همراه با افزایش داده های بزرگ و پیشرفت فناوری ها، دانش مبتنی بر داده جامع از سیستم های شهری دست یافتنی تر می شود، با این حال ارتباط بین تحقیقات کلان داده و کاربرد آن، به عنوان مثال، در توسعه شهر هوشمند، به وضوح بیان نشده است. با تمرکز بر تحرک انسانی، یکی از برنامه های کاربردی تجزیه و تحلیل کلان داده که اغلب مورد بررسی قرار گرفته است، چارچوبی برای پیوند تحقیقات دانشگاهی بین المللی و سیاست مدیریت سطح شهر ایجاد و در مورد هنگ کنگ اعمال شد. ادبیات مربوط به تحقیقات تحرک انسانی با استفاده از داده های بزرگ بررسی می شود. این مطالعات به (1) کشف پدیده مکانی-زمانی، (2) شناسایی تفاوت در رفتار انسانی یا ویژگی‌های فضایی، (3) توضیح پویایی تحرک، و (4) کاربرد در مدیریت شهر کمک می‌کنند. سپس، کاربرد این تحقیق برای توسعه شهر هوشمند بر اساس پرسش‌های ایمیلی به بخش‌های مختلف دولتی در هنگ کنگ بررسی می‌شود. چالش‌های شناسایی‌شده شامل جداسازی داده‌ها، در دسترس نبودن داده‌ها، بازی بین هزینه‌ها و کیفیت داده‌ها، دانش محدود به دست آمده از داده‌های غنی و همچنین بیگانگی بین بخش‌های عمومی و خصوصی است. با بهبود بیشتر در ارزش عملی تجزیه و تحلیل داده‌ها و استفاده از داده‌های به دست آمده از بخش‌های مختلف، مسیرهای دستیابی به شهرهای هوشمندتر از دیدگاه سیاست‌گذاری برجسته می‌شوند. دانش محدود به دست آمده از داده های غنی، و همچنین بیگانگی بین بخش های دولتی و خصوصی. با بهبود بیشتر در ارزش عملی تجزیه و تحلیل داده‌ها و استفاده از داده‌های به دست آمده از بخش‌های مختلف، مسیرهای دستیابی به شهرهای هوشمندتر از دیدگاه سیاست‌گذاری برجسته می‌شوند. دانش محدود به دست آمده از داده های غنی، و همچنین بیگانگی بین بخش های دولتی و خصوصی. با بهبود بیشتر در ارزش عملی تجزیه و تحلیل داده‌ها و استفاده از داده‌های به دست آمده از بخش‌های مختلف، مسیرهای دستیابی به شهرهای هوشمندتر از دیدگاه سیاست‌گذاری برجسته می‌شوند.

کلید واژه ها:

تحرک انسان ؛ کلان داده ؛ فعالیت فضایی و زمانی انسان ; COVID-19 ؛ سیاست شهر هوشمند ؛ هنگ کنگ

1. مقدمه

با استفاده از فناوری‌های اطلاعاتی و ارتباطی که به جنبه‌های مختلف زندگی روزمره مردم نفوذ می‌کنند، مجموعه‌های کلان داده‌های مربوط به تحرک انسان یک میکروسکوپ اجتماعی قدرتمند را برای حمایت از کشف دانش پیچیده ارائه می‌کنند [ 1 ]. منابع جدید کلان داده‌های بی‌وقفه تولید شده، درک فعالیت‌های انسانی را از منظر فردی و شهری روشن می‌کنند و به کشف روابط بین تحرک انسانی و استفاده از منابع در حوزه‌های اجتماعی و فضایی شهرها کمک می‌کنند [ 2 ]. تجزیه و تحلیل داده های بزرگ (به عنوان مثال، داده کاوی اکتشافی و یادگیری ماشینی) برای تصمیم گیری هوشمند استفاده می شود، و تعامل بین فناوری، تغییر اجتماعی و استراتژی های سیاست مستلزم فرصت های عظیمی برای توسعه شهر هوشمند است.3 ].
مفهوم شهر هوشمند بیانگر انبوه حوزه‌های زندگی شهری است که می‌توان فناوری و مداخلات سیاستی را در آن اعمال کرد و حوزه‌هایی که به عنوان حوزه‌های «سخت» طبقه‌بندی می‌شوند شامل ساختمان‌های اداری و مسکونی، شبکه‌های انرژی، منابع طبیعی، انرژی و آب است. مدیریت، مدیریت زباله، محیط زیست، حمل و نقل، تحرک و تدارکات، و همچنین حوزه‌های «نرم» مانند آموزش، فرهنگ، دولت الکترونیک و سیاست‌هایی که رفاه اقتصادی و اجتماعی را تقویت می‌کنند [ 4 ]. ویژگی های مکانی-زمانی تحرک انسان، به عنوان متداول ترین کاربرد تحلیل داده های بزرگ [ 5 ]]، می تواند برای تسهیل توسعه شهر هوشمند، در رشته های متعددی مانند ترافیک هوشمند، برنامه ریزی شهری هوشمند، سلامت هوشمند، ایمنی هوشمند، تجارت هوشمند و غیره استفاده شود [ 6 ، 7 ]. به عنوان مثال، همگرایی فناوری های حمل و نقل و اطلاعات نقش های کلیدی را در تسهیل حمل و نقل مشارکتی ایفا می کند، جایی که جریان های داده از حمل و نقل حس شده، علم اطلاعات جغرافیایی و رسانه های اجتماعی می توانند برای مشارکت انسانی و تصمیم گیری مشترک ترکیب شوند [ 8 ]. تجزیه و تحلیل داده های مکانی، هم به شکل های سنتی شطرنجی، برداری، یا نمودار و از منابع پیشرفته حسگرها و دستگاه های تلفن همراه، قدرت مکان را افزایش می دهد، که برای صرفه جویی در مصرف سوخت و زمان، افزایش درآمد و مراقبت های بهداشتی استفاده شده است. 9].
با افزایش داده های بزرگ و پیشرفت فناوری ها، توسعه شهر را می توان بر اساس دانش مبتنی بر داده ها بهتر درک کرد و ارتقا داد. در سمت تجزیه و تحلیل داده ها، ارزش عملی تحقیقات مبتنی بر داده باید کشف شود، در حالی که در سمت توسعه شهر، انتقال برای برنامه های کاربردی هوشمندتر در حوزه ها و رشته های متعدد به طور مداوم در حال ظهور است. اینکه چگونه دولت‌ها و سیاست‌گذاران می‌توانند تحقیقات مبتنی بر داده را برای توسعه شهر هوشمند به کار ببرند، ارزش بررسی بیشتر را دارد. این مقاله با تلاش برای پیوند دادن این دو سوی داده و عمل، بر اساس تحقیقات موجود در مورد تحرک انسان در عصر کلان داده، به بررسی چگونگی پیشرفت تحقیقات در این زمینه و به طور بالقوه چگونگی کاربرد تحقیقات مرتبط در آن می‌پردازد. توسعه شهر هوشمند

2. مواد و روشها

یک چارچوب تحقیقاتی برای پیوند دادن تحقیقات تحرک انسانی مبتنی بر داده با اجرای بالقوه توسعه‌های شهر هوشمند ایجاد شد. این عمدتاً از دو بخش اصلی تشکیل شده است که عبارتند از (الف) بررسی ادبیات تحقیقات دانشگاهی بین‌المللی در مورد تحرک انسانی با داده‌های بزرگ و (ب) بررسی سیاست و تجزیه و تحلیل توسعه شهر هوشمند در سطح شهر. شکل 1 چارچوب پیشنهادی و فرآیند بررسی ادبیات و تحلیل سیاست را نشان می دهد.
برای انجام بررسی ادبیات، پژوهشی ادبیات در نوامبر 2018 بر روی نشریات مورد بررسی در پایگاه داده Web of Science Core Collection با استفاده از عبارات هدفمند «تحرک انسان» و «شهر هوشمند» انجام شد. در مجموع 182 مطالعه شناسایی شد و 84 مقاله علمی نمایه شده توسط Science Citation Index Expanded و Social Sciences Citation Index برای تجزیه و تحلیل بیشتر انتخاب شدند. اخیراً داده‌های تحرک انسان به شدت در تحقیقات در مورد همه‌گیری COVID-19 نقش داشته است. برای بررسی پیامدهای چنین تحقیقاتی بر سلامت عمومی، به عنوان یک حوزه مهم مدیریت شهر هوشمند، جستجوی تکمیلی در دسامبر 2020 در پایگاه داده فوق با استفاده از مضامین Cov («COVID-19»، «SARs-» انجام شد. CoV-2» یا «2019-nCov») و «تحرک انسان». در مجموع 81 مقاله شناسایی شد،
سیاست های شهر هوشمند در زمینه هنگ کنگ (هنگ کنگ) تجزیه و تحلیل شد، جایی که بسیاری از دستورالعمل های سیاست قبلاً توسط دولت آزمایش یا اجرا شده است. «طرح شهر هوشمند» (به صورت آنلاین در https://www.smartcity.gov.hk/report/ موجود است) با استفاده از نوآوری و فناوری، برنامه های توسعه را از دیدگاه کلی ترسیم می کند و راهبردها و ابتکارات مختلف را در شش حوزه اصلی، یعنی تحرک هوشمند، محیط هوشمند، دولت هوشمند، اقتصاد هوشمند، افراد هوشمند و زندگی هوشمند فهرست می کند. در میان آنها، برخی از ابتکارات با تجزیه و تحلیل رفتار مکانی-زمانی انسان مرتبط است. به عنوان مثال، تحرک هوشمند بسیار با تجزیه و تحلیل فضایی حمل و نقل مرتبط است، در حالی که پلت فرم فضایی اشاره به دولت هوشمند بر تجسم داده های بزرگ تمرکز دارد و اقتصاد هوشمند به اقتصاد مبتنی بر مکان مانند گردشگری هوشمند مربوط می شود. پس از آن، ایمیل‌هایی به ادارات دولتی مربوطه در هنگ کنگ فرستاده شد تا آخرین پیشرفت‌های تحقیقاتی در زمینه تحرک انسانی در مناطق خاص را ارائه دهند و از نگرش‌ها و اقدامات آنها در کار مطلع شوند.

