناسی، جغرافیا و غیره کرده است [ 38 ]. از آنجایی که شبکه حمل و نقل شهری یک سیستم پیچیده معمولی است، بدون شک استفاده از روش‌های تحلیل شبکه پیچیده برای آشکار کردن ویژگی‌های سفر شهری مناسب است. به عنوان مثال، لیو و همکاران. تجزیه و تحلیل شبکه پیچیده را برای آشکار کردن ساختار جامعه شبکه سفر تاکسی در شانگهای، چین اعمال کرد [ 39 ]. شیائو و همکاران دریافتند که شانگهای یک ویژگی ساختار شهری چند مرکزی سلسله مراتبی دو سطحی را با استفاده از یک مدل شبکه جاسازی شده فضایی ارائه می‌کند [ 40 ]. برای ساختن ماتریس مقصد اصلی (OD)، انواع رایج واحد تحلیل ترافیک، شامل شبکه‌های منظم [41 ، 42 ، 43 ، 44 ، 45 ]، شش ضلعی [ 46]، و چند ضلعی های نامنظم (معمولاً با تقسیم شبکه جاده یا مرز ناحیه به دست می آیند). به طور خاص، شبکه معمولی به دلیل مزایایی که دارد، مانند سهولت استفاده و تجسم، رایج ترین است. برخی از مطالعات از چند ضلعی های نامنظم به عنوان واحدهای تجزیه و تحلیل ترافیک استفاده می کنند که با همپوشانی شبکه های جاده ای با مرزهای اداری به دست می آیند. شکی نیست که استفاده از واحد تحلیل ترافیک مبتنی بر شبکه جاده ای بیشتر با ویژگی های رانندگی تاکسی مطابقت دارد و به معنای دقیق ویژگی های شبکه تحرک تاکسی کمک می کند. با این حال، به بهترین دانش نویسندگان، تحقیقات کمی برای در نظر گرفتن ویژگی های عملکردی شهری واحد تحلیل ترافیک انجام شده است. برای این منظور، ابتدا یک روش بهبودیافته برای شناسایی ناحیه عملکردی شهری به کار بردیم. سپس، ما ویژگی‌های شبکه سفر تاکسی‌های شنژن را در مقیاس واحد منطقه عملکردی شهری تحلیل کردیم و الگوی تعامل فضایی انواع مختلف منطقه عملکردی شهری را بررسی کردیم. انتظار می رود یافته های ما اطلاعات مرجعی را برای مدیریت ترافیک و برنامه ریزی شهری ارائه دهد.

3. مواد و روشها

3.1. منطقه مطالعه

شنژن، به عنوان یکی از شهرهای بزرگ و مناطق ویژه اقتصادی چین، شهری بسیار شهری است. شنژن دارای 9 ناحیه اداری (منطقه فوتین، ناحیه لوهو، ناحیه نانشان، ناحیه بائوان، ناحیه لونگگانگ، ناحیه یانتیان، ناحیه لونگ هوا، ناحیه پینگشان، ناحیه گوانگمینگ) و یک ناحیه عملکردی (منطقه جدید داپنگ)، با 74 ناحیه فرعی است. شنژن در ساحل شرقی مصب رودخانه مروارید، در همسایگی با هنگ کنگ، دونگوان و هویژو قرار دارد و مساحت کل آن 1997.47 کیلومتر مربع است . تا پایان سال 2020، تعداد جمعیت ساکن در شنژن 17.56 میلیون نفر [ 47 ] و تراکم جمعیت 8791 نفر در کیلومتر مربع بود .. می توان استنباط کرد که شنژن دارای بالاترین تراکم جمعیت در میان شهرهای بزرگ و متوسط ​​چین است و حتی از برخی کلان شهرهای بین المللی مانند توکیو (6372 نفر در کیلومتر مربع [ 48 ] ) و لندن (5701 نفر در کیلومتر مربع) فراتر است. [ 49]). شنژن همچنین یک شهر مهم حمل و نقل در جنوب چین است، با انواع حالت های حمل و نقل، مانند فرودگاه ها، ایستگاه های راه آهن، پایانه های اتوبوس، و بنادر دریایی برای سفرهای خارجی و امکانات حمل و نقل عمومی راحت، مانند مترو، اتوبوس و تاکسی. سفر داخلی تا پایان سال 2017، 18379 تاکسی در شنژن وجود داشت. قبل از 5 می 2017، کرایه تاکسی در شنژن از شرکتی به شرکت دیگر متفاوت بود. قیمت سقوط پرچم برای تاکسی های قرمز، زرد و سبز به ترتیب در طول روز 11 یوان در هر 2 کیلومتر، 10 یوان در هر 2 کیلومتر و 6 یوان در هر 1.5 کیلومتر و 16 یوان در هر 2 کیلومتر، 13 یوان در هر 2 کیلومتر بود. و در طول شب به ترتیب 7.2 یوان در هر 1.5 کیلومتر است. از 5 مه 2017، کرایه های تاکسی در شنژن در یک قیمت استاندارد یکسان شده است. قیمت سقوط پرچم 10 یوان در هر 2 کیلومتر و 2.60 یوان در هر کیلومتر برای بیش از 2 کیلومتر بود.شکل 1 .
مطابق با گزارش سالانه حمل و نقل شنژن در سال 2016 [ 50میانگین سفر روزانه ساکنان شنژن در سال 2016 به 44.43 میلیون سفر رسید که شامل 21.33 میلیون سفر موتوری می شود. حالت‌های سفر موتوری شنژن شامل اتوبوس‌های معمولی، اتوبوس‌های سفارشی، حمل‌ونقل ریلی، تاکسی‌های کروز، حمل‌ونقل آنلاین، خودروهای شخصی، اتوبوس‌های شاتل سازمانی و غیره است. در سال 2016، تعداد وسایل نقلیه موتوری در شنژن 3225800 دستگاه بود. تقسیم مودال نشان داد که 28.0 درصد از ساکنان با اتوبوس های معمولی، 0.3 درصد با اتوبوس های سفارشی، 13.6 درصد با حمل و نقل ریلی، 3.7 درصد با تاکسی های کروز، 4.3 درصد با خودروهای آنلاین، 41.1 درصد با خودروهای شخصی، 6.6 درصد با خودروهای شخصی سفر کرده اند. اتوبوس های شاتل سازمانی، و 2.5٪ در سایر حالت ها. نسبت سفرهای موتوری با وسایل حمل‌ونقل عمومی، از جمله اتوبوس‌های معمولی، اتوبوس‌های سفارشی، حمل‌ونقل ریلی، تاکسی‌های کروز، حمل‌ونقل آنلاین و اتوبوس‌های شاتل سازمانی 56.5 درصد است. که موقعیت غالب را در شکاف مودال شهر حفظ می کند. در سال 2016، میانگین سرعت در ساعات اوج صبح و عصر در روزهای هفته به ترتیب 30.6 و 26.0 کیلومتر بر ساعت بوده است. در ساعات شلوغی عصر در روزهای هفته، میانگین سرعت در ناحیه لوهو، منطقه لونگانگ و منطقه لونگهوا به ترتیب 23.7، 25.5 و 25.6 کیلومتر در ساعت بود. میانگین سرعت در ناحیه جدید داپنگ، ناحیه پینگشان و ناحیه گوانگمینگ به ترتیب 42.6، 38.0 و 31.8 کیلومتر در ساعت بوده است.

3.2. منبع داده و پیش پردازش

داده‌های سفر تاکسی شهر شنژن توسط شرکت‌های بزرگ عملیات تاکسی ارائه شده است که تقریباً 65٪ از کل تاکسی‌ها در شنژن را پوشش می‌دهند. داده‌های درگیر در مطالعه ما در 10، 11، 15 و 16 آوریل 2017 جمع‌آوری شد و دو روز اول روزهای هفته و دو روز آخر آخر هفته بودند. فیلدهای اطلاعات تاکسی عبارتند از شناسه وسیله نقلیه (ناشناس)، زمان سوار شدن، زمان تحویل، طول و عرض جغرافیایی نقاط سوار شدن و تحویل، تاریخ سفر، مسافت سفر و مدت سفر. سیستم مختصات میدان‌های طول و عرض جغرافیایی GCJ-02 است که داده‌های زمین‌شناسی رسمی چینی است که توسط اداره دولتی نقشه‌برداری و نقشه‌برداری چین فرموله شده است. مختصات نقاط تحویل و رهاسازی به سیستم مختصات WGS 1984 تبدیل شد.
داده‌های اصلی POI از نقشه Gaode جمع‌آوری شد ( https://lbs.amap.com/، قابل دسترسی در 7 دسامبر 2020) در سال 2020، که شامل چهارده دسته POI است: امکانات پذیرایی، مکان های دیدنی، امکانات خدمات عمومی، شرکت ها، امکانات خرید، تسهیلات حمل و نقل، امکانات مالی، امکانات آموزشی، علمی و فرهنگی، منطقه مسکونی، امکانات خدمات زندگی ، امکانات ورزشی و تفریحی، امکانات خدمات پزشکی، سازمان های دولتی و امکانات خدماتی اقامتی. ابتدا مختصات GCJ-02 POI به مختصات WGS 1984 تبدیل شد. دوم، POIهای تکراری و POIهایی با شناخت عمومی کم، مانند توالت های عمومی، دکه های روزنامه فروشی و غیره حذف شدند. سوم، POI ها مطابق با آخرین طبقه بندی زمین شهری و برنامه ریزی و استانداردهای زمین ساخت و ساز طبقه بندی شدند [ 51]. برای تسهیل تجزیه و تحلیل بیشتر، از اختصارات انواع زمین شهری استفاده شد. به عنوان مثال، اداره دولتی و زمین خدمات عمومی به اختصار منطقه خدمات عمومی و فضای سبز و زمین مربع به اختصار منطقه فضای سبز نامیده می شوند. POI ها به شش دسته کاربری اراضی طبقه بندی شدند: منطقه خدمات ترافیک، منطقه خدمات عمومی، منطقه خدمات تجاری، منطقه مسکونی، منطقه صنعتی و منطقه فضای سبز. نتایج طبقه‌بندی نهایی POIها به شرح زیر است: 37541 رکورد POI مناطق خدمات ترافیکی، 68589 رکورد POI مناطق خدمات عمومی، 163529 رکورد POI مناطق خدمات تجاری، 16016 رکورد مناطق مسکونی، 2822 POI و صنعتی، 2822 POI و 146 رکورد صنعتی. سوابق POI منطقه فضای سبز.
داده‌های کاربری زمین مورد استفاده در مطالعه ما نتیجه سومین بررسی ملی منابع زمین چین، با وضوح فضایی 10 متر و سال بررسی 2017 بود [ 52 ]. انواع کاربری اراضی شامل زمین مسکونی، زمین خدمات تجاری، زمین صنعتی، زمین حمل و نقل، اراضی اداری دولتی، علفزار و غیره است.
شبکه راه مورد استفاده در این مقاله، داده‌های شبکه راه OSM بود که در 12 ژوئیه 2020 جمع‌آوری شد ( https://www.openstreetmap.org/ ، در تاریخ 12 ژوئیه 2020 مشاهده شد). ابتدا سیستم مختصات داده های شبکه جاده ای به سیستم مختصات WGS 1984 تبدیل شد. سپس جاده های کوتاه و کم درجه حذف شدند. در مرحله بعد، ابزارهای نرم افزار ArcGIS (Esri، Redlands، CA، USA)، مانند بافر، حل کردن، و فروپاشی دو خط به خط مرکزی برای حذف جاده های تکراری استفاده شد. در نهایت، خطاهای توپولوژی تصحیح شد تا داده های شبکه جاده ای نهایی به دست آید.
واحد تجزیه و تحلیل ترافیک، واحد جغرافیایی است که بیشتر در تحلیل حمل و نقل استفاده می شود. نوع و وسعت فضایی پهنه ها معمولاً در تحقیقات مختلف متفاوت است. واحد تحلیل به دست آمده از شبکه راه یکی از واحدهای جغرافیایی کلاسیک برای تحلیل حمل و نقل است. علاوه بر این، واحد ایجاد شده توسط شبکه جاده نیز برای تحقیقات UFA مناسب است. بنابراین واحد ایجاد شده توسط شبکه راه به عنوان واحد تحلیل این پژوهش انتخاب شد. ابتدا، شبکه جاده ای OSM از پیش پردازش شده برای بخش بندی مرز اداری شنژن استفاده شد. سپس از ابزارهای نرم افزار ArcGIS (Esri، Redlands) مانند خط به چند ضلعی، حذف و حل کردن برای تولید واحدهای آنالیز برای شناسایی UFA استفاده کردیم.

3.3. مواد و روش ها

مراحل روش شناختی مطالعه ما در شکل 2 نشان داده شده است.

3.3.1. روش شناسایی ناحیه عملکردی شهری

مطابق با شناخت عمومی، ردپای و الگوهای توزیع موجودیت‌های جغرافیایی، ما POIها را به دو نوع اصلی (POIهای شناختی و POIهای چگالی) تقسیم کردیم و به ترتیب روش‌های شناسایی مختلفی را اعمال کردیم. POI های شناختی، موجودیت های جغرافیایی را نشان می دهند که معمولاً دارای وسعت نسبتاً وسیع و شناخت اجتماعی بالایی هستند. به طور خاص، این POI ها معمولاً می توانند بر واحدهای UFA که در آن قرار دارند، مانند ایستگاه های راه آهن، بیمارستان های درجه A، پارک ها و غیره تسلط داشته باشند. بنابراین، فرمول چگالی فرکانس و نسبت نوع برای این POI ها استفاده شد. POI های تراکم به نهادهای جغرافیایی با مساحت نسبتاً کوچک و شناخت اجتماعی کم اطلاق می شود، مانند فروشگاه های رفاه، اغذیه فروشی ها، آرایشگاه ها و غیره. برای تعیین عملکرد غالب واحد UFA از روش تخمین چگالی هسته استفاده شد. روش های شناسایی برای دو نوع اصلی POI در نشان داده شده استجدول 1 .
  • روش شناسایی برای واحدهای UFA تحت سلطه POI شناختی
مطابق با مطالعات قبلی [ 53 ، 54 ]، وزن‌های متفاوتی برای هر نوع POI بر اساس اصول زیر تعیین شد: وزن‌های بالاتر برای POI با تعداد کم و شناخت اجتماعی بالا در شهر، در حالی که وزن‌های پایین‌تر برای POI با تعداد زیاد و شناخت اجتماعی پایین تنظیم وزن مخصوص برای زمین خدمات تجاری 20، برای زمین مسکونی 30، برای زمین خدمات عمومی 50، برای زمین صنعتی 75، برای فضای سبز و زمین دیدنی 90 و برای زمین خدمات حمل و نقل 100 بود.

برای شناسایی UFA تحت سلطه POI شناختی، از فرمول‌های چگالی فرکانس (FD) و نسبت دسته (CR) برای شناسایی ماهیت واحد استفاده شد. فرمول های محاسباتی به صورت زیر نشان داده شده است:

افمن=nمننمن( i = 1 ، 2 ، 3 … ، 6    ) ،��=����(�=1, 2, 3…, 6),
سیمن=افمن∑6i = 1افمن× 100 % ( i = 1 , 2 , 3 … , 6    )��=��∑�=16��×100%(�=1, 2, 3…, 6)
در فرمول (1) من�نشان دهنده نوع POI (تجاری، حمل و نقل، عمومی، صنعتی، مسکونی و فضای سبز) است. nمن��نشان دهنده تعداد i- امین نوع POI در واحد UFA است. نمن��تعداد کل POI نوع i در منطقه مورد مطالعه را نشان می دهد.افمن��نشان دهنده چگالی فرکانس نوع i- امین POI در واحد UFA به تعداد کل i- امین نوع POI در منطقه مورد مطالعه و به اختصار FD است. در فرمول (2) سیمن��نشان دهنده نسبت چگالی فرکانس نوع i- امین POI به چگالی فرکانس همه POI در واحد UFA و به اختصار CR است.
تعداد هر نوع POI در هر واحد UFA با استفاده از ابزار Spatial Join نرم افزار ArcGIS (ESRI, Redlands) و FD و CR هر نوع POI در هر واحد UFA با استفاده از ابزار Field Calculator نرم افزار ArcGIS محاسبه شد. ESRI، Redlands). مطابق با مطالعات قبلی [ 20 ] و نتایج آزمایش ما، این قانون تنظیم شد که وقتی مقدار CR POI های شناختی بیشتر از 30٪ باشد، واحد UFA به عنوان یک واحد UFA از نوع منفرد که توسط یک نوع عملکردی غالب است، شناسایی می شود.
  • روش شناسایی برای واحدهای UFA تحت تسلط POI تراکم

واحد UFA تحت سلطه POI با استفاده از روش تخمین چگالی هسته (KDE) شناسایی شد که به طور گسترده در مطالعه جغرافیا استفاده می شود. روش تجزیه و تحلیل چگالی هسته از قانون اول جغرافیا مشتق شده است، که بیان می کند که اشیا هر چه نزدیکتر باشند به هم نزدیکتر هستند و هر چه مکان نزدیکتر به عنصر هسته ارزش بیشتری از گسترش چگالی به دست می آورد. فرمول چگالی هسته به صورت زیر نشان داده شده است:

f( x ) =∑ni = 11ساعت2ک(x –ایکسمنساعت) ،�(�)=∑�=1�1ℎ2�(�−��ℎ),
ک(x –ایکسمنساعت) =34( 1- _( x- _ایکسمن)2ساعت2)�(�−��ℎ)=34(1−(�−��)2ℎ2)
در فرمول های (3) و (4)، K تابع هسته است. h شعاع یا پهنای باند جستجو است که صافی سطح چگالی هسته را تعیین می کند. و n تعداد نقاط عنصری موجود در شعاع جستجو در نقطه x است.
مطالعات قبلی نشان داد که پهنای باند تأثیر زیادی بر نتایج تخمین چگالی هسته دارد. به طور خاص، دینگ و همکاران. ادعا کرد که پهنای باند در محدوده 200-300 متر هنگام انجام تجزیه و تحلیل چگالی هسته مناسب است [ 55 ]]. بنابراین، پهنای باند در این مطالعه 200 متر تعیین شد، اندازه عنصر تصویر خروجی اندازه پیش‌فرض بود و از روش نقطه شکست طبیعی برای طبقه‌بندی استفاده شد. از آنجایی که نتایج تجزیه و تحلیل تا حد زیادی تحت تأثیر تعداد POI است، وزن انواع مختلف POI مطابق با ویژگی های هر نوع POI تنظیم شد. اوزان ویژه به شرح زیر تعیین شد: 70 برای تأسیسات فضای سبز، 50 برای تأسیسات خدمات عمومی، 15 برای تأسیسات خدمات تجاری، 35 برای تأسیسات حمل و نقل، 30 برای تأسیسات صنعتی و 100 برای مناطق مسکونی. نتایج تخمین چگالی هسته با استفاده از ابزار Fuzzy Membership نرمال شد تا اطمینان حاصل شود که مقادیر چگالی در بازه [0، 1] قرار می گیرند.
در نهایت از ابزار Field Calculator برای محاسبه چگالی کل هر واحد UFA استفاده شد. مطابق با مطالعات قبلی، 50٪ به عنوان مقدار آستانه استفاده شد [ 20 ]. به طور خاص، زمانی که مقدار چگالی POI یک نوع تابع در واحد تجزیه و تحلیل از 50 درصد چگالی کل فراتر رفت، واحد به عنوان یک واحد UFA تک نوع شناسایی شد. در مقابل، این واحد به عنوان یک واحد UFA از نوع مختلط، که توسط دو نوع عملکرد شهری برتر در مقادیر تراکم غالب است، شناسایی شد.
3.3.2. روش تحلیل منبع – سینک

برای درک اینکه آیا انواع مختلف واحدهای UFA مناطق ورودی یا خروجی برای سفر تاکسی هستند، تجزیه و تحلیل منبع-سینک انجام شد. همانطور که مشخص است، حجم سفرهای تاکسی واگرایی زمانی بارزتری را در دوره 24 ساعته نشان می دهد. به خصوص در ساعات اوج بار صبح و عصر، حجم تردد تاکسی ها بالاترین و با سایر بازه های زمانی متفاوت است. مطابق با سیاست‌های محدودیت پیک صبح و عصر در شنژن [ 56 ]، ساعات اوج مصرف صبح از 07:00 صبح تا 09:00 صبح و ساعات اوج مصرف عصر از 17:30 بعد از ظهر تا 19:30 بعد از ظهر است. این مطالعه داده‌های ساعات اوج صبح و عصر را برای مطالعه ویژگی‌های منبع سفر در مقیاس واحدهای UFA استخراج می‌کند. با اشاره به مطالعه گائو و همکاران. [ 57]، هر واحد UFA بر اساس مقادیر خالص ورودی و خروجی خود به سه دسته تقسیم شد: منطقه منبع (نرخ خروجی خالص > 0)، منطقه سینک (نرخ ورودی خالص > 0) و منطقه تعادل (نرخ خالص ورودی و خالص). نرخ خروج صفر است). نرخ خالص ورودی یا نرخ خالص خروجی [ 58 ] به صورت زیر محاسبه شد:

پمن=(Dمن–Oمن)(Dمن+Oمن)،��=(��−��)(��+��),
در معادله (5)، پمن��نرخ خالص ورودی (خروجی) واحد منطقه عملکردی i در دوره مورد مطالعه است.Dمن��و Oمن��به ترتیب تعداد کل تاکسی های ورودی و خروجی در واحد منطقه عملکردی را نشان می دهد. هر چه نزدیک تر پمن��به 1، هر چه میزان ورودی تاکسی ها در واحد قابل توجه تر باشد و نزدیک تر باشد پمن��به -1، خروج تاکسی ها در واحد تجزیه و تحلیل قابل توجه تر است.
3.3.3. روش تحلیل شبکه پیچیده
در مطالعه ما، نرم افزار تحلیل شبکه پیچیده Gephi 0.9.2 بود که یک نرم افزار منبع باز محبوب ( https://gephi.org/ ، در تاریخ 21 دسامبر 2021) است. هر واحد UFA به دست آمده در بخش قبل به عنوان یک گره برای محاسبه ماتریس OD سفرهای تاکسی و ساخت یک شبکه پیچیده استفاده شد. معیارها، شامل توزیع درجه، میانگین طول مسیر و ضریب خوشه‌بندی، در مطالعه ما برای کشف شبکه جریان تاکسی استفاده شد. علاوه بر این، جوامع شبکه با استفاده از الگوریتم مدولاریته شناسایی شدند.

درجه یک گره در یک شبکه تعداد گره های دیگر است که مستقیماً به گره متصل است. درجه یک گره با اهمیت گره همبستگی مثبت دارد. هر چه درجه یک گره بالاتر باشد، اهمیت آن در شبکه بیشتر می شود. در یک شبکه هدایت‌شده، درجه یک گره شامل برون درجه و درون درجه است. درجه یک گره با معادله زیر تعریف می شود:

Dمن=∑nj = 1wمن ج،��=∑�=1����,

جایی که Dمن��درجه گره I است . n تعداد کل گره ها است. و wمن ج���وزن لبه های متصل بین گره i و گره j را نشان می دهد .

میانگین طول مسیر یک شبکه ( L ) میانگین فاصله بین هر دو گره است که نشان دهنده درجه خوشه بندی و پراکندگی شبکه است. L به صورت زیر محاسبه شد:

L =1n ( n – 1 )∑nمن جدمن ج،�=1�(�−1)∑������,

جایی که دمن ج���کوتاه ترین مسیر بین گره i و گره j است . و n تعداد کل گره های شبکه است.

ضریب خوشه بندی ( سی�) اندازه گیری میانگین احتمال این است که دو گره همسایه یک گره نیز همسایه یکدیگر باشند، در واقع چگالی ساختار مثلثی در شبکه را اندازه گیری می کند [ 10 ]. ضریب خوشه بندی را می توان برای توصیف فشردگی شبکه استفاده کرد. فرمول ضریب خوشه بندی به صورت زیر نشان داده شده است:

سی=1n∑ni = 1سیمن،�=1�∑�=1���,
سیمن=Eمن/E2کمن،��=��/���2,

جایی که سیمن��ضریب خوشه بندی گره I است . سی�نشان‌دهنده ضریب خوشه‌بندی شبکه است که میانگین ضرایب خوشه‌بندی همه گره‌های شبکه است. Eمن��تعداد جفت گره هایی است که مستقیماً در گره های همسایه گره I متصل شده اند . و E2کمن�کمن2تعداد کل جفت گره های همسایه گره i را نشان می دهد .

در یک شبکه، زیرگراف متشکل از گره هایی با ویژگی های مشابه و لبه های متصل بین گره ها، جامعه نامیده می شود. ساختار جامعه شبکه جریان تاکسی با استفاده از الگوریتم مدولاریته پیشنهاد شده توسط MEJ Newman [ 59 ] شناسایی شد. ماژولاریت را می توان به صورت زیر محاسبه کرد:

Q =12 متر∑من ج[آمن ج–کمنکj2 متر] δ(سیمن،سیj) ،س=12متر∑من�[آمن�-کمنک�2متر]�(سیمن،سی�)،
در فرمول (10) سسمدولار بودن است. مترمترتعداد لبه های شبکه است. آمن جآمن�نشان دهنده عنصر ماتریس مجاورت شبکه است. کمنکمنو کjک�مقادیر درجه گره I و گره j را نشان می دهد . سیمنسیمنجامعه ای است که گره i به آن تعلق دارد. و δ(سیمن،سیj)�(سیمن،سی�)تابعی است که نشان می دهد آیا دو جامعه یکسان هستند (اگر سیمن=سیjسیمن=سی�، δ(سیمن،سیj) =1�(سیمن،سی�)=1، در غیر این صورت (سیمن،سیj) =0(سیمن،سی�)=0). مقدار مدولاریته از 0 تا 1 متغیر است. مقدار بالاتر مدولار بودن نتیجه تقسیم جامعه منطقی تر را نشان می دهد.

4. نتایج

4.1. نتیجه شناسایی واحدهای UFA

همانطور که در بخش 3 توضیح داده شد ، نتایج شناسایی POIهای شناختی و POIهای چگالی برای تولید واحدهای منطقه عملکردی شهری نهایی ترکیب شدند. نتایج نشان داد که 2565 واحد UFA شامل 21 نوع UFA شناسایی شد. در این میان، تعداد واحدهای UFA تک نوع 880 واحد و تعداد واحدهای UFA نوع مختلط 1685 واحد بود. به هر نوع UFA به ترتیب یک مخفف داده شد ( جدول 2 را ببینید).). برای مثال، PRFA یک واحد UFA از نوع مختلط را نشان می‌دهد که تحت سلطه عملکرد خدمات عمومی و عملکرد مسکونی است، IRFA یک واحد UFA نوع مخلوط را نشان می‌دهد که تابع صنعتی و عملکرد مسکونی است. 100 واحد UFA به طور تصادفی انتخاب شدند و صحت نتایج شناسایی با استفاده از داده های بررسی کاربری زمین به عنوان ارزش واقعی مورد ارزیابی قرار گرفت. دقت کلی نتایج شناسایی به 75٪ رسید که نشان می دهد روش ما می تواند به طور مؤثر و دقیق واحدهای UFA در شنژن را شناسایی کند. آمار نتایج شناسایی در جدول 2 نشان داده شده است.
در جدول 2مشاهده می شود که تعداد واحدهای UFA نوع مختلط در شنژن حدود دو برابر تعداد واحدهای UFA تک نوع بوده است که نشان می دهد این شهر عمدتاً توسط واحدهای UFA نوع مختلط تسلط دارد. این نتیجه همچنین نشان دهنده گرایش استفاده ترکیبی و فشرده از زمین در فرآیند توسعه شنژن است. تعداد واحدهای UFA مخلوط با توابع مسکونی بیشترین تعداد را داشت که شامل PRFA، IRFA، RCFA و RTFA به ترتیب با شماره های 544، 229 و 121 می باشد. ما معتقدیم که نتیجه معقول است زیرا اقامت یکی از نیازهای اساسی زندگی انسان است. تعداد IFA 248 بود که در بین تمام انواع UFA در رتبه دوم قرار گرفت. علاوه بر این، واحدهای UFA آمیخته با عملکرد صنعتی عمدتاً شامل PIFA، IRFA، CIFA و TIFA هستند که تعداد آنها به ترتیب 232، 229، 130 و 59 بود. نسبت بالای واحدهای UFA مرتبط صنعتی نشان داد، تا حدی، آن زمین صنعتی جایگاه مهمی در ساختار کاربری زمین شنژن داشت. واحدهای UFA که فقط خدمات تجاری ارائه می‌دهند نادر بودند و معمولاً در واحدهای UFA ترکیبی ظاهر می‌شدند. تابع خدمات تجاری عمدتاً با خدمات عمومی، عملکرد صنعتی و خدمات مسکونی ترکیب شد و تعداد واحدهای نوع مخلوط UFA به ترتیب 237، 130 و 121 بود. واحدهای UFA که فقط خدمات حمل و نقل ارائه می‌کنند نیز نسبتاً کوچک بودند و عمدتاً با کارکردهای صنعتی، خدمات عمومی و مسکونی ترکیب می‌شدند. تعداد واحدهای UFA با عملکرد فضای سبز و منظره 202 واحد بود و به ندرت با عملکردهای دیگر مخلوط می شد. از نظر سطح متوسط، میانگین مساحت GFA به طور قابل توجهی بالاتر از سایر انواع UFA بود و پس از آن، TIFA، IRFA، GIFA و CTFA قرار گرفتند.شکل 3 .
در شکل 3 مشاهده می شود که واحدهای تک نوع UFA عمدتاً در قسمت های مرکزی و شرقی شنژن واقع شده اند که منطقه حفاظت اکولوژیکی شنژن است و زمین عمدتاً کوهستانی و تپه ای است. واحدهای UFA نوع مخلوط عمدتاً در بخش‌های شمالی، غربی و جنوبی شنژن قرار داشتند، جایی که توپوگرافی عمدتاً دشت است، منطقه ساخته شده بزرگ است و اقتصاد توسعه‌یافته‌تر است.

4.2. ویژگی‌های مکانی و زمانی سفرهای تاکسی در مقیاس واحدهای UFA

حجم سفر روزانه و میانگین طول سفر (ATL) در روزهای هفته و آخر هفته به ترتیب در شکل 4 و شکل 5 (انتقال و تحویل متمایز) نشان داده شده است.
در شکل 4مشاهده می‌شود که میانگین تعداد سواری در واحدهای UFA شامل PRFA، PCFA، RCFA و GFA در تعطیلات آخر هفته بیشتر از روزهای هفته بود، در حالی که میانگین سواری در PIFA برعکس بود. این نتیجه نشان داد که رفتار سفر تاکسی در واحدهای UFA که تحت سلطه عملکردهای فضای سبز مسکونی، تجاری و منظره در طول تعطیلات آخر هفته است، فعال تر بود، در حالی که در واحدهای UFA که در روزهای هفته تحت سلطه عملکرد صنعتی قرار داشتند، فعال تر بود. دلیل ممکن است این باشد که رفتار رفت و آمد در طول روزهای هفته غالب است، بنابراین سفرها در واحدهای UFA مختلط که تحت سلطه عملکرد صنعتی در طول روزهای هفته هستند، فعال تر بودند. با افزایش فعالیت‌های تفریحی و تفریحی مردم در تعطیلات آخر هفته، سفرهای تاکسی در واحدهای UFA از نوع مختلط، از جمله فعالیت‌های تجاری و منظره به میزان قابل توجهی افزایش یافت.
در شکل 5مشاهده می شود که چه در روزهای هفته و چه در تعطیلات آخر هفته، میانگین مسافت طی شده در واحدهای UFA شامل IFA، TFA، TPFA، GRFA و CTFA نسبتا طولانی و در واحدهای UFA مانند PRFA و RCFA نسبتا کوتاه بوده است. . از نظر مسافت سفر مربوط به نقاط دریافت، میانگین مسافت سفر انواع UFA در تعطیلات آخر هفته و روزهای هفته نسبتا نزدیک بود. میانگین مسافت سفر واحدهای UFA مانند IFA و TFA در تعطیلات آخر هفته نسبتا طولانی بود، در حالی که میانگین مسافت سفر واحدهای UFA مانند GTFA، GRFA و CTFA در روزهای هفته نسبتا طولانی بود. از نظر مسافت سفر مربوط به نقطه سقوط، میانگین مسافت سفر در واحدهای UFA، از جمله PGFA، TGFA، GRFA و GCFA، در طول روزهای هفته به طور قابل توجهی بیشتر از تعطیلات آخر هفته بود.
نقشه شاخص تحرک تاکسی ها در طول دوره اوج صبح و عصر در شکل 6 نشان داده شده است (واحدهای UFA در خاکستری روشن فاقد داده بودند).
در شکل 6مشاهده می شود که در اوج صبحگاهی، واحدهای UFA با تحرک بیشتر تاکسی عمدتاً در قسمت مرکزی و غربی شهر شنژن و همچنین برخی واحدها در قسمت شمالی متمرکز شده اند. به طور خاص، واحدهای سینک UFA عمدتاً در منطقه Futian و Nanshan District توزیع شدند. مناطق پیرامونی منطقه فوتین و واحدهای UFA مربوط به عملکرد مسکونی در منطقه لوهو در مجاورت منطقه فوتیان منابع اصلی جریان تاکسی بودند. شاخص تحرک ناحیه نانشان یک الگوی کلی را نشان داد که “منطقه مرکزی منطقه مبدا بود، منطقه اطراف منطقه سینک بود”. نواحی منبع و سینک در ناحیه بائوان توزیع مبهم را نشان دادند و پدیده همگرایی در نزدیکی فرودگاه بین‌المللی شنژن بائوان قابل توجه بود.
بر خلاف دوره اوج صبحگاهی، بخش مرکزی منطقه فوتیان و منطقه نانشان به مناطق اصلی تبدیل شده و نواحی سینک در اطراف مناطق فوق توزیع شده است. مناطق سینک عمدتاً در بخش جنوبی ناحیه Yantian، بخش جنوب غربی منطقه Longgang و بخش شرقی منطقه Luohu متمرکز بودند. دلیل ممکن است این باشد که این مناطق عمدتاً توسط انواع کاربری مخلوط مسکونی تسلط دارند. منطقه سینک منبع نیز یک الگوی نامنظم از توزیع مبهم در بخش جنوبی منطقه بائوان را نشان داد.

4.3. ویژگی های شبکه تحرک تاکسی در بین واحدهای UFA

گرم های وتر جریان ترافیک بین انواع مختلف UFA در روزهای هفته و آخر هفته در شکل 7 نشان داده شده است.
در شکل 7مشاهده می‌شود که ویژگی‌های تعامل بین انواع واحدهای مختلف UFA در طول روزهای هفته بسیار مشابه با ویژگی‌های تعامل در تعطیلات آخر هفته است. سه نوع UFA برتر از نظر خروجی، IRFA، RCFA، و PCFA با مقادیر خروجی 36548، 7668 و 7538 بودند. سه نوع پایین UFA از نظر خروجی GRFA، IGFA و GTFA با مقادیر خروجی 3، 15 و 26 بودند. سه نوع اصلی UFA مقصد خروجی از IRFA عبارتند از IRFA، RCFA، و PCFA، با مقادیر خروجی به ترتیب 15414، 2903 و 2807. سه نوع UFA مقصد برتر با خروجی از RCFA PRFA، RCFA، و PIFA با مقادیر خروجی 2986، 716 و 638 بودند. سه نوع UFA مقصد برتر با خروجی از PCFA عبارتند از PRFA، PCFA و RCFA، با مقادیر خروجی 2888، 766،
سه نوع UFA برتر از نظر ورودی PRFA، GSFA و PIFA با مقادیر خروجی 36081، 7660 و 7628 بودند. سه نوع UFA برتر با PRFA به عنوان مقصد ورودی عبارتند از PRFA، RCFA و PCFA، با مقادیر ورودی به ترتیب 15414، 2986 و 2888. سه نوع UFA برتر با GSFA به عنوان مقصد ورودی، PRFA، GSFA، و PIFA با مقادیر ورودی به ترتیب 2793، 864 و 692 بودند. سه نوع UFA برتر با PIFA به عنوان مقصد ورودی عبارتند از PRFA، PIFA و GSFA، با مقادیر ورودی به ترتیب 2793، 864 و 692.
نمودار جریان روزانه شبکه بین هر واحد UFA در شکل 8 نشان داده شده است .
در شکل 8مشاهده می‌شود که شبکه جریان ترافیک روزانه در طول روزهای هفته الگوی فضایی «متراکم در غرب و جنوب، پراکنده در شرق و شمال» را نشان می‌دهد که نشان می‌دهد جریان تاکسی ساکنان شنژن عدم تعادل فضایی قابل‌توجهی را نشان می‌دهد. گره های شبکه الگوی «توزیع چند مرکزی و متمرکز در نواحی مرکزی» را نشان دادند. شبکه در حالت همگرا بود و ویژگی‌های فضایی شکل هسته قطبی متناوب، یعنی توزیع گروه‌بندی‌شده را نشان داد. مقدار تعاملات در یک منطقه خاص به ویژه زیاد بود و گره ها به طور قابل توجهی در اندازه متفاوت بودند. گره ها در مناطق، مانند منطقه خدمات تجاری مرکز شهر، پارک صنعتی، و منطقه خدمات حمل و نقل مهم نقاط داغ شهر در طول روزهای هفته بودند.
در مقایسه با روزهای هفته، شبکه سفر روزانه در تعطیلات آخر هفته پراکنده تر بود، با ویژگی های فضایی گسترش مداوم. در همین حال، تفاوت در اندازه گره ها کاهش یافت که نشان می دهد مقصد سفر ساکنان متنوع تر است. نتایج نشان دهنده کاهش میزان تعاملات تاکسی بین واحدهای مختلف UFA در تعطیلات آخر هفته بود. واحدهای UFA مانند خدمات عمومی و فضای سبز، مناطق دیدنی و مناطق مسکونی در تعطیلات آخر هفته به نقاط مهم شهر تبدیل می‌شوند. در مقایسه با روزهای هفته، رنگ لبه در منطقه Yantian به طور قابل توجهی تیره تر بود، که نشان دهنده افزایش تعداد تعاملات تاکسی است. دلیل ممکن است این باشد که منطقه یانتیان دارای جاذبه های گردشگری زیادی است که پارک ساحلی دامیشا نشان می دهد، بنابراین بسیاری از ساکنان برای تفریح ​​در تعطیلات آخر هفته از منطقه یانتیان بازدید می کنند. پدیده دیگر این بود که مقادیر ورودی و خروجی تاکسی در گره‌های مهم حمل‌ونقل مانند فرودگاه بین‌المللی شنژن بائوان و ایستگاه راه‌آهن شمال شنژن در تعطیلات آخر هفته به میزان قابل توجهی کاهش یافت. دلیل ممکن است این باشد که در طول روزهای هفته، این سایت‌های حمل‌ونقل، گره‌های مهمی بودند که ساکنان شهرهای مجاور مانند گوانگژو، شنژن و دونگ‌وان را به هم متصل می‌کردند و ساکنانی که در سراسر شهر رفت و آمد می‌کنند، تمایل به تعویض تاکسی در این مکان‌ها دارند. با این حال، نقش واسطه ای فرودگاه و ایستگاه راه آهن در طول تعطیلات آخر هفته به میزان قابل توجهی کاهش یافت. دلیل ممکن است این باشد که در طول روزهای هفته، این سایت‌های حمل‌ونقل، گره‌های مهمی بودند که ساکنان شهرهای مجاور مانند گوانگژو، شنژن و دونگ‌وان را به هم متصل می‌کردند و ساکنانی که در سراسر شهر رفت و آمد می‌کنند، تمایل به تعویض تاکسی در این مکان‌ها دارند. با این حال، نقش واسطه ای فرودگاه و ایستگاه راه آهن در طول تعطیلات آخر هفته به میزان قابل توجهی کاهش یافت. دلیل ممکن است این باشد که در طول روزهای هفته، این سایت‌های حمل‌ونقل، گره‌های مهمی بودند که ساکنان شهرهای مجاور مانند گوانگژو، شنژن و دونگ‌وان را به هم متصل می‌کردند و ساکنانی که در سراسر شهر رفت و آمد می‌کنند، تمایل به تعویض تاکسی در این مکان‌ها دارند. با این حال، نقش واسطه ای فرودگاه و ایستگاه راه آهن در طول تعطیلات آخر هفته به میزان قابل توجهی کاهش یافت.
از نظر الگوی گره، گره‌ها در منطقه Futian و منطقه Luohu از نظر اندازه بزرگ‌تر و پراکنده‌تر بودند، که نشان‌دهنده حرکات تاکسی‌های مکرر در این دو منطقه است. به طور خاص، مکان‌های محبوب زیادی در این دو منطقه وجود داشت، مانند منطقه خرید Huaqiang North، باغ گیاه‌شناسی دریاچه پری، بندر ورودی Futian و ایستگاه راه‌آهن شنژن، که گره‌های معمولی در شبکه بودند. توزیع گره ها در ناحیه بائوان، ناحیه نانشان و ناحیه لونگهوا متمرکزتر اما از نظر اندازه کوچکتر بودند، که نشان می دهد حجم سفر تاکسی در این مناطق نسبتاً کم است. گره ها در نواحی باقی مانده پراکنده تر و از نظر اندازه کوچکتر بودند. علاوه بر این، سفرهای تاکسی متعددی بین دو گره خدمات حمل و نقل مهم تعامل داشتند،
نمودار جریان شبکه بین هر واحد UFA در طول دوره های اوج روزهای هفته در شکل 9 نشان داده شده است.
در شکل 9در اوج صبح روز هفته، اندازه گره ها در مناطقی مانند بخش مرکزی و جنوبی ناحیه فوتین و بخش جنوبی ناحیه لوهو بزرگتر بود، در حالی که اندازه گره ها در مناطق باقی مانده کوچکتر بود. این نتیجه نشان داد که مناطق کانونی در اوج صبحگاهی عمدتاً در منطقه Futian و منطقه Luohu توزیع شده‌اند که برجسته‌ترین عملکردهای تجاری و خدمات تجاری در شنژن را دارند. به دلیل قدرت اقتصادی قوی و جامع منطقه Futian و منطقه Luohu و موقعیت جغرافیایی آنها در نزدیکی بندر، تعاملات تاکسی در داخل و بین دو منطقه بیشتر بود. در مقایسه با پیک صبحگاهی، اندازه گره در قسمت جنوبی منطقه فوتیان در اوج عصر کوچکتر بود که نشان دهنده کاهش حجم سفر تاکسی در منطقه است. در همین حال، اندازه گره در بخش جنوبی منطقه لوهو افزایش یافته است که نشان دهنده افزایش سفر تاکسی در منطقه است. عمق رنگ لبه ها نشان داد که جریان تاکسی بین منطقه Futian و منطقه Luohu در اوج عصر، به ویژه برای سفرهای طولانی مدت افزایش می یابد.
نمودار جریان شبکه بین هر واحد UFA در طول دوره های اوج تعطیلات آخر هفته در شکل 10 نشان داده شده است.
در مقایسه با دوره اوج صبح در روزهای هفته ( شکل 9 را ببینید )، در شکل 10 قابل مشاهده است.که مقادیر درجه گره به طور قابل توجهی در طول دوره اوج صبح آخر هفته کاهش یافت و توزیع لبه پراکنده‌تر بود. به طور خاص، اندازه گره ها در بخش جنوبی و مرکزی منطقه فوتیان به طور قابل توجهی کاهش یافت، در حالی که توزیع پراکنده بود، که نشان دهنده کاهش قابل توجهی در ترافیک تاکسی در بخش مرکزی و جنوبی منطقه فوتیان است. در مقایسه با مدت مشابه در روزهای هفته، اندازه دو گره، از جمله ایستگاه راه آهن شمال شنژن و ایستگاه راه آهن شنژن، بزرگتر بود. دلیل آن ممکن است به دلیل تعداد زیاد پرندگان مهاجر شهری در شنژن باشد. به دلیل قیمت بالای مسکن در شنژن، مردم برای خرید خانه در شهرهای همسایه (مانند Dongguan، Huizhou و غیره) انتخاب می کنند. این افراد در روزهای هفته در شنژن زندگی می کنند و در تعطیلات آخر هفته با قطارهای بین شهری به شهرهای مجاور باز می گردند. بنابراین باعث ایجاد یک جریان بزرگ تاکسی در گره های ترافیکی، مانند ایستگاه راه آهن شمال شنژن در اوج صبح آخر هفته می شود. در طول اوج عصر آخر هفته، گره‌های فوق‌العاده کمتری در شبکه وجود داشت که عمدتاً در بخش مرکزی منطقه Futian، بخش مرکزی و جنوبی منطقه Luohu توزیع شده‌اند، با اندازه‌های کوچکتر و توزیع یکنواخت گره در نواحی باقی‌مانده. در مقایسه با دوره اوج صبح آخر هفته، توزیع لبه‌ها در شبکه متراکم‌تر بود که نشان‌دهنده تعاملات تاکسی بیشتر بود، به‌ویژه اینکه تعامل بین منطقه Yantian و منطقه Luohu به طور قابل توجهی افزایش یافته بود. عمدتاً در بخش مرکزی ناحیه فوتیان، بخش مرکزی و جنوبی منطقه لوهو، با اندازه گره های کوچکتر و به طور مساوی توزیع شده در مناطق باقی مانده توزیع شده است. در مقایسه با دوره اوج صبح آخر هفته، توزیع لبه‌ها در شبکه متراکم‌تر بود که نشان‌دهنده تعاملات تاکسی بیشتر بود، به‌ویژه اینکه تعامل بین منطقه Yantian و منطقه Luohu به طور قابل توجهی افزایش یافته بود. عمدتاً در بخش مرکزی ناحیه فوتیان، بخش مرکزی و جنوبی منطقه لوهو، با اندازه گره های کوچکتر و به طور مساوی توزیع شده در مناطق باقی مانده توزیع شده است. در مقایسه با دوره اوج صبح آخر هفته، توزیع لبه‌ها در شبکه متراکم‌تر بود که نشان‌دهنده تعاملات تاکسی بیشتر بود، به‌ویژه اینکه تعامل بین منطقه Yantian و منطقه Luohu به طور قابل توجهی افزایش یافته بود.
اطلاعات آماری شبکه ها در جدول 3 نشان داده شده است .
در جدول 3مشاهده می‌شود که میانگین طول مسیر آخر هفته‌ها کوچک‌تر از روزهای هفته بود، در حالی که ضریب خوشه‌بندی بزرگ‌تر از روزهای هفته بود. این نتیجه نشان داد که شبکه تحرک تاکسی در تعطیلات آخر هفته با ویژگی های یک شبکه جهانی کوچک سازگارتر از روزهای هفته است. میانگین طول مسیر در روزهای هفته کمی بیشتر از میانگین طول مسیر در تعطیلات آخر هفته بود، که نشان می‌دهد تنوع اتصال شبکه در روزهای هفته قوی‌تر بود، با فواصل تعامل طولانی‌تر و اتصال گسترده‌تر بین واحدهای مختلف UFA. میانگین درجه تعطیلات آخر هفته بیشتر از روزهای هفته بود که نشان می‌دهد میانگین تعداد لبه‌های متصل به شبکه تاکسی‌سازی در تعطیلات آخر هفته بیشتر از روزهای هفته بود و شبکه پایدارتر از روزهای هفته بود.
مطابق با معیارهای شبکه در پیک های صبح و عصر روزهای هفته، متوجه شدیم که میانگین درجه و میانگین تعداد لبه های متصل در اوج صبح روز هفته بیشتر از اوج عصر روز هفته است، که نشان می دهد تأثیر رفتار رفت و آمد بیشتر در اوج صبح. میانگین طول مسیر و ضرایب خوشه‌بندی شبکه در اوج عصر بزرگ‌تر از آن‌ها در اوج صبح بود، که نشان می‌دهد میانگین فاصله تعامل بین گره‌های UFA در اوج عصر بیشتر بوده و شبکه در اوج عصر متراکم‌تر است.
با مقایسه ویژگی‌های شبکه در طول دوره‌های پیک آخر هفته، دریافتیم که میانگین درجه اوج عصر به‌طور معنی‌داری بزرگ‌تر از اوج صبح است، که نشان می‌دهد ساکنان در پیک عصر آخر هفته در سفر فعال‌تر بودند. میانگین طول مسیر در اوج صبح آخر هفته بزرگتر از اوج عصر بود، در حالی که ضریب خوشه بندی کوچکتر از اوج صبح بود. به همین دلیل می توان نتیجه گرفت که قطر شبکه در پیک صبح آخر هفته بیشتر بوده و فاصله تعامل بیشتر بوده است. علاوه بر این، شبکه در مقایسه با اوج عصر پراکنده‌تر بود، در حالی که ویژگی‌های کوچک جهانی شبکه در اوج شبانه معنی‌دارتر بود.
نتایج تشخیص جامعه شبکه جریان تاکسی در شکل 11 نشان داده شده است. مقادیر مدولار بودن نتایج تشخیص جامعه در روزهای هفته و آخر هفته به ترتیب 0.426 و 0.435 بود. با توجه به این واقعیت که مقادیر مدولاریت دو شبکه هر دو بزرگتر از 0.4 بود، ادعا کردیم که نتایج تشخیص جامعه معقول است. تعداد جوامع در تعطیلات آخر هفته کمتر از روزهای هفته بود، که تا حدی می تواند نشان دهد که محدوده سفر ساکنان در تعطیلات آخر هفته متمرکزتر بوده است.
در شکل 11مشاهده می شود که نتایج تشخیص جامعه در روزهای هفته و آخر هفته ویژگی های متفاوتی را نشان می دهد و تفاوت در مورفولوژی جامعه و تعداد گره ها نشان دهنده ناهمگنی مکانی-زمانی ساختار شبکه است. شبکه جابجایی تاکسی در روزهای هفته به پنج محله تقسیم می شد و توزیع محله ها با تقسیم بندی اداری سازگارتر بود. این نتیجه نشان داد که سفرهای تاکسی در طول روزهای هفته عمدتاً در داخل مناطق بوده است. در مقایسه با روزهای هفته، ویژگی‌های جامعه در تعطیلات آخر هفته تفاوت معنی‌داری را نشان داد. منطقه Futian و منطقه Luohu در طول روزهای هفته از یک جامعه به دو جامعه تقسیم شدند و منطقه Baoan و منطقه Longgang مرزهای جامعه را گسترش دادند. نشان دهنده تردد بیشتر تاکسی در مناطق اداری در تعطیلات آخر هفته است. علاوه بر این، منطقه Luohu و بخش جنوبی منطقه Longgang یک جامعه با تحرک درون منطقه ای بالاتر نسبت به روزهای هفته تشکیل دادند.

5. نتیجه گیری و چشم انداز

این مقاله با استفاده از روش تحلیل شبکه پیچیده در مقیاس واحد منطقه عملکردی شهری، ویژگی‌های مکانی-زمانی سفرهای تاکسی در شنژن، چین را تحلیل می‌کند. یافته های اصلی را می توان به شرح زیر خلاصه کرد:
(1) رفتار سفر تاکسی در واحدهای منطقه عملکردی شهری که تحت سلطه عملکردهای مسکونی، تجاری، منظره و فضای سبز در طول تعطیلات آخر هفته هستند، و در واحدهای منطقه عملکردی شهری که در روزهای هفته تحت سلطه عملکرد صنعتی هستند، فعال تر است. در واحدهای منطقه عملکردی شهری نوع مختلط که تابع مسکونی بر آنها غالب است، حجم سفر در تعطیلات آخر هفته کمی بیشتر از حجم سفر در روزهای هفته است. در واحدهای منطقه عملکردی شهری نوع مختلط که تابع منظره و فضای سبز است، حجم سفر در تعطیلات آخر هفته به طور قابل توجهی بیشتر از حجم سفر در روزهای هفته است. واحدهای خدمات عمومی منطقه عملکردی شهری یکی از مقاصد اصلی سفر هستند و سفرهای تاکسی در این واحدها در تعطیلات آخر هفته بیشتر از روزهای هفته فعال است.
(2) در طول دوره اوج صبح، واحدهای منطقه عملکردی شهری با تحرک تاکسی بالاتر عمدتاً در بخش مرکزی و غربی شنژن و همچنین برخی از واحدها در شمال متمرکز هستند. واحدهای ناحیه عملکردی شهری به عنوان سینک جریان عمدتاً در ناحیه فوتیان و ناحیه نانشان توزیع شده اند. در طول دوره اوج عصر، نواحی سینک عمدتاً در بخش جنوبی ناحیه Yantian، بخش جنوب غربی منطقه Longgang و بخش شرقی منطقه Luohu توزیع شده است. رابطه متقابل بین انواع مختلف مناطق عملکردی شهری در طول روزهای هفته مشابه رابطه در طول تعطیلات آخر هفته است. سه نوع منطقه عملکردی برتر شهری از نظر خروجی عبارتند از IRFA، RCFA و PCFA، در حالی که سه نوع منطقه عملکردی برتر از نظر ورودی عبارتند از PRFA، GSFA و PIFA.
(3) شبکه جریان ترافیک در طول روزهای هفته یک الگوی فضایی “متراکم در غرب و جنوب، پراکنده در شمال و غرب” را نشان می دهد، که نشان می دهد ناهمواری فضایی قابل توجهی در جریان تاکسی ساکنان شنژن وجود دارد. در مقایسه با روزهای هفته، شبکه در طول تعطیلات آخر هفته پراکنده تر است، در حالی که تفاوت در اندازه گره ها کاهش یافته است، که نشان می دهد مقاصد سفر متنوع تر هستند. شبکه حمل و نقل تاکسی در تعطیلات آخر هفته بیشتر از روزهای هفته با ویژگی های یک شبکه کوچک جهانی سازگار است. میانگین درجه و میانگین تعداد لبه‌های متصل در اوج صبح روز هفته بیشتر از پیک شبانه روز هفته است، که نشان می‌دهد تاثیر رفتار رفت و آمد در اوج صبح بیشتر است و باعث می‌شود تعاملات شبکه مکررتر شود. الگوی تقسیم بندی جامعه با تقسیم بندی اداری در روزهای هفته سازگارتر است، که نشان می دهد سفرهای تاکسی در روزهای هفته عمدتاً در داخل مناطق است. ویژگی جامعه در تعطیلات آخر هفته به وضوح با ویژگی های جامعه در روزهای هفته متفاوت است.
(4) بر اساس یافته‌های خود، ما سعی می‌کنیم توصیه‌های سیاستی کمی ارائه کنیم. ابتدا، با توجه به توزیع واحدهای منطقه عملکردی شهری و ویژگی‌های سفرهای تاکسی، پیشنهاد می‌کنیم که ظرفیت خدمات حمل‌ونقل مناطق مسکونی دایره بیرونی، مانند منطقه Guangming، Pingshan District و Dapeng New District نیازمند تقویت است. این پیشنهاد می‌تواند مرجعی برای شرکت‌های تاکسیرانی برای توسعه برنامه‌های استقرار وسایل نقلیه عملیاتی خود برای مناطق مختلف و برای رانندگان تاکسی برای توسعه برنامه‌های سفر دریایی خود فراهم کند. ثانیاً، بر اساس ویژگی‌های شبکه تحرک بین واحدهای مختلف UFA در ساعات اوج صبح و عصر، پیشنهاد می‌کنیم که مسکن‌ها باید حول تمرکز اشتغال ساخته شوند، مانند مؤسسات آموزش عالی، موسسات تحقیقاتی بزرگ و پارک‌های صنعتی به شیوه‌ای ترکیبی از زمین. این می تواند ادغام فضای شغلی و فضای مسکونی را ارتقا دهد و در نتیجه انتشار ترافیک ناشی از رفتار رفت و آمد را کاهش دهد. این پیشنهاد می تواند مرجعی برای مقامات محلی برای توسعه برنامه ریزی شهری باشد. سوم، بر اساس ویژگی‌های شبکه تحرک بین واحدهای مختلف UFA، ما پیشنهاد می‌کنیم که نسبت زمین‌های سبز و محوطه‌سازی‌شده در هسته شهری (منطقه نانشان، ناحیه فوتیان و منطقه لوهو) باید افزایش یابد. این پیشنهاد ممکن است به کاهش حجم سفرهای افراد ساکن در منطقه مرکزی به پارک‌ها و سایر جاذبه‌های اطراف در تعطیلات آخر هفته کمک کند و انتشار گازهای گلخانه‌ای ناشی از سفرهای طولانی مدت را کاهش دهد. این پیشنهاد ممکن است مرجعی برای مقامات محلی برای توسعه برنامه ریزی شهری باشد. در نهایت، همانطور که شناخته شده است، اجرای استراتژی توسعه ترانزیت محور (TOD) به یک توافق برای توسعه شهری در مناطق پرجمعیت در سراسر جهان تبدیل شده است. بنابراین توصیه می‌کنیم پوشش ایستگاه‌های حمل‌ونقل ریلی به واحدهای UFA با شاخص تحرک پایین‌تر به‌ویژه بخش جنوب شرقی شهر افزایش یابد. این پیشنهاد می تواند به عنوان مرجعی برای مقامات محلی و ذینفعان درگیر در طراحی خطوط جدید مترو باشد. توصیه می‌کنیم پوشش ایستگاه‌های حمل‌ونقل ریلی به واحدهای UFA با شاخص تحرک پایین‌تر به‌ویژه بخش جنوب شرقی شهر افزایش یابد. این پیشنهاد می تواند به عنوان مرجعی برای مقامات محلی و ذینفعان درگیر در طراحی خطوط جدید مترو باشد. توصیه می‌کنیم پوشش ایستگاه‌های حمل‌ونقل ریلی به واحدهای UFA با شاخص تحرک پایین‌تر به‌ویژه بخش جنوب شرقی شهر افزایش یابد. این پیشنهاد می تواند به عنوان مرجعی برای مقامات محلی و ذینفعان درگیر در طراحی خطوط جدید مترو باشد.
یافته های ما می تواند درک تحرک شهری بین واحدهای مختلف UFA را تحریک کند. در مقایسه با سایر مطالعات در همان منطقه، این مقاله دارای تازگی در تنظیم UFA به عنوان واحدهای تحلیل ترافیک و استفاده از روش‌های پیچیده شبکه است. به عنوان مثال، دانیل و همکاران. رفتار سفر تاکسی شهری در شنژن را تحلیل کرد و دریافت که مسافت، زمان سفر و ترجیح جاده تأثیر قابل مقایسه ای بالاتری بر انتخاب مسیر رانندگان دارند [ 60 ]. نی تأثیر منبع یابی سواری بر صنعت تاکسی را بررسی کرد و کشف کرد که کجا، چه زمانی و چگونه تاکسی ها می توانند با استفاده از مجموعه داده های مسیر GPS تاکسی بزرگ جمع آوری شده در شنژن از ژانویه 2013 تا نوامبر 2015 به طور مؤثرتری رقابت کنند [ 31 ].]. تو و همکاران تغییرات فضایی سواری عمومی چند وجهی، مانند اتوبوس‌ها، سیستم‌های مترو، و تاکسی‌ها و عوامل کنترل‌کننده اساسی در شنژن را بررسی کرد. علاوه بر این، آنها ادعا کردند که اشتغال، کاربری مختلط زمین و تراکم جاده اثرات قابل توجهی بر سواری هر حالت دارند [ 61 ]. ژنگ و همکاران از داده‌های مسیر تاکسی برای بررسی چیدمان فضایی و تخصیص منابع مدیریتی فضای سبز عمومی شهری از منظر تعامل فضایی استفاده کرد [ 62 ]. شن و همکاران الگوی مکانی و زمانی سفر تاکسی را بر اساس یک روش تخمین تراکم هسته شبکه بهبود یافته تجزیه و تحلیل کرد [ 63]. گائو و همکاران تاثیر مسئله واحد منطقه ای قابل اصلاح (MAUP) را برای درک روابط بین تقاضای رفت و آمد و محیط ساخته شده بررسی کرد [ 64 ]. فنگ و همکاران تغییرات مکانی و زمانی مسیرهای سفر تاکسی را با استفاده از داده‌های تاکسی از پنج شهر بزرگ (از جمله شنژن) مورد بررسی قرار داد و دریافت که سفر انسانی می‌تواند با توزیع‌های مقیاس‌بندی قدرت در فواصل و زمان‌ها بسیار ناهمگن باشد [ 65 ]]. در مطالعات قبلی، واحد تجزیه و تحلیل ترافیک عمدتاً یک شبکه منظم است و چند ضلعی های نامنظم به دست آمده با استفاده از تقسیم بندی شبکه جاده ها کمتر مورد مطالعه قرار گرفته اند. علاوه بر این، مطالعاتی که ویژگی‌های عملکردی شهری واحدهای تحلیل ترافیک را در نظر می‌گیرند، به‌ویژه نادر هستند. علاوه بر این، مطالعه تعاملات فضایی بین واحدهای مختلف UFA با استفاده از روش‌های تحلیل شبکه پیچیده نسبتاً محدود است. بدون شک مطالعه ما هنوز دارای محدودیت هایی است. اول، با توجه به تفاوت‌های بین سیستم طبقه‌بندی Gaode POI و سیستم طبقه‌بندی کاربری اراضی شهری و استانداردهای برنامه‌ریزی زمین توسعه، عملیات طبقه‌بندی مجدد POI در مطالعه ما تا حدودی ذهنی است که ممکن است بر دقت شهری تأثیر بگذارد. نتایج شناسایی ناحیه عملکردی بنابراین، داده های سنجش از راه دور، داده های نمای خیابان، و داده های کار میدانی باید در مطالعات آینده معرفی شوند تا دقت نتایج افزایش یابد. دوم، داده‌های OD تاکسی مورد استفاده در این مقاله فقط شامل تاکسی‌های کروز سنتی می‌شود و شامل حمل و نقل آنلاین خودرو نمی‌شود، بنابراین به نتایج جامع‌تری منجر می‌شود. علاوه بر این، داده های سفر تاکسی در سال 2017 منعکس کننده آخرین ویژگی های حرکت تاکسی های شهری نیست. دینگیل و همکاران انعکاس نابرابری‌های اقتصادی فضایی در طول همه‌گیری COVID-19 را تأیید کرد و نشان داد که مسافت سفر و سطح درآمد دو عامل تأثیرگذار در تصمیم‌گیری همه‌گیر هستند. علاوه بر این، داده های سفر تاکسی در سال 2017 منعکس کننده آخرین ویژگی های حرکت تاکسی های شهری نیست. دینگیل و همکاران انعکاس نابرابری‌های اقتصادی فضایی در طول همه‌گیری COVID-19 را تأیید کرد و نشان داد که مسافت سفر و سطح درآمد دو عامل تأثیرگذار در تصمیم‌گیری همه‌گیر هستند. علاوه بر این، داده های سفر تاکسی در سال 2017 منعکس کننده آخرین ویژگی های حرکت تاکسی های شهری نیست. دینگیل و همکاران انعکاس نابرابری‌های اقتصادی فضایی در طول همه‌گیری COVID-19 را تأیید کرد و نشان داد که مسافت سفر و سطح درآمد دو عامل تأثیرگذار در تصمیم‌گیری همه‌گیر هستند.66 ]. از آنجایی که تأثیر همه‌گیری COVID-19 بر تحرک شهری قابل توجه است، شایان ذکر است. در مطالعات آتی، داده‌های مسیرهای متنوع‌تر و جدیدتر باید گنجانده شود تا ویژگی‌های تحرک شهری را به طور جامع و به موقع منعکس کند. در نهایت، این مقاله تنها نقاط سوار شدن و رها کردن تاکسی را تجزیه و تحلیل می‌کند، در حالی که داده‌های مسیر تاکسی همچنین حاوی اطلاعات مهمی در مورد رفتار سفر است که می‌تواند در تحقیقات تحرک انسان اعمال شود. بنابراین، گنجاندن داده های مسیر تاکسی باید در آینده مورد توجه قرار گیرد.

منابع

  1. لیو، ی. لیو، ایکس. گائو، اس. گونگ، ال. کانگ، سی. ژی، ی. چی، جی. شی، ال. حس اجتماعی: رویکردی جدید برای درک محیط های اجتماعی-اقتصادی ما. ان دانشیار صبح. Geogr. 2015 ، 105 ، 512-530. [ Google Scholar ] [ CrossRef ]
  2. لیو، تی. وانگ، پی. گائو، ی. وانگ، ی. تحقیق در مورد کلان داده های تاکسی سنتی و حمل و نقل آنلاین خودرو: یک بررسی سیستماتیک. J. Traffic Transp. مهندس (Engl. Ed.) 2021 ، 8 ، 1-34. [ Google Scholar ] [ CrossRef ]
  3. Szeto، WY; وانگ، RCP; یانگ، WH هدایت رانندگان تاکسی خالی به درخواست مکان توسط سیگنال‌های تماس تاکسی: رویکرد مدل‌سازی رگرسیون لجستیک باینری متوالی و پیامدهای سیاست. ترانسپ سیاست 2019 ، 76 ، 100-110. [ Google Scholar ] [ CrossRef ]
  4. Ge، W. شائو، دی. ژو، ام. زو، اچ. چنگ، جی. تحلیل سواری تاکسی شهری در کلانشهر در حال ظهور: مطالعه موردی در شانگهای. ترانسپ Res. Procedia 2017 , 25 , 4916–4927. [ Google Scholar ] [ CrossRef ]
  5. کیان، ایکس. Ukkusuri، SV تغییرات فضایی تاکسی سواری شهری با استفاده از داده های GPS. Appl. Geogr. 2015 ، 59 ، 31-42. [ Google Scholar ] [ CrossRef ]
  6. ژنگ، ز. ژو، اس. قوانین مقیاس‌بندی فرکانس بازدید فضایی: برنامه‌های کاربردی برای پیش‌بینی فرکانس سفر. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 64 ، 332-343. [ Google Scholar ] [ CrossRef ]
  7. برعباسی، ال. آلبرت، آر. ظهور مقیاس بندی در شبکه های تصادفی. Science 1999 , 286 , 509-512. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. واتس، دی جی؛ استروگاتز، SH دینامیک جمعی شبکه‌های «جهان کوچک». طبیعت 1998 ، 393 ، 440-442. [ Google Scholar ] [ CrossRef ]
  9. باراباسی، ع.-ال. علوم شبکه ; انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 2016. [ Google Scholar ]
  10. نیومن، شبکه های MEJ: مقدمه ; انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2010. [ Google Scholar ]
  11. بارات، ا. بارتلمی، ام. Vespignani، A. فرآیندهای پویا در شبکه های پیچیده . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 2008. [ Google Scholar ]
  12. گالوتی، آر. بارتلمی، ام. آناتومی و کارایی تحرک چندوجهی شهری. علمی 2014 ، 4 ، 6911. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  13. آلتا، ا. ملونی، س. مورنو، ی. دیدگاه چند لایه برای تجزیه و تحلیل سیستم های حمل و نقل شهری. علمی Rep. 2017 , 7 , 44359. [ Google Scholar ] [ CrossRef ]
  14. کوین، جی. می، جی. Xiao, L. ساخت شبکه جریان ترافیک با مسیرهای GPS تاکسی و کاربرد آن برای شناسایی مناطق شلوغ شهری برای برنامه ریزی ترافیک. پایداری 2021 ، 13 ، 266. [ Google Scholar ] [ CrossRef ]
  15. جیا، تی. لو، ایکس. لی، X. ترسیم یک سازمان سلسله مراتبی از خوشه های شهری رتبه بندی شده با استفاده از یک شبکه تعامل فضایی. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 87 ، 101617. [ Google Scholar ] [ CrossRef ]
  16. ریاسکوس، AP; Mateos، JL Networks و تحرک دوربرد در شهرها: مطالعه بیش از یک میلیارد سفر تاکسی در شهر نیویورک. علمی جمهوری 2020 ، 10 ، 4022. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  17. حامد مقدم رفعتی، ح. Steponavice، I. رمضانی، م. صابری، م. تحلیل شبکه ای پیچیده ساختار ماکروسکوپی سفرهای تاکسی. در مجموعه مقالات بیستمین کنگره جهانی فدراسیون بین المللی کنترل خودکار (IFAC)، تولوز، فرانسه، 9 تا 14 ژوئیه 2017؛ ص 9432–9437. [ Google Scholar ]
  18. لوائل، تی. لنورمند، م. پیکورنل، ام. کانتو، او. هرانز، ر. فریاس مارتینز، ای. راماسکو، جی جی. بارتلمی، ام. کشف ساختار فضایی شبکه های تحرک. نات اشتراک. 2015 ، 6 ، 6007. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  19. یینگ، ال. Shen, Z. تحلیل جغرافیایی برای حمایت از برنامه ریزی شهری در پکن . انتشارات بین المللی Springer: برلین/هایدلبرگ، آلمان، 2015. [ Google Scholar ]
  20. کیانگ، ال. شینچی، ز. یی، سی. تحقیق در مورد شناسایی عملکرد و ویژگی های توزیع ووهان با پشتیبانی داده های بزرگ. علمی Surv. نقشه 2020 ، 45 ، 119-125. [ Google Scholar ]
  21. چن، اس. تائو، اچ. لی، ایکس. Zhuo, L. کشف مناطق عملکردی شهری با استفاده از اطلاعات معنایی پنهان: داده کاوی فضایی و زمانی ماشین های شناور داده های GPS گوانگژو. Acta Geogr. گناه 2016 ، 71 ، 471-483. [ Google Scholar ] [ CrossRef ]
  22. شیچنگ، ی. جینگلی، دبلیو. چنگمینگ، ال. ژائوکسین، دی. Hao، L. بخش منطقه عملکردی شهری با توجه به داده های POI و کاربری زمین. جی. ژئومات. علمی تکنولوژی 2021 ، 38 ، 181-186. [ Google Scholar ]
  23. لو، ال. Lin, T. آشکارسازی ویژگی‌های منطقه فعال در شهر توسط داده‌های GPS تاکسی مطالعه‌ای در شنژن، چین. در مجموعه مقالات کنفرانس بین المللی IEEE در تجزیه و تحلیل داده های بزرگ، پکن، چین، 10 تا 12 مارس 2017. [ Google Scholar ]
  24. 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 ]
  25. شن، جی. لیو، ایکس. چن، ام. کشف الگوهای مکانی و زمانی از داده‌های خودروهای شناور مبتنی بر تاکسی: مطالعه موردی از نانجینگ. Giscience Remote Sens. 2017 ، 54 ، 617-638. [ Google Scholar ] [ CrossRef ]
  26. لی، تی. جینگ، پی. لی، ال سی; Sun، DZ; Yan، WB فاش کردن تأثیر متفاوت محیط ساخت شهری بر سفرهای آنلاین با ماشین در ابعاد زمانی-مکانی: یک تحلیل اکتشافی در چنگدو، چین. پایداری 2019 ، 11 ، 1336. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. فنگ، اچ. بای، اف. Xu, Y. شناسایی جاده های بحرانی در شبکه حمل و نقل شهری بر اساس داده های مسیر GPS. فیزیک یک آمار مکانیک. برنامه آن است. 2019 ، 535 ، 122337. [ Google Scholar ] [ CrossRef ]
  28. یانگ، ز. فرانتس، ام ال. زو، اس. محمودی، ج. نصری، ع. Zhang, L. تجزیه و تحلیل تقاضای تاکسی واشنگتن دی سی با استفاده از GPS و داده های کاربری زمین. J. Transp. Geogr. 2018 ، 66 ، 35-44. [ Google Scholar ] [ CrossRef ]
  29. شیائو، کیو. او، ر. Yu, J. ارزیابی امکان‌سنجی تاکسی‌سازی در مناطق مختلف شهری از طریق روش تحلیل ماده-عنصر K-means. تکنولوژی Soc. 2018 ، 53 ، 135-143. [ Google Scholar ] [ CrossRef ]
  30. لی، بی. کای، ز. جیانگ، ال. سو، اس. Huang، X. بررسی تاکسی سواری شهری و عوامل مرتبط محلی با استفاده از داده های GPS و رگرسیون وزنی جغرافیایی. شهرها 2019 ، 87 ، 68–86. [ Google Scholar ] [ CrossRef ]
  31. Yu, N. چگونه صنعت تاکسی می تواند از جزر و مد منابع سواری جان سالم به در ببرد؟ شواهد از شنژن، چین. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 79 ، 242-256. [ Google Scholar ] [ CrossRef ]
  32. زی، دبلیو. ژو، اس. اثر فضایی- زمانی- غیر ایستا محیط ساخته شده بر تقاضای تاکسی. مد. Urban Res. 2018 ، 12 ، 22-29. [ Google Scholar ]
  33. کای، اچ. ژان، ایکس. ژو، جی. جیا، ایکس. چیو، ASF; Xu, M. درک الگوهای سفر تاکسی. فیزیک یک آمار مکانیک. برنامه آن است. 2016 ، 457 ، 590-597. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. یانگ، ی. یان، ز. لی، کیو. مائو، کیو. مناطق جذاب وابسته به زمان و الگوهای حرکت از داده‌های مسیر تاکسی. در مجموعه مقالات کنفرانس بین المللی ژئوانفورماتیک، فیرفکس، VA، ایالات متحده آمریکا، 12 تا 14 اوت 2009. [ Google Scholar ]
  35. 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 2013 ، 14 ، 113-123. [ Google Scholar ] [ CrossRef ]
  36. جیانگ، بی. یین، جی. ژائو، اس. مشخص کردن الگوی تحرک انسان در یک شبکه خیابانی بزرگ. فیزیک Rev. E Stat. فیزیک ماده نرم غیرخطی. 2009 , 80 , 021136. [ Google Scholar ] [ CrossRef ][ Green Version ]
  37. گونگ، ال. لیو، ایکس. وو، ال. لیو، ی. استنباط اهداف سفر و کشف الگوهای سفر از داده‌های مسیر تاکسی. کارتوگر. Geogr. Inf. علمی 2016 ، 43 ، 103-114. [ Google Scholar ] [ CrossRef ]
  38. ژائو، ک. پراسات، سی ام؛ تارکوما، S. تجزیه و تحلیل منطقه خودکار شهر برای مسیریابی شهری. در مجموعه مقالات کنفرانس بین المللی IEEE 2015 در کارگاه داده کاوی (ICDMW)، آتلانتیک سیتی، نیوجرسی، ایالات متحده آمریکا، 14 تا 17 نوامبر 2015. [ Google Scholar ]
  39. شی، ال. لی، جی. گونگ، ی. Yu, L. آشکارسازی الگوهای سفر و ساختار شهر با داده‌های سفر تاکسی. J. Transp. Geogr. 2015 ، 43 ، 78-90. [ Google Scholar ]
  40. شیائو، ال. خو، دبلیو. لیو، جی. تشخیص پویایی شهری با داده‌های سفر تاکسی برای ارزیابی و بهینه‌سازی برنامه‌ریزی فضایی: نمونه شهر شیامن، چین. بین المللی کشیش اسپات. طرح. حفظ کنید. توسعه دهنده 2016 ، 4 ، 14-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. ژائو، جی. لی، ز. شانگ، ی. یانگ، ام. چگونه محیط ساخت شهری بر شدت سواری آنلاین خودرو در مقیاس های مختلف تأثیر می گذارد؟ بین المللی جی. محیط زیست. Res. بهداشت عمومی 2022 ، 19 ، 5325. [ Google Scholar ] [ CrossRef ]
  42. وانگ، اس. وانگ، جی. لی، دبلیو. فن، جی. لیو، ام. آشکارسازی مکانیسم تأثیر محیط ساخته شده شهری بر سفرهای آنلاین با خودرو با در نظر گرفتن آنتروپی جهت شبکه خیابان. گسسته. دین نات Soc. 2022 ، 2022 ، 3888800. [ Google Scholar ] [ CrossRef ]
  43. ژانگ، بی. چن، سی. ما، YF; لی، TZ; تانگ، ک. تجزیه و تحلیل تحرک شهری مکانی-زمانی بر اساس داده‌های آنلاین خودرو-تگرگ. J. Transp. Geogr. 2020 , 82 , 102568. [ Google Scholar ] [ CrossRef ]
  44. وانگ، YX; چن، جی. خو، ن. لی، WJ; یو، کیو. آهنگ، X. داده‌های GPS در حمل و نقل آنلاین شهری شهری: شبیه‌سازی بهینه‌سازی و پیش‌بینی در کاهش فاصله کروز خالی. ریاضی. مشکل مهندس 2020 ، 2020 ، 6890601. [ Google Scholar ] [ CrossRef ]
  45. بی، اچ. بله، ز. وانگ، سی. چن، ای. لی، ی. Shao, X. چگونه محیط زیست بر روی ماشین سواری آنلاین تأثیر می گذارد. ترانسپ Res. ضبط 2020 ، 2674 ، 745-760. [ Google Scholar ] [ CrossRef ]
  46. بی، اچ. Ye, Z. بررسی الگوهای سفر منبع یابی سواری با ترکیب داده های چند منبع: یک رویکرد کلان داده. حفظ کنید. جامعه شهرها 2021 ، 64 ، 102499. [ Google Scholar ] [ CrossRef ]
  47. اداره آمار شنژن هفتمین سرشماری ملی نفوس شنژن ; دفتر آمار شنژن: شنژن، چین، 2021. در دسترس آنلاین: https://tjj.sz.gov.cn/gkmlpt/content/8/8772/post_8772304.html#4221 (در 10 مه 2022 قابل دسترسی است).
  48. ویکیپدیا. توکیو در دسترس آنلاین: https://en.wikipedia.ahau.cf/wiki/Tokyo (دسترسی در 10 مه 2022).
  49. دفتر آمار ملی برآورد جمعیت برای انگلستان، انگلستان و ولز، اسکاتلند و ایرلند شمالی، موقت: اواسط 2019. 2020. در دسترس آنلاین: https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/populationestimates/bulletins/annualmidyearpopulationestimates/mid2020 (در 10 مه 2022 قابل دسترسی است).
  50. کمیته حمل و نقل شهرداری شنژن گزارش سالانه حمل و نقل شنژن 2016 ; کمیته حمل و نقل شهرداری شنژن: شنژن، چین، 2017. موجود به صورت آنلاین: https://jtys.sz.gov.cn/pcjt/jbqk/yytj/201709/P020171115562961369723.pdf (دسترسی در 10 مه 2022).
  51. وزارت مسکن و توسعه شهری – روستایی جمهوری خلق چین. کد طبقه بندی کاربری اراضی شهری و استانداردهای برنامه ریزی توسعه اراضی ; وزارت مسکن و توسعه شهری-روستایی جمهوری خلق چین: پکن، چین، 2011; در دسترس آنلاین: https://www.planning.org.cn/law/uploads/2013/1383993139.pdf (در 10 مه 2022 قابل دسترسی است).
  52. برنامه ریزی و منابع طبیعی شهرداری شنژن. بولتن داده های اصلی سومین بررسی ملی زمین شنژن ; برنامه ریزی و منابع طبیعی شهرداری شنژن: شنژن، چین، 2022. در دسترس آنلاین: https://pnr.sz.gov.cn/gkmlpt/content/9/9744/post_9744274.html#4290 (در 10 مه 2022 قابل دسترسی است).
  53. ویفنگ، ز. چینگ کوان، ال. Bijun, L. استخراج نشانه های سلسله مراتبی از داده های POI شهری. J. Remote Sens. 2011 ، 15 ، 973-980. [ Google Scholar ]
  54. جونجو، دبلیو. یقین، ی. Fang, F. A Study of Urban Functional Zone بر اساس تخمین تراکم هسته و داده های همجوشی. Geogr. Geo-Inf. علمی 2019 ، 35 ، 66-71. [ Google Scholar ]
  55. یانون، دی. هانوی، ایکس. Chenghao، W. تحقیق در مورد شناسایی منطقه عملکردی شهری با یکپارچه سازی شبکه جاده OSM و داده های POI. Geogr. Geo-Inf. علمی 2020 ، 36 ، 57-63. [ Google Scholar ]
  56. دفتر امنیت عمومی شهرداری شنژن ساعات محدودی برای خودروهایی که پلاک شنژن ندارند چقدر است؟ دفتر امنیت عمومی شهرداری شنژن: شنژن، چین، 2017. در دسترس آنلاین: https://szjj.sz.gov.cn/YWZSK/TXZZS/content/post_4462965.html (در 10 مه 2022 قابل دسترسی است).
  57. یانگ، جی. سی، اس. هوآ، اس. تائو، ص. ویژگی‌های مکانی-زمانی نقاط مبدا و سینک موبایک‌ها در پکن و استراتژی زمان‌بندی آن. J. Geo-Inf. علمی 2018 ، 20 ، 1123-1138. [ Google Scholar ]
  58. گوا، دی. زو، ایکس. جین، اچ. گائو، پی. آندریس، CC کشف الگوهای فضایی در داده‌های تحرک مبدا-مقصد. ترانس. Gis 2012 , 16 , 411-429. [ Google Scholar ] [ CrossRef ]
  59. نیومن، MEJ مدولاریت و ساختار جامعه در شبکه ها. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2006 ، 103 ، 8577-8582. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  60. 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. -Int. J. Transp. Res. 2014 ، 6 ، 118-125. [ Google Scholar ] [ CrossRef ]
  61. تو، دبلیو. کائو، آر. یو، ی. ژو، بی. لی، کیو. لی، کیو. تغییرات فضایی در رفت و آمدهای عمومی شهری به دست آمده از مسیرهای GPS و داده های کارت هوشمند. J. Transp. Geogr. 2018 ، 69 ، 45-57. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. ژنگ، کیو. ژائو، ایکس. جین، ام. تحقیق در مورد برنامه ریزی فضای سبز عمومی شهری بر اساس داده های تاکسی: مطالعه موردی در سه ناحیه شنژن، چین. پایداری 2019 ، 11 ، 1132. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  63. شن، بی. خو، X. لی، جی. پلازا، آ. Huang, Q. آشکارسازی الگوهای مکانی-زمانی سفر تاکسی بر اساس تخمین تراکم هسته شبکه بهبود یافته. Isprs Int. J. Geo-Inf. 2020 ، 9 ، 683. [ Google Scholar ] [ CrossRef ]
  64. گائو، اف. تانگ، جی. لی، زی. اثرات واحدهای فضایی و حالت‌های سفر بر مدل‌سازی تقاضای رفت و آمد شهری. حمل و نقل 2021. [ CrossRef ]
  65. فنگ، ایکس. سان، اچ. گراس، بی. وو، جی. لی، دی. یانگ، ایکس. Lv، Y.; ژو، دی. گائو، ز. هاولین، اس. مقیاس بندی تغییرات مکانی-زمانی مسیرهای سفر تاکسی. جدید جی. فیزیک. 2022 ، 24 ، 043020. [ Google Scholar ] [ CrossRef ]
  66. دینگیل، AE; Esztergár-Kiss، D. تأثیر همه گیری کووید-19 بر الگوهای تحرک: نتایج موج اول. ترانسپ Lett. 2021 ، 13 ، 434-446. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00377 g001 550
شکل 1. نقشه منطقه مورد مطالعه (پیشینه جغرافیایی با برداری از نقشه شنژن ارائه شده توسط دفتر برنامه ریزی و منابع طبیعی شهرداری شنژن به دست آمده است).
Ijgi 11 00377 g002 550
شکل 2. نمودار جریان داده های مطالعه.
Ijgi 11 00377 g003 550
شکل 3. نتایج شناسایی ناحیه عملکردی شهری (پیشینه جغرافیایی با همپوشانی جاده ها و مرز اداری شهر شنژن به دست می آید).
Ijgi 11 00377 g004 550
شکل 4. میانگین روزانه حجم سفر هر نوع UFA در روزهای هفته و آخر هفته.
Ijgi 11 00377 g005 550
شکل 5. میانگین مسافت روزانه سفر هر نوع UFA در روزهای هفته و آخر هفته.
Ijgi 11 00377 g006 550
شکل 6. نقشه شاخص تحرک تاکسی ها در دوره های پیک (پیشینه جغرافیایی با پوشش جاده ها و مرز اداری شهر شنژن به دست می آید).
Ijgi 11 00377 g007 550
شکل 7. تعامل جریان تاکسی بین انواع مختلف UFA: ( الف ) گرم آکورد در روزهای هفته. ( ب ) وتر گرم در تعطیلات آخر هفته.
Ijgi 11 00377 g008 550
شکل 8. شبکه هدایت شده جریان روزانه تاکسی: ( الف ) شبکه در روزهای هفته. ( ب ) شبکه در تعطیلات آخر هفته.
Ijgi 11 00377 g009 550
شکل 9. شبکه هدایت شده جریان تاکسی در دوره های اوج روزهای هفته: ( الف ) شبکه در ساعات اوج صبح روزهای هفته. ( ب ) شبکه در ساعات اوج عصر روزهای هفته.
Ijgi 11 00377 g010 550
شکل 10. شبکه هدایت شده جریان تاکسی در دوره های اوج آخر هفته: ( الف ) شبکه در ساعات اوج صبح آخر هفته. ( ب ) شبکه در ساعات اوج شب آخر هفته.
Ijgi 11 00377 g011 550
شکل 11. نتایج تشخیص جامعه شبکه جریان روزانه تاکسی: ( الف ) اجتماع روزهای هفته. ( ب ) اجتماع آخر هفته ها.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید