محل کار و زندگی جوانان شهری: رویکردی مبتنی بر داده برای شناسایی مناطق عملکردی شهری در مقیاسی دقیق

خلاصه

جوانان به عنوان نیروی کار اصلی شهرها، نیروی محرکه عظیمی برای نوآوری و توسعه شهری فراهم می کنند و به ارتقاء و بازسازی صنعتی شهری کمک می کنند. علاوه بر این، با شتاب شهرنشینی در چین، جمعیت جوان شناور به سرعت افزایش یافته است که باعث شهرنشینی بیش از حد و ایجاد مشکلات اجتماعی خاصی شده است. تحلیل تقاضای جوانان شهری و ارتقای یکپارچگی اجتماعی آنها حائز اهمیت است. با توسعه اینترنت موبایل و بهبود سیستم اکسپرس شهر، سفارش تحویل غذا به یک روش محبوب و راحت برای صرف غذا، به ویژه در چین تبدیل شده است. داده های تحویل غذا دارای ویژگی کاربری قابل توجهی است که در آن سن اکثر مشتریان تحویل غذا زیر 35 سال است. در این صفحه، ما داده‌های تحویل غذا را به‌عنوان یک منبع داده جدید در تشخیص منطقه عملکردی شهری معرفی می‌کنیم و یک رویکرد خوشه‌بندی مبتنی بر سری زمانی برای کشف مناطق کانونی شهری جوانان پیشنهاد می‌کنیم. محل کار و زندگی به طور موثر با توجه به ویژگی های رفتاری انسان در سفارش تحویل غذا شناسایی شد. علاوه بر این، ما رابطه بین جوانان و ساختار صنعت Hangzhou را تجزیه و تحلیل کردیم و متوجه شدیم که توزیع جغرافیایی مناطق کاری شناسایی شده شبیه به اینترنت و شرکت های تجارت الکترونیک است. ویژگی های مناطق زندگی شناسایی شده نیز در ترکیب با توزیع خطوط مترو و جوامع مسکونی مورد تجزیه و تحلیل قرار گرفت. و مشخص شد که مناطق زندگی عمدتاً در امتداد خطوط مترو توزیع شده اند و روستاهای شهری در مناطق کانون زندگی ظاهر می شوند که نشان می دهد حمل و نقل و هزینه زندگی دو عامل مهم در انتخاب مکان سکونت برای جوانان است. یافته های این مقاله می تواند به برنامه ریزی صنعتی و مسکونی شهری و مدیریت جمعیت جوان کمک کند.

کلید واژه ها:

داده های تحویل غذا ؛ جوانان شهری ; کانون های شهری ; ساختار صنعتی ; روستای شهری

1. معرفی

جمعیت جوان گروهی با خلاقیت قوی و قدرت مصرف بالا هستند که نیروی محرکه قوی برای نوآوری و توسعه شهری فراهم می کنند. با شتاب شهرنشینی در چین، تعداد زیادی از جوانان از روستاها به شهرها مهاجرت کرده اند. جمعیت شناور جوان با رشد سریع باعث شهرنشینی بیش از حد می شود که منجر به تراکم شهری و زیرساخت های ناکافی می شود و مشکلات اجتماعی خاصی را به ویژه در مورد مسکن، اشتغال و حمل و نقل ایجاد می کند [ 1 ، 2 ، 3 ]. از سوی دیگر، جوانان به یادگیری چیزهای جدید عادت کرده اند و بهتر می توانند با توسعه صنایع نوظهور سازگار شوند. 4 ]] مانند نسل جدید اطلاعات و فناوری های انرژی های تجدیدپذیر، و به ارتقاء و بازسازی صنعتی شهری کمک می کنند. بنابراین، تحلیل تقاضای جوانان شهری و تسهیل ادغام اجتماعی آنها برای ارتقای توسعه پایدار شهری مهم است.

مسکن و اشتغال از حوزه های تحقیقاتی داغ برای مسائل شهری و همچنین کانون توجه جوانان شهری است. بسیاری از مطالعات از پرسشنامه ها یا آمارهای نظرسنجی دولتی برای تجزیه و تحلیل محیط مسکونی شهری و وضعیت اشتغال مانند محیط ساخته شده در مناطق مسکونی و محل کار، انتخاب حالت رفت و آمد، و تعادل شغل-مسکن منطقه ای استفاده می کنند [ 5 ، 6 ، 7 ].]. با این حال، این روش های نظرسنجی دارای نقص های خاصی در سوگیری ذهنی، حجم نمونه و به موقع بودن هستند. در سال‌های اخیر، با استفاده گسترده از دستگاه‌های موقعیت‌یابی مانند فناوری جی‌پی‌اس غیرنظامی (سیستم موقعیت‌یابی جهانی) در پایانه‌های تلفن همراه و توسعه و رواج سرویس‌های مبتنی بر مکان و شبکه‌های اجتماعی سیار، تعداد زیادی از داده‌های مسیر یا برچسب جغرافیایی در حال انباشته شدن هستند. زندگی روزمره و انواع مختلفی از برنامه ها را ارائه می دهند [ 8 ، 9 ، 10 ]. این منابع داده عمدتاً شامل تلفن های همراه [ 11 ، 12 ، 13 ، 14 ، 15 ، 16 ]، تاکسی ها [ 17 ، 18،19 ] است ،.، 20 ، 21 ]، دوچرخه های عمومی یا مشترک [ 22 ، 23 ، 24 ، 25 ]، کارت های هوشمند حمل و نقل [ 26 ، 27 ، 28 ، 29 ] و غیره. آنها اطلاعات تحرک و فعالیت انسان را منتقل می کنند و محتوا و نوآوری روش شناختی را برای تحقیق رفتار مکانی-زمانی مردم در مناطق شهری ارائه می دهند [ 8 ، 30 ].

شناسایی مناطق عملکردی شهری مانند مناطق مسکونی و صنعتی یک راه مهم برای درک ساختار کاربری زمین شهری و توزیع جمعیت است [ 31 ، 32 ]. مائو و همکاران توزیع فضایی مشاغل شهری و مناطق مسکونی را با استفاده از یک الگوریتم خوشه‌بندی مجدد بر اساس شاخص «عامل شغل – مسکونی» از نقاط مبدأ-مقصد تاکسی عظیم [ 17 ] استخراج کرد. پی و همکاران انواع کاربری زمین مانند مسکونی، تجاری، تجاری، فضای باز و غیره را از داده‌های فعالیت تلفن همراه با استفاده از روش خوشه‌بندی نیمه نظارت شده شناسایی کرد [ 13 ]]. لانگ و همکاران ساختار کار-مسکن شهری و الگوهای رفت و آمد را با داده های مکان-زمان-مدت (PTD) استخراج شده از داده های کارت هوشمند اتوبوس خام تحلیل کرد.29 ]. ژانگ و همکاران از سوابق اجاره دوچرخه شهری و اطلاعات نقطه مورد علاقه (POI) برای ترسیم مناطق عملکردی شهری با استفاده از تکنیک‌های مدل‌سازی موضوعی که در آن مناطق تجاری، مناطق صنعتی و مناطق مسکونی به خوبی شناسایی شده بودند استفاده کرد. 25 ]]. با این حال، داده های فوق دارای محدودیت های جغرافیایی خاصی هستند. داده‌های GPS تاکسی عمدتاً در شبکه‌های جاده‌ای وجود دارد و مکان داده‌های تلفن همراه از مکان‌های ایستگاه‌های فرستنده و گیرنده پایه می‌آید. داده‌های کارت هوشمند فقط مکان ایستگاه‌ها و ایستگاه‌های حمل‌ونقل را ارائه می‌کند و محل مبدا و مقصد دوچرخه‌های عمومی توسط ایستگاه‌های خدمات تعیین می‌شود. این محدودیت‌ها قادر به شناسایی موثر محیط جغرافیایی پیچیده مانند جوامع و دانشکده‌هایی که خارج از شبکه‌های جاده‌ای یا دور از ایستگاه‌های حمل‌ونقل هستند، نخواهد بود. علاوه بر این، بیشتر مطالعات در مورد رابطه بین مناطق شهری با سن، جنسیت و عوامل اجتماعی-اقتصادی مبتنی بر داده‌های پیمایش ایستا است. از این رو،

با توجه به استفاده گسترده از تلفن های همراه و راحتی سیستم های تحویل، تحویل غذا به روشی محبوب برای غذا خوردن تبدیل شده است زیرا دارای خدمات سفارش راحت است، زمان کمتری می برد و گزینه های غذایی متنوعی را ارائه می دهد. داده‌های تحویل غذا، داده‌های مسیری هستند که توسط سواران تحویل‌دهنده از فروشگاه به محل مشتری پس از دریافت سفارش، معمولاً با استفاده از اسکوترهای برقی در چین، تولید می‌شوند. بر اساس گزارش‌های کلان داده تحویل چین که توسط خدمات تحویل غذا (مانند Ele.me، meituan ) در سال 2017 صادر شده است [ 33 ، 34 ، 35]، تعداد کاربران کترینگ آنلاین از 300 میلیون نفر فراتر رفت و مجموعه داده تحویل دارای ویژگی های کاربری قابل توجهی است که به شرح زیر است: (1) بیشترین جمعیت کاربر را کارگران یقه سفید تشکیل می دهند که بیش از 80٪ از کل سفارش های تحویل را تشکیل می دهند، و دومین جمعیت بزرگ کاربران، دانشجویان هستند. و (2) اکثر کاربران زیر 35 سال سن دارند. به عبارت دیگر، جوانان گروه های عمده مصرف کننده سفارش آنلاین هستند.

در این مقاله، داده های تحویل غذا به عنوان یک منبع داده جدید در تشخیص ناحیه عملکردی شهری معرفی می شوند. در مقایسه با سایر داده‌های مسیر یا برچسب جغرافیایی، ویژگی‌های داده‌های تحویل راه جدیدی برای کشف مناطق مهم فضایی گروه جوانان شهری ارائه می‌کند. علاوه بر این، اسکوترهای تحویل برقی می توانند وارد مناطق پیچیده جغرافیایی مانند جوامع مسکونی، پردیس های دانشگاهی و پارک های صنعتی بزرگ شوند و می توانند مجموعه داده دقیق تری را برای استخراج مناطق کاربردی ارائه دهند. این مقاله یک رویکرد خوشه‌بندی مبتنی بر سری زمانی را برای کشف مناطق کانونی شهری جوانان پیشنهاد می‌کند. مطالعه موردی Hangzhou، چین، که به دلیل اقتصاد اینترنتی مشهور است،

بقیه این مقاله به صورت زیر سازماندهی شده است: بخش 2 منطقه مورد مطالعه و منبع داده را توصیف می کند و برخی از آمارهای مجموعه داده را انجام می دهد. بخش 3 روش استخراج مناطق عملکردی شهری از داده های تحویل غذا را مورد بحث قرار می دهد و نتایج با نقشه های برنامه ریزی شهری اداری تأیید می شوند. بخش 4 توزیع فضایی جمعیت جوان شهری را به همراه ساختار صنعتی و توزیع مناطق مسکونی در هانگژو تحلیل می‌کند. این مقاله با یک خلاصه و بحث کوتاه در بخش 5 به پایان می رسد .

2. منطقه مطالعه و داده ها

هانگژو، مرکز استان ژجیانگ در شرق چین، به خاطر اینترنت و اقتصاد دیجیتالش معروف است و همچنین خانه غول چینی اینترنتی و تجارت الکترونیک علی بابا و تعدادی دیگر از شرکت های پیشرو در زمینه فناوری پیشرفته در جهان است. طبق آمار در سال 2018، درآمد کسب و کار اصلی اقتصاد دیجیتال هانگژو از 1 تریلیون یوان فراتر رفت و ارزش افزوده آن به 335.6 میلیارد یوان رسید که 24.8٪ از تولید ناخالص داخلی شهر را تشکیل می دهد [ 36 ]. منطقه مورد مطالعه این مقاله منطقه اصلی شهر هانگژو است که 74 منطقه خیابانی با مساحت بیش از 1600 کیلومتر مربع را پوشش می دهد ⁽ شکل 1 ).

مجموعه داده مورد استفاده در این مقاله توسط شرکت لجستیک چینی ارائه شده است. Dianwoda ” ارائه شده است“، که سفرهای اسکوتر برقی تحویل غذا را که از 28 ژوئیه 2017 تا 26 سپتامبر 2017 در Hangzhou رخ داده بود، ثبت کرد و اطلاعات مربوط به کاربر برای حفظ حریم خصوصی حذف شد. داده‌های تحویل اولیه اطلاعات GPS بلادرنگ اسکوترهای برقی را در طول کل فرآیند تحویل غذا جمع‌آوری کرد. فیلدهای مجموعه داده عمدتاً شامل شناسه سفارش، شناسه سوار، وضعیت، مهر زمانی، عرض جغرافیایی و طول جغرافیایی است. شناسه سفارش یک شناسه منحصر به فرد برای سفارش تحویل است، در حالی که شناسه سوار یک شناسه منحصر به فرد برای سوار تحویل است. اطلاعات موقعیت مکانی GPS در زمان واقعی به طول و عرض جغرافیایی تبدیل می شود که با یک مهر زمان همراه است. فیلد “وضعیت” مراحل مختلف فرآیند تحویل غذا از جمله ارسال، رسیدن، رسیدن، خروج، تحویل و پایان را نشان می دهد. در این مطالعه، جفت مبدا و مقصد (OD) برای هر سفارش تحویل، دغدغه اصلی ما است، جایی که مبدأ سفارش تحویل به محل رستوران و مقصد به مکان مشتری تحویل‌دهنده اشاره دارد. رکوردی که وضعیت آن از ورود به خروج تغییر می کند، به عنوان مبدأ یک سفارش تحویل و رکوردی که وضعیت آن از تحویل به پایان تغییر می کند، به عنوان مقصد استخراج می شود. به این ترتیب، می‌توانیم مجموعه داده‌های OD تحویل را با استخراج و سازماندهی مجدد داده‌های سفر اسکوتر برقی تحویل به دست آوریم. به عنوان مبدأ یک سفارش تحویل استخراج شد و رکوردی که وضعیت آن از تحویل به پایان تغییر می کند، به عنوان مقصد استخراج شد. به این ترتیب، می‌توانیم مجموعه داده‌های OD تحویل را با استخراج و سازماندهی مجدد داده‌های سفر اسکوتر برقی تحویل به دست آوریم. به عنوان مبدأ یک سفارش تحویل استخراج شد و رکوردی که وضعیت آن از تحویل به پایان تغییر می کند، به عنوان مقصد استخراج شد. به این ترتیب، می‌توانیم مجموعه داده‌های OD تحویل را با استخراج و سازماندهی مجدد داده‌های سفر اسکوتر برقی تحویل به دست آوریم.

در مجموعه داده OD تحویل، هر رکورد شامل شناسه سفارش، زمان حرکت و رسیدن، محل مبدا و مقصد، مسافت سفر تحویل و زمان تحویل است. مجموعه داده OD تحویل شامل 7,480,402 سفارش بود. جدول 1 زیرمجموعه کوچکی از این داده ها را برای مرجع نشان می دهد و شکل 2 توزیع مکان نقاط مقصد تحویل غذا در منطقه مورد مطالعه را نشان می دهد.

مانند بسیاری از مجموعه‌های داده بزرگ، مجموعه داده تحویلی OD حاوی خطاهایی است. شناسایی برخی از خطاها آسان است، مانند مختصات نقطه ای خارج از منطقه تحقیقاتی یا سفارش سفرهایی با فاصله یا زمان منفی. جدول 2 آستانه های استفاده شده در هر فیلتر و همچنین تعداد سفارش هایی که آستانه را نقض می کنند را نشان می دهد. مسافت سفر کمتر از 0 به عنوان مقدار منفی فیلتر شد زیرا از نظر هندسی غیرممکن است و سفارشاتی که مسافت سفر آنها بیش از 20 کیلومتر بود نیز به دلیل بروز کم فیلتر شدند. سفارشات با زمان تحویل بین 1 دقیقه تا 90 دقیقه رزرو شدند. شکل 3 مدت زمان تحویل و توزیع فاصله سفر داده های OD تحویل پس از فیلتر را نشان می دهد.

ما همچنین برخی از آمارها را برای درک ویژگی های مجموعه داده محاسبه کردیم. همانطور که در شکل 4 نشان داده شده است ، ما میانگین تعداد سفارشات تحویل هر روز را در یک هفته و میانگین تعداد سفارشات تحویل را به صورت ساعتی در یک روز برای روزهای هفته و آخر هفته شمارش کردیم. مشاهده شد که مردم در تعطیلات آخر هفته سفارش بیشتری نسبت به روزهای هفته سفارش دادند. در هر روز دو پیک وجود داشت، یک پیک از ساعت 11:00 تا 13:00 و یک پیک دیگر از ساعت 17:00 تا 20:00 که در روزهای هفته و آخر هفته مشابه بود.

3. روش ها

در این بخش، هدف ما بررسی مناطق مهم فضایی جوانان شهری و تعیین انواع عملکردی مناطق استخراج شده است. این فرآیند به مراحل زیر تقسیم شد: (1) نقشه‌برداری از نقاط مقصد تحویل غذا در یک مکعب فضایی و زمانی و تقسیم منطقه تحقیقاتی به شبکه‌های مساوی. (2) مقدار داغ تحویل را با استفاده از روش آماری اصلاح‌شده Getis-Ord محاسبه کنید و سری‌های زمانی را با ترکیب الگوی زمانی با مقادیر داغ تحویل هر شبکه بسازید. و (3) سری زمانی داده های تحویل را با روش k-means بدون نظارت خوشه بندی کنید و انواع عملکردی خوشه ها را بر اساس ویژگی های رفتاری سفارش تحویل غذا تعیین کنید. در نهایت نتایج با استفاده از نقشه های شهرسازی اداری تایید شد.

3.1. ساخت مکعب فضایی و زمانی

در این مقاله، نقاط مقصد تحویل، هدف اصلی پردازش هستند. همانطور که در جدول 1 نشان داده شده است ، نقاط مقصد دارای اطلاعات طول و عرض جغرافیایی و زمان رسیدن هستند که می توانند در فضای اقلیدسی سه بعدی ترسیم شوند. ما یک مدل مکعب فضایی-زمانی ساختیم که در آن مکعب ها اندازه فضا و فواصل زمانی برابر داشتند. هر مکعب به عنوان یک آرایه سه بعدی نشان داده شد ج=(ایکسج،yج،تیج)، جایی که ایکسجتعداد مکعب ها در بعد x است، yجتعداد مکعب ها در بعد y است و تیجتعداد مکعب ها در بعد زمان است. اندازه زمانی را 1 ساعت و اندازه فضایی را 0.001 درجه (تقریباً 95 تا 115 متر) تنظیم می کنیم. منطقه تحقیق نیز همانطور که در شکل 5 نشان داده شده است به شبکه های مساوی تقسیم شد . پس از نقشه برداری و تجمیع داده ها، هر مکعب مکانی-زمانی تعداد نقاط مقصد را در آن مکعب به عنوان ویژگی خود ذخیره می کرد.

3.2. ساخت سری زمانی

3.2.1. روش آماری Getis-Ord اصلاح شده

در این مقاله از روش آماری معروف Getis-Ord برای محاسبه مقدار داغ هر مکعب استفاده شده است. برای اینکه یک نقطه مهم آماری باشد، یک ویژگی دارای ارزش بالایی خواهد بود و با ویژگی های دیگری احاطه می شود که مقادیر بالایی نیز دارند. این روش یک امتیاز z ارائه می‌کند که به کاربران امکان می‌دهد مشخص کنند ویژگی‌های دارای مقادیر بالا یا پایین به صورت مکانی خوشه‌بندی شده‌اند. به طور رسمی، بر اساس مکعب فضایی-زمانی ساخته شده، مقدار Getis-Ord جیمن∗از هر مکعب به صورت [ 37 ، 38 ] تعریف می شود:

جیمن∗=∑j=1nwمن،jآj-آ¯∑j=1nwمن،jاسn∑j=1nwمن،j2-(∑j=1nwمن،j)2n-1،

(1)

آ¯ = ∑j=1nآjn و اس = ∑j=1nآj2n-آ¯2،

(2)

که در آن n به تعداد کل مکعب ها اشاره دارد، و آjمقدار ویژگی مکعب است جj. wمن،jوزن فضایی بین مکعب i و j است و به صورت زیر تعریف می شود:

wمن،j={1،اگر جمن و جj هستند همسایه ها0،در غیر این صورت،

(3)

در اینجا، تنها در صورتی دو مکعب را به عنوان همسایه تعریف می کنیم که حداکثر فاصله بین i و j در هر یک از سه مختصات باشد. (ایکسج،yج،تیج)≤1. مکعب همسایه خودش است. سپس، برای ساده کردن محاسبه مقدار آماری Getis-Ord، از آن استفاده می کنیم ن(جمن)برای نشان دادن مجموعه ای از مکعب های همسایه از جمنو |ن(جمن)|برای نشان دادن تعداد چنین مکعب های همسایه. بنابراین، فرمول ساده شده زیر را برای آمار Getis-Ord بدست می آوریم:

جیمن∗=∑j∈ن(جj)آj-آ¯⋅|ن(جمن)|اسn|ن(جمن)|-|ن(جمن)|2n-1،

(4)

3.2.2. ساخت سری زمانی

به خوبی شناخته شده است که افراد معمولاً در روزهای هفته و آخر هفته الگوهای رفتاری متفاوتی دارند. بنابراین، ما یک جدول زمانی 48 ساعته ایجاد کردیم که شامل دوره های 24 ساعته در روزهای هفته و آخر هفته بود. پس از اینکه محاسبه آماری Getis-Ord برای همه مکعب ها انجام شد، از یک تابع گروهی برای جمع آوری مکعب ها با مکان و دوره زمانی یکسان استفاده شد و یک تابع مجموع مقادیر Getis-Ord مکعب های همان گروه را به طور میانگین محاسبه کرد. در نهایت، سری های زمانی سنتز شده به عنوان ترکیبی خطی از جدول زمانی 48 ساعته و مقدار آماری مقدار سفارش تحویل به دست آمد. سپس، هر شبکه یک سری زمانی خواهد داشت تیاسک({gتیک،تی=1،2،…،48;ک=1،2،…،n})، جایی که nتعداد کل شبکه ها است و gتیکمقدار داغ شبکه است کدر دوره زمانی t (1-24 برای روزهای هفته و 25-48 برای تعطیلات آخر هفته).

از آنجایی که روش آماری Getis-Ord یک روش متداول برای تجزیه و تحلیل هات اسپات است، ما همچنین 48 نقشه توزیع نقطه تحویل تحویل را به دست آوردیم که با 48 دوره زمانی مطابقت دارد. توزیع کانون تحویل در دوره های زمانی معمولی (یعنی زمان ناهار، زمان شام و نیمه شب) در شکل 6 نشان داده شده است.

3.3. طبقه بندی و شناسایی سری های زمانی

مقادیر داغ آماری در سری های زمانی نشان دهنده کیفیت تحویل در یک منطقه در طول یک دوره است. یعنی زمانی که مقدار داغ بیشتر باشد، سفارش های تحویل بیشتری در این قسمت انجام می شود و مقادیر کم گرم عموماً نشان دهنده سفارش های تحویل کمتر است. برای شناسایی بهتر نواحی عملکردی، شبکه هایی که مقادیر داغ آنها در تمام دوره های زمانی منفی بود حذف شدند. برای تأکید بر ویژگی‌های داده‌های تحویل و تضعیف تأثیر عوامل منطقه‌ای، مقادیر داغ سری‌های زمانی برای هر شبکه نرمال‌سازی شدند.

برای طبقه بندی سری های زمانی از روش خوشه بندی k-means استفاده شد. روش‌های خوشه‌بندی بدون نظارت مستلزم این است که تعداد خوشه‌ها از قبل مشخص باشد. برای تعیین مقدار مناسب برای K ، نسبت بین فاصله های درون خوشه ای و بین خوشه ای به عنوان شاخص اعتبار [ 39 ] معرفی شد که به صورت زیر تعریف می شود:

منnتیrآ-جلتوستیهr=1ن∑من=1ک∑ایکس∈سیمن(ایکس-zمن)2،

(5)

منnتیهr-جلتوستیهr=دقیقهمن≠j(zمن-zj)2،

(6)

vآلمندمنتیy=منnتیrآ-جلتوستیهrمنnتیهr-جلتوستیهr،

(7)

که در آن N تعداد نمونه ها است. K تعداد خوشه ها است. و zمنمرکز خوشه است سیمن.

یک پارتیشن ایده آل فاصله درون خوشه ای را به حداقل می رساند و فاصله بین خوشه ای را به حداکثر می رساند. بنابراین، بهترین پارتیشن پارتیشنی خواهد بود که مقدار اعتبار را به حداقل برساند. شکل 7 مقادیر اعتبار را با استفاده از روش کلاستر k-means به سری های زمانی سنتز شده برای ک∈{2،…،10}و حداقل مقدار اعتبار زمانی که K = 6 به دست آمد.

شکل 8 نتایج خوشه‌ای سری‌های زمانی را با استفاده از روش k-means با K = 6 نشان می‌دهد، که در آن منحنی‌های رسم‌شده (هر کدام از 48 نقطه) نشان‌دهنده مراکز خوشه (قرمز برای روزهای هفته و آبی برای آخر هفته‌ها) هستند. علاوه بر این، مقادیر حداکثر و حداقل هر دوره زمانی در هر کلاس در یک سایه رنگی نازک رسم شد. شکل 9 توزیع مکان شبکه ها را با توجه به نتایج خوشه نشان می دهد.

در مناطق مختلف کاربری زمین، مردم ممکن است فعالیت های معمول متفاوتی را نشان دهند. این به ما امکان می دهد تا عملکردهای اجتماعی مناطق را بر اساس ویژگی های مرسوم تحویل سفارش تعیین کنیم. قله‌های منحنی‌های خوشه‌ای در چهار دوره غذاخوری (یعنی در زمان ناهار و زمان شام در روزهای هفته و آخر هفته) متمرکز شدند. با مقایسه منحنی‌های مرکز خوشه‌ای، دریافتیم که شش خوشه را می‌توان بر اساس ویژگی‌های منحنی مشابه به دو دسته تقسیم کرد: یک دسته شامل خوشه‌های a-c و دسته دیگر شامل خوشه‌های d-f است.

خوشه های a–c: این دسته با این واقعیت مشخص می شود که اوج قابل توجهی در زمان ناهار در روزهای هفته ظاهر می شود. تحویل در روزهای هفته بیشتر از تحویل در آخر هفته است و تحویل در زمان ناهار بیشتر از تحویل در زمان شام در روزهای هفته و آخر هفته است. این دسته یک ویژگی فعالیت مرتبط با کار را نشان می‌دهد و فرضیه این است که مناطقی که در این دسته قرار می‌گیرند به عنوان پارک‌های صنعتی، ساختمان‌های اداری و/یا مناطق مرتبط با تجاری استفاده می‌شوند.

خوشه های d–f: این نماینده رده نشان می دهد که در روزهای هفته، تحویل در زمان شام بیشتر از تحویل در زمان ناهار است، به خصوص در خوشه d. تحویل در تعطیلات آخر هفته بیشتر از تحویل در روزهای هفته است. این ویژگی ها حاکی از مناطق زندگی است، جایی که افراد در روزهای هفته بعد از کار برمی گردند و در آخر هفته ها می مانند، که ممکن است شامل جوامع مسکونی، آپارتمان ها و/یا خوابگاه های دانشگاهی باشد.

خوشه ها در همان دسته نیز قدرت مشخصه های متفاوتی را با a > b > c و d > e > f نشان دادند. عواملی که به قدرت مشخصه های مختلف خوشه کمک می کنند ممکن است شامل موارد زیر باشد: (1) تعداد افراد در یک منطقه در دوره های زمانی مختلف متفاوت است، برای مثال، در پارک های صنعتی، کارگران عمدتاً در طول روز در روزهای هفته متمرکز هستند. و (2) زمان صرف غذا کوتاه یا محدود است. زمان اوج تحویل سفارش مربوط به عادات غذایی افراد است. با این حال، کارگران یقه سفید ممکن است با ترتیبات کاری محدود شوند و در نتیجه اوج غذاخوری را به همراه داشته باشند. ویژگی خوشه ای قوی نیز نشان می دهد که کارکرد اجتماعی این ناحیه قابل توجه است.

3.4. اعتبار سنجی نتایج خوشه ای

برای تأیید فرضیه‌های خود، نتایج خوشه‌ای را با نقشه‌های برنامه‌ریزی شهری اداری منتشر شده توسط دفتر برنامه‌ریزی هانگژو مقایسه کردیم که در آن انواع کاربری زمین عمدتاً شامل: مسکونی، تجاری، صنعتی، آموزشی و سبز است ( شکل 10 ).

همانطور که در شکل 9 نشان داده شده است ، نتایج خوشه به صورت شبکه ای روی نقشه ها نمایش داده می شود. برای درک اینکه چقدر خوشه ها به عنوان محل کار و زندگی شناسایی شده اند، درصد همپوشانی را که بین شبکه های خوشه ها و نقشه های برنامه ریزی شهری رسمی وجود دارد ارزیابی کردیم. به این ترتیب، ما درک درستی از دقت رویکرد خود و همچنین تفاوت بین نتایج خواهیم داشت. لازم به ذکر است که این روش راستی‌آزمایی با توجه به دانه‌بندی‌های متفاوت نقشه‌ها یا عوامل انسانی، معیاری تقریبی است.

جدول 3 درصد همپوشانی بین نقشه برنامه ریزی اداری (ستون ها) و شش نتیجه خوشه ای (ردیف) را نشان می دهد. در اینجا نقشه برنامه ریزی اداری به شش نوع کاربری مسکونی، تجاری، صنعتی، آموزشی، تجاری مختلط و مسکونی و غیره تقسیم شد. انواع تجاری و صنعتی به مناطق کاری اطلاق می شود که ساختمان های اداری و پارک های صنعتی در آن قرار دارند. مناطق نوع مسکونی آشکارا مناطق زندگی هستند. مناطق آموزشی مناطق مختلط هستند که در آنها خوابگاه ها مناطق نوع زندگی هستند و موسسات تحقیقاتی مناطق نوع کار هستند. می‌توانیم شبکه‌های خوشه‌ای را با نقشه برنامه‌ریزی دفتر همپوشانی کنیم تا ببینیم شبکه‌ها به کدام نوع کاربری اراضی تعلق دارند. هر عنصر در جدول نشان دهنده درصد شبکه هایی است که به هر نوع کاربری زمین در یک خوشه تعلق دارند.

طبق فرضیات ما، خوشه‌های a-c نشان‌دهنده مناطق کاری هستند، در حالی که خوشه‌های d-f نشان‌دهنده مناطق زندگی هستند. نوع تجاری و صنعتی دو نوع کاربری هستند که بیشترین نسبت را در خوشه های a-c به خود اختصاص داده اند که به ترتیب 94.6، 81.2 و 66.4 درصد در کل را تشکیل می دهند. در خوشه a، نوع صنعتی 64.9 درصد را به خود اختصاص می دهد و بیش از دو برابر نسبت نوع تجاری است، به این معنی که پارک های صنعتی در مقیاس بزرگ اثر تجمع صنعتی قوی تری دارند. بدیهی است که نوع مسکونی بیشترین نسبت را در خوشه های d-f به خود اختصاص داده است که به ترتیب 2/87، 7/64 و 0/59 درصد است. نوع آموزشی دومین نسبت بزرگ در خوشه‌های e و f است، شاید به این دلیل که یک فضای خوابگاهی کالج، به‌عنوان یک نوع منطقه نشیمن، به دلیل گروه کاربری دانشجویی بزرگی که دارد، نقطه‌ای برای تحویل است.

در مجموع، با توجه به توزیع انواع کاربری‌ها در هر خوشه، مناطق کار و زندگی استخراج‌شده به روش این مقاله معتبر بود. علاوه بر این، می توان کشف کرد که دقت تشخیص نوع تابع منطقه ای با قدرت ویژگی های خوشه مرتبط است. یعنی زمانی که قدرت مشخصه خوشه قوی تر باشد، دقت شناسایی نوع تابع منطقه ای بالاتر است.

4. تجزیه و تحلیل

4.1. مناطق کاری

مناطق کاری نشان دهنده توزیع مکان شرکت ها، شرکت ها و پارک های صنعتی است. از آنجایی که هانگژو به خاطر اینترنت و اقتصاد داده معروف است، ما اطلاعاتی را در مورد شرکت های اینترنتی و تجارت الکترونیک از یک وب سایت استخدام به نام lagouwang ( https://www.lagou.com ) به دست آوردیم تا زمینه های کاری استخراج شده این مقاله را با هم مقایسه کنیم. مجموعه داده شامل شناسه شرکت، نام شرکت، زمینه صنعت، مقیاس شرکت و آدرس شرکت بود و تمام متن آدرس شرکت به مختصات طول و عرض جغرافیایی تبدیل شد. پس از فیلتر کردن داده هایی که خارج از حوزه تحقیقاتی بودند و حاوی خطا بودند، در نهایت 1005 مورد اینترنتی و شرکت تجارت الکترونیک داشتیم. شکل 11توزیع مکان شرکت ها را نشان می دهد.

ما از نقشه‌های حرارتی برای تجسم مناطق کانونی مناطق کار استفاده کردیم که به کشف الگوی توزیع و ویژگی‌های بالقوه کمک می‌کند. نقشه های حرارتی با روش تخمین چگالی هسته (KDE) ساخته شده اند که چگالی ویژگی ها را در یک محله در اطراف این ویژگی ها محاسبه می کند. قبل از ایجاد نقشه های حرارتی، سه پارامتر باید تنظیم شود، یعنی اندازه سلول خروجی، شعاع جستجو و فیلد جمعیت. اندازه سلول روی 0.0001 درجه و شعاع جستجو روی 0.005 درجه تنظیم شد. مقدار فیلد جمعیت تعداد دفعات شمارش ویژگی را تعیین می‌کند، که می‌تواند برای وزن کردن برخی ویژگی‌ها بیشتر از سایر ویژگی‌ها یا اجازه دادن به یک نقطه برای نمایش چندین مشاهدات استفاده شود. در این بخش،جدول 4 .

شکل 12 نقشه های حرارتی ساخته شده از اینترنت و شرکت های تجارت الکترونیک و مناطق کاری استخراج شده را نشان می دهد. ما کشف کردیم که دو نقشه حرارتی دارای توزیع منطقه هات اسپات مشابه هستند. این نشان می دهد که تعداد زیادی از جوانان در حوزه های صنایع مرتبط با اینترنت کار می کردند. یک رابطه محرکه متقابل بین تراکم صنعت و جمع آوری استعداد وجود دارد [ 40 ]. ساختار صنعتی منطقه ای نقش مهمی در جذب استعداد یا سرمایه انسانی دارد [ 41]، و بهبود سطح تراکم صنعتی مرتبط با اینترنت می تواند توسعه تجمع نیروی کار جوان را ترویج کند. افزایش سطح جمع آوری نیروی کار جوان همچنین می تواند باعث تقویت تراکم صنعتی مرتبط با اینترنت در منطقه شود. از این پدیده که توزیع فضایی محل‌های کار مشتریان تحویل با توزیع فضایی اینترنت و شرکت‌های تجارت الکترونیکی مشابه است، می‌توان این استنباط را به دست آورد که صنعت مرتبط با اینترنت هانگژو دارای ساختار برنامه‌ریزی شده و توسعه خوبی است. که می تواند فرصت های اشتغال و توسعه کافی را برای جوانان فراهم کند.

چیدمان برنامه ریزی صنعتی شهری بر توزیع کانون های کاری تأثیر می گذارد. همانطور که در شکل 13 نشان داده شده است ، مناطق A، B، C و D چهار منطقه با فناوری پیشرفته هستند که توسط دولت برنامه ریزی شده است.

منطقه A در شهر فناوری علمی Hangzhou Future که پارک Haichuang نیز نامیده می شود، قرار دارد که تلاش زیادی برای پرورش صنایعی مانند اطلاعات الکترونیکی، انرژی های جدید و مواد و غیره انجام داده است. این شرکت دارای یک سری شرکت‌های جدید با فناوری پیشرفته مانند شهر علی‌بابا تائوبائو و پارک نوآوری استعدادهای سطح بالا در خارج از کشور ژجیانگ است.

منطقه B در منطقه Xiasha واقع شده است که مخفف منطقه توسعه اقتصادی و فناوری هانگژو است. Xiasha همچنین منطقه ای از کالج ها و دانشگاه ها است، که در مجموع 14 دانشگاه، تعداد زیادی از استعدادهای جوان با کیفیت بالا را ارائه می دهند. چندین پارک صنعتی با فناوری پیشرفته از جمله پارک علم و فناوری هانگژو سنگاپور، پارک اینترنت تلفن همراه پیشگامان دره هوشمند هانگژو و پارک جوجه کشی سازمانی با فناوری پیشرفته هانگژو در اینجا قرار دارند.

منطقه C در منطقه توسعه صنعتی هانگژو بینجیانگ واقع شده است که از رهبری چشم انداز علمی توسعه پیروی کرده و در “توسعه فن آوری بالا و تحقق صنعتی شدن” ادامه دارد. این شرکت دارای بسیاری از شرکت های اینترنتی معروف مانند NetEase، هایک ویژن، علی بابا و هواوی است و دارای پارک های صنعتی بزرگ مانند پارک نرم افزاری پیشرفته هانگژو، پارک فناوری Xike و پارک صنعتی تجارت الکترونیک شانگ فنگ است.

منطقه D در شهر جدید هانگژو شمالی واقع شده است که هدف آن تبدیل شدن به دومین مرکز بزرگ نوآوری اینترنتی در هانگژو است. پارک‌های صنعتی بزرگ واقع در اینجا شامل پارک نرم‌افزار شمالی Hangzhou و پارک صنعت خلاق تجارت الکترونیک Paradise e Valley است.

ایجاد مناطق با فناوری پیشرفته در شهر که مکان ها عموماً در مناطق حاشیه ای شهر انتخاب می شوند، به شهر کمک می کند تا به تدریج از شکل تک مرکزی به چند مرکزی تبدیل شود و توسعه صنایع مرتبط را پیش ببرد. با به اشتراک گذاشتن منابع و غلبه بر اثرات منفی خارجی برای ترویج موثر تشکیل خوشه های صنعتی.

منطقه E در شکل 13 ، منطقه مرکزی شهر است، و بیشتر مناطق تجاری سنتی و پررونق مانند Wulin، Huanglong، Qianjiang New Town و Qian Jiang Century City در اینجا واقع شده اند. ساختمان های اداری زیادی در این مناطق تجاری وجود دارد که از شرایط حمل و نقل و ارتباط خوب و امکانات پشتیبانی باکیفیت برخوردار هستند، بنابراین تعداد زیادی از شرکت ها را برای اقامت در اینجا جذب می کند.

4.2. مناطق زندگی

مانند تجزیه و تحلیل مناطق کاری، ما یک نقشه حرارتی برای بومی سازی مناطق هات اسپات در مناطق زندگی با استفاده از روش KDE ایجاد کردیم. پارامترهای روش به شرح زیر تنظیم شد: (1) اندازه سلول به 0.0001 درجه تنظیم شد. (2) شعاع جستجو روی 0.005 درجه تنظیم شد. و (3) برای میدان جمعیت، خوشه های d، e و f به ترتیب 7، 3 و 1 تنظیم شدند. شکل 14 نقشه حرارتی مناطق مسکونی را نشان می دهد.

حمل و نقل یکی از عوامل مهمی است که بر انتخاب محل سکونت تأثیر می گذارد که با زمان رفت و آمد مرتبط است. مترو به عنوان یکی از وسایل حمل و نقل عمومی، به یکی از راه های اصلی برای رفت و آمد به ویژه در شهرهای بزرگ تبدیل شده است. هانگژو خطوط مترو شماره 1، 2 و 4 را افتتاح کرده است. ما از ایستگاه های مترو به عنوان مراکزی برای ایجاد مناطق حائل با برد 1.5 کیلومتر و پوشش مناطق حائل با نقشه گرمایی مناطق زندگی استفاده کردیم. نتیجه در نشان داده شده است شکل 15 نشان داده شده است . از نتایج تجزیه و تحلیل بافر، مشخص است که مناطق زندگی عمدتاً در امتداد خطوط مترو توزیع شده اند. از نظر آماری، شبکه‌هایی که مناطق زندگی در مناطق حائل را نشان می‌دهند 81.24 درصد از کل را تشکیل می‌دهند.

همانطور که در شکل 16 e نشان داده شده است، به راحتی می توان یافت که در نقشه گرمایی چهار منطقه کانونی از مناطق زندگی وجود دارد . برخلاف نقشه‌های آنلاین مانند Google Maps، تعداد زیادی از جوامع مسکونی و آپارتمان‌ها در مناطق کانونی ظاهر می‌شوند، همانطور که در شکل 16 a-d نشان داده شده است. علاوه بر این، ما متوجه شدیم که روستاهای شهری، که در زبان چینی به آنها chengzhongcun نیز می‌گویند ، در همه مناطق کانونی نیز ظاهر شده‌اند. روستاهای شهری زمانی شکل می‌گیرند که مناطق شهری مدرن در حال گسترش به سکونتگاه‌های روستایی تجاوز می‌کنند و تحت شهرنشینی سریع به محله‌های انتقالی تبدیل می‌شوند [ 1 ، 42 ].

هانگژو بازار کار بزرگی برای صنایع مرتبط با اینترنت دارد که در سال های اخیر تعداد زیادی از استعدادهای جوان را به خود جذب کرده است و تقاضای فزاینده ای برای مسکن، به ویژه برای مسکن با اجاره پایین ایجاد می کند. نقاط مرکزی شبکه‌ها را از خوشه‌های d و e به منطقه کانونی A اضافه کردیم، که به عنوان مناطق زندگی شناسایی شدند و ویژگی‌های عملکردی مهم‌تری داشتند. همانطور که در شکل 17 نشان داده شده استاگرچه جوامع مسکونی و آپارتمان‌ها به‌طور متراکم در منطقه A توزیع شده‌اند، مکان‌های شبکه‌های خوشه‌ای بیشتر در مناطق روستایی شهری متمرکز شده‌اند. این نشان می دهد که روستاهای شهری به یکی از گزینه های مسکونی برای بسیاری از جوانان تبدیل شده است که مسکن ارزان قیمت و فضاهای زندگی کم هزینه را فراهم می کند. با این حال، جمعیت روستاهای شهری دارای تحرک و ناپایداری شدید است [ 43]، و بسیاری از مسکن های اجاره ای خصوصی در روستاهای شهری وجود دارد که در دفتر مدیریت اجاره خانه محلی ثبت نشده اند که نظارت بر جمعیت شناور در روستاهای شهری را دشوار می کند. بنابراین، روش این مقاله راه جدیدی برای کشف روستاهای شهری در شهرها ارائه می‌کند که به یافتن مناطق کانونی جمعیت‌های شناور و ارتقای مدیریت جمعیت جوانان شهری کمک می‌کند.

5. نتیجه گیری ها

در این مقاله، داده های تحویل غذا، به عنوان یک منبع داده جدید، به محاسبات شهری معرفی شدند و ما یک روش خوشه بندی مبتنی بر سری زمانی را برای کشف توزیع جغرافیایی جوانان شهری پیشنهاد کردیم. سری‌های زمانی مصنوعی تحویل غذا با ترکیب جدول زمانی 48 ساعته روزهای هفته تا آخر هفته با مقادیر داغ تحویل که با استفاده از روش آماری اصلاح‌شده Getis-Ord برای استفاده از ویژگی‌های داده‌های تحویل محاسبه شد، ساخته شد. سپس، یک روش خوشه‌بندی k-means بدون نظارت برای طبقه‌بندی سری‌های زمانی به شش کلاس اتخاذ شد و بر اساس ویژگی‌های رفتاری سفارش تحویل غذا که بین مناطق شغلی و مسکونی متفاوت است، شش کلاس به عنوان دو نوع عملکردی شناسایی شدند (یعنی مناطق کار و محل زندگی).

با تمرکز بر جمعیت جوانان شهری، به ویژه کارگران یقه سفید، مناطق کار و زندگی با مقایسه آنها با ساختار صنعتی و چیدمان مسکونی در هانگژو بیشتر مورد تجزیه و تحلیل قرار گرفت. نقشه های حرارتی با روش تخمین چگالی هسته برای بومی سازی مناطق هات اسپات در محل کار و زندگی ساخته شد که یافته های اصلی به شرح زیر است:

توزیع فضایی محل کار مشتریان تحویل مشابه با توزیع فضایی شرکت های اینترنتی و تجارت الکترونیکی هانگژو بود. این نشان می دهد که تعداد زیادی از جوانان در صنایع مرتبط با اینترنت که توسط دولت برنامه ریزی شده کار می کنند، و یک رابطه همزیستی بین تجمع صنعتی مرتبط با اینترنت هانگژو و جمع آوری نیروی کار جوان وجود دارد. ایجاد مناطق با فناوری پیشرفته به طور موثر جوانان را جذب کرده است و تجمع نیروی کار جوان نیز توسعه صنعت مرتبط با اینترنت را ارتقا می دهد. یک رابطه محرکه متقابل بین تراکم صنعت مرتبط با اینترنت Hangzhou و جمع آوری نیروی کار جوان وجود دارد.
هزینه های حمل و نقل و زندگی دو عامل مهمی است که بر انتخاب محل سکونت برای جوانان تأثیر می گذارد. محل زندگی جوانان شهری بیشتر در فاصله 1.5 کیلومتری ایستگاه های مترو قرار دارد و مترو در حال تبدیل شدن به یکی از مهم ترین حالت های رفت و آمد است. روستاهای شهری به یکی از گزینه های مسکونی برای بسیاری از جوانان تبدیل شده است که مسکن ارزان قیمت و فضاهای زندگی کم هزینه را فراهم می کند.

علاوه بر این، یافته‌های این مقاله نه تنها می‌تواند دیدگاه وضعیت فعلی توسعه صنعتی شهر را بهبود بخشد، بلکه می‌تواند با کشف و پایش مناطق کلیدی مانند روستاهای شهری، مدیریت شناور جمعیت را نیز ارتقا دهد.

در مطالعات آینده، روش‌های یادگیری ماشینی را می‌توان برای بهبود روش طبقه‌بندی برای داده‌های تحویل غذا معرفی کرد و بنابراین، انواع عملکردی شناسایی‌شده را می‌توان به دسته‌های کاربری بیشتری تقسیم کرد. با مقایسه داده‌های تحویل چند ساله غذا، می‌توانیم تغییراتی را در توزیع محل کار و زندگی برای پیگیری روند شهرنشینی کشف کنیم.

منابع

قهوهای مایل به زرد، SK; لی، YA; آهنگ، ی. لو، ایکس. ژو، ام. ژانگ، ال. Kuang، B. عوامل تأثیر بر قصد سکونت برای جمعیت شناور در منطقه شهری: مطالعه چین. کیفیت مقدار. 2017 ، 51 ، 147-176. [ Google Scholar ] [ CrossRef ]
تائو، ال. هوی، EC؛ وانگ، FK; چن، تی. انتخاب های مسکن کارگران مهاجر در چین: فراتر از دیدگاه هوکو. Habitat Int. 2015 ، 49 ، 474-483. [ Google Scholar ] [ CrossRef ]
لی، ب. جمعیت شناور یا شهروندان شهری؟ وضعیت، وضعیت اجتماعی و شرایط مهاجران روستایی-شهری در چین. Soc. سیاست Adm. 2006 , 40 , 174-195. [ Google Scholar ] [ CrossRef ]
Frosch، KH سن نیروی کار و نوآوری: بررسی ادبیات. بین المللی جی. مناگ. Rev. 2011 , 13 , 414-430. [ Google Scholar ] [ CrossRef ]
چتمن، DG چگونه تراکم و استفاده های مختلف در محل کار بر سفر تجاری شخصی و انتخاب حالت رفت و آمد تأثیر می گذارد. ترانسپ Res. ضبط 2003 ، 1831 ، 193-201. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پنگ، Z.-R. تعادل شغل-مسکن و رفت و آمد شهری. مطالعه شهری. 1997 ، 34 ، 1215-1235. [ Google Scholar ] [ CrossRef ]
Wu, W. تحرک مسکونی درون شهری مهاجر در شهری چین. خانه گل میخ. 2006 ، 21 ، 745-765. [ Google Scholar ] [ CrossRef ]
لیو، ی. شیائو، ی. گائو، اس. کانگ، سی.-جی. وانگ، Y.-L. مروری بر تحقیقات تحرک انسان بر اساس دستگاه‌های آگاه از مکان. Geogr. Geo Inf. علمی 2011 ، 4 ، 3. [ Google Scholar ]
ژنگ، ی. داده کاوی مسیر: یک مرور کلی. ACM Trans. هوشمند سیستم تکنولوژی 2015 ، 6 ، 29. [ Google Scholar ] [ CrossRef ]
فنگ، ز. Zhu, Y. نظرسنجی در مورد داده کاوی مسیر: تکنیک ها و کاربردها. IEEE Access 2016 ، 4 ، 2056-2067. [ Google Scholar ] [ CrossRef ]
گائو، S. تجزیه و تحلیل مکانی-زمانی برای کاوش الگوهای تحرک انسانی و پویایی شهری در عصر موبایل. تف کردن شناخت. محاسبه کنید. 2015 ، 15 ، 86-114. [ Google Scholar ] [ CrossRef ]
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 ]
پی، تی. سوبولفسکی، اس. راتی، سی. شاو، اس.-ال. لی، تی. ژو، سی. بینشی جدید در طبقه بندی کاربری زمین بر اساس داده های تلفن همراه جمع آوری شده است. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1988-2007. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Toole، JL; اولم، ام. گونزالس، ام سی؛ بائر، دی. استنباط کاربری زمین از فعالیت تلفن همراه. در مجموعه مقالات کارگاه بین المللی ACM SIGKDD در محاسبات شهری، پکن، چین، 12 تا 16 اوت 2012. صص 1-8. [ Google Scholar ]
یانگ، ایکس. نیش، ز. یین، ال. لی، جی. ژو، ی. لو، اس. درک ساختار فضایی رفت و آمد شهری با استفاده از داده های مکان تلفن همراه: مطالعه موردی شنژن، چین. پایداری 2018 ، 10 ، 1435. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژائو، ز. شاو، اس.-ال. خو، ی. لو، اف. چن، جی. یین، ال. درک سوگیری سوابق جزئیات تماس در تحقیقات تحرک انسانی. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1738-1762. [ Google Scholar ] [ CrossRef ]
مائو، اف. جی، م. لیو، تی. الگوهای مکانی-زمانی استخراج از ساکنان شهری از داده‌های مسیر تاکسی. جلو. علوم زمین 2016 ، 10 ، 205-221. [ Google Scholar ] [ CrossRef ]
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 ]
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 ]
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 ]
یوان، نیوجرسی؛ ژنگ، ی. Xie، X. وانگ، YZ; ژنگ، ک. Xiong، H. کشف مناطق عملکردی شهری با استفاده از مسیرهای فعالیت پنهان. IEEE Trans. بدانید. مهندسی داده 2015 ، 27 ، 712-725. [ Google Scholar ] [ CrossRef ]
بیهل، ا. ارماگون، ا. Stathopoulos، A. تحرک جامعه MAUP-ing: یک بررسی اجتماعی- فضایی تقاضای دوچرخه در شیکاگو. J. Transp. Geogr. 2018 ، 66 ، 80-90. [ Google Scholar ] [ CrossRef ]
یانگ، تی. لی، ی. ژو، اس. مدل‌سازی دینامیک سیستم عملیات برنامه اشتراک‌گذاری دوچرخه بدون اسکله: مطالعه موردی موبایک در پکن، چین. پایداری 2019 ، 11 ، 1601. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ژانگ، ال. ژانگ، جی. Duan، Z.-Y.; براید، دی. سیستم‌های اشتراک دوچرخه پایدار: ویژگی‌ها و اشتراکات در بین موارد در چین شهری. جی. پاک. تولید 2015 ، 97 ، 124-133. [ Google Scholar ] [ CrossRef ]
ژانگ، ایکس. لی، دبلیو. ژانگ، اف. لیو، آر. Du, Z. شناسایی مناطق عملکردی شهری با استفاده از سوابق عمومی اجاره دوچرخه و داده های نقطه مورد علاقه. ISPRS Int. J. Geo Inf. 2018 ، 7 ، 459. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
زو، ی. چن، اف. لی، ام. وانگ، زی. استنتاج ویژگی‌های اقتصادی مسافران حمل‌ونقل ریلی شهری بر اساس تحرک فردی با استفاده از داده‌های چند منبعی. Sustainability 2018 , 10 , 4178. [ Google Scholar ] [ CrossRef ][ Green Version ]
ژو، جی. مورفی، ای. طولانی، Y. کارایی رفت و آمد در منطقه شهری پکن: اکتشاف ترکیبی از کارت هوشمند و داده های بررسی سفر. J. Transp. Geogr. 2014 ، 41 ، 175-183. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
محمد، ک. بیا، ای. اوخلو، ال. Verleysen، M. خوشه بندی داده های کارت هوشمند برای تجزیه و تحلیل تحرک شهری. IEEE Trans. هوشمند ترانسپ سیستم 2016 ، 18 ، 712-728. [ Google Scholar ]
لانگ، ی. تیل، جی.-سی. ترکیب داده‌های کارت هوشمند و بررسی سفرهای خانگی برای تجزیه و تحلیل روابط شغل و مسکن در پکن. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 53 ، 19-35. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Mazimpaka، JD; Timpf، S. داده کاوی مسیر: مروری بر روش ها و کاربردها. جی. اسپات. Inf. علمی 2016 ، 2016 ، 61–99. [ Google Scholar ] [ CrossRef ]
هو، ی. Han, Y. شناسایی مناطق عملکردی شهری بر اساس داده‌های POI: مطالعه موردی منطقه توسعه اقتصادی و فناوری گوانگژو. پایداری 2019 ، 11 ، 1385. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
یانگ، ایکس. ژائو، ز. لو، اس. بررسی الگوهای مکانی-زمانی نقاط حساس تحرک انسانی شهری. Sustainability 2016 , 8 , 674. [ Google Scholar ] [ CrossRef ][ Green Version ]
کتاب آبی خدمات زندگی محلی اینترنت چین 2017. در دسترس آنلاین: https://mp.163.com/v2/article/detail/D8KG29RO0518SLLV.html (در 15 دسامبر 2018 قابل دسترسی است).
گزارش تحقیقات بازار غذای کیترینگ آنلاین چین 2017–2018. در دسترس آنلاین: https://www.iimedia.cn/c400/60449.html (در 15 دسامبر 2018 قابل دسترسی است).
گزارش تحقیق توسعه تحویل چین در سال 2017. در دسترس به صورت آنلاین: https://www.sohu.com/a/216309928_800248 (در 15 دسامبر 2018 قابل دسترسی است).
بیانیه آماری هانگژو در مورد توسعه ملی اقتصادی و اجتماعی 2018. در دسترس آنلاین: https://www.hangzhou.gov.cn/col/col805865/index.html (در 15 آوریل 2019 قابل دسترسی است).
Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیعی و یک کاربرد. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
مکرای، جی. روش کارآمد برای تجزیه و تحلیل هات اسپات مکانی-زمانی در مقیاس بزرگ (جام GIS). در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، منطقه خلیج سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 31 اکتبر تا 3 نوامبر 2016؛ صص 1-18. [ Google Scholar ]
ری، اس. Turi, RH تعیین تعداد خوشه ها در k-means خوشه بندی و کاربرد در تقسیم بندی تصویر رنگی. در مجموعه مقالات چهارمین کنفرانس بین المللی پیشرفت در تشخیص الگو و تکنیک های دیجیتال، کلکته، هند، 27-29 دسامبر 1999. صص 137-143. [ Google Scholar ]
ژانگ، ی. Zhu, Z. تحقیق در مورد رابطه محرکه متقابل بین تجمع صنعتی و جمع آوری استعداد در جیانگ سو. در مجموعه مقالات دومین کنفرانس بین المللی مدیریت اقتصادی و بازرگانی (FEBM 2017)، شانگهای، چین، 21 تا 23 اکتبر 2017. [ Google Scholar ]
فلوریدا، آر. جغرافیای اقتصادی استعدادها. ان دانشیار صبح. Geogr. 2002 ، 92 ، 743-755. [ Google Scholar ] [ CrossRef ]
آهنگ، ی. Zenou، Y. روستاهای شهری و ارزش مسکن در چین. Reg. علمی اقتصاد شهری 2012 ، 42 ، 495-505. [ Google Scholar ] [ CrossRef ]
ورهان، آر. Bercht، AL; Krause، CL; عزام، ر. کلوگ، اف. استروشن، آر. ویثوف، ک. بایر، ک. بازسازی شهری و آسیب‌پذیری اجتماعی و مرتبط با آب در کلان‌شهرها – نمونه‌ای از دهکده شهری Xincun، گوانگژو (چین). Die Erde 2008 ، 139 ، 227-249. [ Google Scholar ]

شکل 1. منطقه مطالعه.

شکل 2. توزیع مکان نقاط مقصد تحویل غذا در منطقه مورد مطالعه.

شکل 3. مدت زمان تحویل و توزیع مسافت سفر پس از فیلتر کردن.

شکل 4. ( الف ) میانگین تعداد سفارشات تحویل هر روز در یک هفته. ( ب ) تعداد متوسط سفارشات تحویل به صورت ساعتی در روزهای هفته و آخر هفته.

شکل 5. منطقه تحقیقاتی تحت پوشش شبکه های مساوی.

شکل 6. توزیع هات اسپات تحویل در دوره های زمانی معمولی.

شکل 7. مقادیر اعتبار در تعداد مختلف خوشه با استفاده از k-means.

شکل 8. نتایج خوشه ای سری های زمانی با استفاده از روش k-means با K = 6.

شکل 9. توزیع شبکه ای نتایج خوشه در منطقه تحقیق.

شکل 10. نقشه برنامه ریزی شهری اداری برای هانگژو (جزئی).

شکل 11. توزیع مکان شرکت های اینترنتی و تجارت الکترونیک از lagouwang .

شکل 12. ( الف ) نقشه حرارتی ساخته شده از مناطق کاری استخراج شده از این مقاله. ( ب ) نقشه حرارتی ساخته شده از شرکت های اینترنتی و تجارت الکترونیک.

شکل 13. توزیع مناطق با فناوری پیشرفته و منطقه مرکز شهر در نقشه حرارتی.

شکل 14. نقشه حرارتی مناطق زندگی ساخته شده با روش تخمین چگالی هسته (KDE).

شکل 15. مناطق حائل متروی هانگژو که بر روی نقشه حرارتی قرار دارند.

شکل 16. جوامع مسکونی، آپارتمان ها و دهکده های شهری در مناطق داغ مناطق زندگی.

شکل 17. توزیع خوشه های d و e در منطقه کانون زندگی A.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی

2. منطقه مطالعه و داده ها