3. تحقیقات تحرک انسانی مبتنی بر داده های بزرگ

بر اساس بررسی ادبیات، مطالعات در درجه اول بر اساس منابع داده، از جمله تلفن همراه، رسانه‌های جمعی، تاکسی یا ماشین، کارت بانکی، کارت مترو، وب‌سایت، دستگاه‌های بی‌سیم و منابع متعدد طبقه‌بندی می‌شوند. تلفن همراه (مسیرها یا سوابق تماس) منبعی است که غنی‌ترین اطلاعات را با ردیابی مستمر مکان افراد و مسافران تولید می‌کند، که شبیه به یک تاکسی یا ماشین است که مکان وسایل نقلیه و همچنین رانندگان را منعکس می‌کند. رسانه های جمعی مربوط به برنامه های دیجیتال و فعالیت های انسانی است، در حالی که کارت بانکی مربوط به تراکنش ها است و کارت مترو منعکس کننده رفتار سفر است. داده های به دست آمده توسط دستگاه های بی سیم درک الگوهای تحرک را در کوچکترین مقیاس ها تسهیل می کند. تحقیقات مبتنی بر منابع متعدد، قدرت داده‌های بزرگ را با ادغام دسته‌های مختلف اطلاعات تقویت می‌کنند.
ادبیات نیز در 4 سطح هدف دسته بندی می شود که عبارتند از کشف پدیده، شناسایی تفاوت، تبیین تفاوت ها و اجرا در مدیریت شهری. انسان و فضا دو شی هستند که معمولاً در تحقیقات مورد هدف قرار می‌گیرند، زیرا رفتار انسان تحت تأثیر ویژگی‌های شخصی (که هستند) و ویژگی‌های فضایی (محل زندگی یا کار) قرار می‌گیرد. جدول 1 خلاصه ای از این تحقیقات را بر اساس منبع داده ها و هدف تحقیق طبقه بندی می کند.

3.1. کشف پدیده

درک الگوهای مکانی-زمانی تحرک انسان یکی از اهداف اساسی و اساسی برای تحلیل پیگیری است. مسیرهای مکانی-زمانی سازگار برای هر فرد از داده های تلفن همراه استخراج می شوند، در حالی که روابط بین کانون های تولید شده در ابعاد زمانی کشف می شود [ 10 ]. تحرک شهری جمعی در مقیاس بزرگ برای توضیح دقیق جریان های مردمی بین مناطق، و همچنین الگوهای استثنایی که با رویدادهای دنیای واقعی مانند مسابقات فوتبال مرتبط است، تجزیه و تحلیل شد [ 11 ]. با داده‌های GPS تاکسی، توزیع‌های مبدا/مقصد تجسم می‌شوند، که براساس آن سفرها به یک مسافت یا محدوده جهت‌گیری خاص محدود می‌شوند و انتخاب مسیرهای رانندگان می‌تواند مشخص شود [ 12 ].]. از داده‌های برنامه ردیابی رویداد عظیم، نقشه‌های حرارتی مسیرهای محبوب آنلاین را می‌توان بر اساس ترجیحات مشتری تولید و تجسم کرد [ 13 ]. جدای از تجسم، الگوی حرکت را می توان با ویژگی، به عنوان مثال، ثبات، از نظر همگرایی و واگرایی افراد ارزیابی کرد [ 14 ].
جدا از داده‌های تلفن و وسیله نقلیه، داده‌های WiFi و مکان برای کشف ویژگی‌های انتقال بین رژیم‌های دینامیکی [ 15 ] یا برای شناسایی فرکانس‌ها، جهت‌ها، شدت و مسیرها استفاده می‌شوند [ 16 ]. با داده‌های تراکنش یک کارت هوشمند کرایه مترو، مدل تحرک برای تولید جریان‌های ناهمگن در سطح جمع‌آوری شده و همچنین بازدیدها در سطح فردی استفاده شد [ 17 ].
بسیج انسانی اگرچه نوعی رفتار انسانی است، اما متضمن ویژگی های فضاهای خاصی است که تحرک در آن اتفاق می افتد. برای کشف ویژگی‌های کاربری زمین، تجزیه و تحلیل داده‌های بزرگ، خوشه‌هایی مانند مناطق مسکونی، دفتر، تجارت اوقات فراغت و خوشه‌های ساعت شلوغی را مشخص می‌کند [ 18 ]. استنباط تغییرات در حرکات، درک فرم شهری چندمرکزی را بر اساس کانون ها، مراکز و مرزهای شهر شناسایی شده تسهیل می کند [ 19 ]. علاوه بر این، با درگیر کردن اطلاعات توابع کاربری زمین، تنوع فضایی خودکنترلی و اشتغال و تعادل شغل و مسکن را می توان نشان داد [ 20 ].
تعامل بین رفتار انسان و محیط شهری را می توان در رویکردهای کمی بیشتر با کلان داده تفسیر کرد. به عنوان مثال، قرار گرفتن در معرض جمعیت در فضای سبز شهری با توزیع کاربری زمین و پویایی تحرک انسان ارتباط زیادی داشت [ 21 ]. در مقیاس جهانی، کانون‌های گردشگری در شهرهای ایالات متحده و اتحادیه اروپا بر اساس عکس‌های دارای برچسب جغرافیایی شناسایی می‌شوند که به نوبه خود توزیع قانون قدرت جذابیت جاذبه‌های گردشگری را کشف می‌کند [ 22 ].
برای دستیابی به اهداف پژوهشی کشف پدیده، معمولاً از روش‌های تحلیل فضایی و تحلیل بصری استفاده می‌شود. ابزارهای نرم افزاری با عملکردهای مختلف، از جمله اما نه محدود به ArcGIS برای تجزیه و تحلیل و تجسم داده های فضایی، جاوا/پایتون برای پردازش داده ها، Tableau برای تجزیه و تحلیل بصری، SPSS برای بررسی یکپارچگی و اعتبار، PostgreSQL/PostGIS برای مدیریت داده ها، و R پلت فرم برای نمودار.

3.2. شناسایی تفاوت ها

برای شناسایی تفاوت‌ها در تحرک انسان و استفاده از فضا، تجزیه و تحلیل خوشه‌بندی معمولاً برای تشخیص تفاوت‌ها بر اساس پارامترهایی مانند ویژگی‌های جمعیت شناختی جنسیت، سن، درآمد، ملیت و غیره انجام می‌شود. دلالت بر تأثیر جریان های توریستی بر زندگی ساکنان [ 23 ]. از طریق توییتر، معیارهای تحرک انسان به ویژه بین گروه‌های نژاد/قومیت مختلف، سپس سن [ 24 ] متمایز می‌شود، در حالی که تفاوت جنسیتی در داده‌های بررسی مکان مبتنی بر مکان Weibo [ 25 ] مشاهده می‌شود.
علاوه بر پارامترهای جمعیت شناختی، طبقه بندی ها بر اساس حالت یا تقاضا یا سایر پروفایل های رفتاری، مشاهده شده یا خود تعریف شده، پردازش می شوند. تجزیه و تحلیل داده های حس شده از طریق موبایل به شناسایی حالت های حمل و نقل کاربر، به عنوان مثال، با دوچرخه، اتوبوس، ماشین، پیاده و قطار کمک می کند [ 26 ]. تقاضاهای مسافرتی مسافران تاکسی با ترکیب و در نظر گرفتن فاصله و محدودیت های زمانی و بافت جغرافیایی طبقه بندی می شود [ 27 ]. الگوهای کاربران تلفن همراه بر اساس رفتار ارتباطی و میانگین درآمد هر کاربر [ 28 ]، یا بر اساس نمایه‌های فضا-زمان فردی با حرکات و رفتارهای مختلف [ 29 ] خوشه‌بندی می‌شوند.]. با استفاده از داده‌های شبکه گسترده، با نظارت بر ترافیک در چند شهر، مسیرهای وسایل نقلیه استخراج شده و بر اساس ویژگی‌های زمانی یا مکانی طبقه‌بندی می‌شوند [ 30 ].
کشف تفاوت ها درک رفتار انسان را غنی می کند و کیفیت خدمات را افزایش می دهد. مشخص شد که افرادی که قطر ناحیه نفوذ بالاتری دارند (DAI) نیز پول بیشتری را برای ارتباطات سیار خرج می کنند، که نشان دهنده پتانسیل استفاده از DAI به عنوان یک ویژگی برای طبقه بندی سطوح اجتماعی-اقتصادی شهرها است [ 31 ]. تقسیم بندی بازار گردشگری بر اساس داده های جمع سپاری، ارائه خدمات گردشگری شخصی تر را تسهیل می کند [ 32 ].
تجزیه و تحلیل سیستماتیک با ترکیب تفاوت و شباهت بین خوشه ها، تخصیص منابع را بهبود می بخشد. برای افزایش تحرک مشارکتی (CM) مانند به اشتراک گذاری منابع سفر، سیستم با ردیابی GPS استخراج شده می تواند به طور خودکار فرصت های اشتراک را پیدا کند و تغییرات رفتاری را برای انجام خدمات اشتراک گذاری توصیه کند [ 33 ].
روش‌های یادگیری ماشینی به طور گسترده در میان این گروه از مطالعات مورد استفاده قرار می‌گیرند، مانند ماشین‌های بردار پشتیبان (SVM)، خوشه‌بندی فازی C-means، خوشه‌بندی K-means، خوشه‌بندی سلسله مراتبی، الگوریتم کلونی مورچه‌ها و غیره.

3.3. توضیح تفاوت ها/ویژگی ها

اگرچه پیچیده است، اما تفاوت‌های بین گروه‌ها یا افراد تا حدی قابل توضیح است، بر اساس ویژگی‌های شخصی، اسناد فضایی یا تأثیرات تعاملی انسان و محیط.
به‌طور فردی، ویژگی‌های مربوط به شخصیت، علاقه، عادت، حافظه و غیره در تحرک انسان تأثیرگذار است. ویژگی های شخصیتی به توضیح تفاوت های فردی در استفاده از شبکه های اجتماعی مبتنی بر مکان و انواع مکان های بازدید شده کمک می کند [ 34 ]. پنج ویژگی بزرگ شخصیت معمولاً اعمال می‌شوند، و مشخص شد که افراد برون‌گرا روال‌های متنوع‌تری دارند در حالی که افراد روان رنجورخویی و گشودگی بالا با روال بی‌ثبات‌تری همراه هستند [ 35 ]. پویایی علاقه انسان ها، با اشاره به بازگشت ترجیحی به علایق قبلی، اثر اینرسی و اکتشاف مکان های جدید، به طور علّی به رفتار تحرک مرتبط است [ 36 ]]. ترجیح خود مفاهیم غنی دارد. به عنوان مثال، تفاوت در سبک زندگی بین ساکنان شهرهای بزرگ و شهرهای کوچک از طریق الگوهای نهفته ترجیح انسانی مشاهده شد که هم به گروه سنی و هم به بافت شهر مربوط می شود [ 37 ].
کشف جالب دیگر این است که ویژگی‌های فردی هم در فضای فیزیکی و هم در حرکت فضای سایبری تعیین‌کننده هستند، دومی به عنوان تغییرات در فعالیت‌های آنلاین تعریف می‌شود که معمولاً مربوط به تغییر در وب‌سایت‌های اکتشاف است. مشخص شد که حرکات در دو فضا از نظر اکتشاف سایت‌های جدید و بازگشت ترجیحی به سایت‌های پربازدید مشابه است [ 38 ]. زیربنای یکپارچه تحرک در دنیای واقعی و فضای سایبری نیز به عنوان مکانیزم ترجیحی حافظه در فضای محدود توضیح داده شده است [ 39 ].
ویژگی‌های فضایی یا منطقه‌ای، مانند ویژگی‌های اقتصادی-اجتماعی، جامعه‌شناسی فرهنگی، عملکرد کاربری زمین و غیره محرک‌های مهمی برای رفتارهای مختلف تحرک هستند. الگوهای متمایز شباهت یا تفاوت در رفتار در میان مناطق در اوگاندا را برجسته می‌کنند که مشخصاً با ویژگی‌های منطقه‌ای اقتصادی و اجتماعی مرتبط است [ 40 ]. بوم شناسی اجتماعی منعکس شده توسط عملکردهای شهری مسلط نیز تعیین کننده است [ 41 ]، و یک مثال در مورد پیوندهای فرهنگی ناملموس است، به عنوان مثال، وجود و تداوم مرزهای گویش شناسایی شده با داده های Weibo بر تحرک انسان برای تعاملات اجتماعی تأثیر می گذارد [ 42 ].
ادغام چندین منبع داده، تفسیر ویژگی‌های فضایی مختلف را افزایش می‌دهد. بر اساس سوابق تراکنش مترو و اطلاعات نقاط مورد علاقه (POI)، عملکردهای پنهان ایستگاه های مترو و همبستگی بین الگوهای تحرک و عملکرد ایستگاه نشان داده شد [ 43 ]. به طور مشابه، توابع ساختمان با سوابق مکان WeChat، مسیرهای GPS تاکسی، POI، و ردپای ساختمان از تصاویر با وضوح بالا Quickbird [ 44 ] استنباط می شوند.
ویژگی‌های نهفته رفتار انسان یا ویژگی‌های مکان که از فعالیت‌های اقتصادی در فرآیند حرکت منعکس می‌شود، الهام‌بخش و در عین حال قابل توجه است. رانندگان تاکسی با درآمد بالا بیشتر احتمال دارد از عبور و مرور مسافران خودداری کنند [ 45 ]. ادغام مخارج اقتصادی فردی با تحرک مستلزم توانایی شهرها برای جذب بازدیدکنندگان خارجی است [ 46 ]. مردم ممکن است به “پل های اجتماعی” بین جوامع تبدیل شوند، زیرا مشخص شده است که کسانی که در مکان های نزدیک کار می کنند می توانند در رفتار خرید جامعه حتی در جوامع مختلف به طور مشابه عمل کنند [ 47 ].
در دنیای فیزیکی، تحرک بیشتر شبیه نتیجه تعامل بین افراد و فضا یا محیط است. روش‌های تحلیل آماری برای توضیح محرک‌ها و اثرات آن‌ها، از جمله تحلیل همبستگی (بیشتر مورد استفاده)، مدل‌های رگرسیون، مدل‌های دلبستگی ترجیحی برای بازتولید مقیاس‌بندی آماری رفتارها و غیره استفاده می‌شوند.

3.4. پیش بینی و مفهوم

نتایج برخی از تحقیقات را می توان در مدیریت شهری در رشته های متعددی به کار برد که در اینجا عمدتاً در چهار بعد سیستم حمل و نقل، بهداشت عمومی، حکمرانی شهری و مدیریت و سیاست محیطی طبقه بندی می شوند.

3.4.1. سامانه حمل و نقل

حمل و نقل حوزه ای است که کاربردهای کلان داده در آن گسترده است. استراتژی‌هایی در ادبیات برای پیش‌بینی زمان سفر هر سفر، ارائه اطلاعات ترافیکی در زمان واقعی، پیش‌بینی الگوهای حرکتی بر اساس روال‌های شخصیتی یا مکانی-زمانی، بهبود تحلیل تصادف، برنامه‌ریزی مسیرهای اتوبوس، بهبود اعزام تاکسی، پیشنهاد شده است. و برای بهینه سازی ترافیک در طول رویدادهای بزرگ.
نقشه سرعت سه بعدی توافقی که الگوهای تراکم شهری را نشان می دهد برای پیش بینی زمان سفر هر سفر در داخل شهر استفاده می شود [ 48 ]. با اطلاعاتی از شرکت‌کنندگان منفرد یا مولدهای دفترچه خاطرات و مسیر، می‌توان ترافیک کلی را در زمان واقعی مقایسه یا نظارت کرد [ 49 ، 50 ]. با منابع داده های متعدد، تاثیر رویدادهای بزرگ بر ترافیک را می توان تخمین زد و با ارزیابی سناریوهای مختلف انتخاب مسیر در مقیاس شهری، استراتژی هایی برای کاهش زمان سفر جمعی و ازدحام پیشنهاد شده است [ 51 ]. بر اساس رابطه ایجاد شده بین تحرک و شخصیت انسان، الگوهای حرکتی قابل پیش بینی است [ 52]. اطلاعات فعالیت مبتنی بر توییتر می تواند در تجزیه و تحلیل فضایی تصادفات در مناطق شهری گنجانده شود، و مدل های رگرسیون وزنی جغرافیایی (GWR) برای ایجاد رابطه بین تعداد تصادف گزارش شده و عوامل مختلف کمک کننده توسعه داده شد [ 53 ]. با هدف بررسی موضوع برنامه ریزی مسیر اتوبوس در شب با استفاده از ردیابی GPS تاکسی، تجزیه و تحلیل برای دستیابی به حداکثر تعداد مسافران تحت شرایط و محدودیت های داده شده انجام شد [ 54 ]. مدل‌سازی مبتنی بر عامل از شبیه‌سازی رفتار تاکسی با داده‌های وسیله نقلیه کاوشگر به درک عمیق‌تر رفتار تاکسی، برای مدیریت و اعزام بهتر ناوگان تاکسی که می‌تواند سود پولی برای رانندگان داشته باشد، کمک می‌کند [ 55 ].
3.4.2. سلامت عمومی
توجه فزاینده ای به ادغام داده های تحرک انسان در سیاست بهداشت عمومی، به ویژه در حمایت از ارزیابی قرار گرفتن در معرض محیطی و برنامه های طراحی شده برای کنترل بیماری های فضایی و زمانی، معطوف شده است.
با داده های تراکم جمعیت به دست آمده توسط ترافیک تلفن همراه و داده های کیفیت هوا مبتنی بر ایستگاه، آلودگی هوای شهری پویا (به عنوان مثال، غلظت PM2.5) قرار گرفتن در معرض جمعیت با جزئیات مورد بررسی قرار گرفت و در میان ساکنان، گردشگران و مسافران مقایسه شد [ 56 ، 57 ]. برای هدایت کنترل بیماری، خطر انتقال درون شهری تب دنگی با داده‌های ساعتی تلفن همراه با در نظر گرفتن حرکات محلی انسان، مقیاس زمانی و عدم قطعیت موقعیت [ 58 ] ترسیم شد، در حالی که درجه تغییر در ضریب انتقال، از نظر مکانی و زمانی تعیین شده است. متغیر وابسته، با استفاده از توییت های جغرافیایی قابل استنباط بود [ 59]. محرک‌های شیستوزومیازیس بومی با عوامل اجتماعی-اقتصادی و محیطی و ویژگی‌های تحرک انسانی معرفی شدند، که بر اساس آنها اثرات کنترل، به عنوان مثال، از طریق بهبود دسترسی به آب سالم یا کمپین‌های آموزشی مورد تجزیه و تحلیل قرار گرفت [ 60 ]. با این حال، استدلال می‌شود که اگرچه تحرک و بیماری‌های عفونی با کمی کردن الگوهای سفر مرتبط با بیماری در مقیاس‌های مکانی و زمانی خوب به هم مرتبط شده‌اند، نحوه اجرای یک سیستم در حال حاضر در برابر بروز بیماری همچنان مشکوک است. مدل ها باید به طور رسمی از نظر آماری ارزیابی و آزمایش شوند [ 61 ].
مشارکت فزاینده داده های تحرک انسان در تحقیقات بهداشت عمومی به خوبی در مطالعات فشرده اخیر مرتبط با تحرک در مورد همه گیری COVID-19 منعکس شده است. به ویژه، این مطالعات توسط آخرین داده‌های تلفن همراه عمومی و انبوه انبوه ارائه شده توسط فروشندگان خدمات مبتنی بر مکان، مانند Google COVID-19 Community Mobility Reports [ 62 ] و داده‌های Baidu Migration [ 63 ] تسهیل شده‌اند. تمرکز مطالعات COVID-19 مرتبط با تحرک بر روی تعامل بین تحرک انسان و بیماری همه گیر است. این فعل و انفعالات شامل نقشی است که تحرک انسان در انتقال بیماری همه گیر بازی می کند [ 64 ، 65]؛ ارتباط ترکیبی تحرک و سایر عوامل محیطی و اجتماعی-اقتصادی در گسترش همه‌گیری [ 66 ] و تغییر افراد در رفتارهای حرکتی و استفاده از فضاهای شهری، معمولاً به دلیل محدودیت‌های حرکتی و سیاست‌های فاصله‌گذاری اجتماعی [ 67 ، 68 ]. بر اساس تعاملات تحرک و بیماری همه گیر، مطالعات بیشتر داده های تحرک انسان را در پیش بینی خطر همه گیر [ 69 ، 70 ] و همچنین ارزیابی و توصیه اقدامات مختلف کنترل اپیدمی درگیر کرده است [ 71 ، 72 ]]. اثرات زیست محیطی و اجتماعی-اقتصادی محدودیت تحرک ناشی از همه گیری نیز بیشتر مورد بررسی قرار گرفته است. در حالی که کاهش تحرک و فعالیت های انسانی منجر به کاهش کلی آلودگی می شود [ 73 ، 74 ]، همچنین مشخص شده است که منجر به زیان اقتصادی بزرگ و تشدید مسائل اجتماعی مانند نابرابری می شود [ 75 ]. به لطف در دسترس بودن داده‌های حرکتی به موقع انسان، پلتفرم‌های آنلاین و تلفن همراه مختلف برای نقشه‌برداری در زمان واقعی موارد اپیدمی و خطرات همه‌گیری پیش‌بینی‌شده، برای کمک به سیاست‌گذاری ضد بیماری همه‌گیر و محافظت از خود مردم توسعه یافته‌اند [ 76 ].]. فهرستی از وظایف فنی در سیستم های اطلاعات جغرافیایی برای درک، پیش بینی و حمایت از اقدامات کنترل COVID-19 در [ 77 ] خلاصه شده است.
3.4.3. حکمرانی شهری
الگوهای تحرک انسانی حرکت جمعیت بزرگی را نشان می‌دهد که کاربردهای بالقوه آن در حوزه‌هایی از مدیریت رویدادهای بزرگ، تخلیه بلایا، پیش‌بینی جرم و تخمین ایمنی تا تأمین فضای عمومی/امکانات مطرح می‌شود.
دانش در مورد وقوع رویدادهای بزرگ ناشی از مسیرهای اتوبوس از جمله زمان شروع رویداد، زمان پایان، الگوهای زمانی ورود و خروج شرکت کنندگان در رویداد و غیره می تواند به طور مفید در برنامه ریزی و مدیریت رویداد اعمال شود [ 78 ]. برای پیش‌بینی تخلیه انسان پس از بلایا، رفتار اضطراری انسان می‌تواند با استفاده از یک سیستم یادگیری عمیق هوشمند مانند DeepMob [ 79 ] مدل‌سازی شود. با توجه به طبقه‌بندی نقاط وقوع جرم، داده‌های رفتاری جمع‌آوری شده از زیرساخت شبکه تلفن همراه، در ترکیب با اطلاعات اولیه جمعیت‌شناختی، می‌تواند سطح جرم و جنایت یک منطقه جغرافیایی را توصیف کند و به پیش‌بینی جرم کمک کند [ 80 ].]. ایمنی مکان‌ها در توسعه‌های جدید یا مناطق عمومی با عملیاتی کردن مفاهیم مرتبط از نظریه‌های جرم‌شناسی و شهری، با ویژگی‌های پیش‌بینی که از داده‌های سرشماری، چهار ضلعی، استفاده از مترو و استفاده از تاکسی بهره‌برداری می‌شوند، امکان‌پذیر است [ 81 ]. ویژگی‌های تعامل فضایی و مناطق خدماتی انواع و اندازه‌های مختلف امکانات عمومی بر اساس داده‌های رها کردن تاکسی، برای بهینه‌سازی پیکربندی فضایی تجهیزات پزشکی یا سایر انواع امکانات عمومی شناسایی می‌شوند [ 82 ].
3.4.4. مدیریت و سیاست زیست محیطی
با اشاره به سیاست های مرتبط با محیط زیست، کلان داده ها به مدیریت پروژه های محیطی و همچنین تجزیه و تحلیل اتخاذ سیاست کمک می کنند. علم داده و مدیریت زیست محیطی از نتایج پروژه های ملی استفاده می کنند. پروژه LENVIS در ایتالیا کاربران را قادر می‌سازد تا ویدئویی از رویدادهای آلودگی محلی و روایت‌های شخصی آپلود کنند، و شبکه‌ای از نظارت بر تعامل بین سطوح غلظت مجموعه‌ای از آلاینده‌های موجود در هوا و مراقبت‌های بهداشتی در بیمارستان را تشکیل می‌دهد [ 83 ]. برای ارزیابی اینکه آیا می توان سیاست خودروهای صرفه جویی در انرژی را اجرا کرد، از اطلاعات تحرک واقعی به عنوان پشتیبان تصمیم گیری برای مدیر ناوگان تاکسی برای ترویج پذیرش تاکسی های برقی استفاده می شود [ 84 ]]. با تمرکز بر امکان‌سنجی اقتصادی سیاست، محاسبات کمی نشان می‌دهد که معرفی خودروهای برقی در ناوگان تاکسیرانی، هزینه خرید تاکسی‌ها را افزایش می‌دهد، اما می‌توان هزینه‌های سرویس، نگهداری و تعمیرات و سوخت را کاهش داد و در نتیجه کل هزینه‌ها را کاهش داد [ 85 ]. .

3.5. خلاصه تحقیق سلسله مراتبی

به طور خلاصه، سلسله مراتب تحقیق با هدف نشان داده شد، با الزامات داده ها و روش ها به طور خلاصه مشخص شد. سطح بالایی به سادگی نشان دادن آنچه در دنیای واقعی اتفاق افتاده است (کشف پدیده)، عمدتاً با استفاده از روش‌های تحلیل و تجسم فضایی پایه. سطوح میانی سعی می‌کنند با استفاده از روش‌های ریاضی مانند تحلیل آماری و یادگیری ماشین، توضیح دهند که چگونه و چرا این اتفاق با داده‌های بیشتر منعکس‌کننده عوامل اجتماعی-اقتصادی و ارتباط آن‌ها با تحرک فضایی رخ داده است. سطح پایین برنامه ها بر اساس پیش بینی، بستری برای تبادل اطلاعات، و دانش تولید شده از داده های موضوعی است که می تواند برای کشف کارهایی که می توانیم برای توسعه و مدیریت شهر انجام دهیم، استفاده شود. اگرچه روش های اعمال شده در سطح پایین همیشه پیچیده نبودند، داده های بیشتری برای دستیابی به اهداف در سطوح عمیق تر مورد نیاز است. دیدنشکل 2 .
اگرچه بر مزایای استفاده از تجزیه و تحلیل داده های بزرگ در شهر تاکید شده است، ارتباط بین مفاهیم تحرک انسانی و شهر هوشمند هنوز مبهم است. با این حال، روندهای فعلی و الگوهای تکامل هر شهر هوشمند فردی به عوامل بافت محلی بستگی دارد، و به منظور شکل‌دهی استراتژی‌های مناسب برای شهرهای خاص، از سیاست‌گذاران خواسته می‌شود تا این عوامل را درک کنند [ 4 ].

4. سیاست شهر هوشمند هنگ کنگ

برای شناسایی شکاف‌های بین تحقیقات داده‌محور و اجرای بالقوه در حوزه‌های مختلف توسعه شهر هوشمند، ارتباطات با دولت ضروری است. در مورد HK، از آنجایی که تنها چند سوال (نه بیشتر از چهار) برای هر بخش دولتی هدف قرار می‌گیرد، ایمیل‌ها به جای مصاحبه برای برقراری ارتباط اتخاذ شد.

4.1. دیدگاه های دولت

با تمرکز بر حوزه های مدیریتی بخش های مختلف از جمله اداره حمل و نقل، نیروی پلیس هنگ کنگ، وزارت بهداشت، اداره حفاظت از محیط زیست، هیئت گردشگری هنگ کنگ، و بخش برنامه ریزی، سوالاتی در مورد “چگونه می توان داده های بزرگ و پیشرفته تجزیه و تحلیل/فناوری های پیشنهادی در تحقیق در کار واقعی به کار می روند؟ با معرفی مختصری از ادبیات مرتبط مورد پرسش قرار گرفتند. جدول 2 زمینه های سوالات مربوط به بخش های دولتی را فهرست می کند. جزئیات ایمیل ها و پاسخ ها به مطالب تکمیلی مراجعه کنید .
با توجه به پاسخ آنها، اهمیت استفاده از داده های بزرگ در بهبود مدیریت شهری تایید شد و بسیاری از ابتکارات هوشمند مرتبط با تحرک انسانی ذکر شد. با این وجود، با توجه به کاربرد تجزیه و تحلیل معرفی شده، موانع هنوز قابل توجه است. مشکلات ذکر شده در ایمیل های پاسخ داده شده از پنج جنبه در بخش 3.2 زیر تفسیر شد .

4.2. مسائل و موانع در کاربرد

جداسازی داده ها پایگاه‌های داده‌ای که توسط بخش‌های مختلف مدیریت می‌شوند به خوبی یکپارچه نیستند و بنابراین روش‌های مورد استفاده در تحقیق به دلیل محدودیت داده‌ها قابل استفاده نیستند. علاوه بر این، داده‌های بخش‌های زیر نهادی تحت مدیریت همان بخش نیز ممکن است جداسازی شوند. به عنوان مثال، در مورد اعزام تاکسی، از چند سکوی تاکسی استفاده می شود. بنابراین، TD نشان می دهد که راه اندازی یا یکپارچه سازی این پلت فرم ها شرط اولیه برای بهبود کارایی عملیاتی و کیفیت خدمات تاکسی ها است.
در دسترس نبودن داده ها با توجه به ادبیات بررسی شده، داده های تلفن های همراه در انعکاس رفتار انسان و کشف دانش تحرک افراد مفید است. با این حال، در مورد HK، این داده‌ها در حال حاضر در دسترس دولت نیستند و کاربرد تحقیقات مرتبط را در دنیای واقعی محدود می‌کند. یک مثال تجزیه و تحلیل تأثیر زمان واقعی کیفیت هوا بر زندگی روزمره انسان است. قرار گرفتن در معرض جمعیت در زمان واقعی در مناطق مورد مطالعه با استفاده از داده های بزرگ مبتنی بر موبایل و ایستگاه، با در نظر گرفتن تنوع مکانی-زمانی توزیع جمعیت و غلظت آلاینده ها اندازه گیری شد. در مقابل، مطالعات انجام شده توسط EPD کیفیت هوای یک شهر را بدون ملاحظات کافی در مورد تفاوت‌های فضایی در مواجهه با آلودگی به عنوان یکنواخت در نظر گرفت.
هزینه ها در مقابل کیفیت داده ها هزینه‌ها نه تنها برای نصب‌های کوتاه‌مدت، بلکه برای عملیات طولانی‌مدت، موانعی غیرقابل چشم پوشی برای دستیابی به داده‌های بزرگ، به‌ویژه آنهایی با کیفیت بالا هستند. با اشاره به پایش کیفیت هوا، حتی اگر برخی از دستگاه‌های پایش هوای ارزان‌تر قادر به ارائه داده‌های با کیفیت هستند، هزینه عملیاتی آن‌ها بسیار کمتر از ایستگاه‌های موجود نیست و توجه کامل در برنامه‌ریزی برای استقرار طولانی‌مدت نظارت اضافی ضروری است.
دانش محدود به دست آمده از داده های غنی.حتی با داده های بزرگ یکپارچه، اینکه چگونه می توان دانش عمیق تری بر اساس تحلیل های علمی بیشتر تولید کرد، نیازمند تلاش زیادی است. در برنامه‌ریزی مسیرهای اتوبوس، شرکت‌های اتوبوسرانی دارای امتیاز، پیشنهادهایی را برای تعدیل خدمات از طریق برنامه‌های برنامه‌ریزی مسیر سالانه ارائه می‌کنند. با این حال، با در نظر گرفتن تمام مسیرهای شهر به عنوان یک کل، تأثیرات مورد به مورد در نظر گرفته می شود تا بر اساس تجزیه و تحلیل سیستماتیک. دامنه وسیعی از اطلاعات برای تبدیل کلان داده های جذب شده به دانش تعمیم یافته رفتار انسان و استفاده از فضا وجود دارد. برای مثال، HKTB با پخش‌کننده‌های رسانه‌های اجتماعی و دیجیتالی مانند Google، TripAdvisor و Facebook همکاری کرده است. با این وجود، داده‌های به‌دست‌آمده به‌طور کامل برای تشریح رفتارهای گردشگری مورد استفاده قرار نگرفت و در صورت وجود،
بیگانگی بین بخش دولتی و خصوصی مشارکت بخش‌های غیر دولتی و همکاری بین دولت، شرکت‌ها، موسسات و حتی افراد برای اجرای طرح‌های هوشمند ضروری است، اما ثابت می‌کند که دشوار است. برای مثال استفاده از وسایل نقلیه الکتریکی (EVs)، شارژرهای برقی عمومی برای آزمایش اطلاعات الکترونیکی بلادرنگ از طریق پلتفرم الکترونیکی دولتی نصب می‌شوند. با این حال، چگونگی گسترش ترویج خودروهای برقی به بخش‌های خصوصی و مالکان خودروهای شخصی همچنان یک سوال باز است که باید بیشتر مورد بحث قرار گیرد.
به طور خلاصه، دستاوردهای توسعه شهر هوشمند قابل ستایش است، اما هنوز در مرحله راه اندازی است، که عمدتاً بر پایه زیرساخت های هوشمند متمرکز است، مانند زیرساخت داده های فضایی مشترک (CSDI) توسط دفتر توسعه، خدمات نقشه. پلتفرم توسط وزارت زمین، سیستم های حمل و نقل هوشمند (ITS) توسط TD، پلت فرم سفر هوشمند توسط HKTB و غیره. در میان زیر دامنه های هوشمند، حمل و نقل حوزه ای است که بیشترین ارتباط را با تحرک انسان دارد و بیشتر تحلیل های مبتنی بر داده را اعمال کرده است. و فناوری ها نسبت به سایر حوزه ها. برای انجام مأموریت «به حداکثر رساندن نوآوری، دانش و ایجاد ارزش برای دولت، کسب‌وکار و جامعه»، نفوذ فناوری‌های هوشمند به سایر حوزه‌های توسعه و مدیریت راه طولانی را طی خواهد کرد.

5. بحث

5.1. داده ها، روش ها و نظریه ها

در شکل 2 نشان داده شده است، برای اعمال تحقیق در مدیریت و عمل شهر (هدف سطح پایین) به داده های بیشتری نسبت به تحقیقات با اهداف سطح بالا نیاز دارد. درگیر کردن برخی از داده‌های موضوعی که مرتبط هستند اما در حوزه تحقیقات سنتی غیرمعمول هستند، باید راهی مؤثر برای بهبود ارزش عملی تحقیق باشد. برخی از مطالعات در بخش 3.4 تظاهرات خوبی ارائه می دهند. محققان تشویق می شوند تا پایگاه داده را با چرخش به سمت خارج به حوزه های دیگر متنوع کنند. با توجه به اینکه خود داده ها، اگرچه بزرگ و غنی هستند، دارای محدودیت هایی هستند، به عنوان مثال، بازنمایی داده ها [ 86 ]]. به عنوان مثال، با در نظر گرفتن سوگیری در میان کاربران تلفن همراه، اختلاف بین جمعیت ثبت شده توسط سوابق جزئیات تماس و جمعیت عمومی آشکار است، به عنوان مثال، دانش آموزان در مقایسه با سایر اعضای خانواده حذف می شوند [ 87 ]. روش‌های پردازش کلان داده نیز باید به طور مداوم اصلاح و ترویج شوند. هنگام روشن کردن نتایج باید به دو موضوع کلیدی عدم قطعیت مکان و نوسان توجه شود، به عنوان مثال، عدم قطعیت و نوسان در الگوهای تحرک ناشی از داده‌های تلفن همراه تولید شده غیرفعال [ 88 ].]. از آنجایی که کاربرد کلان داده به سرعت در سراسر جهان گسترش می یابد، رویکردهای مختلف برای محافظت از داده های شخصی و حفظ حریم خصوصی تماس ایمن نیازمند ملاحظات مشورتی بیشتری است، به عنوان مثال، از طریق مقررات حفاظتی، حریم خصوصی متفاوت، استراتژی یادگیری ماشین غیرمتمرکز، اطلاعات داوطلبانه، و غیره [ 89 ، 90 ]. .
نظریه های اجتماعی، اقتصادی و رفتاری برای درک پویایی رفتار انسان رسانا هستند. مشابه آنچه در تحقیقات قبلی به این نتیجه رسیده است، پارادایم شهر هوشمند نیازمند «شامل بودن» است، همانطور که در دو بعد نشان داده شده است: مجموعه وسیع تری از منابع داده را می توان به طور موثر ادغام کرد و ساختاری از مکانیسم های یادگیری و طبقه بندی [ 83 ].

5.2. نوآوری مستمر شهر

“طرح شهر هوشمند” چارچوبی از دیدگاه دولت است که چرخه حیات ترویج نوآوری در هنگ کنگ را نشان می دهد. با تعیین اهداف بلندمدت شهر و به دنبال آن استراتژی نوآوری، استانداردها و پلت فرم، مدل عملیاتی و در نهایت یک برنامه اجرایی شروع می شود. در طول فرآیند عملیات، مشارکت بین دولت و سازمان‌های مختلف مانند دانشگاه تشویق می‌شود تا از اطلاعات، ابزارها و شیوه‌ها به بهترین شکل استفاده کنند. با محدود کردن کاربرد تجزیه و تحلیل تحرک انسانی، نقش تحقیق در پیوند داده های بزرگ و سیاست شهر هوشمند در شکل 3 نشان داده شده است.
بر اساس زیرساخت دیجیتال، چهار عنصر فناوری، تئوری، آزمایش و عمل برای استفاده از داده‌ها در خدمت تصمیم‌گیری ضروری هستند. با اشاره به تحرک انسان، دانش از طریق الگوریتم های کامپیوتری، مدیریت داده ها و تجزیه و تحلیل زمانی-مکانی تولید می شود که نظریه های مربوط به تعامل انسان و فضا را ترکیب می کند. دانش پس از آن در پروژه‌های آزمایشی آزمایش می‌شود و برای کاربردی‌تر شدن تنظیم می‌شود، که می‌تواند به طور بالقوه در عمل از طریق ترویج سیاست‌های مربوطه تعمیم یابد.
مکانیسم باز کردن و ادغام داده ها و همچنین تنظیم پویا کاربرد تحقیق، کلید فرموله کردن حلقه عملکرد داده محور است. علاوه بر این، در حوزه سیاست شهری، یک طرح منسجم شبکه ای که بخش های مختلف و توابع شهر را در بر می گیرد، برای دستیابی به توسعه همه جانبه مفید خواهد بود. با این حال، همانطور که مطالعه قبلی نشان داد، کنار هم قرار گرفتن شهرسازی هوشمند HK به دلیل عدم اتصال و عناصر ناسازگار به خوبی کار نمی کند [ 91 ].

5.3. محدودیت و مطالعه بیشتر

این تحقیق تحقیقات کلان داده را به عملکرد شهر هوشمند مرتبط می کند اما از نظر دامنه تحقیق و کلیت چارچوب پیشنهادی محدود است. ادبیات بررسی شده در بخش 3 ، اگرچه طیف گسترده ای از کاربردها را پوشش می دهد، ممکن است برای پوشش همه احتمالات کاربرد تحقیق کافی نباشد. از آنجایی که بر کاربرد تحقیق در سمت سیاست به جای جنبه های روش شناختی تأکید دارد، ارزیابی عمیق برای نوع خاصی از داده ها یا روش ها در مقاله گنجانده نشده است. مطالعات با تمرکز بر تجزیه و تحلیل عمیق‌تر داده‌ها از یک منبع خاص، به عنوان مثال، برنامه‌های درخواست مکان، کارت‌های هوشمند و غیره می‌توانند به حرکت رو به جلو برای بهبود اثربخشی در عمل کمک کنند [ 92 ]]. مسائل و موانع شناسایی شده در این مطالعه قابل ارجاع به شهرهای دیگر است که در آن دولت ها نقش مهمی در ارتقای ابتکارات شهر هوشمند دارند. با این حال، تجزیه و تحلیل سیاست به بافت شهری هنگ کنگ محدود می شود، جایی که توسعه شهر هوشمند به جای اینکه تحت سلطه بخش خصوصی باشد، همانطور که در اکثر کشورهای غربی وجود دارد، و چارچوب/روش پیشنهادی در این مطالعه، توسط دولت جهت گیری می شود. می تواند در شهرهای دیگر برای بررسی دقیق موانع در بافت های مختلف شهر اعمال شود.

6. نتیجه گیری

داده های بزرگ فرصتی بی سابقه برای به دست آوردن درک عمیق تر از ویژگی های تحرک انسان و تعامل انسان-فضا ارائه می دهد. این مقاله از طریق چه رویکردهایی می‌تواند تحلیل داده‌محور تحرک انسان را برای ارتقای شهر هوشمند به کار برد. ابتدا، مطالعات تحرک انسان بر اساس داده های بزرگ مربوط به شهر هوشمند در پایگاه داده Web of Science به طور سیستماتیک بررسی شد. مطالعات با توجه به 4 سطح هدف: کشف پدیده، شناسایی تفاوت ها، تبیین تفاوت ها و دلالت برای مدیریت شهری مورد تجزیه و تحلیل قرار گرفت. همچنین بررسی شد که چگونه مطالعات تحرک انسانی به شهرها کمک کرد تا با همه‌گیری COVID-19 مبارزه کنند. علاوه بر این، بر اساس ارتباطات ایمیل با ادارات دولتی در هنگ کنگ، شیوه‌های بکارگیری داده‌های بزرگ در ساختن شهر هوشمندتر از منظر تحرک انسانی،
ظاهرا پتانسیل‌های زیادی برای دستیابی به شهر هوشمندتر با بهبود ارزش عملی تجزیه و تحلیل داده‌ها وجود دارد، حتی اگر هنوز موانعی وجود دارد. هنگام ایجاد یا بهینه‌سازی روش‌ها برای تجزیه و تحلیل، محققان تشویق می‌شوند تا با فرمانداران و سیاست‌گذاران برای ادغام انواع بیشتری از داده‌ها در تجزیه و تحلیل به منظور تبدیل کلان داده‌های جذب شده به دانش تعمیم‌یافته و ارتقای کاربرد روش‌ها و مدل‌های فنی در عملکرد سیستم‌های شهری، ترکیب شوند. . با تمرکز بر مشکلات شهری به جای خود داده ها، تجزیه و تحلیل های عملی تر که دانش یا تئوری چندین رشته را در نظر می گیرند، استفاده بهتری از داده ها برای خدمت به مردم و همچنین تسهیل استفاده از منابع خواهند داشت. در همین حال، محققان باید به عدم قطعیت‌های مختلفی توجه کنند که می‌تواند بر کاربردی بودن تحقیقات آنها تأثیر بگذارد، مانند بازنمایی موضوعات تحقیق، عدم قطعیت و نوسان در الگوهای تحرک استخراج شده از داده‌ها، و همچنین حفاظت از داده‌های شخصی و حریم خصوصی. این مقاله همچنین رابطه بین داده‌ها، تحقیقات و کاربردهای خط‌مشی را نشان می‌دهد، نقش محققان در علوم رایانه و جغرافیا، شاغلان در بازار یا دولت و سیاست‌گذاران را در ترویج برنامه‌های هوشمند شناسایی می‌کند. اگرچه در محدوده و بافت شهر محدود است، اما این مطالعه بینش هایی را برای تحقیقات داده محور و توسعه شهر هوشمند به ارمغان می آورد. و همچنین حفاظت از داده های شخصی و حریم خصوصی. این مقاله همچنین رابطه بین داده‌ها، تحقیقات و کاربردهای خط‌مشی را نشان می‌دهد، نقش محققان در علوم رایانه و جغرافیا، شاغلان در بازار یا دولت و سیاست‌گذاران را در ترویج برنامه‌های هوشمند شناسایی می‌کند. اگرچه در محدوده و بافت شهر محدود است، اما این مطالعه بینش هایی را برای تحقیقات داده محور و توسعه شهر هوشمند به ارمغان می آورد. و همچنین حفاظت از داده های شخصی و حریم خصوصی. این مقاله همچنین رابطه بین داده‌ها، تحقیقات و کاربردهای خط‌مشی را نشان می‌دهد، نقش محققان در علوم رایانه و جغرافیا، شاغلان در بازار یا دولت و سیاست‌گذاران را در ترویج برنامه‌های هوشمند شناسایی می‌کند. اگرچه در محدوده و بافت شهر محدود است، اما این مطالعه بینش هایی را برای تحقیقات داده محور و توسعه شهر هوشمند به ارمغان می آورد.

منابع

  1. باتی، م. Axhausen، KW; جیانوتی، اف. پوزدنوخوف، ا. بذانی، ع. واچوویچ، ام. اوزونیس، جی. پرتغالی، ی. شهرهای هوشمند آینده. یورو فیزیک J. Spéc. بالا. 2012 ، 214 ، 481-518. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. یوان، ی. Raubal, M. تجزیه و تحلیل توزیع فضای فعالیت انسانی از استفاده از تلفن همراه: یک مطالعه فردی و شهری. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1594-1621. [ Google Scholar ] [ CrossRef ]
  3. هیلبرت، ام. داده های بزرگ برای توسعه: مروری بر وعده ها و چالش ها. توسعه دهنده Policy Rev. 2016 , 34 , 135-174. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. نیروتی، پی. دی مارکو، آ. کالیانو، AC; مانگانو، جی. Scorrano، F. روندهای فعلی در ابتکارات شهر هوشمند: برخی از حقایق سبک. شهرها 2014 ، 38 ، 25-36. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. لیو، جی. لی، جی. لی، دبلیو. لیو، جی. بازاندیشی کلان داده ها: مروری بر کیفیت داده ها و مسائل استفاده. ISPRS J. Photogramm. از راه دور. Sens. 2016 , 115 , 134-142. [ Google Scholar ] [ CrossRef ]
  6. پان، جی. چی، جی. ژانگ، دبلیو. لی، اس. وو، زی. Yang, LT Trace تجزیه و تحلیل و استخراج برای شهرهای هوشمند: مسائل، روش ها و برنامه ها. IEEE Commun. Mag. 2013 ، 51 ، 120-126. [ Google Scholar ] [ CrossRef ]
  7. یین، سی. Xiong، Z. چن، اچ. وانگ، جی. کوپر، دی. دیوید، بی. بررسی ادبیات شهرهای هوشمند. علمی چین Inf. علمی 2015 ، 58 ، 1-18. [ Google Scholar ] [ CrossRef ]
  8. میلر، HJ فراتر از اشتراک گذاری: پرورش سیستم های حمل و نقل تعاونی از طریق علم اطلاعات جغرافیایی. J. Transp. Geogr. 2013 ، 31 ، 296-308. [ Google Scholar ] [ CrossRef ]
  9. لی، جی.-جی. کانگ، ام. داده های بزرگ جغرافیایی: چالش ها و فرصت ها. بیگ دیتا Res. 2015 ، 2 ، 74-81. [ Google Scholar ] [ CrossRef ]
  10. یائو، اچ. شیونگ، ام. زنگ، دی. گونگ، جی. استخراج مسیرهای مکانی-زمانی متعدد از داده‌های رسانه‌های اجتماعی. آینده. ژنر. محاسبه کنید. سیستم 2018 ، 87 ، 782-791. [ Google Scholar ] [ CrossRef ]
  11. ساگل، جی. لویدل، ام. Beinat, E. A Visual Analytics Approach for Extracting Spatio-Temporal Urban Mobility Information from Traffic Network Mobile. ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 256-271. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. ساینیو، جی. وسترهولم، جی. Oksanen, J. ایجاد نقشه‌های گرمایی مسیرهای پرطرفدار به‌صورت آنلاین از داده‌های برنامه کاربردی ردیابی ورزش موبایلی عظیم در میلی‌ثانیه با رعایت حریم خصوصی. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1813-1826. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. جیانگ، ایکس. ژنگ، سی. تیان، ی. لیانگ، آر.-اچ. تجزیه و تحلیل بصری O/D تاکسی در مقیاس بزرگ برای درک الگوهای حرکت انسان در کلان شهرها. J. Vis. 2015 ، 18 ، 185-200. [ Google Scholar ] [ CrossRef ]
  14. نیش، ز. یانگ، ایکس. خو، ی. شاو، اس.-ال. یین، ال. مدل فضایی-زمانی برای ارزیابی پایداری الگوهای همگرایی و واگرایی انسان شهری. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 2119–2141. [ Google Scholar ] [ CrossRef ]
  15. لی، آر. ژائو، ز. یانگ، سی. وو، سی. ژانگ، اچ. داده های بزرگ بی سیم در شبکه های سلولی: سنگ بنای شهرهای هوشمند. IET Commun. 2018 ، 12 ، 1517-1523. [ Google Scholar ] [ CrossRef ]
  16. Traunmueller، MW; جانسون، NE; مالک، ع. Kontokosta، ​​CE Digital footprints: استفاده از کاوشگر وای فای و داده های مکانی برای تجزیه و تحلیل مسیر حرکت انسان در شهرها. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 72 ، 4-12. [ Google Scholar ] [ CrossRef ]
  17. حسن، س. اشنایدر، سی ام. اوکوسوری، اس وی؛ گونزالس، MC الگوهای فضایی-زمانی تحرک انسانی شهری. J. Stat. فیزیک 2013 ، 151 ، 304-318. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. ریوس، SA; Munoz، R. تشخیص استفاده از زمین با داده‌های تلفن همراه با استفاده از مدل‌های موضوعی: Case Santiago، شیلی. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 61 ، 39-48. [ Google Scholar ] [ CrossRef ]
  19. ژونگ، سی. آریسونا، اس ام. هوانگ، ایکس. باتی، م. اشمیت، جی. تشخیص پویایی ساختار شهری از طریق تحلیل شبکه فضایی. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 2178-2199. [ Google Scholar ] [ CrossRef ]
  20. ژو، ایکس. بله، AG; Yue, Y. تنوع فضایی خودکنترلی و تعادل شغل-مسکن در شنژن با استفاده از داده های بزرگ تلفن همراه. J. Transp. Geogr. 2018 ، 68 ، 102-108. [ Google Scholar ] [ CrossRef ]
  21. آهنگ، ی. هوانگ، بی. کای، جی. چن، ب. ارزیابی های پویا از قرار گرفتن در معرض جمعیت در فضای سبز شهری با استفاده از داده های بزرگ چند منبعی. علمی جمع. محیط زیست 2018 ، 634 ، 1315-1325. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  22. پالدینو، اس. بوجیک، آی. سوبولفسکی، اس. راتی، سی. گونزالس، MC مغناطیس شهری از طریق لنز عکاسی دارای برچسب جغرافیایی. EPJ Data Sci. 2015 ، 4 ، 5. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. میزی، سی. فابری، ا. رامبالدی، س. برتینی، اف. کورتی، ن. سینیگردی، س. لوزی، ر. ونتوری، جی. دیوید، م. موراتوره، جی. و همکاران کشف تحرک عابر پیاده در شبکه جاده با استفاده از داده های ICT در طول رویدادهای بزرگ توریستی. EPJ Data Sci. 2018 ، 7 ، 44. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  24. لو، اف. کائو، جی. مولیگان، ک. لی، ایکس. ویژگی‌های مکانی-زمانی و جمعیت‌شناختی تحرک انسان را از طریق توییتر کاوش کنید: مطالعه موردی شیکاگو. Appl. Geogr. 2016 ، 70 ، 11-25. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. رضوان، م. وانگگن، دبلیو. سروانتس، او. گویازدزینسکی، ال. Wan, W. استفاده از داده‌های رسانه اجتماعی مبتنی بر مکان برای مشاهده رفتار ورود و تفاوت جنسیت: آوردن داده‌های Weibo به بازی. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 196. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  26. سمنجسکی، آی. گوتاما، اس. آحاس، ر. Witlox، F. رویکرد کاوی زمینه فضایی برای تشخیص حالت حمل و نقل از داده های بزرگ حس شده موبایل. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 66 ، 38-52. [ Google Scholar ] [ CrossRef ]
  27. 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 ]
  28. وانگ، ز. تو، ال. گوا، ز. یانگ، LT; Huang, B. تجزیه و تحلیل رفتارهای کاربر با استخراج مجموعه داده های شبکه بزرگ. آینده. ژنر. محاسبه کنید. سیستم 2014 ، 37 ، 429-437. [ Google Scholar ] [ CrossRef ]
  29. شن، جی. چنگ، تی. چارچوبی برای شناسایی گروه‌های فعالیت از پروفایل‌های فضا-زمان فردی. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1785-1805. [ Google Scholar ] [ CrossRef ]
  30. یانگ، جی. لی، ایکس. وانگ، دی. وانگ، جی. یک روش استخراج گروهی برای داده های بزرگ در مسیرهای خودروی توزیع شده در شبکه WAN. بین المللی J. Distrib. Sens. Netw. 2015 ، 11 ، 756107. [ Google Scholar ] [ CrossRef ]
  31. Wijesinghe، WOKIS; Kumarasinghe, C. رابطه بین قطر منطقه نفوذ و استفاده مجدد از سریلانکا با استفاده از سوابق جزئیات تماس ناشناس. ICST Trans. مقیاس پذیر Inf. سیستم 2017 ، 4 ، 152104. [ Google Scholar ] [ CrossRef ]
  32. رودریگز-اچوریا، جی. سمنجسکی، آی. گوتاما، اس. ون دی وگه، ن. Ochoa، D. رویکرد خوشه‌بندی سلسله مراتبی بدون نظارت برای بخش‌بندی بازار گردشگری بر اساس داده‌های تلفن همراه جمع‌سپاری شده. Sensors 2018 , 18 , 2972. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  33. تودر، بی. اسپرومونت، اف. فی، س. پوپسکو، ام. Viti, F. استفاده از داده های تلفن هوشمند برای استخراج شاخصی برای تحرک مشترک بین افراد. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 62. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. Chorley، MJ; ویتاکر، آر.ام. آلن، SM شخصیت و شبکه های اجتماعی مبتنی بر مکان. محاسبه کنید. هوم رفتار 2015 ، 46 ، 45-56. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. الساندرتی، ال. لمان، اس. Baronchelli، A. درک تعامل بین رفتار اجتماعی و فضایی. EPJ Data Sci. 2018 ، 7 ، 36. [ Google Scholar ] [ CrossRef ]
  36. ژائو، Z.-D. یانگ، ز. ژانگ، ز. ژو، تی. هوانگ، ز.-جی. لای، Y.-C. ظهور مقیاس بندی در پویایی منافع انسانی. علمی Rep. 2013 , 3 , 3472. [ Google Scholar ] [ CrossRef ]
  37. هو، تی. بیگلو، ای. لو، جی. Kautz, H. Tales of Two Cities: استفاده از رسانه های اجتماعی برای درک سبک زندگی خاص در مناطق شهری متمایز. IEEE Trans. کلان داده 2017 ، 3 ، 55-66. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. ژائو، Z.-D. هوانگ، ز.-جی. هوانگ، ال. لیو، اچ. لای، Y.-C. مقیاس‌بندی و همبستگی حرکات انسان در فضای مجازی و فضای فیزیکی. فیزیک Rev. E 2014 , 90 , 050802. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  39. ژائو، Y.-M. زنگ، ا. شیائو یونگ، ی. وانگ، W.-X. لای، Y.-C. زیربنای یکپارچه تحرک انسان در دنیای واقعی و فضای مجازی. جدید جی. فیزیک. 2016 ، 18 ، 53025. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  40. وانگ، اچ. کیل مارتین، ال. مقایسه رفتار اجتماعی و اقتصادی روستایی و شهری در اوگاندا: بینش هایی از استفاده از خدمات صوتی موبایل. J. فناوری شهری. 2014 ، 21 ، 61-89. [ Google Scholar ] [ CrossRef ]
  41. خو، اف. لی، ی. چن، ام. چن، اس. داده های بزرگ سلولی موبایل: پیوند فضای سایبری و دنیای فیزیکی با بوم شناسی اجتماعی. IEEE Netw. 2016 ، 30 ، 6-12. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. وو، دبلیو. وانگ، جی. دای، تی. جغرافیای پیوندهای فرهنگی و تحرک انسانی: داده های بزرگ در زمینه های شهری. ان صبح. دانشیار Geogr. 2016 ، 106 ، 612-630. [ Google Scholar ] [ CrossRef ]
  43. وانگ، جی. کنگ، ایکس. رحیم، ع. شیا، اف. تولبا، ع. Al-Makhadmeh, Z. IS2Fun: شناسایی عملکردهای ایستگاه مترو با استفاده از داده های عظیم شهری. IEEE Access 2017 ، 5 ، 27103–27113. [ Google Scholar ] [ CrossRef ]
  44. نیو، ن. لیو، ایکس. جین، اچ. بله، X. لیو، ی. لی، ایکس. چن، ی. لی، اس. یکپارچه سازی داده های بزرگ چند منبعی برای استنتاج توابع ساختمان. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 1-20. [ Google Scholar ] [ CrossRef ]
  45. ژانگ، اس. وانگ، ز. استنباط رفتار انکار مسافر رانندگان تاکسی از ردپای تاکسی در مقیاس بزرگ. PLoS ONE 2016 , 11 , e0165597. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  46. سوبولفسکی، اس. سیتکو، آی. Combes، RTD; هاولکا، بی. آریاس، جی.ام. راتی، سی. شهرها از طریق منشور رفتار خرج کردن مردم. PLoS ONE 2016 , 11 , e0146291. [ Google Scholar ] [ CrossRef ]
  47. دونگ، ایکس. سهرا، ی. بوزکایا، بی. سینگ، VK؛ لپری، بی. پنتلند، A. پل های اجتماعی “شنی” در رفتار خرید شهری. ACM Trans. هوشمند سیستم تکنولوژی 2018 ، 9 ، 1-29. [ Google Scholar ] [ CrossRef ]
  48. لوپز، سی. لکلرک، ال. کریشناکوماری، پ. چیابوت، ن. ون لینت، اچ. آشکارسازی نظم روزانه الگوهای تراکم شهری با نقشه‌های سرعت سه بعدی. علمی 2017 ، 7 ، 1-11 . [ Google Scholar ] [ CrossRef ]
  49. د دومنیکو، م. لیما، ا. گونزالس، ام سی؛ Arenas, A. مسیریابی شخصی برای تعداد زیادی در شهرهای هوشمند. EPJ Data Sci. 2015 ، 4 ، 1. [ Google Scholar ] [ CrossRef ]
  50. پاپالاردو، ال. سیمینی، اف. تولید روال‌های مکانی-زمانی مبتنی بر داده در تحرک انسان. حداقل داده بدانید. کشف کنید. 2018 ، 32 ، 787-829. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. خو، ی. مزایای Gonzalez, MC Collective در ترافیک در رویدادهای بزرگ از طریق استفاده از فناوری اطلاعات. JR Soc. رابط 2017 ، 14 ، 20161041. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  52. کیم، دی. Song, HY روش پیش بینی الگوهای تحرک انسان با استفاده از یادگیری عمیق. محاسبات عصبی 2018 ، 280 ، 56-64. [ Google Scholar ] [ CrossRef ]
  53. بائو، جی. لیو، پی. یو، اچ. Xu, C. ترکیب اطلاعات فعالیت انسانی مبتنی بر توییتر در تجزیه و تحلیل فضایی تصادفات در مناطق شهری. اسید. مقعدی قبلی 2017 ، 106 ، 358-369. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. چن، سی. ژانگ، دی. لی، ن. ژو، Z.-H. B-Planner: برنامه ریزی مسیرهای اتوبوس شبانه دو طرفه با استفاده از ردیابی GPS تاکسی در مقیاس بزرگ. IEEE Trans. هوشمند ترانسپ سیستم 2014 ، 15 ، 1451-1465. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. رنجیت، س. ویتایانگ کورن، آ. ناگای، م. شیباساکی، R. مدل‌سازی مبتنی بر عامل از شبیه‌سازی رفتار تاکسی با داده‌های وسیله نقلیه کاوشگر. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 177. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  56. چن، بی. آهنگ، ی. جیانگ، تی. چن، ز. هوانگ، بی. Xu, B. برآورد زمان واقعی مواجهه جمعیت با PM2.5 با استفاده از داده های بزرگ مبتنی بر موبایل و ایستگاه. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2018 ، 15 ، 573. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  57. گاریاتزو، سی. پلیچیونی، آ. Bolignano، A. مطالعه ارزیابی قرار گرفتن در معرض جمعیت آلودگی هوای شهری پویا با استفاده از مدل و داده‌های تراکم جمعیت به دست آمده از ترافیک تلفن همراه. اتمس. محیط زیست 2016 ، 131 ، 289-300. [ Google Scholar ] [ CrossRef ]
  58. مائو، ال. یین، ال. آهنگ، X. Mei, S. نقشه برداری خطر انتقال درون شهری تب دنگی با داده های ساعتی بزرگ تلفن همراه. آکتا تروپ. 2016 ، 162 ، 188-195. [ Google Scholar ] [ CrossRef ]
  59. کریمر، MUG; بیسانزیو، دی. رینر، RC; زکار، ر. هاوکینز، جی بی. فرایفلد، سی سی; اسمیت، دی.ال. هی، SI; Brownstein، JS; Perkins، TA استنباط در مورد تغییرات مکانی-زمانی در انتقال ویروس دنگی به فرضیات در مورد تحرک انسان حساس است: مطالعه موردی با استفاده از توییت‌های جغرافیایی از لاهور، پاکستان. EPJ Data Sci. 2018 ، 7 ، 1-17. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  60. ماری، ال. گاتو، م. سیدیو، ام. دیا، ED; سوکولو، SH. دی لئو، GA; Casagrandi، R. مدل‌سازی مبتنی بر داده‌های بزرگ، محرک‌های کل کشور شیستوزومیازیس بومی را آشکار می‌کند. علمی 2017 ، 7 ، 1-11 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. وسولوفسکی، آ. باکی، CO؛ Engø-Monsen، K. Metcalf، CJE اتصال تحرک به بیماری های عفونی: وعده و محدودیت داده های تلفن همراه. ج. عفونی کردن. دیس 2016 ، 214 ، S414–S420. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  62. گوگل. گزارش‌های تحرک جامعه COVID-19. 2020. در دسترس آنلاین: https://www.google.com/covid19/mobility/ (در 7 دسامبر 2020 قابل دسترسی است).
  63. بایدو. Baidu Qianxi—Baidu Map Huiyan. 2020. در دسترس آنلاین: https://qianxi.baidu.com/ (دسترسی در 7 دسامبر 2020).
  64. بدر، اچ اس; دو، اچ. مارشال، ام. دونگ، ای. Squire، MM; گاردنر، L. ارتباط بین الگوهای تحرک و انتقال COVID-19 در ایالات متحده: یک مطالعه مدل سازی ریاضی. عفونت لانست دیس 2020 ، 20 ، 1247-1254. [ Google Scholar ] [ CrossRef ]
  65. Iacus، SM; سانتاماریا، سی. سرمی، ف. اسپیراتوس، اس. ترچی، د. Vespe، M. تحرک انسان و پویایی اولیه COVID-19. غیر خطی Dyn. 2020 ، 101 ، 1901-1919. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  66. کوبوتا، ی. شیونو، تی. کوسوموتو، بی. فوجینوما، جی. محرک های چندگانه گسترش COVID-19: نقش آب و هوا، تحرک بین المللی و شرایط خاص منطقه. PLoS ONE 2020 , 15 , e0239385. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  67. سانتاماریا، سی. سرمی، ف. اسپیراتوس، اس. Iacus، SM; آنونزیاتو، ا. طرچی، د. Vespe، M. اندازه‌گیری تأثیر اقدامات محدودسازی COVID-19 بر تحرک انسان با استفاده از داده‌های موقعیت‌یابی تلفن همراه. تحلیل منطقه ای اروپا ساف علمی 2020 ، 132 ، 104925. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  68. ونتر، ZS; بارتون، DN; گاندرسن، وی. فیگری، ح. Nowell, M. طبیعت شهری در زمان بحران: استفاده تفریحی از فضای سبز در طول شیوع COVID-19 در اسلو، نروژ افزایش می یابد. محیط زیست Res. Lett. 2020 ، 15 ، 104075. [ Google Scholar ] [ CrossRef ]
  69. جیا، جی اس. لو، ایکس. یوان، ی. خو، جی. جیا، جی. کریستاکیس، NA جریان جمعیت موجب توزیع مکانی-زمانی COVID-19 در چین می شود. نات. سلول بیول. 2020 ، 582 ، 389-394. [ Google Scholar ] [ CrossRef ]
  70. وانگ، هی. یاماموتو، ن. استفاده از یک معادله دیفرانسیل جزئی با داده‌های Google Mobility برای پیش‌بینی COVID-19 در آریزونا. ریاضی. Biosci. مهندس 2020 ، 17 ، 4891-4904. [ Google Scholar ] [ CrossRef ]
  71. کریمر، ام. یانگ، سی.-اچ. گوتیرز، بی. وو، سی.-اچ. کلاین، بی. پیگوت، دی.م. دو پلسیس، ال. فاریا، NR; لی، آر. Hanage، WP; و همکاران تأثیر تحرک انسان و اقدامات کنترلی بر اپیدمی COVID-19 در چین. Science 2020 , 368 , 493-497. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  72. گاتو، م. برتوزو، ای. ماری، ال. میکولی، اس. کارارو، ال. کاساگراندی، ر. Rinaldo، A. گسترش و پویایی اپیدمی COVID-19 در ایتالیا: اثرات اقدامات مهار اضطراری. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 10484–10491. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  73. بائو، آر. Zhang، A. آیا قرنطینه آلودگی هوا را کاهش می دهد؟ شواهد از 44 شهر در شمال چین. علمی جمع. محیط زیست 2020 , 731 , 139052. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  74. شوال، اس. آدامسکو، سی ام. جورجیادیس، تی. هرنگر، ام. پیتیکار، ا. LeGates، DR مشاهده شده و اثرات بالقوه همه گیری COVID-19 بر محیط زیست. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 4140. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  75. بوناکورسی، جی. پیری، اف. سینلی، م. فلوری، ع. گالیازی، ا. پورچلی، اف. اشمیت، آل. Valensise، CM; اسکالا، ا. Quattrociocchi، W. و همکاران پیامدهای اقتصادی و اجتماعی محدودیت های تحرک انسانی تحت COVID-19. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 15530–15535. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  76. Boulos، MNK; Geraghty، EM ردیابی و نقشه برداری جغرافیایی بیماری کرونا ویروس کووید-19/سندرم تنفسی حاد ویروس کرونا 2 (SARS-CoV-2) همه گیر و رویدادهای مرتبط در سراسر جهان: چگونه فن آوری های GIS قرن بیست و یکم از مبارزه جهانی علیه شیوع و شیوع بیماری حمایت می کنند. اپیدمی ها بین المللی J. Health Geogr. 2020 ، 19 ، 8. [ Google Scholar ]
  77. ژو، سی. سو، اف. پی، تی. ژانگ، ا. دو، ی. لو، بی. کائو، ز. وانگ، جی. یوان، دبلیو. زو، ی. و همکاران COVID-19: چالش های GIS با داده های بزرگ. Geogr. حفظ کنید. 2020 ، 1 ، 77-87. [ Google Scholar ] [ CrossRef ]
  78. Mazimpaka، JD; Timpf، S. نحوه حرکت آنها آشکار می کند که چه اتفاقی می افتد: درک پویایی رویدادهای بزرگ از الگوی تحرک انسان. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 15. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  79. آهنگ، X. شیباساکی، آر. یوان، نیوجرسی؛ Xie، X. لی، تی. آداچی، آر. دیپ موب. ACM Trans. Inf. سیستم 2017 ، 35 ، 1-19. [ Google Scholar ] [ CrossRef ]
  80. بوگومولوف، آ. لپری، بی. استایانو، جی. لتوزه، ای. الیور، ن. پیانسی، ف. Pentland, A. Moves on the Street: Classifying Crime Hotspots با استفاده از داده‌های ناشناس انبوه در پویایی افراد. کلان داده 2015 ، 3 ، 148-158. [ Google Scholar ] [ CrossRef ]
  81. کادار، سی. Pletikosa، I. استخراج داده‌های تحرک انسان در مقیاس بزرگ برای پیش‌بینی جنایت درازمدت. EPJ Data Sci. 2018 ، 7 ، 26. [ Google Scholar ] [ CrossRef ]
  82. کنگ، ایکس. لیو، ی. وانگ، ی. تانگ، دی. ژانگ، جی. بررسی ویژگی‌های تسهیلات عمومی از دیدگاه تعامل فضایی: مطالعه موردی بیمارستان‌های پکن با استفاده از داده‌های تاکسی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 38. [ Google Scholar ] [ CrossRef ]
  83. جیوردانی، آی. آرچتی، اف. Candelieri، A. علم داده و مدیریت محیطی در شهرهای هوشمند. محیط زیست مهندس مدیریت J. 2015 ، 14 ، 2095-2102. [ Google Scholar ] [ CrossRef ]
  84. آردانوی، جی اف. کاستانو سولیس، اس. آلوارو-هرمانا، آر. مرینو، جی. کاستیو، Á. استفاده از اطلاعات تحرک برای انجام یک مطالعه امکان سنجی و ارزیابی انرژی مکانی-زمانی مورد نیاز یک ناوگان تاکسی برقی. مبدل انرژی مدیریت 2018 ، 157 ، 59-70. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  85. گوا، کیو. کریمی، HA روش شناسی جدید برای پیش بینی فعالیت های مکانی- زمانی با استفاده از ویژگی های نهفته. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 62 ، 74-85. [ Google Scholar ] [ CrossRef ]
  86. لو، اس. نیش، ز. ژانگ، ایکس. شاو، اس.-ال. یین، ال. ژائو، ز. یانگ، ایکس. درک نمایندگی داده های مکان تلفن همراه در مشخص کردن شاخص های تحرک انسانی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 7. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  87. آرایی، ع. فن، ز. ماتکنیا، دی. شیباساکی، آر. دیدگاه مقایسه ای از الگوهای رفتاری انسانی برای کشف تعصب مالکیت در میان کاربران تلفن همراه. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 85. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  88. وانگ، اف. Chen, C. در مورد پردازش داده های مورد نیاز برای استخراج الگوهای تحرک از داده های تلفن همراه تولید شده به صورت غیرفعال. ترانسپ Res. قسمت ج: ظهور. تکنولوژی 2018 ، 87 ، 58-74. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  89. دوکوتا، بی. میازاکی، اچ. ویتایانگ کورن، آ. کیم، اس ام با استفاده از اطلاعات جغرافیایی داوطلبانه و داده های سنجش از دور نور شبانه برای شناسایی مناطق گردشگری مورد علاقه. پایداری 2019 ، 11 ، 4718. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  90. فن، ز. آهنگ، X. جیانگ، آر. چن، کیو. شیباساکی، آر. پیش بینی تحرک انسانی شخصی شده مبتنی بر توجه غیرمتمرکز. Proc. ACM Interact اوباش فناوری پوشیدنی همه جا. 2019 ، 3 ، 1-26. [ Google Scholar ] [ CrossRef ]
  91. کوگورولو، اف. افشای شهرهای هوشمند و شهرهای زیست محیطی: شهرسازی فرانکشتاین و چالش های پایداری شهر تجربی. محیط زیست طرح. پاسخ: اقتصادی Space 2018 , 50 , 73–92. [ Google Scholar ] [ CrossRef ]
  92. لی، تی. سان، دی. جینگ، پی. یانگ، ک. داده کاوی کارت هوشمند مقصد حمل و نقل عمومی: مروری بر ادبیات. اطلاعات 2018 ، 9 ، 18. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Ijgi 10 00013 g001 550
شکل 1. چارچوبی برای پیوند تحقیقات تحرک انسانی کلان داده با سیاست شهر هوشمند در سطح شهر.
Ijgi 10 00013 g002 550
شکل 2. سلسله مراتب تحقیق بر اساس هدف (نیازمندی داده ها و روش).
Ijgi 10 00013 g003 550
شکل 3. نقش تحقیق در پیوند داده های بزرگ و سیاست شهر هوشمند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید