خلاصه

:

تحقیقات نشان داده است که تقاضای رو به رشد سفر تعطیلات در جامعه مدرن تأثیر قابل توجهی بر الگوهای سفر روزانه دارد. با این حال، مطالعات کمی بر متمایز بودن الگوهای سفر در طول فصل تعطیلات متمرکز شده است و به عنوان یک مورد مشخص، مطالعات رفتار سفر جشنواره بهار چین (CSF) در سطح شهر حتی نادرتر است. این مقاله یک مدل متن کاوی (تخصیص دیریکله نهفته (LDA)) را برای بررسی الگوهای سفر و اهداف سفر در طول فصل CSF در شنژن بر اساس داده‌های کارت هوشمند مترو (MSC) و داده‌های نقاط مورد علاقه (POI) اتخاذ می‌کند. هدف این مطالعه پاسخ به دو سوال است – (1) چگونه می توان از MSC و POI استنباط کننده هدف سفر در سطح ایستگاه مترو بدون پیشینه اجتماعی و اقتصادی دارندگان کارت استفاده کرد؟ (2) الگوهای کلی تحرک درون شهری و فعالیت های سفر در طول هفته تعطیلات جشنواره بهار چیست؟ نتایج نشان می‌دهد که شش ویژگی رفتار سفر CSF پیدا شده است و نه (سه دسته کلی) الگوهای سفر و فعالیت‌های سفر استنباط می‌شوند. فعالیت‌هایی که مسافران در طول فصل CSF انجام می‌دهند، عمدتاً رویدادهای مصرف‌محور، دیدار با اقوام و دوستان و رویدادهای ترافیک محور هستند. این مطالعه برای شرکت‌های مترو (مدیریت جدول زمانی)، صاحبان مشاغل (استراتژی ارتقاء)، محققان (استنتاج ویژگی‌های اجتماعی مسافران) و تصمیم‌گیرندگان (بررسی خدمات عمومی) سودمند است. فعالیت‌هایی که مسافران در طول فصل CSF انجام می‌دهند، عمدتاً رویدادهای مصرف‌محور، دیدار با اقوام و دوستان و رویدادهای ترافیک محور هستند. این مطالعه برای شرکت‌های مترو (مدیریت جدول زمانی)، صاحبان مشاغل (استراتژی ارتقاء)، محققان (استنتاج ویژگی‌های اجتماعی مسافران) و تصمیم‌گیرندگان (بررسی خدمات عمومی) سودمند است. فعالیت‌هایی که مسافران در طول فصل CSF انجام می‌دهند، عمدتاً رویدادهای مصرف‌محور، دیدار با اقوام و دوستان و رویدادهای ترافیک محور هستند. این مطالعه برای شرکت‌های مترو (مدیریت جدول زمانی)، صاحبان مشاغل (استراتژی ارتقاء)، محققان (استنتاج ویژگی‌های اجتماعی مسافران) و تصمیم‌گیرندگان (بررسی خدمات عمومی) سودمند است.

 

1. معرفی

پیش از این، نظرسنجی‌های سنتی ترافیک عمدتاً داده‌ها را در روزهای کاری افراد جمع‌آوری می‌کرد [ 1 ، 2 ] و نظرسنجی‌های کمی مخصوصاً برای تعطیلات وجود داشت (به عنوان مثال، بررسی سفر آمریکا در سال 1995). در نتیجه، تحقیقات در مورد رفتار سفر بر رفتار نسبتاً معمولی سفر متمرکز شده بود، در حالی که برخی از انواع سفر هم از نظر زمان و هم از نظر مکان انعطاف‌پذیرتر و آزادتر هستند، مانند سفرهای گاه به گاه آخر هفته یا سفرهای تعطیلات [3] و ویژگی‌ها و انگیزه‌های آنها نبود . کاملاً درک شده است [ 4 ]. با این حال، با تبدیل شدن به مناظر دیدنی، خرید و گردهمایی های خانوادگی به سبک زندگی اصلی جامعه مدرن، تقاضا برای سفر در تعطیلات به طور چشمگیری افزایش یافته است [ 5]] و از این رو در معرض دید ارگان های سیاست گذار و محققان قرار می گیرد. به عنوان مثال، در آلمان، بررسی ملی سفر خانواده (MiD (Mobility in Germany)) شامل اطلاعات سفرهای طولانی در مورد تعطیلات عمومی مانند کریسمس است. به همین ترتیب، Reiseanalyse (RA) رفتار تعطیلات و همچنین علایق تعطیلات و انگیزه های مردم آلمانی زبان آلمان را جمع آوری می کند [ 6 ]. از آنجایی که رفتارهایی مانند سفرهای طولانی مدت و مصرف اوقات فراغت تا حد زیادی با تعطیلات همراه است، در بسیاری از کشورهای اروپایی، نظرسنجی‌های گسترده‌تر سفرهای خانگی اطلاعات سفرهای طولانی‌مدت را پوشش می‌دهند، مانند INVERMO (آلمان)، سرشماری خرد. سوئیس) و MEST/TEST (فرانسه، پرتغال، سوئد، بریتانیا) [ 7 ]. برای دقیق تر، LaMondia و همکاران. [ 8] نشان داد که عوامل جمعیت شناختی، سطح تحصیلات، عوامل اشتغال و درآمد خانوار نقش مهمی در سفرهای طولانی مدت تفریحی ایفا می کنند، که برای نظرسنجی های راه دور کمک کننده بود تا سوالات بهتری را در نظرسنجی های خود لحاظ کنند. Reichert و Holz-Rau [ 9 ، 10 ، 11 ] دریافتند که در آلمان، افرادی که در شهرهای بزرگ زندگی می کنند، بیشتر به سفرهای طولانی برای اهداف تفریحی می پردازند، در حالی که در سوئیس، دسترسی به فرودگاه به طور مثبت بر احتمال پرواز برای اوقات فراغت تأثیر می گذارد. اهداف [ 12 ]. بررسی سیستماتیک شکل شهری و سفرهای تفریحی طولانی مدت را می توان در مرجع [ 13] یافت.]. به طور کلی، مطالعات و بررسی های قبلی درک ما را از رفتار سفر تعطیلات مبتنی بر گردشگری (بین شهری، بین استانی یا بین المللی) تقویت می کند.
با این حال، بین رفتار سفر روزانه و رفتار سفر مرتبط با گردشگری تمایزی وجود دارد. طبق گفته سازمان جهانی گردشگری، سفرهای راه دور مرتبط با گردشگری که در بالا ذکر شد، معمولاً خارج از محیط معمول مردم انجام می‌شود [ 14 ] و در روزهای تعطیل به جای «مسافران» توجه بیشتری به «گردشگران» دارند، در حالی که مطالعه عمومی است. حمل و نقل در یک محیط معمولی (در داخل شهر) در طول تعطیلات ضعیف مطالعه شده است. تلاش‌های کمی برای بررسی تفاوت‌های رفتار سفر بین روزهای تعطیل و روزهای هفته در سطح درون شهری انجام شده است [ 15]] و الگوهای سفر و فعالیت های سفر مسافران در تعطیلات ناشناخته باقی می ماند، به ویژه برای برخی از جشنواره های مهم و طولانی مدت، مانند جشنواره بهار چین (CSF) یا روز کریسمس. اما با توجه به تأثیر فراگیر تعطیلات عمومی بر الگوهای سفر روزانه [ 16 ]، لازم است اثر تعطیلات را در مطالعات رفتار سفر لحاظ کنیم [ 5 ، 17 ]. برای این منظور، این مطالعه با بهره‌گیری از مجموعه داده‌های تراکنش مترو جمع‌آوری‌شده توسط سیستم جمع‌آوری خودکار کرایه (AFC) در سیستم متروی شهری، الگوهای سفر و فعالیت‌های سفر در شهر شنژن در طول فصل تعطیلات CSF را بررسی می‌کند.
با این وجود، هنوز چالش‌هایی وجود دارد که باید هنگام استفاده از داده‌های تراکنش مترو برای مطالعات رفتار سفر در تعطیلات درون شهری با آن‌ها مواجه شد. یک مثال واضح این است که به دلیل کمبود اطلاعات دارندگان کارت و پوشش محدود ایستگاه‌های مترو در منطقه شهری، استنباط فعالیت‌های سفر مسافران در سطح ایستگاه مترو دشوار است [18 ] . اگرچه چند تلاش برای استنباط فعالیت های سفر در سطح ایستگاه مترو انجام شده بود [ 19 , 20 , 21]، کار مرتبط تقریباً باید به داده‌های نظرسنجی سفر شخصی تکیه می‌کرد، که فرآیند جمع‌آوری آن‌ها بسیار وقت‌گیر و وقت‌گیر است. یک رویکرد نسبتا سریع و قابل تکرار برای این کار انتظار می رود. با توجه به این، ما داده‌های نقطه علاقه (POI) را به هر ایستگاه مترو اختصاص می‌دهیم تا احتمال فعالیت‌های سفر در سطح ایستگاه را استنتاج کنیم، اگرچه این رویکرد به هیچ وجه بالاتر از کامل نیست. مقصد نهایی یا فعالیت‌های دقیق سفر را نمی‌توان به‌دلیل جابه‌جایی‌های اضافی احتمالی افراد با سایر وسایل حمل‌ونقل (دوچرخه یا اتوبوس مشترک) هنگام خروج از ایستگاه‌های مترو به‌طور دقیق تعیین کرد. با این حال، از طریق POI، فعالیت‌های سفر در سطح ایستگاه را می‌توان از رویدادهای نامشخص به رویدادهای چندگانه با توزیع احتمال (به عنوان مثال، کار: 60٪، خرید: 30٪ و تجارت: 10٪) استنباط کرد.
این مطالعه به دنبال پاسخ به دو سوال است – (1) چگونه می توان از داده های کارت هوشمند مترو (MSC) و POI برای استنباط فعالیت های سفر در سطح ایستگاه مترو بدون اطلاعات اضافی دارندگان کارت استفاده کرد؟ (2) الگوی کلی تحرک درون شهری و فعالیت‌های سفر در طول هفته تعطیلات جشنواره بهار چیست؟ پاسخ به این سوالات می تواند به ما در درک بهتر فعالیت های سفر در فصل CSF کمک کند و اطلاعات به موقع برای تنظیم خدمات مترو در داخل شهر در دوره تعطیلات از دیدگاه مسافران مترو ارائه دهد. با استفاده از یک تکنیک متن کاوی برای کشف الگوهای سفر و فعالیت های سفر در فصل تعطیلات مهم چین، هدف این تحقیق دستیابی به کمک های زیر است – (1) بر اساس گروه های مختلف مسافر، ویژگی های کلی تحرک درون شهری جشنواره بهار از سه سطح تشریح شده است. (2) با ایستگاه های مترو ضمیمه POI، فعالیت های سفر مسافران در سطح ایستگاه استنباط می شود و تفاوت الگوی سفر مسافران بین هفته تعطیلات و دو هفته عادی دیگر آشکار می شود. (3) تخصیص دیریکله پنهان، یک تکنیک متن کاوی برای کشف الگوهای سفر و چندین پیامد سیاست مورد بحث قرار می گیرد.
بقیه این مقاله در شش بخش تنظیم شده است. بخش 2 : مروری بر ادبیات مطالعات رفتار سفر در مورد تعطیلات، CSF و هدف سفر ارائه شده است. بخش 3 : منطقه مورد مطالعه و مجموعه داده به طور خلاصه معرفی می شود. بخش 4 : روش شناسی، از جمله پیش پردازش داده ها، تجزیه و تحلیل توصیفی ویژگی های تحرک تعطیلات و کاوش فعالیت های سفر مورد بحث قرار می گیرد. بخش 5 : نتایج ارائه شده و تفسیر می شوند. بخش 6 : یافته های اساسی و پیامدهای بالقوه سیاست خلاصه شده است. بخش 7 : محدودیت های تحقیق و خطوط تحقیقات آتی مشخص می شود.

2. آثار مرتبط

2.1. رفتار سفر در تعطیلات

مطالعات قبلی رفتار سفر در تعطیلات عمدتاً از دیدگاه تحقیقات گردشگری انجام شده است. در نتیجه، فضا دغدغه مطالعات قبلی نبود، زیرا فضای درگیر معمولاً به دلیل مقاصد مختلف سفر گردشگران (خانه یا خارج از کشور) به یک محدوده فضایی خاص محدود نمی شد. در عوض، از طریق داده‌های نظرسنجی آنلاین یا آفلاین، مطالعات مربوطه بیشتر به تجزیه و تحلیل ویژگی‌های ترافیک تعطیلات یا رفتارهای انتخاب سفر در تعطیلات، مانند عوامل تأثیرگذار انتخاب مقصد سفر/بازدید گردشگران [22، 23، 24]، انتخاب حالت سفر [ 23 ] اهمیت می‌دهند . ]، برنامه ریزی سفر [ 25 ، 26 ]، تناوب سفر [ 22 ]، اهداف سفر [27 ] و رفتار مصرف کننده سفر [ 28 ]. این تحقیقات مبتنی بر گردشگری با هدف اندازه‌گیری رضایت از سفر، آگاهی ذهنی یا الگوهای رفتاری گردشگران در طول فصول تعطیلات به جای نظم مکانی و زمانی مسافران، که دغدغه حمل‌ونقل عمومی است، انجام شد.
اخیراً، مطالعات الگوی سفر در تعطیلات از منظر حمل و نقل عمومی توجه فزاینده ای را به خود جلب کرده است، زیرا الگوی سفر روزانه به طور اجتناب ناپذیری تحت تأثیر تعطیلات است [ 16 ]. به عنوان مثال، در فصول تعطیلات تعداد ترافیک بسیار کمتر از روزهای کاری است [ 17 ]. همچنین، تصمیم گیری در مورد سفر، عوامل حساس به سفر و وابستگی به سفر بین سفرهای رفت و آمد روزانه و سفرهای غیر مسافرتی تعطیلات متفاوت است [ 15 ، 29 ، 30 ]. با این حال، “الگوی سفر” در زمینه مطالعات مربوطه بیشتر به عنوان انتخاب حالت سفر [ 4 ، 15 ، 31 ]، جریان/شمار سفر [ 17] نامیده می شود.، 32 ] یا هزینه های زمان سفر [ 16]، در حالی که تفاوت‌های مکانی – زمانی در استفاده از فضای شهری و فعالیت‌های مسافرتی مسافران بین تعطیلات و روزهای عادی به ندرت بررسی می‌شوند. به طور کلی، مطالعات فعلی رفتار سفر در مورد تعطیلات، به ویژه مطالعات سطح شهر، فاقد دیدگاه مبتنی بر فعالیت و فضا است. یعنی نمی توان پاسخ داد که مسافران به ترتیب در تعطیلات و روزهای مشترک درگیر چه فعالیت هایی هستند؟ و این فعالیت ها چه زمانی و در کجا در شهر اتفاق می افتد؟ پر کردن این شکاف به برنامه ریزان و تصمیم گیرندگان شهری و حمل و نقل کمک می کند تا استفاده از فضای شهری و فعالیت های مربوط به مسافران در تعطیلات و روزهای عادی را بیشتر درک کنند زیرا الگوی تعطیلات یک وضعیت واقعی دویدن است که ممکن است برخی از عناصر غیر متعارف اما مهم و به راحتی نادیده گرفته شده را توصیف کند. در این معنا، الگوی تعطیلات یک دیدگاه جایگزین و فرصتی برای برنامه ریزان و سیاست گذاران حمل و نقل ارائه می دهد تا خدمات حمل و نقل عمومی فعلی را که ارائه می دهند بررسی و تجدید نظر کنند. این مطالعه CSF را به عنوان نمونه ای برای تحقیقات بیشتر در نظر می گیرد، بنابراین مطالعات قبلی مربوط به رفتار سفر CSF در زیر بررسی می شود.

2.2. جشنواره بهار چین و مطالعات رفتار سفر آن

دلیل اینکه ما CSF را به عنوان فصل تعطیلات در این مطالعه انتخاب کردیم، صرفاً به دلیل در دسترس بودن داده های تحقیقاتی نیست. دلیل مهم دیگر این است که CSF برای همه چینی ها نماینده ترین و مهم ترین تعطیلات است. علاوه بر این، بسیاری از بین المللی ها به راحتی و به درستی می توانند CSF را با رنگ قرمز، رقص شیر، آتش بازی و بسته های قرمز مرتبط کنند، در حالی که تعداد کمی از تعطیلات مهم چینی مانند جشنواره نیمه پاییز یا جشنواره قایق اژدها را نام ببرند. اگرچه رسم جشن CSF بسته به مکان های چین کمی متفاوت است، منحصر به فرد بودن آن می تواند به طور کلی در شش جنبه زیر منعکس شود که ممکن است بر الگوهای تحرک تأثیر بگذارد. اولاً، CSF معمولاً حداقل هفت روز به طور رسمی طولانی‌ترین دوره تعطیلی را دارد که در این دوره فعالیت‌ها و سفرهای فراوانی را ایجاد می‌کند. ثانیاً31 ] و این آگاهی ریشه در چینی ها دارد و آنها را وادار می کند که از دور به زادگاه خود بازگردند. ثالثاً، CSF تأثیری فراتر از تعطیلات رسمی دارد زیرا مردم معمولاً یک یا دو هفته قبل از شروع آن شروع به آماده‌سازی برای آن می‌کنند [ 33]. چهارم، همه برای خرید مایحتاج ضروری مانند مواد غذایی، دوبیتی ها و لباس های نو قبل یا در حین CSF بیرون می روند. پنجم، تعامل اجتماعی بین افراد در طول CSF از نظر فیزیکی مکرر و صمیمی می شود. این امر ناشی از این رسم است که مردم باید در روز اول یا دوم سال نو به دیدار والدین شوهر، اقوام و دوستان نزدیک خود بروند. در نهایت، فعالیت‌های مختلفی وجود دارد که مردم در آن شرکت می‌کنند، مانند رفتن به معبد برای سوزاندن چوب‌های جوس، قدم زدن در بازار گل و تماشای یک نمایش آتش‌بازی. دوره های CSF روزهای غیر کاری و جمع آوری خانواده است، بنابراین افراد ممکن است برخی از فعالیت های سفر کاملا مستقل و غیرعادی را انجام دهند.
با توجه به موارد فوق، فرض بر این است که یک تغییر تحرک در طول CSF وجود داشته باشد، در حالی که به عنوان یک مطالعه تحرک خاص در تعطیلات، مطالعات تحرک CSF قبلاً حتی نادرتر بود. تا سال 2014، با ظهور خدمات مبتنی بر مکان، اولین مطالعه در مورد عجله سفر CSF بر اساس داده های مهاجرت بایدو [ 33 ] انجام شد. وانگ و همکاران از طریق تجسم و آمار جریان های سفر بین شهرها. (2014) [ 33] نشان داد که روند کلی مهاجرت بین یک هفته قبل و یک هفته بعد از روز سال نو (که به عنوان نقطه برش عمل می کند) نوسان زیادی دارد. علاوه بر این، با در نظر گرفتن استان گوانگدونگ، پکن و شانگهای، آنها دریافتند که مناطق مبدأ مهاجرت و مقصد دارای ویژگی های نزدیکی جغرافیایی هستند. متعاقبا، بر اساس داده‌های سرویس مبتنی بر مکان پلتفرم‌های بایدو، تنسنت و کیهو، لی و همکاران. (2016) [ 31] از شبکه پیچیده و روش تحلیل توالی زمانی برای مطالعه ویژگی‌های مکانی – زمانی اوج سفر در طول CSF استفاده کرد. آنها دریافتند که شبکه سفر CSF در مقیاس استانی به جای ویژگی‌های دنیای کوچک و بدون مقیاس، ویژگی خوشه‌بندی چند مرکزی و جغرافیایی را نشان می‌دهد. علاوه بر این، آنها خاطرنشان کردند که شبکه سفر CSF بیشتر تحت تأثیر عوامل اجتماعی-اقتصادی است تا عوامل موقعیت جغرافیایی. با استفاده از تحلیل شبکه پیچیده و تکنیک های داده کاوی، هو و همکاران. (2017) [ 34] یک شبکه شهری از جمعیت را بر اساس داده های رسانه اجتماعی Weibo ایجاد کرد. آنها ویژگی های ساختار شبکه مکانی و زمانی تحرک انسانی را از دیدگاه جامعه به عنوان یک کل تجسم کردند و رابطه بین الگوهای تحرک انسانی و توسعه اقتصادی شهری را بررسی کردند. آنها دریافتند که آداب و رسوم و سنت های CSF واقعاً بر رفتار سفر مردم تأثیر دارد و جاذبه اصلی برای جمعیت شناور از منطقه شرقی چین است، که نشان داد مردم تمایل دارند از/به مناطق با سطح توسعه اقتصادی بالاتر نقل مکان کنند. به طور مشابه، وی و همکاران. (2018) [ 35] از ضریب کلوپ غنی شبکه وزن دار و روش ضریب عدم تعادل نرمال شده برای تحلیل پدیده و عدم تعادل کلوپ های ثروتمند در شبکه حرکت جمعیت در جشنواره بهار چین در سال 2015 استفاده کرد.
ظاهراً، به عنوان یک نمونه خاص از مطالعه تحرک تعطیلات، مطالعات قبلی تحرک CSF عمدتاً بر روی یک منطقه مطالعاتی نسبتاً بزرگ (بین استانی یا بین شهری) متمرکز شده است تا پدیده توسعه نامتوازن اقتصادی منطقه‌ای را در طول فرآیند سریع شهرنشینی چین آشکار کند. ، در حالی که تعداد کمی از مطالعات CSF تجزیه و تحلیل هایی را در سطح شهر انجام داده اند. بر این اساس، پیامدهای سیاست ناشی از منطقه بزرگ معمولاً در منطقه بزرگ مقیاس (سطح ملی) مانند سیاست ثبت خانوار، سیاست تعدیل ساختار صنعتی و غیره محدود می‌شد. به نوبه خود، چرا مطالعه CSF درون شهری مهم است این است که ممکن است بینش هایی را به سیاست گذاران در سطح شهر برای بازرسی خدمات عمومی ارائه شده در شهر ارائه دهد.

2.3. استنتاج هدف سفر در مترو

مجموعه داده های MSC جمع آوری شده توسط سیستم AFC را می توان به عنوان داده های مناسب برای مطالعه تحرک CSF درون شهری در نظر گرفت زیرا شبکه مترو گسترده است و تقاضای آن زیاد است. به عنوان مثال، در شنژن، حجم ترافیک سیستم مترو 14٪ از کل سهم را تشکیل می دهد. با این حال، یک محدودیت ذاتی داده‌های MSC این است که برآورد مقصد نهایی مسافران مترو، هدف سفر و اطلاعات فعالیت [ 18 ] دشوار است، در حالی که آنها اطلاعات مهمی برای پیش‌بینی تقاضای سفر، مدل‌سازی رفتار سفر، تنظیم برنامه‌ریزی حمل‌ونقل هستند. تصمیم و غیره اخیراً از مجموعه داده‌های جدید مختلفی برای استنباط اهداف سفر مسافران استفاده شده است، به عنوان مثال، رسانه‌های اجتماعی و داده‌های خدمات آنلاین [ 36 ، 37داده‌های تلفن همراه [ 38 ، 39 ، 40 ]، داده‌های مسیر تاکسی [ 41 ] و داده‌های اشتراک‌گذاری دوچرخه [ 42 ، 43 ]، که اطلاعات نسبتاً بیشتری (در مکان، زمان و انعطاف‌پذیری) برای استنباط هدف سفر در مقایسه با داده های MSC در همین حال، به دلیل اطلاعات محدود داده‌ها، بسیاری از روش‌های تحقیقی که در مجموعه داده‌های فوق اعمال می‌شوند، برای داده‌های MSC به سختی قابل استفاده هستند.
به طور کلی، استنباط هدف سفر در سطح ایستگاه مترو کار دشواری است زیرا داده‌های MSC خود اطلاعات محدودی دارند، بنابراین داده‌های MSC معمولاً با داده‌های بررسی سفر شخصی (PTS) برای انجام این کار ترکیب می‌شوند. در این مورد، Chakirov و Erath (2012) [ 19 ] ، همراه با MSC، PTS و مجموعه داده‌های کاربری زمین، مدل مبتنی بر قانون و مدل انتخاب گسسته را برای شناسایی فعالیت‌های مسافران حمل‌ونقل عمومی در ایالت-شهر سنگاپور اعمال کردند. آنها با در نظر گرفتن مدت زمان فعالیت، زمان شروع فعالیت و کاربری زمین، فعالیت های خانه و محل کار و مکان آنها را شناسایی کردند. با همان داده ها (MSC، TPS و داده های کاربری زمین)، Alsger و همکاران. (2018) [ 20] از مدل مبتنی بر قانون برای پیش‌بینی پنج هدف سفر (کار، تحصیل، خرید، خانه و تفریح) در بریزبن، کوئینزلند با دقت کلی 78 درصد استفاده کرد و در این میان، دقت استنتاج سفرهای کاری و خانگی تا 92 درصد است. و 96 درصد کوزاکابه و آساکورا (2014) [ 21 ] کار را کمی متفاوت انجام دادند، آنها داده های PTS را با داده های MSC ترکیب کردند تا هدف سفر را بر اساس طبقه بندی کننده ساده بیز و پنج فعالیت اصلی سفر (به سر کار رفتن، رفتن به مدرسه، اوقات فراغت، کسب و کار و بازگشت به خانه) با دقت 76.8 درصد شناسایی شد.
با توجه به استنباط هدف سفر مترو، اگرچه قبلاً چند تلاش انجام شده بود، کار مرتبط تقریباً باید بر PTS و داده‌های کاربری زمین تکیه می‌کرد. اما فرآیند جمع‌آوری داده‌های PTS زمان‌بر و زمان‌بر است، در حالی که داده‌های کاربری زمین دارای وضوح فضایی نسبتاً پایینی برای استنتاج هدف سفر هستند. از سوی دیگر، کارهای قبلی عمدتاً بر استنباط اهداف سفر مسافران در روزهای کاری متمرکز بود، در حالی که آثار تعطیل که ممکن است منطقه مرده خدمات عمومی شهری باشند به ندرت مورد بررسی قرار گرفتند. بنابراین، روشی متکی به مجموعه داده‌های کمتری برای استنباط اهداف سفر در سطح ایستگاه مترو در فصول تعطیلات است.

3. منطقه مطالعه و مجموعه داده ها

3.1. سیستم مترو شنژن و شنژن

منطقه مورد مطالعه ما، شنژن، یک شهر بسیار توسعه یافته در چین با مساحت کل 1997 کیلومتر مربع است. شنژن در قسمت جنوبی استان گوانگدونگ واقع شده است ( شکل 1 ) و یک پیوند و پلی است که هنگ کنگ و سرزمین اصلی چین را به هم متصل می کند. بر اساس سالنامه آماری شنژن در سال 2017، تقریباً 12 میلیون نفر در این شهر زندگی می کنند. اولین خط مترو در شنژن به طور رسمی در 28 دسامبر 2004 افتتاح شد. در حال حاضر، 8 خط مترو در شنژن با 166 ایستگاه و طول کل 285 کیلومتر وجود دارد ( شکل 1).). بر اساس گزارش سالانه حمل و نقل شنژن در سال 2016، حجم ترافیک سالانه مسافران مترو 1297.13 میلیون نفر بار و متوسط ​​حجم حمل و نقل روزانه 3.55 میلیون نفر بار است که نزدیک به 14٪ از کل حجم سفر در شنژن را تشکیل می دهد. سهم مسافران مترو (حجم کل سفر را به حساب می‌آورد) ممکن است به خوانندگان کمک کند تا تأثیر نتیجه‌گیری‌های مرتبط در بخش‌های زیر را درک کنند.

3.2. کارت هوشمند مترو و مجموعه داده Pois

مجموعه داده کارت هوشمند مترو (MSC) مورد استفاده در این مطالعه، سوابق تراکنش های مترو 3 هفته ای 4901073 دارنده کارت در شنژن است (هفته دوم هفته تعطیلات جشنواره بهار است). بیش از 50 میلیون رکورد تراکنش وجود دارد که 21 روز هفته متوالی از 20 ژانویه تا 9 فوریه 2017 را پوشش می دهد (27 ژانویه تا 2 فوریه هفته تعطیل است). هر بار که مسافر از زیر دروازه مترو عبور می کند، یک رکورد تراکنش به طور خودکار جمع آوری می شود. 6 ویژگی موجود در رکوردها در جدول 1 نشان داده شده است . داده های نقاط مورد علاقه (POI) شهر شنژن مورد استفاده در تحقیق ما از Amap ( https://www.amap.com/ ) در مارس 2019 با تعداد کل بیش از 700000 نقطه داده جمع آوری شد که مشابه است. به یک مطالعه مرتبط با 611122 رکورد [44 ]. داده های POI جمع آوری شده به 17 دسته و 140 زیرمجموعه تقسیم می شوند.

4. روش شناسی

شکل 2 چارچوب روش شناسی کلی این تحقیق را نشان می دهد که شامل سه بخش (به رنگ آبی، نارنجی و سبز برجسته شده است): پیش پردازش داده ها. تجزیه و تحلیل توصیفی از ویژگی های تحرک تعطیلات. و الگوهای سفر تعطیلات و فعالیت های سفر کاوش.

4.1. پیش پردازش داده ها

گام اساسی برای استخراج الگوی تحرک از مجموعه داده کارت هوشمند، بازسازی قالب داده اصلی است. همانطور که در بخش 3.2 توضیح داده شد ، داده‌های کارت هوشمند اصلی بر اساس روز ذخیره می‌شوند و هر ورودی نشان‌دهنده یک عمل کشیدن کارت است. با این حال، این نوع فرمت ذخیره سازی داده برای استخراج دانش کارآمد و راحت نیست. برای مثال، شناسایی رکورد کامل تراکنش چند روزه یک مسافر که در ترتیب زمانی فهرست شده است، دشوار است. هدف از بازسازی داده ها ترکیب اطلاعات استفاده هفتگی از کارت مسافران است. بنابراین، مجموعه داده ها به 3 هفته ( شکل 3 ب) از 21 روز جداگانه ( شکل 3 الف) جدا می شوند.
علاوه بر این، با توجه به زمان مناسب پیاده‌روی (6 تا 10 دقیقه) و پوشش ایستگاه‌های مترو در شنژن ( شکل 1 )، شش نوع POI با شعاع 500 متر در مرکز ایستگاه‌های مترو شمارش می‌شوند. بنابراین، می‌توانیم ویژگی‌های 166 ایستگاه را متمایز کنیم و استنباط هدف سفر مسافران در سطح ایستگاه مترو امکان‌پذیر می‌شود، که باعث می‌شود اهداف سفر استنباط‌شده از یک رویداد واحد (مثلاً کار) به چند رویداد با توزیع احتمال تغییر کند. (به عنوان مثال، کار: 60٪، خرید: 30٪ و تجارت: 10٪). برخی از مسائل کلیدی مربوط به پردازش مجموعه داده های POI به شرح زیر توضیح داده شده است:
  • چرا داده های POI به جای داده های کاربری زمین است؟
    دسته بندی های POI با انواع کاربری فعلی در چین مرتبط هستند [ 45 ]، اگرچه دقیقاً یکسان نیستند، POI ها می توانند نوع کاربری زمین را منعکس کنند [ 46 ]. در همین حال، در مقایسه با داده‌های کاربری زمین، داده‌های POI دارای چندین مزیت هستند: (1) داده‌های POI بسیار دقیق‌تر از داده‌های کاربری زمین هستند، که حاوی اطلاعات مفیدتری برای مطالعات ترجیحات شخصی بیشتر است. (2) داده‌های POI می‌توانند وضعیت کاربری مختلط را به جای یک نوع کاربری واحد نشان دهند. بنابراین، فعالیت‌های بالقوه برای کاربری خاصی گسترش و مشخص می‌شود. (3) برای محققان، داده‌های POI برای انجام تحقیقات دانشگاهی آسان‌تر به دست می‌آیند.
  • ایستگاه های ضمیمه POI چگونه هستند؟
    همانطور که در شکل 4 الف نشان داده شده است، هر ایستگاه مترو از متن به بردار ویژگی POI تغییر یافته است. به عنوان مثال، S 1 = ( CR 1 , HR 1 , PR 1 , RR 1 , TR 1 , WR 1 , که در آن CR 1 , HR 1 , PR 1 , RR 1 , TR 1 و WR 1 نسبت هر POI هستند. دسته بندی در اطراف ایستگاه S 1با شعاع 500 متر بنابراین، سفر بین دو ایستگاه ماتریسی با 36 متغیر را تشکیل می دهد که با 36 نوع فعالیت بالقوه مطابقت دارد ( شکل 4 ب).
  • در این مطالعه از چند دسته POI استفاده شده است؟
    طبق استانداردهای طبقه‌بندی زمین شهری و برنامه‌ریزی زمین ساخت‌وساز (GB50137-2011)، ما 17 دسته اصلی (140 زیردسته) POI را به 6 نوع، یعنی POI‌های مرتبط با مسکن (HR)، مرتبط با کار (WR) دوباره دسته‌بندی می‌کنیم. ، مربوط به مصرف (CR)، مربوط به تفریح ​​(RR)، مربوط به خدمات عمومی (PR) و مرتبط با ترافیک (TR).

4.2. تحلیل توصیفی ویژگی های تحرک تعطیلات

4.2.1. تعریف مسافران مکرر و متمرکز

مسافران گاه به گاه و نادر مترو با فرکانس سفر نسبتاً نادر و تناوب کمتر، برای بررسی الگوهای سفر خود آموزنده نیستند. اطلاعات کافی برای استخراج یا آشکار کردن الگوهای مکانی-زمانی معنادار از سفرهای نادر مترو آنها وجود ندارد. برای پرداختن به این موضوع، مسافران را از کل مجموعه داده با توجه به دفعات سفر در مترو (روزهای سفر فعال) در طول دوره تحقیق 21 روزه فیلتر می‌کنیم. به عنوان مثال، اگر مسافری در این 21 روز هر روز از مترو استفاده کند، تعداد روزهای فعال او 21 روز خواهد بود. شکل 5.a تعداد توزیع روزهای فعال را برای همه دارندگان کارتی که در طول دوره جمع آوری داده ها یک بار از مترو استفاده کرده اند نشان می دهد، که نشان می دهد نزدیک به 59.2 درصد از مسافران تنها 1 یا 2 روز در این 21 روز با مترو سفر می کنند.
با این حال، به دلیل ساختار داده متفاوت، دوره مطالعه و منطقه مطالعه، مقادیر آستانه روز فعال برای فیلتر کردن مسافران مکرر از کل مجموعه داده در مطالعات قبلی متفاوت است. به عنوان مثال، 6/21 (6 روز از 21 روز)، 7/30، 10/30، 2/30 و 10/28 در مطالعات مربوطه استفاده می شود [ 47 ، 48 ، 49 ، 50 ، 51 ]. در مقابل، خوشه‌بندی k-means یک روش عینی‌تر با توجه به کاربرد آن در جابجایی مسافران با فرکانس‌های مختلف سفر است [ 51 ، 52] .]. با اشاره به عملیات در مطالعات قبلی، ما از الگوریتم k-means برای خوشه‌بندی مسافران به دو گروه استفاده می‌کنیم – یک گروه مسافران مکرر و دیگری مسافران نادر هستند. در نتیجه، مسافران مکرر/نادر بر ۶ (روز) از ۲۱ روز تقسیم می‌شوند، که نشان می‌دهد یک مسافر مکرر باید حداقل ۲۸.۶ درصد از روزها را در طول دوره تحقیق ۲۱ روزه از مترو استفاده کند. خط قرمز در شکل 5 a مسافران مکرر/نادر را متمایز می کند. این رقم نشان می دهد که از بین 4,901,073 مسافر، 865,557 نفر (17.7%) مسافر مکرر و 4,035,516 نفر (82.3%) مسافر نادر هستند.
با توجه به اینکه آیا مردم هر هفته از مترو استفاده می کنند (چه هفته ای مترو می شوند)، از بین 865557 مسافر مکرر، الگوی استفاده از مترو را می توان به 7 نوع تقسیم کرد ( شکل 5 ب). ما مسافران متمرکزی را که حداقل یک روز در هفته از مترو استفاده می‌کنند ( شکل 5 ب، شکل 6 و شکل 7 ) را از مسافران مکرر فیلتر می‌کنیم تا تنوع الگوهای حرکتی هفته‌های مختلف را بیشتر بررسی کنیم. به طور خلاصه، از کل پایگاه داده 21 روزه (4,901,073 مسافر) مسافران مکرر (865,557 مسافر) و مسافران متمرکز (421,156 مسافر) را به صورت زیر تعریف می کنیم:
  • مسافران مکرر : سفر با مترو حداقل 6 روز از 21 روز. ( N > 5)
  • مسافران متمرکز : حداقل یک روز در هفته با مترو سفر می کنند. ( N > 5 و A > 0 و B > 0 و C > 0)، که در آن N کل روزهای فعال و A ، B و C به ترتیب روزهای فعال در هفته 1، هفته 2، هفته 3 هستند.

4.2.2. ارزیابی ویژگی های تحرک تعطیلات

مشخصه تحرک تعطیلات از سه سطح برای سه گروه مختلف افراد اندازه گیری می شود: روند کلی تحرک تعطیلات همه مسافران (4,901,073). تأثیر کلی تعطیلات بر تحرک مسافران مکرر (865557)؛ و الگوی کلی تحرک تعطیلات مسافران متمرکز (421156).
اولا، سه شاخص ویژگی‌های روند حرکتی کلی فصل تعطیلات را از دیدگاه کلان نشان می‌دهند. اولین شاخص حجم جریان سفر در هر روز است که با تعداد روزانه سوابق کشیدن کارت همه مسافران نشان داده می شود. مورد دوم میانگین هزینه روزانه مسافران در مترو برای هر سفر است. آخرین مورد، دامنه تأثیر تعطیلات است که توسط الگوهای جریان متشکل از حجم جریان ساعتی مسافر در روز منعکس می شود. ثانیا، فراوانی سفر مسافران مکرر برای توصیف اثر کلی تعطیلات استفاده می‌شود، که می‌تواند به درک تعداد مسافران مکرر تحت تأثیر تعطیلات کمک کند. در نهایت، الگوهای حرکتی کلی مسافران متمرکز در سه هفته مختلف مقایسه شده است.

4.3. فعالیت های سفر تعطیلات کاوش از طریق LDA Clustering

4.3.1. تخصیص دیریکله نهفته

تخصیص دیریکله نهفته (LDA) یک مدل بیزی سلسله مراتبی سه سطحی است که تحلیل معنایی نهفته احتمالی را اصلاح می کند [ 53 ]. برخلاف درخت تصمیم، طبقه‌بندی کننده بیز و ماشین بردار پشتیبان (SVM)، که باید کلاس‌ها را از پیش تعریف کنند، LDA الگوهای ممکن را از خود داده‌ها تولید می‌کند و یک روش یادگیری مبتنی بر داده و بدون نظارت است. علاوه بر این، بر خلاف روش‌های دیگر که به موارد پرت حساس هستند، LDA نسبت به نویز داده حساس نیست و قدرت محاسباتی کارآمدی برای داده‌های بزرگ دارد. بنابراین، در زمینه تحقیق ما، LDA به عنوان یک روش کارآمد و قوی برای استخراج الگوهای سفر و اهداف سفر در نظر گرفته می شود. اطلاعات بیشتر در مورد مزایای LDA در برابر سایر رویکردهای یادگیری بدون نظارت توسط بائو و همکاران توضیح داده شده است. (2017) و بلی و همکاران. (2003) [42 ، 54 ]. LDA در ابتدا برای موضوعات متنی کاوی استفاده می شد، در حالی که اخیراً محققان آن را در حمل و نقل، تحرک و مطالعات شهری به کار برده اند. به عنوان مثال، پریرا و همکاران. (2013) [ 55 ] از LDA برای پیش بینی مدت زمان حادثه ترافیکی استفاده کرد، کوم و همکاران. (2014) [ 56 ] از LDA برای تحلیل مبدا-مقصد پویا استفاده کرد و حسن و همکاران. (2014) [ 57 ] فعالیت های شهری را با این روش طبقه بندی کرد. علاوه بر این، Steiger و همکاران. (2015) [ 58 ] LDA و تجزیه و تحلیل خودهمبستگی فضایی را در توییت‌های ارجاع‌شده جغرافیایی برای کشف فعالیت‌های اجتماعی انسانی اعمال کرد. به طور مشابه، فو و همکاران. (2018) [ 59 ] از LDA برای تجزیه و تحلیل داده های توییت استفاده کرد تا انواع فعالیت های مختلف را متمایز کند.
تئوری پشت تکنیک LDA این است که هر سند به عنوان ترکیبی تصادفی از کلمات در نظر گرفته می شود و موضوع پنهان با احتمال توزیع کلمه در هر سند استخراج می شود [ 54 ]. در مدل LDA، یک سند از چند کلمه تشکیل شده است و کلمات تمام اسناد مجموعه را تشکیل می دهند . هر سند مجموعه چندین موضوع دارد ، در حالی که هر کلمه از یک سند از موضوعات خاصی پشتیبانی می کند [ 60 ]. در مدل LDA، چندین پارامتر در فرآیند تولید استفاده می شود. تیتعداد موضوعات در هر سند است. V تعداد کل کلمات موجود در پیکره D است . M تعداد تمام اسناد است. θ ماتریس T × M است که نسبت موضوع برای موضوعات T در هر سند است. ф ماتریس V × T است که توزیع V در هر مبحث است. Z تخصیص موضوع برای هر سند و W کلمات مشاهده شده برای هر سند است. α و β پارامترهای قبلی برای θ و ф هستندبه ترتیب، که هر دو از توزیع دیریکله پیروی می کنند و α = 50/T و β = 0.1 رایج ترین مقادیر مورد استفاده در مطالعات مرتبط هستند (به عنوان مثال، مراجع [ 42 ، 57 ، 61 ]). با توجه به نمادهای بالا، مکانیسم تولید LDA را می توان به عنوان یک نمایش مدل گرافیکی توضیح داد ( شکل 6 ):
  • برای هر موضوع تی ∈∈{1،2،… T }، رسم کنید θتی��~ دیریکله ( β )
  • برای هر سند m ∈∈{1،2،… M } در پیکره، رسم کنید θمتر��~ دیریکله ( α )
  • برای هر کلمه n ∈∈{1،2،… N } در یک سند خاص:
    • قرعه کشی زn��~ چند جمله ای ( θمتر��)
    • قرعه کشی دبلیوn��~ چند جمله ای ( фزnф��)
به جز α و β ، شماره مبحث ( T ) نیز باید از پیش تعیین شود. طبق مطالعات قبلی، گیجی را می توان برای استنباط مقدار معقول T به کار برد و یکی از پرکاربردترین ارزیابی های LDA است [ 54 ]. به طور کلی، یک نتیجه خوشه‌بندی LDA بهتر با مقدار کمتری از گیجی مطابقت دارد، که نشان‌دهنده عملکرد پیش‌بینی بهتر و عدم قطعیت‌های کمتر در مدل است. گیجی را می توان با فرمول زیر محاسبه کرد:

P e r p l e x i t y = exp { –∑مm = 1ورود به سیستم p (wمتر)∑مm = 1نمتر} ،Perplexity=exp{–∑�=1�log�(��)∑�=1���},

که در آن M تعداد اسناد، N m طول سند (مخصوص سند) و p ( w m ) احتمال وجود یک سند متنی مجموعه است.

4.3.2. قالب بندی مجدد داده ها و خوشه بندی الگوی تحرک

اکثر تحقیقات قبلی صرفاً از LDA برای یک مجموعه داده برای کشف ویژگی های الگو (موضوعات) استفاده می کنند. تعداد کمی از محققین سعی کرده‌اند تغییراتی را برای مجموعه‌های داده چندگانه از طریق LDA بررسی کنند. بر اساس ایستگاه‌های مترو ضمیمه‌شده با POI و داده‌های بازسازی‌شده طی سه هفته ارائه‌شده در بخش 4.1 ، ما دو بار از LDA برای شناسایی الگوهای تحرک سه هفته جداگانه (هفته 1 تا 3) و برای کشف هدف سفر در طول هفته تعطیلات استفاده می‌کنیم. (هفته 2).
قبل از اعمال LDA، مجموعه داده های پردازش شده قبلی باید دوباره قالب بندی شوند. کمی متفاوت از مطالعات قبلی، ما LDA را دو بار (در مجموع) روی دو پایگاه داده فرعی اعمال می کنیم. برنامه اول برای تشخیص الگوی تحرک تعطیلات بر اساس مقایسه هفته 1 و هفته 2 و کاربرد دوم بر اساس مقایسه هفته 2 و هفته 3 است. دو پایگاه داده فرعی و نحوه قالب بندی مجدد آنها از داده های پردازش شده عبارتند از معرفی کرد. مقدمات شرح داده شده در زیر و شکل 7 به درک این فرآیند کمک می کند.
تعریف  1

(سفر). سفر T شامل چهار مورد است: خروج از ایستگاه L s ، رسیدن به ایستگاه A s، زمان خروج L t و زمان رسیدن A t . T1، T2 و T3 به ​​ترتیب نشان دهنده سفرهایی هستند که در هفته های اول، دوم و سوم دوره تحقیق اتفاق افتاده است. به عنوان مثال، سفر دوم در هفته اول مسافر X T1 x2 = (L1 s2 , A1 s2 , L1 t2 , A1 t2 ) است.
تعریف  2

(جابه‌جایی بین دو ایستگاه نشان‌دهنده POI). یک جابجایی نشان‌دهنده POI بین دو ایستگاه ST = (L s × A s ) است. L s = (C L : __٪، H L : __٪، P L : __٪، R L : __٪، T L : __٪، W L : __%)، که در آن C L ، H L ، P L , R L , T L و W L به ترتیب درصد مصرف، مسکن، خدمات عمومی، تفریح، ترافیک و POI مربوط به کار را در شعاع 500 متر با ایستگاه خروج به عنوان مرکز نشان می دهند. به طور مشابه، A s = (CA : __٪، H A : __٪، P A : __٪، R A : __٪، T A : __٪، W A : __٪. بنابراین، یک تغییر POI بین دو ایستگاه، ماتریسی با 36 متغیر است.
تعریف  3

(متن های سفر). متون سفر T e از ST (به تعریف 2 مراجعه کنید) و زمان رسیدن A t تولید می شوند . T e = Textualize { [ بازه زمانی (A t ) + ST] × 100 }، که در آن Textualize فرآیند ترجمه متغیرهای عددی به کاراکترهای متنی و شکاف زمانی فرآیند تبدیل مهر زمانی به فواصل زمانی است (به عنوان مثال، 08: 30 به 08:00-09:00 تغییر می کند و 08:00-09:00 با 08 برای پردازش بعدی بیان می شود.
تعریف  4

(متن های الگوی سفر). متون الگوی سفر مجموع متون سفر یک مسافر خاص در یک هفته است. متن‌های الگوی سفر، الگوی سفر را با متن‌هایی توصیف می‌کنند که شامل جابجایی ضمیمه POI بین دو ایستگاه و زمان رسیدن مربوطه است. متون الگو می تواند به کشف امکان فعالیت های بالقوه مسافران کمک کند. به طور کلی، هرچه الگوهای بیشتری برای نوع خاصی از متن وجود داشته باشد، احتمال آن نوع فعالیت بیشتر می شود. برای مثال، ’17WH’ به معنای رسیدن به ایستگاه مربوط به مسکن از ایستگاه مربوط به کار در ساعت 17:00 تا 18:00 است.
بر اساس تعاریف فوق، هر سفر خاصی را می توان با چندین متن نشان داد و تعداد متون نشان دهنده امکان فعالیت بالقوه است. هرچه تعداد نوع خاصی از متن بیشتر باشد، امکان فعالیت مربوطه بیشتر است. یک مثال این فرآیند را به صورت زیر نشان می دهد و مقدار سمت راست بالای متن نشان دهنده عدد وقوع متن است و این عدد بازتابی از احتمالات است.

T e x t u a l i z e { [ t i m e s l o w ( 14 : 23 ) +  ⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢–سیآاچآپآآرآتیآدبلیوآسیL14 درصد10 درصد3 درصد1 %2 %14 درصداچL9 درصد6 درصد2 %1 %1 %9 درصدپL2 %1 %1 %002 %آرL2 %1 %0002 %تیL4 درصد2 %1 %01 %4 درصددبلیوL2 %1 %002 %2 %⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥ × 100 ] }=⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢⎢14 Cسی14; 14 Cاچ9; 14 Cپ2; 14 Cآر2; 14 Cتی4; 14 Cدبلیو214 Hسی10; 14 Hاچ6; 14 Hپ1; 14 Hآر1; 14 Hتی2; 14 Hسی114 پسی3; 14 پاچ2; 14 پپ1; 14 پتی114 Rسی1; 14 Rاچ114 تسی2; 14 تاچ1; 14 تتی1; 14 تسی214 واتسی14; 14 واتاچ9; 14 واتپ2; 14 واتآر2; 14 واتتی4; 14 واتسی2⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥⎥متنی کردن {[زمانآهسته. تدریجی (14:23)+[–سی�اچ�پ�آر�تی�دبلیو�سیآ14%9%2%2%4%2%اچآ10%6%1%1%2%1%پآ3%2%1%01%0آرآ1%1%0000تیآ2%1%001%2%دبلیوآ14%9%2%2%4%2%] ×100]}=[14سیسی14;14سیاچ9;14سیپ2;14سیآر2;14سیتی4;14سیدبلیو214اچسی10;14اچاچ6;14اچپ1;14اچآر1;14اچتی2;14اچسی114پسی3;14پاچ2;14پپ1;14پتی114آرسی1;14آراچ114تیسی2;14تیاچ1;14تیتی1;14تیسی214دبلیوسی14;14دبلیواچ9;14دبلیوپ2;14دبلیوآر2;14دبلیوتی4;14دبلیوسی2]
تعریف  5

(متون تنوع الگوی تحرک).متن های تغییر الگوی تحرک تفاوت متون الگوی تحرک یک مسافر خاص بین دو هفته است. این متون می توانند تفاوت رفتار سفر بین دو هفته را توصیف کنند. به عنوان مثال، برای یک مسافر، اگر متن تحرک «23CH» در هفته 1 وجود نداشته باشد اما در هفته 2 ظاهر شود، «23CH» متن تغییر الگوی حرکتی او بین هفته 1 و هفته 2 است که می‌توان آن را نیز در نظر گرفت. به عنوان الگوی تحرک او در هفته 2. به دنبال این تعریف، ما 2 نوع متن تغییر ایجاد می کنیم تا الگوی تحرک هفته تعطیل را منعکس کند: (1) متن های الگوی تحرک در هفته 2 بر اساس مقایسه هفته 1 و هفته 2 (2) متون الگوی تحرک در هفته 2 بر اساس مقایسه هفته 2 و هفته 3. بر این اساس، می توانیم یک مقایسه زوجی انجام دهیم (هفته 1 و هفته 2 و هفته 2 و
بر اساس تعاریف فوق، در زمینه تحقیق ما، متون تغییرات مشتق شده از الگوهای تحرک همه مسافران، 2 پایگاه داده فرعی برای پردازش LDA را تشکیل می دهند: (1) U21: همه متن های تغییر الگوی مسافران متمرکز هفته 2 در مقایسه با هفته 1 ; (2) U23 : تمام متون تغییر الگوی مسافران متمرکز در هفته 2 در مقایسه با هفته 3. هر مسافر ( کارت ID ) یک سند است ، متن سفر تغییر کلمه یک سند است و همه متون سفر مجموعه را تشکیل می دهند.. پس از خوشه بندی الگوهای تحرک از طریق LDA، 2 گروه از نتایج خوشه بندی LDA تولید می شود. الگوهای این دو گروه الگوهای حرکتی هستند و فقط در فصل تعطیلات ظاهر می شوند. از طریق تفسیر این الگوهای تحرک، ما می توانیم تعیین کنیم که مسافران به احتمال زیاد در چه هدف و فعالیت هایی در سفر هستند.

5. نتیجه

5.1. ویژگی های کلی تحرک تعطیلات

5.1.1. فرکانس سفر کمتر

حجم تحرک هر روز با توجه به فرکانس کشیدن کارت شمارش می‌شود ( شکل 8 )، که نشان می‌دهد از جشنواره بهار کوچک (1/20، که Xiao Nian نیز نامیده می‌شود)، فرکانس سفر به طور قابل‌توجهی کاهش یافته است و به پایین‌ترین سطح رسیده است. شب سال نو چینی (1/27) و به تدریج پس از پایان تعطیلات بهبود می یابد. به طور کلی، فرکانس سفر در این تعطیلات بسیار کمتر از هفته‌های عادی است، که نشان‌دهنده تأثیر زیاد این تعطیلات بر تصمیم‌گیری‌های سفر است و یافته‌ها با مطالعات قبلی همخوانی دارد [33 ] .

5.1.2. زمان طولانی تر برای هر سفر

یکی دیگر از ویژگی های سفر جشنواره بهار میانگین زمانی است که مسافران در هر سفر صرف می کنند. شکل 9 نشان می دهد که زمان سفر در طول فصل تعطیلات جشنواره بهار به اوج خود می رسد، که ممکن است نشان دهد مسافران مسافت های طولانی تری را در شهر طی می کنند. مسافران در هر سفر زمان بسیار طولانی تری را سپری می کنند. علاوه بر این، نمونه های کوچک می توانند یافته های فوق را بررسی کنند. ما به‌طور تصادفی 1000 مسافر متمرکز را از مجموعه داده‌ها انتخاب می‌کنیم و میانگین تعداد سفر و زمان سفر آنها در هفته عادی (هفته 1) به ترتیب 6.5 بار در هفته و 27.2 دقیقه در هفته است. با این حال، در طول تعطیلات، فرکانس سفر و زمان سفر 4.0 بار در هفته و 32.0 دقیقه در هفته است. اگرچه طبق مقررات تعطیلات، کارکنان نمی توانند در تعطیلات آخر هفته قبل و بعد از تعطیلات، در داخل مرخصی بگیرندشکل 9 هنوز کمی نوسان در زمان سفر وجود دارد. این ممکن است به دلیل برخی از شرکت های خصوصی و افراد خوداشتغال باشد که مجبور نیستند از قوانین تعطیلات معوق پیروی کنند.

5.1.3. تأثیر فراتر از فصل تعطیلات

از نظر تعداد ساعتی مسافران در روز، طبق مطالعات قبلی [ 62 ، 63 ، 64 ]، الگوهای حجم سفر از دوشنبه تا جمعه باید تقریباً یکسان باشد که نشان دهنده یک روز کاری عادی است. با این حال، در دوره مطالعه 3 هفته ای، تنها 1/20 و 2/6 تا 2/9 وضعیت نسبتاً منظمی را حفظ می کنند، الگوهای حجمی سایر تاریخ ها به وضوح توسط تعطیلات جشنواره بهار تداخل دارند ( شکل 10) .). نشان می دهد که قبل از شروع یا پایان رسمی تعطیلات، حتی اگر هنوز یک روز کاری باشد، الگوی حجم تحت تاثیر قرار گرفته است، مانند 1/25 و 1/26 در هفته 2 و 2/3 تا 2/5 در هفته 3. این نشان می دهد که تأثیر جشنواره بهار پیوسته است و دامنه تأثیر محدود به دوره تعطیلات نیست. یکی از دلایل احتمالی این یافته این است که مسافران برای آماده شدن برای جشنواره قبل از شروع رسمی آن دست از کار می کشند و پس از پایان رسمی آن به تدریج به سر کار باز می گردند. این پدیده که در آن الگوی حجم سفر به مدت نزدیک به نیم ماه مختل می شود، در تحقیقات مرتبط مورد مطالعه قرار نگرفته است.

5.2. استنتاج هدف سفر با الگوهای حرکتی هفته تعطیلات

5.2.1. الگوهای تحرک تعطیلات در مقایسه با هفته 1

در مقایسه الگوی تحرک بین هفته 1 و هفته 2 (U21)، از بین 421156 مسافر متمرکز، 409410 (97.2٪) الگوهای تحرک در طول هفته تعطیلات (هفته 2) دارند. هنگامی که T برای U21 روی 22 = T تنظیم شود، گیجی به حداقل می رسد ( شکل 11 a)، که به این معنی است که 22 الگوی تحرک در هفته تعطیل در هفته قبل از تعطیلات (هفته 1) وجود ندارد. اگرچه LDA 22 الگوی تحرک ایجاد کرد، ما فقط جزئیات مهم ترین 4 الگوی تحرک را در شکل 12 تفسیر می کنیم . 18 الگوی باقیمانده ساختاری مشابه با چهار الگوی فوق دارند و تفسیر آنها را می توان به راحتی از شکل ها فهمید.
همانطور که در شکل 12 نشان داده شده استالف، الگوی تحرک شماره 5 نشان می دهد که در تعطیلات، مسافران بیشترین امکان را برای رسیدن به ایستگاه های مترو مرتبط با مصرف از ایستگاه های مربوط به مسکن (HC) یا سایر ایستگاه های مرتبط با مصرف (CC) در ساعت 16:00 تا 17:00 دارند. ، که به این معنی است که هدف سفر مسافران در این زمان عمدتاً رویدادهای مصرف محور است. علاوه بر این، سایر تغییرات احتمالی بالا نیز گنجانده شده است. (1) رسیدن به ایستگاه های مربوط به مسکن از ایستگاه های مربوط به مصرف (CH) در ساعت 16:00 تا 17:00. (2) رسیدن به ایستگاه های مربوط به مسکن از سایر ایستگاه های مرتبط با مسکن (HH) در ساعت 16:00 تا 17:00. (3) رسیدن به ایستگاه های مربوط به مصرف از ایستگاه های مرتبط با ترافیک (CT) در ساعت 16:00 تا 17:00. الگوی تحرک شماره 5 نشان می دهد که فعالیت هایی که افراد معمولاً در ساعت 16:00 تا 17 در آنها شرکت می کنند: 00 در طول هفته تعطیلات رویدادهای مرتبط با مصرف (خرید، غذا خوردن و غیره) یا دیدار دوستان و/یا خانواده (HH) هستند. از سوی دیگر، زمان از ساعت 16:00 تا 17:00 زمانی است که مسافران اغلب در یک هفته عادی کار می کنند، که منجر به الگوی حرکتی خاصی در طول هفته تعطیل می شود.
در مقایسه با الگوی حرکتی #5، الگوهای #6، #4 و #19 ( شکل 12 ب-د) اهداف سفر مشابهی را نشان می‌دهند، یعنی فعالیت‌های مرتبط با مصرف (منعکس شده توسط CC، HC، و غیره)، رفتن به خانه پس از مصرف (CH) و بازدید از دوستان (HH). تفاوت آنها در انتخاب زمان رسیدن به این فعالیت ها است. به عنوان مثال، الگوی شماره 6 مشخص می کند که مسافران در ساعت 9:00 تا 10:00 به یک مکان می رسند و سپس در ساعت 23:00 تا 24:00 به خانه باز می گردند. خوشه شماره 4 به این معنی است که مردم در تعطیلات کمی دیر (11:00 تا 12:00) بیرون می روند و خوشه شماره 19 نشان می دهد که مردم دیروقت به خانه می آیند (21:00-22:00). این الگوها نه تنها الگوهای حرکتی هستند که هفته قبل از تعطیلات فاقد آن هستند، بلکه دلایلی را نیز نشان می دهند که مسافران ممکن است در تعطیلات به سفر بروند.
علاوه بر این، 18 الگوی تحرک تعطیلات باقی مانده در شکل 13 فهرست شده است . در مقایسه با هفته 1، زمانی که مسافران برای سفر در تعطیلات انتخاب می‌کنند نسبتاً متعادل است و تعداد کمی از مسافران در تعطیلات از ساعت 07:00 تا 09:00 مترو را سوار می‌کنند. درعوض، ساعت 9:00 تا 10:00، 16:00 تا 17:00 و 23:00 تا 24:00 سه دوره اوج سفر هستند که بیشتر مسافران سفر را انتخاب می کنند، که نشان می دهد تعداد کمی از افراد در این دوره ها در طول این دوره ها با مترو سوار شدند. هفته 1. به طور کلی، این 22 خوشه الگوی تحرک را می توان به 3 نوع تقسیم کرد. این 3 نوع همچنین می توانند دلیل متمایز بودن سفر تعطیلات و همچنین اهداف سفر مسافران را توضیح دهند.
در نوع اول و دوم، مسافران زمان دیگری را برای سفر در تعطیلات انتخاب می کنند و اهداف سفر آنها عمدتاً رویدادهای مصرف محور (CC، HC، TC، و غیره) یا دیدار با دوستان (HH) است. این دو نوع با الگوهای #1، #2، #3، #4، #5، #6، #7، #9، #10، #12، #14، #15، #16، #19، # نشان داده می‌شوند. 20 و #22 ( شکل 12 و شکل 13الف) و مسافران مرتبط با این الگوها 94.5٪ (386,748/409,410) را تشکیل می دهند. دو عامل باعث منحصر به فرد بودن این الگوهای حرکتی می شود. یکی اینکه ساعت مربوط به مسافرانی که در تعطیلات مترو می روند با یک هفته قبل از تعطیلات متفاوت است و دیگری اهداف مختلف سفر. به عنوان مثال، افراد دارای الگوی شماره 5 در هفته 1 از ساعت 16:00 تا 17:00 سفر نکردند و بیشتر اهداف سفر آنها رویدادهای مصرف محور یا دیدار با دوستان نبود. آنها ممکن است در همان زمان (16:00 تا 17:00) برای مقاصد دیگر (به عنوان مثال، کار: HW) سفر کنند یا در زمان دیگری برای اهداف مشابه سفر کنند.
در نوع سوم، مسافران اهداف سفر خود را در تعطیلات تغییر می دهند و بیشتر اهداف سفر در تعطیلات رویدادهای ترافیک محور (TC، TH، CT و HT) هستند. این نوع با الگوهای #8، #11، #13، #17، #18 و #21 نشان داده شده است ( شکل 13 ب) و مسافران درگیر در این الگوها 5.5٪ (22,662/409,410) را تشکیل می دهند. دلیل متمایز بودن این الگوها در تعطیلات عمدتاً به دلیل متفاوت بودن اهداف سفر مسافران با هفته 1 است. این اهداف سفر مسافران عمدتاً رویدادهای ترافیکی هستند که نشان دهنده خروج یا رسیدن به شنژن در طول هفته تعطیلات CSF است.

5.2.2. الگوهای تحرک تعطیلات در مقایسه با هفته 3

با مقایسه الگوهای تحرک بین هفته 1 و هفته 2، ما برخی از اهداف اولیه سفر تعطیلات را از 22 الگوی تحرک تعطیلات (U21) به دست آوردیم. با این حال، یک نگرانی در اینجا مطرح می شود: آیا این الگوهای تحرک و اهداف سفر بین هفته 2 و هفته 3 (U23) یکسان باقی می مانند؟ برای رفع این نگرانی، ما همچنین الگوهای تحرک را بین هفته 2 و هفته 3 مقایسه می کنیم تا الگوهای تحرک تعطیلات و اهداف سفر را بررسی کنیم. در پردازش خوشه‌بندی LDA برای U23، وقتی T به صورت T = 20 تنظیم شود، گیجی به حداقل می‌رسد. بنابراین، 20 الگوی متمایز تحرک تعطیلات بین هفته‌های 2 و هفته 3 ایجاد می‌شوند و اکثر آنها با 22 الگوی تحرک تعطیلات قبلی (U21) سازگار هستند. ). این یافته به این معنی است که به طور مشابه، 20 الگوی تحرک را می توان به 3 نوع و 96.9٪ تقسیم کرد (395,618/408, 258) انواع مصرف محور و مرتبط با بازدید و 3.1% (12667/408258) نوع ترافیک محور هستند. این سه نوع تحرک تقریبی U21 و U23 نشان می دهد که اهداف سفر در طول CSF در شنژن بین هفته 1 و هفته 2، هفته 2 و هفته 3 تقریباً یکسان است.
بنابراین، می توان گفت که اهداف سفر تعطیلات مسافران متمرکز به ترتیب امکان عمدتاً شامل موارد زیر است: (1) CC: مصرف یا استراحت در مکان های تجاری مختلف، مانند مراکز خرید مختلف. (2) HC: رفتن به مکان های مصرف محور از خانه. (3) CH: بازگشت به خانه یا دیدار دوستان پس از مصرف. (4) CW: رفتن به محل کار پس از مصرف. (5) WC: رفتن به مکان های مصرف محور پس از کار. (6) HH: رفتن به دیدار دوستان. (7) TC: رفتن به مکان های مصرف محور از مراکز حمل و نقل. (8) TH: بازگشت به خانه از مراکز حمل و نقل. (9) CT: رفتن به مراکز حمل و نقل پس از مصرف. (1)-(5) نوع مربوط به مصرف، (6) نوع مربوط به بازدید و (7)-(9) نوع مربوط به ترافیک است.

5.3. الگوهای تحرک روز عادی (هفته 1)

برای نشان دادن الگوهای مختلف تعطیلات و روزهای عادی، الگوی تحرک روزهای هفته (هفته 1) را نیز با همان روش خوشه‌بندی استخراج می‌کنیم. به جز برخی الگوهای مشابه از رویدادهای مصرف، شکل 14 برخی از الگوهای روزهای هفته را نشان می دهد که ویژگی های آشکار مربوط به کار و مسکن دارند که در الگوهای تعطیلات برجسته نیستند. این الگوهای روزهای هفته را می توان تقریباً به سه گروه تقسیم کرد. گروه اول، الگوهای مسافرانی است که استراحت ناهار خود را شروع یا پایان می دهند (CW، HW، WC، WH) و زمان معمولاً بین 12:00 تا 15:00 توزیع می شود ( شکل 14) .آ). گروه دوم، الگوهای مسافرانی است که به سر کار می آیند (HW) یا بیرون می روند تا امور شخصی خود را انجام دهند (HC، HP، HT) و این فعالیت ها معمولاً از ساعت 7:00 تا 10:00 انجام می شود (شکل 14 ب ) . گروه آخر الگوهای خروج مسافران از محل کار (WC, WH) یا شرکت در تفریحات شبانه (HC, CC) است و معمولاً از ساعت 16:00 تا 19:00 رخ می دهد (شکل 14 ج ) . این مقایسه نشان می‌دهد که ترکیب نتیجه ضربی نسبت POI جفت ایستگاه‌های OD، زمان رسیدن جفت‌های ایستگاه و نوع روز (تعطیلات یا روزهای هفته)، روش پیشنهادی ما می‌تواند به تخمین الگوهای سفر و فعالیت‌های مختلف در مترو کمک کند. سطح ایستگاه

6. خلاصه نتایج و پیامدهای خط مشی

تا به امروز، حمل و نقل عمومی در طول تعطیلات به خوبی مورد مطالعه قرار نگرفته است. بر این اساس، این مطالعه آزمایش‌هایی را روی دو مجموعه داده، یعنی مجموعه داده‌های کارت هوشمند مترو (MSC) و مجموعه داده‌های POI انجام می‌دهد تا الگوهای سفر و فعالیت‌های سفر در طول فصل تعطیلات CSF در شنژن را بررسی کند. یافته‌های اصلی این پژوهش از نظر سؤال پژوهشی ما را می‌توان به صورت زیر خلاصه کرد:
اولا، تنها با مجموعه داده‌های MSC و POI، استراتژی پیشنهادی که ویژگی POIs را به ایستگاه‌های مترو با شعاع 500 متر اضافه می‌کند، می‌تواند استنتاج هدف سفر را از یک رویداد واحد به چند رویداد با توزیع احتمال در سطح ایستگاه تغییر دهد. اهداف سفر تعطیلات مسافران متمرکز از طریق تجزیه و تحلیل خوشه‌بندی استنباط می‌شود و نتایج منحصر به فرد بودن سفر جشنواره بهار را در مقایسه با یک هفته قبل و یک هفته بعد از تعطیلات نشان می‌دهد. سه نوع کلی از الگوهای سفر آشکار می شود: رویدادهای مصرف محور یا دیدار با دوستان و رویدادهای ترافیک محور. در میان سه نوع الگو، 9 هدف اصلی سفر کشف شده است. ثانیاً ما مسافران مکرر و مسافران متمرکز را تعریف می کنیم تا آنها را با توجه به روزهای فعال سفرشان در طول جشنواره بهار از همه مسافران جدا کنیم. سپس، شش ویژگی تحرک تعطیلات در این سه گروه از مسافران اندازه‌گیری می‌شود: (1) دفعات سفر بسیار پایین. (2) زمان سفر طولانی تر. (3) تأثیر نسبتاً طولانی مدت فراتر از تعطیلات. (4) حدود 50٪ از مسافران مکرر سفر مترو خود را در تعطیلات متوقف می کنند. (5) الگوی تحرک مسافران متمرکز در تعطیلات از سه جنبه، یعنی اهداف سفر، ثبات سفر و زمان اوج سفر، متمایز از دو هفته عادی دیگر است. (6) زمان بیرون رفتن و بازگشت به خانه هر دو در روزهای تعطیل است. (1) فرکانس سفر بسیار پایین. (2) زمان سفر طولانی تر. (3) تأثیر نسبتاً طولانی مدت فراتر از تعطیلات. (4) حدود 50٪ از مسافران مکرر سفر مترو خود را در تعطیلات متوقف می کنند. (5) الگوی تحرک مسافران متمرکز در تعطیلات از سه جنبه، یعنی اهداف سفر، ثبات سفر و زمان اوج سفر، متمایز از دو هفته عادی دیگر است. (6) زمان بیرون رفتن و بازگشت به خانه هر دو در روزهای تعطیل است. (1) فرکانس سفر بسیار پایین. (2) زمان سفر طولانی تر. (3) تأثیر نسبتاً طولانی مدت فراتر از تعطیلات. (4) حدود 50٪ از مسافران مکرر سفر مترو خود را در تعطیلات متوقف می کنند. (5) الگوی تحرک مسافران متمرکز در تعطیلات از سه جنبه، یعنی اهداف سفر، ثبات سفر و زمان اوج سفر، متمایز از دو هفته عادی دیگر است. (6) زمان بیرون رفتن و بازگشت به خانه هر دو در روزهای تعطیل است.
تجزیه و تحلیل ما برای شرکت‌های مترو (مدیریت جدول زمانی)، صاحبان مشاغل (استراتژی ارتقاء)، محققان (استنتاج ویژگی‌های اجتماعی مسافران) و تصمیم‌گیرندگان (برای بررسی خدمات عمومی) مفید است. در مرحله اول، تجزیه و تحلیل می تواند اطلاعاتی را برای تنظیم خدمات تعطیلات MTR ارائه دهد. اگرچه فعالیت‌های ترافیک محور در طول CSF تقریباً یک پدیده عقل سلیم است، در حالی که فراتر از آن، شرکت‌های MTR می‌توانند مکان و زمان ایجاد این فعالیت‌ها در داخل شهر را از گروه‌های مسافری تحلیل شناسایی کنند، سپس اقدامات متقابل مربوطه را انجام دهند. . ثانیاً، از منظر برنامه ریزی شهری، این مطالعه می تواند به بهینه سازی الگوی مراکز تجاری خرده فروشی شهری کمک کند. زیرا برای اکثر برنامه ریزان شهری (حداقل در چین)، تقاضای تعطیلات چیزی است که به سختی عواملی را در طول فرآیند برنامه ریزی در نظر گرفت. بنابراین اگر برنامه ریزان این عامل را در نظر بگیرند، ممکن است خلأهای احتمالی را در برنامه ریزی فعلی و سپس بهینه سازی بهتر برنامه ریزی پیدا کنند. به هر حال، به جز CSF، بسیاری از تعطیلات رسمی دیگر در چین وجود دارد. ثالثاً، این مطالعه به محققان و سیاست‌گذاران کمک می‌کند تا گروه‌های اجتماعی مختلف را بهتر شناسایی کنند و سپس رفاه اجتماعی هدفمندی را ارائه کنند، زیرا اهداف سفر مسافران در یک دوره خاص (فصل تعطیلات) می‌تواند طبقات اجتماعی-اقتصادی آنها را به نحوی منعکس کند. به عنوان مثال، از آنجایی که CSF برای همه چینی‌ها بسیار مهم است و فرصتی نادر برای مردم برای استراحت و ملاقات مجدد است، بنابراین رفتار غیرمعمول سفر در این دوره توجه مردم را به خود جلب می‌کند، که ممکن است به مکانیسم اساسی اساسی نیز دلالت کند. از این رو،

7. محدودیت ها و مراحل بعدی

با این وجود، مطالعه ما یک گام اولیه برای بررسی الگوهای مختلف سفر بین روزهای هفته و یک فصل تعطیلات طولانی است. بر اساس کار ارائه شده در اینجا، چندین پیشرفت می تواند ایجاد شود. اول، از آنجایی که حجم ترافیک سیستم مترو در شنژن تنها 14٪ از کل سهم را به خود اختصاص می دهد، نتایج و نتیجه گیری ما ممکن است به سیستم مترو محدود شود و محدودیت تعمیم داشته باشد. دوم، استفاده از POI ها در مطالعه محدودیت های ذاتی خود را دارد. اگرچه POI ممکن است داده‌های مناسب‌تری نسبت به داده‌های کاربری زمین برای استنباط فعالیت‌های سفر باشد، در حالی که POI‌ها فقط بر اساس تعداد اعمال می‌شوند که به اندازه کافی دقیق نیستند. زیرا اطلاعاتی مانند مقیاس و اندازه POI در آن گنجانده نشده است. مثلا، یک ایستگاه قطار ممکن است تنها با چند POI نشان داده شود، اما آنها دارای معنی بیشتری نسبت به تعداد زیادی POI رستوران ها هستند. سوم، با توجه به پیشینه توسعه خاص شهر شنژن (تعداد زیادی از مهاجران)، الگوی تحرک CSF سایر شهرهای چین ارزش کاوش را دارد زیرا ممکن است برخی ویژگی ها یا تفاوت های مشترک داشته باشند که نیاز به بحث بیشتر دارد. در نهایت، از آنجایی که رویکرد پیشنهادی برای استنتاج فعالیت‌های سفر، مطالعات آینده می‌توانند از جنبه‌های زیر پیش بروند: (1) افزودن برخی منابع داده‌های تحرک دیگر مانند مسیر تاکسی، کارت هوشمند اتوبوس و اشتراک‌گذاری دوچرخه یا ترکیب برخی از داده‌های بررسی سفر شخصی برای بهتر شدن تحرک کلی CSF درون شهر را درک کنید. و (2) گسترش مطالعات سفر تعطیلات به یک منطقه بزرگ مقیاس مانند سطح ملی و همچنین شامل سایر فصول تعطیلات عمومی.

مشارکت های نویسنده

Jianxiao Liu و Pengfei Chen ایده ارائه شده را تصور کردند. جیان شیائو لیو این دست نوشته را با حمایت ونژونگ شی نوشت. تمامی نویسندگان نسخه نهایی این نسخه را تایید کرده اند. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این مطالعه توسط وزارت علوم و فناوری جمهوری خلق چین (2019YFB2103102)، دانشگاه پلی تکنیک هنگ کنگ (4-BCF7، 1-ZVN6؛ موسسه تحقیقات شهرهای هوشمند، دانشگاه پلی تکنیک هنگ کنگ) و اداره دولتی پشتیبانی شده است. نقشه برداری و نقشه برداری (1-ZVE8).

قدردانی ها

نویسندگان از چهار داور به خاطر نظرات مفیدشان سپاسگزاری می کنند.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. Szeto، W. یانگ، ال. وانگ، آر. لی، ی. وونگ، اس. ویژگی‌های سفر فضایی-زمانی سالمندان در جامعه سالخورده. رفتار سفر. Soc. 2017 ، 9 ، 10-20. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. یانگ، ال. مدل‌سازی انتخاب‌های تحرک افراد مسن در یک شهر حمل‌ونقل محور: بینش‌های سیاست. Habitat Int. 2018 ، 76 ، 10-18. [ Google Scholar ] [ CrossRef ]
  3. ویلهلمسون، بی. استفاده از وابستگی‌های حرکت خودرو در زندگی روزمره شهری. در تهدیدات ناشی از ترافیک خودروها به کیفیت زندگی شهری ; Emerald Group Publishing Limited: Bingley, West Yorkshire, UK, 2007; صص 143-164. [ Google Scholar ]
  4. گروسه، جی. اولافسون، ع. کارستنسن، TA; فرتنر، سی. بررسی نقش «سبک‌های شیوه» و ساختار شهری روزانه در تعطیلات و سفرهای آخر هفته طولانی‌تر: رفتار سفر ساکنان شهری و حومه شهری در کپنهاگ بزرگ. J. Transp. Geogr. 2018 ، 69 ، 138-149. [ Google Scholar ] [ CrossRef ]
  5. لیو، ز. Sharma, S. بررسی های آماری اثرات تعطیلات قانونی بر حجم ترافیک. ترانسپ Res. ضبط 2006 ، 1945 ، 40-48. [ Google Scholar ] [ CrossRef ]
  6. Pfefferkorn، U. رویکردهایی برای ایجاد یک پایه داده برای مدل‌سازی رفتار سفرهای طولانی مدت. در مخزن مقالات AET. ETC – کنفرانس حمل و نقل اروپا ; انجمن حمل و نقل اروپا (AET): لندن، بریتانیا، 2016. [ Google Scholar ]
  7. فری، ا. کوهنیمهوف، تی جی; Axhausen، KW سفرهای راه دور در اروپا امروز: تجربیات با یک نظرسنجی جدید . Arbeitsberichte Verkehrs-und Raumplanung: زوریخ، سوئیس، 2010; جلد 611. [ Google Scholar ]
  8. لاموندیا، جی جی. اولتمن هال، ال. گرین، E. فرکانس‌های سفر در راه دور و سفرهای تفریحی: تجزیه و تحلیل پروبیت مرتب شده در تعاریف غیرمستقیم. ترانسپ Res. ضبط 2014 ، 2413 ، 1-12. [ Google Scholar ] [ CrossRef ]
  9. هولز راو، سی. شاینر، جی. Sicks, K. مسافت سفر در سفرهای روزانه و مسافرت های طولانی: شکل شهری چه نقشی دارد؟ محیط زیست طرح. A 2014 , 46 , 488-507. [ Google Scholar ] [ CrossRef ]
  10. رایچرت، آ. Holz-Rau، C. استفاده از حالت در سفرهای طولانی مدت. J. Transp. کاربری زمین 2015 ، 8 ، 87-105. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. رایچرت، آ. هولز راو، سی. Scheiner، J. انتشار گازهای گلخانه ای در سفرهای روزانه و سفرهای طولانی مدت در آلمان – همبستگی های اجتماعی و فضایی. ترانسپ Res. قسمت D Transp. محیط زیست 2016 ، 49 ، 25-43. [ Google Scholar ] [ CrossRef ]
  12. Enzler، HB مسافرت هوایی برای مقاصد خصوصی. تجزیه و تحلیل دسترسی به فرودگاه، درآمد و نگرانی های زیست محیطی در سوئیس. J. Transp. Geogr. 2017 ، 61 ، 1-8. [ Google Scholar ] [ CrossRef ]
  13. چپکیویچ، م. هاینونن، جی. اوتلین، جی. چرا شهرنشینان بیشتر از دیگران سفر می کنند؟ مروری بر ارتباط بین شکل شهری و سفرهای تفریحی طولانی مدت محیط زیست Res. Lett. 2018 ، 13 ، 073001. [ Google Scholar ] [ CrossRef ]
  14. ماگدولن، م. ایکه، ال. هیلگرت، تی. کلوند، بی. Vortisch, P. شناسایی تورهای غیر معمول در رفتار روزمره سفر. در مجموعه مقالات نود و نهمین نشست سالانه هیئت تحقیقات حمل و نقل، واشنگتن دی سی، ایالات متحده آمریکا، 12 تا 16 ژانویه 2020. در حال چاپ. [ Google Scholar ]
  15. یانگ، ال. شن، Q. Li، Z. مقایسه حالت سفر و انتخاب های زنجیره سفر بین تعطیلات و روزهای هفته. ترانسپ Res. بخش A سیاست سیاست. 2016 ، 91 ، 273-285. [ Google Scholar ] [ CrossRef ]
  16. کولز، ام. ماه، ای. Wets, G. ارزیابی تأثیر تعطیلات عمومی بر هزینه زمان سفر: تمایز بر اساس انگیزه سفر. ترانسپ Res. ضبط 2010 ، 2157 ، 29-37. [ Google Scholar ] [ CrossRef ]
  17. کولز، ام. ماه، ای. Wets, G. بررسی تأثیر تعطیلات بر تعداد ترافیک روزانه: رویکرد سری زمانی. ترانسپ Res. ضبط 2007 ، 2019 ، 22-31. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. باغچی، م. سفید، روابط عمومی پتانسیل داده های کارت هوشمند حمل و نقل عمومی. ترانسپ Policy 2005 ، 12 ، 464-474. [ Google Scholar ] [ CrossRef ]
  19. چاکروف، آ. Erath، A. شناسایی فعالیت و مدل‌سازی موقعیت اولیه بر اساس داده‌های پرداخت کارت هوشمند برای حمل و نقل عمومی. در مجموعه مقالات سیزدهمین کنفرانس بین المللی تحقیقات رفتار سفر (IATBR 2012)، تورنتو، ON، کانادا، 15 تا 20 ژوئیه 2012. [ Google Scholar ]
  20. السگر، ا. توسلی، ع. مصباح، م. فریرا، ال. هیکمن، ام. استنتاج هدف سفر حمل و نقل عمومی با استفاده از داده های کرایه کارت هوشمند. ترانسپ Res. قسمت C Emerg. تکنولوژی 2018 ، 87 ، 123-137. [ Google Scholar ] [ CrossRef ]
  21. کوزاکابه، تی. Asakura، Y. داده کاوی رفتاری داده های کارت هوشمند حمل و نقل: یک رویکرد ترکیب داده ها. ترانسپ Res. قسمت C Emerg. تکنولوژی 2014 ، 46 ، 179-191. [ Google Scholar ] [ CrossRef ]
  22. لیون، اس. شهردار، ک. Tol، RS مقاصد تعطیلات: درک انتخاب های سفر گردشگران ایرلندی. تور. مدیریت 2009 ، 30 ، 683-692. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. لاموندیا، جی. اسنل، تی. Bhat، CR رفتار مسافر و تجزیه و تحلیل ارزش ها در زمینه مقصد تعطیلات و انتخاب حالت سفر: مطالعه موردی اتحادیه اروپا. ترانسپ Res. ضبط 2010 ، 2156 ، 140-149. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. کاوورا، ا. Stavrianeas، A. اهمیت رسانه های اجتماعی در انتخاب بازدیدکنندگان تعطیلات – مورد آتن، یونان. اتوبوس EuroMed J. 2015 ، 10 ، 360. [ Google Scholar ] [ CrossRef ]
  25. Fotis, JN; بوهالیس، د. Rossides، N. استفاده و تاثیر رسانه های اجتماعی در طول فرآیند برنامه ریزی سفر تعطیلات . Springer: وین، اتریش، 2012. [ Google Scholar ]
  26. راتونی، جی. Ráthonyi-Odor، K. ورالیای، ال. بوتوس، س. تأثیر رسانه های اجتماعی بر برنامه ریزی سفر تعطیلات. J. Ecoagritour. 2016 ، 12 ، 57-62. [ Google Scholar ]
  27. آمارو، اس. Duarte، P. استفاده از رسانه های اجتماعی برای اهداف سفر: مقایسه فرهنگی بین پرتغال و بریتانیا. Inf. تکنولوژی تور. 2017 ، 17 ، 161-181. [ Google Scholar ] [ CrossRef ]
  28. Fotis, JN استفاده از رسانه های اجتماعی و تأثیرات آن بر رفتار مصرف کننده: زمینه سفر در تعطیلات ; دانشگاه بورنموث: بورنموث، بریتانیا، 2015. [ Google Scholar ]
  29. هنشر، دی. Reyes، AJ Trip chaining به عنوان مانعی برای تمایل به استفاده از حمل و نقل عمومی. حمل و نقل 2000 ، 27 ، 341-361. [ Google Scholar ] [ CrossRef ]
  30. بله، X. پندیالا، RM; گوتاردی، جی. کاوشی در رابطه بین انتخاب حالت و پیچیدگی الگوهای زنجیره سفر. ترانسپ Res. روش قسمت B. 2007 ، 41 ، 96-113. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. لی، جی. بله، س. دنگ، ایکس. لیو، ی. لیو، ی. تجزیه و تحلیل فضایی-زمانی در مورد عجله سفر جشنواره بهار در چین بر اساس داده های بزرگ چند منبعی. Sustainability 2016 , 8 , 1184. [ Google Scholar ] [ CrossRef ][ Green Version ]
  32. لیو، ز. Sharma, S. روش ناپارامتریک برای بررسی تغییرات الگوی حجم ترافیک در طول دوره تعطیلات. ترانسپ Res. ضبط 2008 ، 2049 ، 45-53. [ Google Scholar ] [ CrossRef ]
  33. وانگ، ایکس. لیو، سی. مائو، دبلیو. هو، ز. Gu, L. ردیابی بزرگترین مهاجرت فصلی روی زمین. arXiv 2014 ، arXiv:1411.0983. [ Google Scholar ]
  34. هو، ایکس. لی، اچ. بائو، X. الگوهای تحرک جمعیت شهری در حمل و نقل جشنواره بهار: بینش از داده های Weibo. در مجموعه مقالات کنفرانس بین المللی 2017 سیستم های خدمات و مدیریت خدمات، دالیان، چین، 16 تا 18 ژوئن 2017؛ صص 1-6. [ Google Scholar ]
  35. وی، ی. آهنگ، دبلیو. شیو، سی. ژائو، زی. پدیده کلوپ ثروتمند شبکه جریان جمعیت چین در طول جشنواره بهار این کشور. Appl. Geogr. 2018 ، 96 ، 77-85. [ Google Scholar ] [ CrossRef ]
  36. ارماگون، ا. فن، ی. ولفسون، جی. آدوماویسیوس، جی. Das, K. پیش‌بینی هدف سفر در زمان واقعی با استفاده از خدمات جستجو و اکتشاف مبتنی بر مکان آنلاین. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 77 ، 96-112. [ Google Scholar ] [ CrossRef ]
  37. کوی، ی. منگ، سی. او، س. گائو، جی. پیش‌بینی هدف سفر فعلی و بعدی با داده‌های رسانه‌های اجتماعی و Google Places. ترانسپ Res. قسمت C Emerg. تکنولوژی 2018 ، 97 ، 159-174. [ Google Scholar ] [ CrossRef ]
  38. ویدهام، پی. یانگ، ی. اولم، ام. آتاوال، اس. González، MC کشف الگوهای فعالیت شهری در داده های تلفن همراه. حمل و نقل 2015 ، 42 ، 597-623. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. الکساندر، ال. جیانگ، اس. مورگا، م. González، MC مبدا-مقصد سفر بر اساس هدف و زمان روز استنباط شده از داده های تلفن همراه. ترانسپ Res. قسمت C Emerg. تکنولوژی 2015 ، 58 ، 240-250. [ Google Scholar ] [ CrossRef ]
  40. جیانگ، اس. فریرا، جی. گونزالس، MC الگوهای تحرک انسانی مبتنی بر فعالیت استنتاج شده از داده های تلفن همراه: مطالعه موردی سنگاپور. IEEE Trans. کلان داده 2017 ، 3 ، 208-219. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. 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 ]
  42. بائو، جی. خو، سی. لیو، پی. وانگ، دبلیو. کاوش الگوهای سفر به اشتراک گذاری دوچرخه و اهداف سفر با استفاده از داده های کارت هوشمند و نقطه مورد علاقه آنلاین. شبکه تف کردن اقتصاد 2017 ، 17 ، 1231-1253. [ Google Scholar ] [ CrossRef ]
  43. ژانگ، ی. بروکسل، ام جی. توماس، تی. Van Maarseveen، MF Mining داده‌های رفتار سفر به اشتراک‌گذاری دوچرخه: بررسی زنجیره سفر و فعالیت‌های انتقالی. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 69 ، 39-50. [ Google Scholar ] [ CrossRef ]
  44. وانگ، اس. خو، جی. مرکزیت‌های خیابان Guo، Q. و شدت استفاده از زمین بر اساس نقاط مورد علاقه (POI) در شنژن، چین. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 425. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  45. وو، سی. بله، X. رن، اف. Du، Q. رفتار ورود و شور و نشاط مکانی-زمانی: یک تحلیل اکتشافی در شنژن، چین. شهرها 2018 ، 77 ، 104–116. [ Google Scholar ] [ CrossRef ]
  46. یو، ی. ژوانگ، ی. بله، AG; Xie، J.-Y. ما، سی.-ال. لی، Q.-Q. اندازه گیری استفاده ترکیبی مبتنی بر POI و روابط آنها با سرزندگی محله بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 658-675. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. ژائو، جی. تیان، سی. ژانگ، اف. خو، سی. Feng, S. درک الگوهای سفر زمانی و مکانی مسافران فردی با استخراج داده های کارت هوشمند. در مجموعه مقالات هفدهمین کنفرانس بین المللی IEEE در مورد سیستم های حمل و نقل هوشمند (ITSC)، چینگدائو، چین، 8 تا 11 اکتبر 2014. صفحات 2991-2997. [ Google Scholar ]
  48. ژائو، جی. Qu، Q. ژانگ، اف. خو، سی. لیو، اس. تحلیل فضایی-زمانی الگوهای سفر مسافر در داده های عظیم کارت هوشمند. IEEE Trans. هوشمند ترانسپ سیستم 2017 ، 18 ، 3135-3146. [ Google Scholar ] [ CrossRef ]
  49. المهرسی، م.ک. بیا، ای. بارو، جی. Oukhellou، L. درک الگوهای مسافر در حمل و نقل عمومی از طریق کارت هوشمند و داده های اجتماعی-اقتصادی: مطالعه موردی در رن، فرانسه. در مجموعه مقالات کارگاه ACM SIGKDD در مورد محاسبات شهری، نیویورک، نیویورک، ایالات متحده آمریکا، 24 اوت 2014. [ Google Scholar ]
  50. لاتیا، ن. کوئرسیا، دی. کراکرافت، جی. تصویر پنهان شهر: احساس رفاه جامعه از تحرک شهری. در مجموعه مقالات کنفرانس بین المللی محاسبات فراگیر، سئول، کره، 21-24 سپتامبر 2008. ص 91-98. [ Google Scholar ]
  51. لیو، ی. چنگ، تی. درک الگوهای حمل و نقل عمومی با ژئودموگرافی باز برای تسهیل برنامه ریزی حمل و نقل عمومی. ترانسپ ج: ترانسپ علمی 2020 ، 16 ، 76-103. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. کیو، LM; باسکار، ا. Chung, E. تقسیم‌بندی مسافران ترانزیت با استفاده از نظم سفر استخراج شده از داده‌های تراکنش‌های کارت هوشمند. در مجموعه مقالات هیئت تحقیقات حمل و نقل (TRB) 93 گردهمایی سالانه گردهمایی مقالات، واشنگتن، دی سی، ایالات متحده آمریکا، 12 تا 16 ژانویه 2014. جلد 7013، ص 1-17. [ Google Scholar ]
  53. هافمن، تی. تحلیل معنایی نهفته احتمالی. arXiv 2013 ، arXiv:1301.6705. [ Google Scholar ]
  54. Blei، DM; Ng، AY؛ جردن، MI تخصیص دیریکله نهفته. جی. ماخ. فرا گرفتن. Res. 2003 ، 3 ، 993-1022. [ Google Scholar ]
  55. پریرا، اف سی؛ رودریگز، اف. بن آکیوا، ام. تجزیه و تحلیل متن در پیش بینی مدت زمان حادثه. ترانسپ Res. قسمت C Emerg. تکنولوژی 2013 ، 37 ، 177-192. [ Google Scholar ] [ CrossRef ]
  56. بیا، ای. Randriamanamihaga، NA; اوخلو، ال. آکنین، ص. تحلیل فضایی-زمانی داده‌های دینامیک مبدا-مقصد با استفاده از تخصیص دیریکله نهفته: کاربرد در سیستم اشتراک‌گذاری vélib’bike پاریس. در مجموعه مقالات TRB 93th Annual Meeting، واشنگتن دی سی، ایالات متحده آمریکا، 12 تا 16 ژانویه 2014. [ Google Scholar ]
  57. حسن، س. Ukkusuri، SV طبقه‌بندی الگوی فعالیت شهری با استفاده از مدل‌های موضوعی از داده‌های موقعیت جغرافیایی آنلاین. ترانسپ Res. قسمت C Emerg. تکنولوژی 2014 ، 44 ، 363-381. [ Google Scholar ] [ CrossRef ]
  58. استایگر، ای. وسترهولت، آر. رسچ، بی. Zipf، A. توییتر به عنوان شاخصی برای مکان افراد؟ ارتباط توییتر با داده‌های سرشماری بریتانیا. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 255-265. [ Google Scholar ] [ CrossRef ]
  59. فو، سی. مک کنزی، جی. فریاس مارتینز، وی. استوارت، ک. شناسایی فعالیت‌های شهری فضایی-زمانی از طریق امضاهای زبانی. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 72 ، 25-37. [ Google Scholar ] [ CrossRef ]
  60. یوان، جی. ژنگ، ی. Xie, X. کشف مناطقی از عملکردهای مختلف در یک شهر با استفاده از تحرک انسان و POI. در مجموعه مقالات هجدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، پکن، چین، 12 تا 16 اوت 2012. ص 186-194. [ Google Scholar ]
  61. فرهی، ک. Gatica-Perez, D. کشف روال ها از مکان های انسانی در مقیاس بزرگ با استفاده از مدل های موضوع احتمالی. ACM Trans. هوشمند سیستم تکنولوژی (TIST) 2011 ، 2 ، 1-27. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. ژونگ، سی. مانلی، ای. آریسونا، اس ام. باتی، م. اشمیت، جی. اندازه‌گیری تغییرپذیری الگوهای تحرک از داده‌های کارت هوشمند چند روزه. جی. کامپیوتر. علمی 2015 ، 9 ، 125-130. [ Google Scholar ] [ CrossRef ]
  63. نیشیوشی، اچ. کینگ، جی. تودوروکی، تی. الگوی سفرهای مکرر روزانه مکانی-زمانی مسافران حمل‌ونقل عمومی با استفاده از داده‌های کارت هوشمند. بین المللی جی. اینتل. ترانسپ سیستم Res. 2013 ، 11 ، 1-10. [ Google Scholar ] [ CrossRef ]
  64. کیم، M.-K. کیم، اس. سون، اچ.-جی. رابطه بین الگوهای سفر مکانی-زمانی به دست آمده از داده های کارت هوشمند و ویژگی های محیطی محلی سئول، کره. پایداری 2018 ، 10 ، 787. [ Google Scholar ]
Ijgi 09 00651 g001 550
شکل 1. موقعیت شنژن و خطوط متروی آن.
Ijgi 09 00651 g002 550
شکل 2. چارچوب روش تحقیق این مقاله.
Ijgi 09 00651 g003 550
شکل 3. نمونه هایی از بازسازی داده های کارت هوشمند. ( الف ) فرم ذخیره سازی داده اصلی؛ ( ب ) بازسازی فرمت ذخیره سازی داده ها.
Ijgi 09 00651 g004 550
شکل 4. نمونه هایی از نقاط دیدنی (POI) نشان داده شده ایستگاه های مترو. ( الف ) ایستگاه مترو که توسط بردار ویژگی POI بیان می شود. ( ب ) سفر بین دو ایستگاه که با یک ماتریس 36 متغیری بیان می شود.
Ijgi 09 00651 g005 550
شکل 5. توزیع روزهای فعال و 7 نوع مسافر مکرر. ( الف ) مسافران مکرر را از همه مسافران مترو فیلتر کنید. ( ب ) در بین مسافران مکرر منتخب، مسافران متمرکزی را که حداقل یک بار در هفته از مترو استفاده می کنند، بیشتر فیلتر کنید.
Ijgi 09 00651 g006 550
شکل 6. نمایش مدل گرافیکی مکانیسم تولید کننده تخصیص دیریکله نهفته (LDA).
Ijgi 09 00651 g007 550
شکل 7. فرآیند قالب بندی مجدد مجموعه داده های الگوی تحرک.
Ijgi 09 00651 g008 550
شکل 8. فرکانس کشیدن روزانه کارت هوشمند مترو 21 روز.
Ijgi 09 00651 g009 550
شکل 9. میانگین زمان صرف شده روزانه در هر سفر 21 روزه.
Ijgi 09 00651 g010 550
شکل 10. تعداد ساعتی مسافران در هر روز از 3 هفته.
Ijgi 09 00651 g011 550
شکل 11. مقدار گیجی برای U21 و U23. ( الف ) مقدار گیجی برای U21. ( ب ) مقدار گیجی برای U23.
Ijgi 09 00651 g012 550
شکل 12. نمونه هایی از الگوهای تحرک در تعطیلات. ( الف ) الگوی تحرک خوشه 5. ( ب ) الگوی تحرک خوشه 6. ( ج ) الگوی تحرک خوشه 4. و ( د ) الگوی تحرک خوشه 19. توجه: (1) k1 = CC، k2 = CH، k3 = CP، k4 = CR، k5 = CT، k6 = CW، k7 = HC، k8 = HH، k9 = HP ، k10 = HR، k11 = HT، k12 = HW، k13 = PC، k14 = PH، k15 = PP، k16 = PR، k17 = PT، k18 = PW، k19 = RC، k20 = RH، k21 = RP، k22 = RR، k23 = RT، k24 = RW، k25 = TC، k26 = TH، k27 = TP، k28 = TR، k29 = TT، k30 = TR، k31 = WC، k32 = WH، k33 = WP، k34 = WR , k35 = WT, k36 = WW; (2)هر شبکه در محور زمانی نشان دهنده یک شکاف زمانی است، به عنوان مثال، 06 = 06:00-07:00.
Ijgi 09 00651 g013 550
شکل 13. 18 الگوی تحرک باقی مانده در تعطیلات (U21).
Ijgi 09 00651 g014 550
شکل 14. الگوهای تحرک مرتبط با کار و مسکن در روزهای هفته (هفته 1).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید