خلاصه

حوضه آبریز ترانزیت یک مفهوم مهم برای برنامه ریزی حمل و نقل عمومی است. این مطالعه یک چارچوب روش‌شناختی برای ایجاد مناطق حوضه آبریز ترانزیت مبتنی بر شبکه با پیاده‌روی پیشنهاد می‌کند. سه جزء چارچوب، یعنی ساخت زیرگراف، ساخت درخت کوتاه‌ترین مسیر و تولید کانتور گام به گام ارائه می‌شوند. روش هایی در مورد چگونگی تعمیم چارچوب به موارد شبکه راه هدایت شده و امکانات غیر نقطه ای توسعه یافته است. اجرای چارچوب به عنوان یک پروژه منبع باز ارائه شده است. با استفاده از ایستگاه های مترو در شانگهای به عنوان مطالعه موردی، امکان سنجی چارچوب پیشنهادی را نشان می دهیم. آزمایش‌ها نشان می‌دهند که روش پیشنهادی حوضه‌های آبریز با دقت مکانی بالا تولید می‌کند و کارایی محاسباتی را به طور قابل‌توجهی افزایش می‌دهد.

کلید واژه ها:

حوضه آبریز ترانزیت ; دسترسی عابر پیاده ؛ درخت طولانی ترین مسیر ; مثلث بندی محدود ; نسل کانتور

1. معرفی

حوضه آبریز ترانزیت (TCA) یک مفهوم مهم برای برنامه ریزی حمل و نقل، به ویژه برای برنامه ریزی حمل و نقل عمومی است. حوضه آبریز یک ایستگاه حمل و نقل را می توان به عنوان یک منطقه جغرافیایی تعریف کرد که اکثر مسافران معمولاً در آن یافت می شوند [ 1 ، 2 ]. در سال‌های اخیر، افزایش علاقه در تحقیقات مربوط به TCAها، از جمله مدل‌سازی TCA [ 1 ، 3 ] و تجزیه و تحلیل TCA [ 4 ، 5 ] مشاهده شده است، که نشان داده‌اند درک عمیق یک TCA می‌تواند برنامه‌ریزی را تسهیل کند. چند جنبه اول، یک TCA به خوبی تعریف شده می تواند از طراحی شبکه های جاده، کاربری های زمین، و نسبت های سطح زمین در اطراف ایستگاه های حمل و نقل [ 6 ، 7] پشتیبانی کند. [8 ]. دوم، TCA یکی از عناصر اساسی برای مدل سازی حمل و نقل- سواری است [ 9 ، 10 ، 11 ]. این به این دلیل است که چندین عامل بالقوه مرتبط با سواری، مانند جمعیت، اشتغال و کیفیت جاده، معمولاً بر اساس حوضه آبریز ایستگاه اندازه‌گیری می‌شوند. سوم و به طور کلی تر، تجزیه و تحلیل TCA های نوع خاصی از سیستم حمل و نقل می تواند بینش هایی را در مورد تعادل بین عرضه و تقاضا ارائه دهد [ 12 ، 13 ، 14 ]. به عنوان مثال، بررسی پوشش حوضه های آبریز مترو می تواند به برنامه ریزان در تعیین مناطق تحت پوشش و تحت پوشش سیستم مترو کمک کند و در نتیجه از برنامه ریزی ایستگاه های مترو جدید حمایت کند.
TCA را می توان با توجه به حالت تغذیه ایستگاه های حمل و نقل به انواع مختلفی طبقه بندی کرد. به طور خاص، حالت تغذیه می تواند پیاده روی، دوچرخه سواری، اتوبوس سواری و رانندگی با ماشین باشد. پیاده روی به طور کلی به عنوان بزرگترین حالت تغذیه کننده برای چندین نوع سیستم حمل و نقل (به عنوان مثال، سیستم های متروی شهری) شناخته می شود. از این رو، اکثر محققان به توافق کلی رسیده اند که اندازه حوضه آبریز ایستگاه های حمل و نقل باید برای دسترسی عابران پیاده تعریف شود [ 15 ، 16 ، 17 ] (معروف به حوزه های حوضه پیاده). بنابراین تعجب آور نیست که می بینیم بیشتر مطالعات قبلی بر تجزیه و تحلیل TCA ها با راه رفتن تمرکز کرده اند [ 15 , 16 , 17 , 18 ،19، 20 ].
ایجاد یک TCA مناسب یکی از پیش نیازهای تجزیه و تحلیل TCA است (به عنوان مثال، تجزیه و تحلیل پوشش). روش های تولید TCA تا حد زیادی به نحوه مدل سازی TCA ها بستگی دارد (یعنی نحوه نمایش یک TCA). به طور کلی، مدل سازی TCA ها را می توان به دو دسته عمده طبقه بندی کرد. دسته اول حوضه آبریز یک ایستگاه حمل و نقل را به عنوان یک منطقه حائل در اطراف ایستگاه نشان می دهد، به منطقه ای که اکثر کاربران می توانند در آن قرار گیرند. اندازه منطقه حائل معمولاً بر اساس زمان/فاصله سفر «قابل قبول»/خروج مسافران تعیین می‌شود. به عنوان مثال، نیم مایل معمولاً به عنوان فاصله بافر برای تعریف حوضه آبریز حمل و نقل ریلی با پیاده روی استفاده می شود [ 21]]. فاصله بافر را می توان با فاصله اقلیدسی یا فاصله شبکه اندازه گیری کرد. با توجه به [ 5 ، 22 ]، دومی می تواند حوضه آبریز دقیق تری ایجاد کند زیرا مردم نیاز دارند در امتداد جاده ها در دنیای واقعی سفر کنند. روش مبتنی بر بافر اقلیدسی معمولاً اندازه حوضه های آبریز را به دلیل ماهیت انحرافی جاده های واقعی بیش از حد برآورد می کند. دسته دوم را می توان به عنوان مدل سازی TCA مبتنی بر احتمال نامید، که در آن یک حوضه آبریز معمولاً با مجموعه ای از مناطق فرعی با احتمالات مربوطه نشان داده می شود [ 1 ، 3 ، 23]]. این نوع مدل‌سازی TCA با مدل‌سازی انتخاب ایستگاه ارتباط تنگاتنگی دارد و معمولاً برای مدل‌سازی TCA با حمل و نقل موتوری استفاده می‌شود. به عنوان مثال، لین و همکاران. یک مدل هاف پیشرفته برای اندازه‌گیری احتمالات انتخاب ایستگاه قطار برای کاربران پارک و سواری که در حومه‌های مختلف زندگی می‌کنند پیشنهاد کرد [ 1 ]. احتمالات انتخاب ایستگاه مشتق شده برای تعریف مجدد مبدا هر ایستگاه قطار استفاده می شود و بنابراین حوضه آبریز هر ایستگاه قطار بر اساس مبداهای تعریف شده مجدد ساخته می شود.
مطالعات سروال نحوه تولید TCA های مبتنی بر بافر را مورد بحث قرار داده است [ 24 ، 25 ، 26 ]. TCA های مبتنی بر بافر اقلیدسی را می توان به راحتی با ایجاد یک ناحیه دایره ای در مرکز ایستگاه حمل و نقل تولید کرد. با ترکیب چند ضلعی های تیسن و مناطق بافر مبتنی بر اقلیدسی ایستگاه های حمل و نقل، چند ضلعی های متقابل منحصر به فرد را می توان برای نشان دادن حوضه های حوضه غیر همپوشانی تولید کرد [ 24 ، 26 ]. با توجه به تولید TCA های مبتنی بر بافر در طول شبکه جاده، دو نوع مدل داده ورودی وجود دارد، یعنی مدل داده شطرنجی و مدل داده شبکه [ 25] .]. همانطور که برای مدل داده شطرنجی، یک منطقه مورد مطالعه با مجموعه ای از سلول ها (به عنوان مثال، سلول های مربع) نشان داده شده است. به منظور اندازه گیری فاصله در امتداد شبکه جاده، استراتژی های اضافی برای ادغام اطلاعات شبکه جاده در مدل داده شطرنجی مورد نیاز است. به عنوان مثال، Upchurch و همکاران. یک استراتژی پیشنهاد کرد که وزن های مختلفی را به سلول های شبکه (یعنی سلول هایی که نشان دهنده جاده ها هستند) و سلول های خارج از شبکه اختصاص می دهد. 26]]. با تنظیم وزن “بزرگ” برای سلول های خارج از شبکه، الگوریتم مسیریابی می تواند تضمین کند که کوتاه ترین مسیرهای به دست آمده محدود به شبکه جاده هستند. علاوه بر این، مناطق بدون شبکه جاده ای (یعنی مناطق خارج از شبکه) به صراحت به عنوان سلول های خارج از شبکه نمایش داده می شوند و بنابراین راهی آسان برای اندازه گیری فواصل خارج از شبکه ارائه می دهند. دقت TCAهای بدست آمده توسط مدل داده شطرنجی تا حد زیادی به اندازه سلول بستگی دارد. اندازه کوچکتر سلول معمولاً مناطق حوضه آبریز دقیق تری ایجاد می کند زیرا جزئیات بیشتری مانند پیچ ​​جاده ها را می توان در مدل داده های شطرنجی مدل کرد. با این حال، اندازه کوچکتر به معنای تعداد سلول های بیشتر است که می تواند زمان محاسبه را به صورت نمایی افزایش دهد [ 26]]. در مقابل، اندازه بزرگ سلول می تواند به تسریع روند محاسباتی به قیمت دقت کمک کند.
از سوی دیگر، تولید TCA بر اساس مدل داده‌های شبکه یک رویکرد بسیار ساده‌تر است زیرا جاده‌ها معمولاً به عنوان یک مدل داده شبکه نشان داده می‌شوند. هیچ تبدیل داده اضافی بین مدل داده شبکه و مدل داده شطرنجی مورد نیاز نیست. فاصله در امتداد شبکه راه را می توان بر اساس مدل داده های شبکه به دقت اندازه گیری کرد. در نتیجه، این روش اغلب برای ساخت حوضه های آبریز در عمل به کار می رود. با این حال، مطالعات بسیار کمی در مورد روش های تولید TCA بر اساس مدل داده های شبکه (که TCA های مبتنی بر شبکه نامیده می شوند) گزارش شده است. اکثر مطالعات موجود [ 5 ، 13 ، 25 ، 27] اشاره کرد که TCA های مبتنی بر شبکه با استفاده از ابزار ناحیه خدمات ArcGIS [28 ]. با این حال، مطالعات کمی در مورد چگونگی تولید TCA های مبتنی بر شبکه و چگونگی ارزیابی دقت آنها بحث کرده اند. اگرچه یک مطالعه [ 25 ] نشان داد که حوضه های آبریز بر اساس مدل داده های شطرنجی تمایل به برآورد بیش از حد پوشش در مقایسه با موارد مبتنی بر مدل داده های شبکه دارند، یک ارزیابی کمی در مورد دقت حوضه های حوضه مبتنی بر شبکه هنوز وجود ندارد.
در سال‌های اخیر، اهمیت رو به رشد رویکردهای منبع باز در تحلیل و تجسم مکانی به دو دلیل عمده شناخته شده است [ 29 ، 30 ، 31] .]. اول، رویکردهای منبع باز راه آسانی را برای محققان فراهم می کند تا بدون نگرانی در مورد نرم افزار و/یا محدودیت داده، تحلیل های مشابه را مجدداً انجام دهند. دوم، از آنجایی که رویکردهای منبع باز کاملاً شفاف هستند، الگوریتم‌ها و جریان‌های کاری مربوطه را می‌توان بهتر درک کرد و به روشی انعطاف‌پذیر بازبینی/توسعه داد. به دنبال این جهت، ما در اینجا بر پیشنهاد یک چارچوب منبع باز برای تولید TCA های مبتنی بر شبکه با راه رفتن تمرکز می کنیم. علاوه بر این، هدف ما توسعه روشی برای ارزیابی دقت جغرافیایی TCA های مبتنی بر شبکه است. سهم این کار به سه جنبه زیر مربوط می شود.
  • ما یک چارچوب روش شناختی برای تولید TCA های مبتنی بر شبکه با راه رفتن پیشنهاد می کنیم.
  • ما روشی را برای ارزیابی دقت جغرافیایی TCAهای مبتنی بر شبکه پیشنهاد می‌کنیم.
  • ما یک پیاده سازی متن باز از چارچوب خود ارائه می دهیم.
بقیه مقاله به صورت زیر سازماندهی شده است. در بخش 2 ، ما ابتدا چارچوب روش شناختی تولید TCA ها با راه رفتن را ارائه می کنیم. سپس، یک متریک برای ارزیابی دقت جغرافیایی حوضه آبریز پیشنهاد می‌کنیم. بخش 3 چارچوب ما را با تولید حوضه های آبریز ایستگاه های مترو در شانگهای به عنوان مطالعات موردی، و به دنبال آن ارزیابی دقت جغرافیایی و کارایی زمانی به نمایش می گذارد. در بخش 4 ، محدودیت و گسترش بالقوه چارچوب پیشنهادی را مورد بحث قرار می دهیم و مطالعه را در بخش 5 به پایان می رسانیم .

2. روش ها

2.1. تعریف مسئله و فرضیات

با توجه به نمودار شبکه راه جی=(ن، E) (که در آن مجموعه گره N نشان دهنده تقاطع های جاده و مجموعه لبه های E نشان دهنده جاده های مربوطه است) و یک تسهیلات حمل و نقل پبا فاصله قطع دهلتیآ، حوضه آبریز مبتنی بر شبکه از پبه عنوان منطقه ای تعریف می شود که دقیقاً تمام نقاط با فاصله تا را در بر می گیرد پنه بیشتر از دهلتیآ. نقاطی را که در فاصله دلتای قرار دارند ارجاع می دهیم پبه عنوان نقاط قابل دسترس و نقاط فراتر از این فاصله به عنوان نقاط غیر قابل دسترس. “دقیقا” به این معنی است که تمام نقاط غیرقابل دسترس باید در حوضه آبریز حذف شوند. فاصله بین یک نقطه و یک مرکز شامل دو بخش است: فاصله شبکه و فاصله خارج از شبکه. دو فرض برای تسهیل اندازه گیری فاصله وجود دارد. ابتدا، فرض بر این است که کاربران نزدیک‌ترین جاده مبدا/مقصد را برای شروع/پایان سفر خود در امتداد شبکه جاده‌ای انتخاب می‌کنند. دوم، فرض بر این است که کاربران کوتاه ترین مسیر را برای سفر در امتداد شبکه جاده انتخاب می کنند. بر اساس این دو فرض، فاصله شبکه و خارج از شبکه را می توان اندازه گیری کرد و فاصله بین آنها را اندازه گیری کرد پو بر این اساس هر امتیازی بدست می آید. کوتاه‌ترین مسیر ممکن است همیشه مسیر بهینه نباشد، عواملی مانند زمان، آشنایی و تعداد گردش‌ها نیز می‌تواند بر انتخاب مسیر کاربران تأثیر بگذارد. با این حال، از آنجایی که این عوامل را می توان با یک تابع وزنی به فواصل تبدیل کرد، فرض کوتاه ترین مسیر همچنان در یک مفهوم کلی برقرار است ( برای جزئیات بیشتر به بخش 4 مراجعه کنید ).
بر اساس تعریف TCA مبتنی بر شبکه، مشکل مورد بررسی به شرح زیر است:
با توجه به نمودار شبکه راه جی=(ن، E)و مجموعه ای از امکانات {پ1، پ2، …،پn}. هر تسهیلات  پمن دارای یک فاصله قطع مرتبط است دهلتیآمن. هدف طراحی روشی برای تولید n TCA برای این امکانات به روشی کارآمد و دقیق است .
“کارآمد” در اینجا به این معنی است که روش باید از نظر تولید تعداد زیادی حوضه سریع باشد. “دقیق” به این معنی است که حوزه حوضه تولید شده باید تا حد امکان با تعریف TCA مطابقت داشته باشد، به عنوان مثال، حوزه حوضه تولید شده باید نقاط دسترسی بیشتر و نقاط غیرقابل دسترس کمتری را شامل شود (برای معیارهای ارزیابی دقیق به بخش 2.4 مراجعه کنید ) .

2.2. چارچوب ایجاد مناطق حوضه ترانزیت مبتنی بر شبکه (TCA)

حوضه های آبریز را می توان در دو جهت اندازه گیری کرد، یعنی جهت به تأسیسات و جهت از تأسیسات، به ترتیب مربوط به استفاده از تأسیسات به عنوان مقصد و مبدا. برای شبکه‌های جاده‌ای بدون جهت، فاصله اندازه‌گیری شده در جهت تسهیلات با فاصله اندازه‌گیری شده در جهت از تسهیلات یکسان است. بنابراین، رفت و آمد حوضه های آبریز تاسیسات یکسان است. در مقابل، لازم است مناطق حوضه آبریز به تأسیسات و خارج از تأسیسات برای مورد شبکه راه هدایت شده تفکیک شود. علاوه بر نشان دادن یک مرکز به عنوان یک نقطه، این تسهیلات همچنین می تواند به صورت هندسی به صورت مجموعه ای از نقاط (یعنی چندین نقطه)، چند خط یا چندضلعی نمایش داده شود. در این بخش، ما بر روی نشان دادن چارچوب تولید TCA ها با راه رفتن با استفاده از مورد شبکه جاده های هدایت نشده و تسهیلات مبتنی بر نقطه تمرکز می کنیم. روش های تعمیم چارچوب به گراف جهت دار و تسهیلات غیر نقطه ای در شرح داده شده استبخش 2.3 .
شکل 1 گردش کار چارچوب پیشنهادی را نشان می دهد. ایده کلی این است که یک مثلث بسازیم تا کانتور را در فاصله برش درون یابی کند و ناحیه محصور شده توسط کانتور به عنوان حوضه آبریز استفاده شود. به طور خاص، با توجه به شبکه جاده ورودی و امکانات، گردش کار شامل سه جزء است: ساخت زیرگراف، ساخت درخت کوتاه‌ترین مسیر (SP) و تولید کانتور. این سه جزء را در زیر بخش‌های زیر توضیح می‌دهیم.

2.2.1. ساخت زیرگراف

از آنجایی که فواصل برش برای TCA بر اساس راه رفتن عموماً کوچک است، یک زیرگراف برای هر تسهیلات ساخته می‌شود تا با محدود کردن جستجوی کوتاه‌ترین مسیر به اندازه کوچک زیرگراف، ساخت کوتاه‌ترین درخت طولانی‌ترین مسیر را تسریع بخشد (به بخش 2.2.2 مراجعه کنید ) . (یعنی نمودار با گره های کمتر).
  • ساختمان R-tree . بر اساس لبه های شبکه راه ورودی، یک R-tree [ 32 ] ساخته شده است تا نزدیکترین جستجوی جاده و استخراج لبه فرعی را تسریع کند.
  • پیش بینی امکانات به نزدیکترین لبه ها . به منظور اندازه‌گیری فاصله از/تا یک مرکز، هر نقطه تسهیلات به نزدیک‌ترین لبه خود پیش‌بینی می‌شود. نزدیکترین لبه یک تسهیلات با استفاده از پرس و جو نزدیکترین همسایه R-tree [ 33 ] بازیابی می شود. سپس، هر تسهیلات با استفاده از یک الگوریتم مرجع خطی به نزدیک‌ترین لبه خود پیش‌بینی می‌شود، که از طریق هر بخش (یعنی خطی که دو نقطه همسایه یک یال را به هم متصل می‌کند) از لبه تکرار می‌شود تا نزدیک‌ترین بخش را تعیین کند [34 ] . همانطور که در شکل 2 نشان داده شده است ،  پ”نقطه پیش بینی شده مربوط به تسهیلات است  پ.

  • استخراج لبه های فرعی بر اساس نقاط پیش بینی شده به دست آمده، مجموعه ای از لبه ها در اطراف هر نقطه پیش بینی شده قابل شناسایی است. تسهیلات داده شده است پبا نقطه پیش بینی شده آن پ”و فاصله قطع  دهلتیآ، یک کادر جستجوی مربعی با عرض لو متمرکز در پ”ایجاد شده است ( شکل 2 ). سپس لبه‌های فرعی هر تسهیلات با یافتن لبه‌هایی که با کادر جستجوی آن تلاقی می‌کنند با کمک پرسش تقاطع R-Tree استخراج می‌شوند. بر اساس لبه های فرعی استخراج شده از هر تسهیلات، زیرگراف مربوطه جیپبرای یک تسهیلات پمی توان ساخت. علاوه بر این، نقطه پیش بینی شده پ”درج می شود جیپبه عنوان یک گره جدید تنظیم پارامتر از لباید دو شرط را برآورده کند: (1) تمام لبه های قابل دسترسی (یعنی لبه هایی که فاصله آنها از/از پکمتر یا مساوی هستند دهلتیآباید در آن گنجانده شود جیپ; و (2) برخی از لبه ها فراتر از فاصله دهلتیآباید در آن گنجانده شود جیپ، که برای درون یابی نقاط مرزی اضافی حوزه حوضه استفاده خواهد شد (به بخش 2.2.3 مراجعه کنید ). از این رو، لباید فرمول زیر را برآورده کند

    ل ≥2*(دهلتیآ-د(پ، پ”))

    جایی که د(پ، پ”)فاصله اقلیدسی بین است پو پ”، دهلتیآفاصله قطع داده شده است پ. به شرط ارضای این دو شرط، لباید تا حد امکان کوچک باشد تا کارایی محاسبات بهبود یابد. تنظیم کردیم ل بودن 2*دهلتیآبه سه دلیل اولاً، نسبت انحراف جاده ها معمولاً بزرگتر از 1 است. د(پ، پ”)معمولا بزرگتر از 0 است. سوم، لبه های مرزی با فاصله تا پ”بزرگتر از 2*(دهلتیآ-د(پ، پ”))به طور طبیعی در زیرگراف گنجانده شده اند زیرا ما از “پرس و جوی تقاطع” برای استخراج لبه های فرعی استفاده می کنیم (به عنوان مثال، لبه ای که با دایره قرمز در شکل 2 مشخص شده است ).

2.2.2. ساخت و ساز درخت کوتاه ترین مسیر
یک درخت کوتاه‌ترین مسیر (SP) برای هر زیرگراف ساخته می‌شود که بر اساس آن می‌توان فاصله یک گره تا هر نقطه در طول شبکه راه را اندازه‌گیری کرد [ 35 ].
  • ساخت درخت SP . با در نظر گرفتن یک گره به عنوان گره ریشه، درخت SP که از یک گره ریشه شروع می شود، می تواند با استفاده از الگوریتم Dijkstra ساخته شود.

  • یافتن لبه های درخت غیر SP . همانطور که با یک مثال در شکل 3 نشان داده شده است . برخی از لبه ها (لبه های قرمز در شکل 3 ب) در درخت SP گنجانده نشده اند که به آنها لبه های درخت غیر SP می گویند. برای ساختن یک درخت SP توسعه یافته که شامل این لبه های درخت غیر SP است، باید نقاط اضافی را در آنها وارد کنیم. با توجه به [ 36 ]، اگر یک یال معین (تو، v)یک لبه درخت غیر SP است، باید یک نقطه وجود داشته باشد q(به عنوان نقطه شکست نامیده می شود) در این لبه که موارد زیر را برآورده می کند:

    D[تو]+د(تو،  q)=D[v]+د(v،  q)

    جایی که D[تو] آnد D[v]فاصله شبکه از گره ریشه تا گره است توو v، د(تو، q)و د(v، q)فواصل شبکه بین نقطه است qو گره ها توو v. چگونگی یافتن کارآمد لبه های درخت غیر SP و نقاط شکست مربوطه، موضوع کلیدی ساخت درخت SP توسعه یافته است. ما یک لبه درخت غیر SP را به عنوان یک تاپل نشان می دهیم (تو، v،لب)، جایی که  لب=د(تو، q). الگوریتم 1 ابزار شناسایی لبه های درخت غیر SP یک مرکز را توصیف می کند (که به صورت مشخص شده است. ناسپEسشکل 4 را ببینید ). ورودی این الگوریتم خروجی الگوریتم Dijkstra (یعنی خروجی مرحله قبل)، شامل دنباله گره های بررسی شده الگوریتم Dijkstra است (که به صورت مشخص شده است. Eن، پیشینیان گره مورد بررسی (به عنوان نشان داده شده است  پ) و کوتاه ترین فاصله گره های بررسی شده تا گره ریشه (با نشان داده شده است D). با تکرار گره های بررسی شده در جهت عقب، لبه های درخت غیر SP را می توان به طور موثر شناسایی کرد (خطوط 4-12 در الگوریتم 1).

  • بازسازی درخت SP . هر لبه درخت غیر SP (تو، v،لب)در نقطه شکست خود به دو لبه تقسیم می شود q، یعنی لبه (تو، q”)و لبه (q”، v). با اينكه q”و q”مکان یکسانی داشته باشند، به عنوان دو گره مجزا برای اجتناب از جاده های دایره ای در نمودار پس از درج نقاط شکست [ 36 ] در نظر گرفته می شود. پس از درج هر یال درخت غیر SP، یک نمودار به روز شده می تواند به دست آید. سپس، با اجرای مجدد الگوریتم Dijkstra بر روی این نمودار به روز شده، درخت SP توسعه یافته مربوطه را می توان تولید کرد ( شکل 3 ج).
در مقایسه با درخت SP، درخت گسترش SP می تواند تمام لبه های درخت غیر SP را شامل شود. گنجاندن این لبه ها برای درون یابی فاصله در طول تولید کانتور ضروری است (به بخش 2.2.3 مراجعه کنید ). شکل 5 درون یابی های مبتنی بر درختان SP و توسعه یافته SP را با استفاده از یک لبه درخت غیر SP (یعنی لبه (3، 4)) از شکل 3 ب نشان می دهد. همانطور که نشان داده شد، اگر نقطه شکست وجود نداشته باشد (به عنوان مثال، متر5در شکل 5 ب) درج شده است، درون یابی در امتداد لبه نادرست است. به عنوان مثال، فاصله از گره ریشه تا نقطه متر12.5 است. تحت شرایط درخت SP توسعه یافته، فاصله تا متر1را می توان به درستی از طریق درونیابی در امتداد تعیین کرد حاشیه، غیرمتمرکز (3، متر5)( شکل 5 ب را ببینید). در شرایط درخت SP، اگر درون یابی در طول مسیر انجام شود، فاصله به اشتباه 2.33 تعیین می شود. حاشیه، غیرمتمرکز (3، 4)( شکل 5 الف را ببینید). از آنجایی که ممکن است یک لبه درخت غیر SP به عنوان لبه مثلث بندی استفاده شود، ساختن درخت SP برای تضمین یک درونیابی صحیح در طول مثلث ضروری است.
در زمینه تولید TCA، گره ریشه درخت SP توسعه یافته به عنوان نقطه پیش بینی شده تنظیم شده است. پ”. شبکه با زیرگراف مطابقت دارد جیپاز تسهیلات  پ. با دنبال کردن سه مرحله فوق، می توان یک درخت SP توسعه یافته برای هر زیرگراف تولید کرد.
2.2.3. نسل کانتور
بر اساس درخت توسعه یافته SP ساخته شده در بخش 2.2.2 ، خطوط کانتور در فاصله (دهلتیآ-د(پ، پ”))برای یک تاسیسات تولید می شود  پبه عنوان مرزهای حوضه آبریز آن در سه مرحله زیر.

  • قطعه بندی لبه ها با توجه به یک مزیت ه=(تو،v)نشان داده شده توسط دنباله نقطه  (تو،متر1،متر2، …مترn، v )، جایی که متر1به مترnهستند nنقاط میانی لبه ه. لبه را تقسیم می کنیم n+1بخش ها و آنها را به عنوان محدودیت در طول مثلث اضافه کنید (نقاط پایانی آنها به عنوان رئوس مثلث عمل می کنند). از آنجایی که هر لبه در درخت توسعه یافته SP گنجانده شده است، فاصله یک گره ریشه تا یک نقطه میانی مترمنبا فرمول زیر قابل محاسبه است.

    د(rooتی،مترمن)=D[تو]+د(تو،مترمن)

    جایی که د(rooتی، مترمن)فاصله گره ریشه تا نقطه میانی است مترمن، D[تو]فاصله گره ریشه تا گره است تو، د(تو،مترمن)فاصله از گره است توبه نقطه میانی مترمن.

  • ساخت مثلث محدود . بر اساس بخش‌های محدود به‌دست‌آمده در مرحله قبل، با استفاده از کتابخانه الگوریتم‌های هندسه محاسباتی [ 37 ]، یک مثلث Delaunay محدود برای هر درخت SP توسعه‌یافته ساخته می‌شود.
  • ایجاد خطوط کانتور . با استفاده از مثلث بندی محدود به عنوان ورودی، خطوط کانتور مشخص شده در فاصله برش (به عنوان مثال، (دهلتیآ-د(پ، پ”)) با استفاده از یک الگوریتم تولید کانتور مبتنی بر ردیابی [ 38 ] تولید می شوند.
ما مثلث دلونی محدود را به جای مثلث معمولی دلونی می سازیم زیرا لبه های مثلث دلونی ممکن است با لبه های شبکه تلاقی کنند و منجر به درونیابی فاصله نادرست در طول تولید کانتور شود. شکل 6 نمونه ای از مثلث های Delaunay و Delaunay محدود را برای یک شبکه جاده نشان می دهد.شکل 6b یک یال مثلثی (2،4) را نشان می دهد که با یک یال شبکه (3،5) در نقطه m قطع می شود. در چنین حالتی، فاصله گره ریشه تا نقطه m بر اساس یال مثلث (2،4) درون یابی می شود، زیرا لبه شبکه (3،5) یک یال مثلثی نیست. در نتیجه، فاصله درون یابی شده با فاصله واقعی از گره 1 تا نقطه m (پیروی از یک مسیر 1-2-3-m) متفاوت است. در مقابل، از آنجایی که هر لبه شبکه در مثلث محدود شده Delaunay گنجانده شده است ( شکل 6 c)، فاصله از گره ریشه تا هر نقطه در امتداد لبه شبکه به درستی قابل اندازه گیری است.

2.3. تعمیم چارچوب

در بخش 2.2 ، ما چارچوب خود را با استفاده از مورد شبکه جاده های هدایت نشده و امکانات مبتنی بر نقطه نشان می دهیم. در این بخش روش های تعمیم چارچوب به موارد شبکه راه هدایت شده و تاسیسات غیر نقطه ای را ارائه می دهیم.

2.3.1. تعمیم به شبکه راه های هدایت شده

تفاوت عمده بین شبکه‌های جاده‌ای هدایت‌شده و غیرمستقیم در فرآیند «ساخت درخت کوتاه‌ترین مسیر» رخ می‌دهد. سه اصلاح باید انجام شود.
ابتدا، برای گراف جهت دار، گره های مجاور در خط 7 الگوریتم 1، گره های شروع لبه های درونی (یعنی یال هایی با گره هدف در گره u) گره u را مشخص می کنند. در حالی که برای گراف بدون جهت، نیازی به تشخیص لبه های درونی و بیرونی یک گره نیست.
دوم، اگر یک لبه (تو،v)مربوط به لبه جاده تک جهت است یک لبه درخت غیر SP، ما باید داشته باشیم D[تو]+د(تو،v)≥D[v]. پس از آن، تنها امکان یافتن یک نقطه وجود دارد  qدر محل vکه فرمول (2) را برآورده می کند. بنابراین، در چنین شرایطی نیازی به درج نقطه شکست نیست. اگر چه زمانی که با لبه جاده تک جهتی مطابقت دارد، هیچ نقطه شکستی به لبه درخت غیر SP اضافه نمی شود، در طول تقسیم بندی لبه های جاده (به بخش 2.2.3 مراجعه کنید )، فاصله بین یک نقطه میانی  مترمنو گره ریشه را نیز می توان با استفاده از فرمول (3) تعیین کرد.
سوم، در طول بازسازی درخت کوتاه ترین مسیر، هر دو لبه (یعنی لبه تو،v) و لبه ( v، تو)) یک لبه دو جهته باید در نقطه شکست شکافته شود q. علاوه بر این، به جای درج دو نقطه (یعنی q”و q”) با همان مکان، فقط یک نقطه شکست qباید درج شود
همانطور که در بخش 2.1 اشاره شد ، TCAهای ورودی و خروجی تسهیلات برای شبکه جاده هدایت شده متفاوت است. به‌طور پیش‌فرض، گره ریشه الگوریتم Dijkstra به عنوان نقطه تسهیلات پیش‌بینی‌شده تنظیم شده است که مربوط به حوضه آبریز از تأسیسات است. با توجه به تولید حوضه آبریز به تأسیسات، تنها تغییر جهت معکوس کردن جهت هر لبه در طول ساخت زیرگراف است ( بخش 2.2.1 ). سپس با استفاده از نقطه تاسیسات پیش بینی شده به عنوان گره ریشه، حوضه حوضه مشتق شده را می توان از حوضه حوضه “از تاسیسات” به حوضه “به تاسیسات” تغییر داد.
2.3.2. تعمیم به امکانات غیر نقطه ای
از آنجایی که چند خطوط و چند ضلعی‌ها را می‌توان با استفاده از استراتژی گسسته‌سازی به مجموعه‌ای از نقاط متعدد منتقل کرد، ما از این مورد استفاده می‌کنیم که یک تسهیلات با مجموعه‌ای از نقاط متعدد نشان داده می‌شود تا نحوه تولید حوضه‌های آبریز برای تأسیسات غیر نقطه‌ای را نشان دهیم. این به فرض یک تسهیلات است  پتوسط کنکات فرعی (پ(1)، پ(2)،…، پ(ک)) و نقاط پیش بینی شده مربوط به آنها هستند (پ”(1)، پ”(2)،…، پ”(ک)). روشی بصری برای تولید حوضه آبریز پاین است که تمام حوضه های آبریز منفرد آن را منحل کند کنقاط فرعی (به عنوان روش مبتنی بر انحلال نامیده می شود). ما در اینجا روش دیگری را پیشنهاد می کنیم که به عنوان روش مبتنی بر گره مجازی نامیده می شود، برای تولید حوضه آبریز پبه روشی کارآمدتر به طور خاص، روش مبتنی بر گره مجازی به دو تغییر نیاز دارد.
ابتدا، در طول پردازش ساخت زیرگراف، کادر جستجو باید به عنوان کادر محدود کننده تمام کادرهای جستجو تنظیم شود. (پ”(1)، پ”(2)،…، پ”(ک)).
دوم، یک گره مجازی باید در طول ساخت زیرگراف به هر زیرگراف اضافه شود. وزن بین گره مجازی و هر نقطه در (پ”(1)، پ”(2)،…، پ”(ک)). صفر تنظیم شده اند. سپس، این گره مجازی به عنوان گره ریشه برای ساخت درخت SP توسعه یافته و ایجاد حوضه مربوطه استفاده می شود.

2.4. متریک های دقت جغرافیایی

برای ارزیابی دقت جغرافیایی یک حوزه حوضه، یک معیار برای نشان دادن حوضه “صحیح” یک تاسیسات با فاصله قطع معین مورد نیاز است. مطابق با تعریف TCA ارائه شده در بخش 2.1 ، مجموعه ای از نقاط شبکه منظم در کادر جستجوی هر تسهیلات ایجاد می شود (نگاه کنید به شکل 7 را ببینید.). فاصله بین یک نقطه شبکه و تسهیلات را می توان بر اساس درخت توسعه یافته-SP اندازه گیری کرد و سپس به عنوان یک نقطه در دسترس یا غیر قابل دسترسی طبقه بندی کرد. از نظر تئوری، یک حوضه آبریز خوب باید دو معیار را برآورده کند (1) نسبت بالای نقاط دسترسی به درستی گنجانده شده به همه نقاط شامل، و (2) نسبت بالا از نقاط دسترسی به درستی گنجانده شده به تمام نقاط قابل دسترسی. بنابراین، ارزیابی دقت حوضه های آبریز را می توان ارزیابی یک موضوع طبقه بندی باینری در نظر گرفت. به طور خاص، معیار اول به معنای دقت بالا است. و معیار دوم به معنای فراخوانی بالاست. علاوه بر این، یکی دیگر از معیارهای ادغام شده رایج، یعنی امتیاز F1، به عنوان معیار یکپارچه ارزیابی دقت استفاده می شود. امتیاز F1 میانگین هارمونیک دقت و یادآوری است، و امتیاز F1 بالاتر نشان دهنده دقت بهتر حوضه آبریز تولید شده است. از نظر ریاضی، دقت، فراخوان و امتیاز F1 به شرح زیر اندازه گیری می شود.

پ=نآجج_جآتینجآتی.
آر=نآجج_جآتینآجج
اف1=2*پ*آرپ+آر

جایی که نآجج_جآتیتعداد نقاط شبکه قابل دسترسی در حوضه آبریز را نشان می دهد،  نجآتیتعداد نقاط شبکه را در حوضه حوضه نشان می دهد، نآجج. تعداد نقاط شبکه قابل دسترسی را نشان می دهد، پ، آر، و اف1. به ترتیب دقت، فراخوان و F1 را نشان می دهند.

2.5. پیاده سازی

چارچوب پیشنهادی به عنوان یک برنامه C++ منبع باز ( https://gitlab.com/Drsulmp/tcageneration ) پیاده سازی شده است. از این برنامه می توان برای تولید حوضه های آبریز با پیکربندی های مختلف استفاده کرد. به طور خاص، شبکه راه ورودی می تواند جاده های بدون جهت یا جاده های هدایت شده باشد. امکانات ورودی می‌تواند مبتنی بر نقطه یا امکانات مبتنی بر چند نقطه باشد. علاوه بر این، این برنامه همچنین عملکردی برای تولید لبه های قابل دسترسی در TCA ها ارائه می دهد.

3. مطالعه موردی و ارزیابی

در این بخش، ابتدا مطالعات موردی را برای تأیید امکان‌سنجی چارچوب خود انجام می‌دهیم. سپس، چندین آزمایش برای ارزیابی دقت و کارایی زمانی روش پیشنهادی انجام می‌دهیم.

3.1. شرح داده ها و تنظیم آزمایشی

دو مجموعه داده اصلی، یعنی مجموعه داده ایستگاه مترو و مجموعه داده شبکه جاده‌ای، برای آزمایش‌ها آماده شده‌اند. مجموعه داده ایستگاه مترو شامل 1223 ورودی ایستگاه مترو از 301 ایستگاه مترو در شانگهای است که از طریق Gaode map API (یک سرویس نقشه پیشرو در چین) جمع آوری شده است. شبکه جاده های شانگهای با استفاده از بسته پایتون OSMNX [ 39 ] دانلود می شود. شبکه جاده به عنوان یک گراف بدون جهت مدل سازی شده است. تمام آزمایش‌ها بر روی یک رایانه رومیزی با واحد پردازش مرکزی چهار هسته‌ای اینتل (CPU) 3.40 گیگاهرتز و 32 گیگابایت رم انجام می‌شود.

3.2. مطالعه موردی

3.2.1. نمودار بدون جهت با تسهیلات مبتنی بر نقطه

با استفاده از ایستگاه مترو Da Muqiao به عنوان مثال، فرآیند تولید حوضه در شکل 8 نشان داده شده است . در این مثال، شبکه جاده به عنوان یک نمودار غیر جهت دار، ایستگاه به عنوان یک نقطه نشان داده شده است. فاصله قطع دهلتیآو عرض کادر جستجو  لبه ترتیب 1 کیلومتر و 2 کیلومتر تعیین شده است. شکل 8 a لبه های فرعی استخراج شده با استفاده از کادر جستجو را نشان می دهد. شکل 8 ب، درخت SP و لبه های درخت غیر SP را در میان لبه های فرعی نشان می دهد. همانطور که نشان داده شد، تمام لبه های درخت غیر SP و نقاط شکست مربوط به آنها با استفاده از الگوریتم 1 با موفقیت استخراج می شوند . نقاط و پاره های میانی به ترتیب به عنوان رئوس و یال های آن در مثلث گنجانده شده اند. شکل 8 d تمام لبه های قابل دسترسی و حوضه مربوطه را نشان می دهد. حوضه آبریز با یک چند ضلعی متشکل از یک حلقه بیرونی و سه حلقه داخلی (یعنی “سوراخ” در شکل 8 نشان داده شده است.د)، مربوط به چهار خط خطوط به دست آمده است. بدیهی است که تمام لبه های قابل دسترسی با موفقیت توسط حوضه آبریز تولید شده پوشانده شده اند. علاوه بر این، مناطق غیرقابل دسترس در داخل حلقه بیرونی را می توان در حوضه تولید شده شناسایی و حذف کرد.
3.2.2. گراف هدایت شده و تسهیلات غیر نقطه ای
در مورد گراف جهت دار، چندین یال دو جهته در شکل 8 a به لبه های تک جهتی (لبه های قرمز در شکل 9 ) تغییر داده می شوند تا یک زیرگراف جهت دار ساخته شود. شکل 9 حوضه های تولید شده را در جهت تاسیسات و از جهت تاسیسات با استفاده از همان فاصله قطعی شکل 8 نشان می دهد . اگرچه تنها چند یال به عنوان لبه های تک جهتی اصلاح شده اند، تفاوت مشخصی بین نتایج نمودار بدون جهت ( شکل 8 د) و گراف جهت دار ( شکل 9 الف) مشاهده می شود. علاوه بر این، ما تعیین می کنیم که مناطق محلول از تاسیسات ( شکل 9 الف) و به تاسیسات ( شکل 9)ب) حوضه حوضه نمودار جهت دار تقریباً با حوضه آبریز تولید شده توسط نمودار غیر جهت دار یکسان است ( شکل 8 د). این به این دلیل است که نمودار هدایت شده ورودی برای حوضه آبریز به تأسیسات با معکوس کردن جهت جاده‌های حوزه حوضه از تأسیسات به دست می‌آید.
شکل 10 حوضه آبریز یک تاسیسات چند نقطه ای را نشان می دهد. در این مثال، ایستگاه مترو Da Muqiao با شش ورودی آن نشان داده شده است. فاصله قطع شده 1 کیلومتر تعیین شده است. مرزهای حوضه آبریز هر ورودی مترو جداگانه با استفاده از 1 کیلومتر به عنوان فاصله قطع نیز ایجاد می شود (در خطوط نقطه چین زرد). همانطور که در شکل 10 نشان داده شده است، حوضه ایجاد شده از تاسیسات چند نقطه ای تقریباً مشابه با انحلال مناطق حوضه مجزای هر ورودی است. این نشان می دهد که روش مبتنی بر گره مجازی می تواند به طور موثر برای تولید حوضه های آبریز برای تاسیسات غیر نقطه ای استفاده شود.

3.3. ارزیابی دقت جغرافیایی

3.3.1. مقایسه بصری

برای نشان دادن اثربخشی روش پیشنهادی، چهار روش جایگزین مقایسه می‌شوند.
روش 1: روش مبتنی بر بدنه محدب . این روش ابتدا نقاط بریدگی را به همراه شبکه پیدا می کند که فاصله آنها از/از تاسیسات برابر با فاصله قطع است. سپس از بدنه محدب نقاط برش به عنوان حوضه آبریز استفاده می شود.
روش 2: یک روش مثلث بندی مبتنی بر درخت SP. این روش یک نسخه ساده شده از روش پیشنهادی است. به طور خاص، پس از ساخت زیرگراف، یک درخت SP معمولی برای بدست آوردن فواصل بین گره های شبکه و تسهیلات ساخته می شود. سپس، با استفاده از گره های شبکه به عنوان ورودی، یک مثلث Delaunay برای تولید خطوط کانتور در فاصله قطع خاص ساخته می شود.
روش 3: یک روش مثلث بندی مبتنی بر درخت SP توسعه یافته . همانطور که از نام این روش مشخص است، تفاوت بین این روش و روش پیشنهادی تنها در قسمت ساخت مثلثی رخ می دهد. به جای مثلث دلونی مقید، مثلث دلونی ساخته می شود. سپس خطوط کانتور بر اساس مثلث سازی Delaunay ساخته شده تولید می شوند.
روش 4: روش ArcGIS . در این روش از ابزار ناحیه خدمات ارائه شده توسط ArcGIS برای تولید حوضه های حوضه مبتنی بر شبکه استفاده می شود. روش ArcGIS از طریق ArcGIS Desktop 10.6 انجام می شود، که در آن نوع چند ضلعی ناحیه سرویس به صورت “جزئیات” و سایر پارامترها به عنوان پیش فرض تنظیم شده است.
با استفاده از ورودی و تنظیم مشابه بخش 3.2.1 ، مناطق حوضه ایجاد شده توسط چهار روش بالا و روش ما در شکل 11 به تصویر کشیده شده است . قابل توجه است که برخی از لبه های غیرقابل دسترس به اشتباه در حوضه آبریز ایجاد شده توسط روش 1 گنجانده شده اند. تعداد بسیار کمی از لبه های غیرقابل دسترس به اشتباه در حوضه های تولید شده توسط روش 2 و 3 گنجانده شده اند. همانطور که توسط دایره سیاه نقطه چین 4 در c نشان داده شده است، .روش 3 نسبت به روش 2 در حذف لبه‌های غیرقابل دسترس پیشرفت‌هایی دارد زیرا لبه‌های درخت غیر SP در درخت SP توسعه‌یافته گنجانده شده‌اند. برخی از لبه های قابل دسترسی به درستی در حوضه های آبریز ایجاد شده توسط روش 2 و 3 گنجانده نشده اند. به طور خاص، این لبه های قابل دسترسی با دایره های سیاه نقطه چین 1، 2 و 3 در مشخص شده اند.شکل 11 ب، ج. در مقابل، تمام لبه‌های قابل دسترسی به درستی گنجانده شده‌اند، و لبه‌های غیرقابل دسترسی به درستی در حوضه‌های آبریز ایجاد شده توسط روش 4 ( شکل 11 د) و روش ما ( شکل 11 e) حذف می‌شوند. تفاوت های جزئی را می توان از نظر شکل این دو حوزه حوضه یافت (مثلاً با دایره سیاه نقطه چین 6 در شکل 11 مشخص شده است.d,e مشخص شده است). مقایسه بین روش ما و روش 3 ضرورت ساخت مثلث دلونای محدود را نشان می دهد. مقایسه بین روش 3 و روش 2 مزایای درخت SP توسعه یافته را نسبت به درخت SP نشان می دهد.
3.3.2. ارزیابی کمی
در این بخش، دقت جغرافیایی TCAهای تولید شده توسط روش پیشنهادی به صورت کمی ارزیابی می‌شود. بر اساس تجزیه و تحلیل بصری در بخش قبل، روش ArcGIS به عنوان مقایسه انتخاب شده است زیرا نزدیک ترین نتایج به ما دارد ( جدول 1 را ببینید ). برای ارزیابی، از 32 مرکز ایستگاه خط 12 مترو به عنوان امکانات ورودی استفاده می شود. مطابق با دسترسی عابر پیاده، فواصل قطع به ترتیب 0.8 کیلومتر، 1 کیلومتر و 1.2 کیلومتر تعیین شده است (به [ 40 مراجعه کنید)] برای بررسی مسافت های پیاده روی تا حمل و نقل). اندازه شبکه برای تولید نقاط شبکه 10*10 متر تعیین شده است. با توجه به فاصله قطع، می‌توانیم دقت، فراخوانی و امتیاز F1 مربوطه را برای هر ایستگاه اندازه‌گیری کنیم. مقادیر میانگین دقت، فراخوان و امتیاز F1 32 ایستگاه در جدول 1 فهرست شده است.. همانطور که با میانگین تعداد نقاط شبکه در TCA ها نشان داده می شود، TCA های تولید شده توسط روش ما بزرگتر از موارد تولید شده توسط روش ArcGIS هستند. هر دو روش میانگین امتیاز F1 بزرگتر از 90 درصد را برای هر سه فاصله قطع به دست می آورند، که نشان می دهد هر دو روش می توانند به طور مناسب برای تولید TCA های مبتنی بر شبکه استفاده شوند. همانطور که توسط مقادیر میانگین امتیاز F1 منعکس می شود، روش ما به طور کلی عملکرد بهتری نسبت به روش ArcGIS دارد. روش ArcGIS عموماً به دقت بالاتری نسبت به روش ما دست می‌یابد، که نشان می‌دهد نقاط شبکه غیرقابل دسترس کمتری به اشتباه در TCAهای تولید شده توسط روش ArcGIS گنجانده شده‌اند. در مقابل، روش ما به یادآوری بسیار بالاتری نسبت به روش ArcGIS دست یافت، که نشان می‌دهد نقاط شبکه قابل دسترسی‌تر به درستی در حوزه‌های حوضه تولید شده توسط روش ما گنجانده شده‌اند.

3.4. ارزیابی کارایی محاسبات

بازده زمانی با استفاده از دو آزمایش ارزیابی می شود. در آزمایش اول، با استفاده از روش خود و روش ArcGIS، کارایی تولید TCAهای تسهیلات مبتنی بر نقطه را مقایسه می‌کنیم. در آزمایش دوم، کارایی تولید TCAهای تسهیلات چند نقطه‌ای را با استفاده از روش‌های مبتنی بر انحلال و مبتنی بر گره مجازی مقایسه می‌کنیم (به بخش 2.3.2 مراجعه کنید ).

3.4.1. تسهیلات مبتنی بر نقطه

زمان اجرای ArcGIS و روش ما به عنوان معیاری برای ارزیابی کارایی استفاده می شود. برای روش ArcGIS، زمان اجرا شامل دو بخش است: زمان مورد استفاده برای جستجوی نقاط پیش‌بینی‌شده تأسیسات و زمان مورد استفاده برای تولید حوضه‌های آبریز. برای روش پیشنهادی، زمان اجرا کل زمان فرآیند از ورودی تا خروجی است. این آزمایش ما را ملزم به تنظیم دو پارامتر دارد، یعنی تعداد امکانات مبتنی بر نقطه و فاصله قطع. مشابه بخش 3.3.2، فواصل برش سه مقدار مختلف تنظیم شده است: 0.8 کیلومتر، 1 کیلومتر و 1.2 کیلومتر. با توجه به تعداد امکانات، سه سطح مختلف (یعنی 32، 64 و 128 امکانات) انتخاب می شود. امکانات به صورت تصادفی از 165 ورودی مترو خط 12 انتخاب شده است. با ترکیب این دو پارامتر، 9 تنظیمات آزمایشی مختلف به دست می آید. برای هر تنظیم آزمایشی، همان آزمایش سه بار انجام می شود و میانگین زمان اجرا به عنوان زمان اجرای نهایی در نظر گرفته می شود.
همانطور که در شکل 12 نشان داده شده است ، روش ما حداقل دو برابر سریعتر از روش ArcGIS است. در یک فاصله قطع، امکانات بیشتر منجر به افزایش زمان اجرا برای هر دو روش می شود. و افزایش روش ArcGIS از روش ما آشکارتر است. همچنین قابل توجه است که روش ما به تغییر فاصله برش حساس تر است. افزایش فاصله قطع باعث افزایش بیشتر در زمان اجرا در روش ما نسبت به روش ArcGIS می شود. فاصله قطع بزرگتر منجر به اندازه بزرگتر زیرگراف می شود. از این رو، زمان اجرای کلی روش ما افزایش یافته است.
3.4.2. تسهیلات غیر نقطه ای
در این آزمایش، به طور تصادفی 5 عدد ایستگاه مترو مختلف یعنی 50، 100، 150، 200 و 250 را انتخاب می کنیم تا زمان اجرا بر اساس روش های انحلال محور و مبتنی بر گره مجازی آزمایش شود. دو روش با استفاده از روش پیشنهادی انجام شده و فاصله برش 1.2 کیلومتر تعیین شده است. برای روش مبتنی بر انحلال، زمان اجرا نشان‌دهنده زمان مورد استفاده برای تولید حوضه‌های حوضه مجزای همه ورودی‌ها است، یعنی زمان انحلال حوضه‌ها لحاظ نشده است. مشابه آزمایش 1، آزمایش مشابه سه بار برای هر تنظیم آزمایشی انجام می شود و میانگین زمان اجرا به عنوان زمان اجرای نهایی در نظر گرفته می شود. همانطور که با نتایج ذکر شده در شکل 13 نشان داده شده استهنگامی که از روش مبتنی بر گره مجازی برای تولید حوضه های آبریز مترو استفاده می شود، افت شدیدی در زمان اجرا مشاهده می کنیم. چنین افتی نشان می‌دهد که روش مبتنی بر گره مجازی می‌تواند تا حد زیادی بازده زمانی را بهبود بخشد و با افزایش تعداد امکانات ورودی، بهبود مشهودتر است. علاوه بر این، هیچ روش انحلال اضافی توسط روش مبتنی بر گره مجازی مورد نیاز نیست. در ترکیب با نتایج به‌دست‌آمده در شکل 12 ، می‌توانیم نتیجه بگیریم که روش مبتنی بر گره مجازی می‌تواند در صورتی که روش مبتنی بر انحلال با استفاده از ArcGIS انجام شود، به بهبود بیشتری در کارایی دست یابد.

4. بحث

امپدانس یک لبه شبکه با طول آن در این مطالعه اندازه گیری می شود. در عمل، ممکن است از زمان سفر به جای طول به عنوان امپدانس استفاده کنیم. چارچوب پیشنهادی را می توان به راحتی برای تولید TCA در یک زمان قطع معین از طریق تغییرات جزئی اعمال کرد. به طور خاص، اصلاح در مرحله ساخت زیرگراف رخ می دهد، به عنوان مثال، زمان قطع باید به یک فاصله قطع منتقل شود تا اندازه کادر جستجو مشخص شود. چنین انتقالی را می توان با ضرب زمان قطع در حداکثر سرعت راه رفتن لبه های جاده به دست آورد.

علاوه بر این، سایر عوامل محیطی بالقوه، مانند کیفیت جاده (به عنوان مثال، مواد جاده) و اتصال، می توانند در مدل سازی امپدانس سفر [ 40 ] گنجانده شوند. به عنوان مثال، پیاده رو عنصر مهمی است که ممکن است برای تعریف امپدانس سفر پیاده روی نیاز به بررسی داشته باشد. به طور کلی، تاثیر این عناصر را می توان با ترکیب فاکتورهای وزنی اضافی در طول لبه های جاده مدل سازی کرد. امپدانس سفر به روز شده یک لبه هبه صورت زیر مشخص می شود.

تیپ(ه) =f(د(ه))

جایی که تیپ (ه)امپدانس جدید است  ه، د(ه). طول است  ه، و f(*)تابع وزنی است که توسط عوامل تأثیر در نظر گرفته شده تعیین می شود. از این رو، یک شبکه جاده‌ای وزن‌دار جدید می‌تواند برای حمایت از رویکرد جدید برای تولید TCAs ساخته و استفاده شود.

درون یابی مبتنی بر مثلث دلونی محدود یکی از اجزای کلیدی چارچوب پیشنهادی است. از آنجایی که تمام بخش‌های جاده به‌عنوان محدودیت‌ها در طول مثلث گنجانده شده‌اند، بنابراین فواصل درون‌یابی شده در طول شبکه تضمین می‌شوند که دقیق باشند. از سوی دیگر، درون یابی توسط مثلث نمی تواند نتیجه دقیقی را برای منطقه خارج از شبکه تضمین کند. این با ارزیابی دقت TCAهای تولید شده منعکس می شود (یعنی دقت و فراخوان هر دو زیر 100٪ هستند). به طور کلی، امتیاز F1 بالا نشان می دهد که چنین روش مبتنی بر مثلث بندی دقت معقولی از TCA ها را در بافت شهری ارائه می دهد. این را می توان تا حدی با تراکم بالای جاده ها در مناطق شهری توضیح داد زیرا تراکم جاده بالا به این معنی است که گره های شبکه بیشتری در طول درونیابی درگیر می شوند.شکل 14 نمونه ای از نمودار پراکندگی بین تراکم جاده و امتیازات F1 را نشان می دهد. تراکم جاده به عنوان نسبت طول کل لبه های زیرگراف به مساحت کادر جستجوی مربوطه اندازه گیری می شود. امتیازات F1 با ارزیابی 32 حوضه حوضه ایجاد شده توسط روش ما در فاصله قطع 1.2 کیلومتر مطابقت دارد (به بخش 3.3.2 مراجعه کنید ). همانطور که نشان داده شده است، اگرچه یک رابطه خطی نیست، اما توزیع به طور کلی نشان می دهد که تراکم جاده بالاتر احتمالاً امتیاز F1 بهتری دارد.
توجه به این نکته مهم است که امتیاز F1 یک ارزیابی دقت یکپارچه از دیدگاه مکانی است. امتیاز F1 بالا به معنای شباهت زیاد حوضه آبریز تولید شده و حوضه آبریز واقعی است. به این ترتیب، چنین معیاری به‌ویژه زمانی مفید است که حوضه آبریز تولید شده برای متمایز کردن مناطق تحت خدمات ترانزیت از مناطق تحت پوشش استفاده شود. اگر حوضه آبریز تولید شده به طور خاص برای تخمین جمعیت تحت پوشش یک ایستگاه استفاده شود (مثلاً برای مدل‌سازی سواری ترانزیت)، ممکن است برای ارزیابی عملکرد یک روش تولید TCA به معیارهای بیشتری نیاز داشته باشیم، به عنوان مثال، معیارهایی برای آزمایش چگونگی جمعیت تحت پوشش. برآورد شده توسط TCAهای تولید شده با جمعیت تحت پوشش واقعی متفاوت است. برای مثال،
همانطور که توسط ارزیابی بازده زمانی نشان داده شده است، چارچوب پیشنهادی به ویژه برای تولید سریع TCA از تسهیلات ترانزیت غیر نقطه ای (به عنوان مثال، ایستگاه های حمل و نقل ریلی) مفید است. به عنوان مثال، شناسایی یک فاصله مناسب برای مدل‌سازی سواری ترانزیت از یک سری نامزد (مثلاً 600-1200 متر) یک سناریوی وقت‌گیر معمولی است. زمان اجرای روش ما تا حد زیادی تحت تأثیر فاصله قطع است. فاصله برش بزرگتر به معنای اندازه بزرگتر زیرگراف و زمان محاسباتی بیشتر برای ساخت درخت SP توسعه یافته و مثلث دلونای محدود است. برای مناطق حوضه ترانزیت با پیاده روی، فواصل قطع معمولاً کوچک است، که باعث می شود زمان اجرا در سطح معقولی محدود شود. در آزمون ما، ما متوجه شدیم که زمان‌برترین بخش پردازش، ساخت مثلث‌سازی دلونی محدود است. بنابراین، کاهش تعداد لبه های محدودیت یک راه ممکن برای بهبود بازده زمانی است. به همین ترتیب، یک پیش فرآیند ساده سازی جاده (به عنوان مثال، حذف نقاط میانی لبه جاده مستقیم) می تواند به تسریع تولید حوضه های آبریز کمک کند.

5. نتیجه گیری ها

ایجاد TCA مبتنی بر شبکه یکی از پیش نیازهای تجزیه و تحلیل مربوط به TCA است. بنابراین بسیار مطلوب است که این سرویس برای عموم قابل اشتراک و شفاف باشد. روش منبع باز به ویژه برای کسانی که دسترسی محدودی به نرم افزار سیستم اطلاعات جغرافیایی تجاری (GIS) دارند و محققانی که مایل به توسعه مدل های پیچیده تری برای تولید حوضه آبریز هستند (به عنوان مثال، ادغام عوامل مرتبط با مسیریابی بیشتر) مفید خواهد بود. چارچوب منبع باز ما برای تولید TCA با راه رفتن برای این منظور توسعه یافته است. چارچوب روش شناختی شامل سه جزء فرآیند است: ساختارهای زیرگراف، ساخت درخت SP توسعه یافته، و تولید کانتور. روش هایی در مورد چگونگی گسترش چارچوب به گراف جهت دار و امکانات غیر نقطه ای توسعه یافته است. اجرای چارچوب به عنوان یک پروژه منبع باز ارائه شده است. ما امکان سنجی چارچوب خود را با استفاده از ایستگاه های مترو در شانگهای به عنوان مطالعات موردی نشان می دهیم و مزایای روش های خود را با مقایسه با چهار روش جایگزین نشان می دهیم. ما امکان سنجی و اثربخشی روش های پیشنهادی را به صورت کمی ارزیابی می کنیم. نتایج نشان می‌دهد که دقت و فراخوان‌های TCA تولید شده بالای 90 درصد است و امتیازات F1 با روش ArcGIS قابل مقایسه است. زمان اجرای روش پیشنهادی بسیار سریعتر از روش ArcGIS تحت 9 تنظیمات آزمایشی مختلف است. چارچوب پیشنهادی به ویژه در تولید تعداد بیشتری از حوضه های آبریز تاسیسات غیر نقطه ای کارآمد است. ما امکان سنجی چارچوب خود را با استفاده از ایستگاه های مترو در شانگهای به عنوان مطالعات موردی نشان می دهیم و مزایای روش های خود را با مقایسه با چهار روش جایگزین نشان می دهیم. ما امکان سنجی و اثربخشی روش های پیشنهادی را به صورت کمی ارزیابی می کنیم. نتایج نشان می‌دهد که دقت و فراخوان‌های TCA تولید شده بالای 90 درصد است و امتیازات F1 با روش ArcGIS قابل مقایسه است. زمان اجرای روش پیشنهادی بسیار سریعتر از روش ArcGIS تحت 9 تنظیمات آزمایشی مختلف است. چارچوب پیشنهادی به ویژه در تولید تعداد بیشتری از حوضه های آبریز تاسیسات غیر نقطه ای کارآمد است. ما امکان سنجی چارچوب خود را با استفاده از ایستگاه های مترو در شانگهای به عنوان مطالعات موردی نشان می دهیم و مزایای روش های خود را با مقایسه با چهار روش جایگزین نشان می دهیم. ما امکان سنجی و اثربخشی روش های پیشنهادی را به صورت کمی ارزیابی می کنیم. نتایج نشان می‌دهد که دقت و فراخوان‌های TCA تولید شده بالای 90 درصد است و امتیازات F1 با روش ArcGIS قابل مقایسه است. زمان اجرای روش پیشنهادی بسیار سریعتر از روش ArcGIS تحت 9 تنظیمات آزمایشی مختلف است. چارچوب پیشنهادی به ویژه در تولید تعداد بیشتری از حوضه های آبریز تاسیسات غیر نقطه ای کارآمد است. ما امکان سنجی و اثربخشی روش های پیشنهادی را به صورت کمی ارزیابی می کنیم. نتایج نشان می‌دهد که دقت و فراخوان‌های TCA تولید شده بالای 90 درصد است و امتیازات F1 با روش ArcGIS قابل مقایسه است. زمان اجرای روش پیشنهادی بسیار سریعتر از روش ArcGIS تحت 9 تنظیمات آزمایشی مختلف است. چارچوب پیشنهادی به ویژه در تولید تعداد بیشتری از حوضه های آبریز تاسیسات غیر نقطه ای کارآمد است. ما امکان سنجی و اثربخشی روش های پیشنهادی را به صورت کمی ارزیابی می کنیم. نتایج نشان می‌دهد که دقت و فراخوان‌های TCA تولید شده بالای 90 درصد است و امتیازات F1 با روش ArcGIS قابل مقایسه است. زمان اجرای روش پیشنهادی بسیار سریعتر از روش ArcGIS تحت 9 تنظیمات آزمایشی مختلف است. چارچوب پیشنهادی به ویژه در تولید تعداد بیشتری از حوضه های آبریز تاسیسات غیر نقطه ای کارآمد است.
کار آینده این مطالعه را می توان در جنبه های زیر انجام داد. اول، حوضه های تولید شده توسط چارچوب پیشنهادی می توانند با یکدیگر همپوشانی داشته باشند. بررسی چگونگی ایجاد یک حوضه آبریز بدون همپوشانی ارزشمند است. به عنوان مثال، مشابه [ 24 ]، از چند ضلعی های Voronoi می توان برای برش مناطق حوضه آبریز همپوشانی برای ایجاد حوضه های حوضه انحصاری متقابل استفاده کرد، جایی که مشکل اصلی تولید چند ضلعی های Voronoi “مبتنی بر شبکه” است. از طرف دیگر، می‌توانیم مناطق همپوشانی را به شبکه‌های کوچک تقسیم کنیم [ 26] و هر شبکه را به نزدیکترین تأسیسات خود اختصاص دهید تا حوضه های حوضه بدون همپوشانی ایجاد شود. دوم، چارچوب برای تولید TCA با راه رفتن طراحی شده است. استفاده از چارچوب برای تولید TCA توسط سایر حالت‌های حمل و نقل نیز ممکن است، اما نیاز به مطالعه عمیق‌تری دارد. به عنوان مثال، چگونه می توان زمان محاسبات را در یک فاصله قطع بزرگ (مثلاً 10 کیلومتر) بهبود بخشید، سؤال جالبی است. در نهایت، از جنبه پیاده سازی، قصد داریم یک رابط کاربرپسندتر برای فریمورک خود طراحی کنیم. به عنوان مثال، پیاده سازی روش های ما به عنوان یک افزونه QGIS یک گزینه جذاب است.

منابع

  1. لین، تی جی؛ Xia، JC; رابینسون، تی پی؛ اولارو، دی. اسمیت، بی. تاپلین، جی. کائو، بی. مدل هاف پیشرفته برای تخمین حوضه پارک و راید (PnR) در پرث، WA. J. Transp. Geogr. 2016 ، 54 ، 336-348. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. دولگا، ال. پاولیس، م. Singleton، A. برآورد جذابیت، سلسله مراتب و گستره حوضه آبریز برای مجموعه ای ملی از مجتمع های مراکز خرده فروشی. J. خرده فروشی. مصرف کنید. خدمت 2016 ، 28 ، 78-90. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. Lieshout, R. اندازه گیری اندازه حوضه آبریز فرودگاه. J. Transp. Geogr. 2012 ، 25 ، 27-34. [ Google Scholar ] [ CrossRef ]
  4. کیمپل، تی جی؛ دوکر، کی جی. El-Geneidy، AM با استفاده از GIS برای اندازه‌گیری اثر همپوشانی مناطق خدماتی بر سوار شدن مسافران در ایستگاه‌های اتوبوس. مقررات شهری Inf. سیستم دانشیار J. 2007 ، 19 ، 5-11. [ Google Scholar ]
  5. گوتیرز، جی. اثرات اندازه گیری فاصله گارسیا-پالومارس، JC در محاسبه مناطق خدمات حمل و نقل با استفاده از GIS. محیط زیست طرح. B طرح. دس 2008 ، 35 ، 480-503. [ Google Scholar ] [ CrossRef ]
  6. García-Palomares, JC; سوزا ریبیرو، جی. گوتیرز، جی. Sá Marques، T. تجزیه و تحلیل نزدیکی به حمل و نقل عمومی: نقش طراحی شبکه خیابانی. Boletín Asoc. Geógrafos Españoles 2018 ، 102–130. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. ریگز، دبلیو. چمبرلین، اف. مفاهیم TOD و رشد هوشمند قانون استفاده مجدد تطبیقی ​​LA. حفظ کنید. جامعه شهرها 2018 ، 38 ، 594-606. [ Google Scholar ] [ CrossRef ]
  8. زکریا، ج. ژائو، Q. عوامل محیطی محلی در فاصله پیاده روی در ایستگاه های مترو. ترانسپ عمومی 2018 ، 10 ، 91-106. [ Google Scholar ] [ CrossRef ]
  9. گوتیرز، جی. Cardozo، OD; گارسیا-پالومارس، JC پیش‌بینی سواری ترانزیت در سطح ایستگاه: رویکردی مبتنی بر رگرسیون وزنی فاصله-واپاشی. J. Transp. Geogr. 2011 ، 19 ، 1081-1092. [ Google Scholar ] [ CrossRef ]
  10. لی، اس. یی، سی. هنگ، SP سلسله مراتب ساختاری شهری و رابطه بین سواری متروی متروپولیتن سئول و الگوی کاربری زمین مناطق ایستگاه. شهرها 2013 ، 35 ، 69-77. [ Google Scholar ] [ CrossRef ]
  11. لنگفورد، ام. فرای، آر. هیگز، جی. اندازه‌گیری قابلیت دسترسی به سیستم حمل‌ونقل با استفاده از روش اصلاح‌شده حوضه آبریز شناور دو مرحله‌ای. بین المللی جی. جئوگر. Inf. علمی 2012 ، 26 ، 193-214. [ Google Scholar ] [ CrossRef ]
  12. الجنیدی، ع. گریمسرود، م. وصفی، ر. Tétreault، P. Surprenant-Legault، J. شواهد جدید در مورد مسافت های پیاده روی تا ایستگاه های حمل و نقل: شناسایی موارد اضافی و شکاف با استفاده از مناطق خدمات متغیر. حمل و نقل 2014 ، 41 ، 193-210. [ Google Scholar ] [ CrossRef ]
  13. وانگ، ز. چن، اف. Xu, T. تبادل بین مترو و حالت های دیگر: فاصله دسترسی و حوضه آبریز. ج. طرح شهری. توسعه دهنده 2016 , 142 , 04016012. [ Google Scholar ] [ CrossRef ]
  14. پائز، آ. اسکات، دی.م. مورنسی، ج. اندازه‌گیری دسترسی: اجرای مثبت و هنجاری شاخص‌های مختلف دسترسی. J. Transp. Geogr. 2012 ، 25 ، 141-153. [ Google Scholar ] [ CrossRef ]
  15. هسیائو، اس. لو، جی. استرلینگ، جی. Weatherford، M. استفاده از سیستم اطلاعات جغرافیایی برای تجزیه و تحلیل دسترسی عابر پیاده عبوری. ترانسپ Res. ضبط 1997 ، 50-59. [ Google Scholar ] [ CrossRef ]
  16. اوسالیوان، اس. Morrall, J. فاصله های پیاده روی به و از ایستگاه های حمل و نقل ریلی سبک. ترانسپ Res. ضبط 1996 ، 1538 ، 19-26. [ Google Scholar ] [ CrossRef ]
  17. ژائو، جی. دنگ، دبلیو. رابطه فاصله دسترسی پیاده به ایستگاه های حمل و نقل ریلی سریع با ویژگی های شخصی و زمینه ایستگاه. ج. طرح شهری. توسعه دهنده 2013 ، 139 ، 311-321. [ Google Scholar ] [ CrossRef ]
  18. جون، ام جی; چوی، ک. جئونگ، جی. Kwon، KH; کیم، اچ جی ویژگی‌های کاربری اراضی مناطق حوضه آبریز مترو و تأثیر آنها بر مسافران مترو در سئول. J. Transp. Geogr. 2015 ، 48 ، 30-40. [ Google Scholar ] [ CrossRef ]
  19. ماسیاس، ک. روش های جایگزین برای محاسبه حوضه های عابر پیاده برای حمل و نقل عمومی. ترانسپ Res. ضبط 2016 ، 2540 ، 138-144. [ Google Scholar ] [ CrossRef ]
  20. شی، ی. ساکس، اس. میلر، ای. دسترسی به مترو در تورنتو، کانادا: حالت دسترسی و مناطق حوضه آبریز. ترانسپ Res. ضبط 2016 ، 2543 ، 52-61. [ Google Scholar ] [ CrossRef ]
  21. بات، سی. بریکا، اس. لاموندیا، جی. کاپور، ا. گوا، جی. Sen, S. ابزار تحلیل دسترسی ترانزیت منطقه شهری ; شماره گزارش شماره 0-5178-P3; خدمات حمل و نقل عمومی: آستین، تگزاس، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  22. فودا، م. عثمان، ع. استفاده از GIS برای اندازه‌گیری دسترسی به توقف عبوری با در نظر گرفتن شبکه واقعی جاده‌های پیاده. J. Public Transp. 2010 ، 13 ، 23-40. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. یانگ، ام. تعریف حوضه های ایستگاه راه آهن مبتنی بر احتمال برای مدل سازی تقاضا. در مجموعه مقالات چهل و هشتمین کنفرانس سالانه UTSG، بریستول، بریتانیا، 6-8 ژانویه 2016. صص 1-12. [ Google Scholar ]
  24. هاگت، پی. کلیف، AD; فری، الف. تحلیل مکانی در جغرافیای انسانی ، چاپ اول. ادوارد آرنولد: لندن، بریتانیا، 1977. [ Google Scholar ]
  25. دلامتر، PL; مسینا، جی پی؛ شورتریج، AM; Grady، SC اندازه گیری دسترسی جغرافیایی به مراقبت های بهداشتی. بین المللی J. Health Geogr. 2012 ، 11 ، 15. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  26. آپچرچ، سی. کوبی، م. زولدک، م. Barranda، A. استفاده از GIS برای ایجاد مناطق خدمات منحصر به فرد متقابل که سفرهای داخل و خارج از شبکه را به هم مرتبط می کند. J. Transp. Geogr. 2004 ، 12 ، 23-33. [ Google Scholar ] [ CrossRef ]
  27. لین، دی. ژانگ، ی. زو، آر. Meng, L. تجزیه و تحلیل حوضه های آبریز ایستگاه های مترو با استفاده از داده های مسیر تولید شده توسط دوچرخه های مشترک بدون اسکله. حفظ کنید. جامعه شهرها 2019 ، 101598. [ Google Scholar ] [ CrossRef ]
  28. تجزیه و تحلیل منطقه خدمات-راهنما|اسناد. در دسترس آنلاین: https://desktop.arcgis.com/en/arcmap/latest/extensions/network-analyst/service-area.htm (در 18 ژوئن 2020 قابل دسترسی است).
  29. ادلر، دی. حصار، ع. کیل، جی. وتر، م. Dickmann, F. واقعیت مجازی (VR) و نرم افزار منبع باز: یک گردش کار برای ساخت یک محیط VR کارتوگرافی تعاملی برای کشف مناظر شهری. کارتوگر. نچر. 2018 ، 5-13. [ Google Scholar ] [ CrossRef ]
  30. گارنت، آر. كناروگلو، ص. GIS کیفی: چارچوبی باز با استفاده از GIS فضایی و متن باز. ترانس. GIS 2016 ، 20 ، 144-159. [ Google Scholar ] [ CrossRef ]
  31. کوتزی، اس. ایوانووا، آی. میتاسووا، اچ. Brovelli، MA نرم افزار و داده های فضایی باز: مروری بر وضعیت فعلی و چشم اندازی به آینده. ISPRS Int. J. GeoInf. 2020 ، 9 ، 90. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  32. Guttman، A. R-trees: ساختار شاخص پویا برای جستجوی فضایی. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD در سال 1984 در مورد مدیریت داده ها-SIGMOD، نیویورک، نیویورک، ایالات متحده آمریکا، 1 ژوئن 1984. ACM Press: نیویورک، نیویورک، ایالات متحده آمریکا، 1984. [ Google Scholar ] [ CrossRef ]
  33. روسووپولوس، ن. کلی، اس. وینسنت، اف. پرسش های نزدیکترین همسایه. در مجموعه مقالات کنفرانس بین المللی ACM SIGMOD در مدیریت داده ها، سان خوزه، کالیفرنیا، ایالات متحده آمریکا، 22 مه 1995; Michael, C., Donovan, S., Eds. انجمن ماشین های محاسباتی: نیویورک، نیویورک، ایالات متحده آمریکا، 1995; صص 71-79. [ Google Scholar ] [ CrossRef ]
  34. یانگ، سی. Gidófalvi، G. تطبیق سریع نقشه، الگوریتمی که مدل مارکوف پنهان را با پیش محاسبه ادغام می کند. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 547-570. [ Google Scholar ] [ CrossRef ]
  35. اوکابه، ا. Okunuki، KI; Shiode, S. جعبه ابزار SANET: روش های جدید برای تجزیه و تحلیل فضایی شبکه. ترانس. GIS 2006 ، 10 ، 535-550. [ Google Scholar ] [ CrossRef ]
  36. اوکابه، ا. Sugihara, K. Spatial Analysis along Networks: Statistical and Computational Methods , 1st ed.; Wiley: نیوجرسی، نیوجرسی، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  37. بویسونات، جی. Devillers، O.; پیون، اس. تیلو، ام. بویسونات، جی. Devillers، O.; پیون، اس. تیلو، ام. ایوینک، م. Boissonnat, J. Triangulations in CGAL. محاسبه کنید. Geom. 2007 ، 22 ، 5-19. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. Watson, D. Contouring: A Guide to the Analysis and Display of Spatial Data , 1st ed.; پرگامون: آکسفورد، بریتانیا، 1992. [ Google Scholar ]
  39. بوئینگ، G. OSMnx: روش‌های جدید برای دستیابی، ساخت، تجزیه و تحلیل و تجسم شبکه‌های خیابانی پیچیده. محاسبه کنید. محیط زیست سیستم شهری 2017 ، 65 ، 126-139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. ون سوست، دی. تنگ، MR. راجرز، CDF کاوش مسافت‌هایی که مردم برای دسترسی به حمل‌ونقل عمومی طی می‌کنند. ترانسپ Rev. 2020 , 40 , 160–182. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00467 g001 550
شکل 1. چارچوب تولید حوضه های آبریز ترانزیت مبتنی بر شبکه با پیاده روی.
Ijgi 09 00467 g002 550
شکل 2. نمونه ای از زیرگراف ساخت یک تاسیسات.
Ijgi 09 00467 g003 550
شکل 3. نمایش درخت طولانی ترین مسیر.
Ijgi 09 00467 g004 550
شکل 4. الگوریتم یافتن لبه های درخت غیر SP یک تاسیسات.
Ijgi 09 00467 g005 550
شکل 5. تصویر درونیابی ها بر اساس کوتاه ترین ( a ) و طولانی ترین درختان مسیر ( b ).
Ijgi 09 00467 g006 550
شکل 6. تصویر درونیابی ها بر اساس مثلث های دلونی و دلونی مقید.
Ijgi 09 00467 g007 550
شکل 7. تصویر نقاط قابل دسترس و غیرقابل دسترس در کادر جستجو.
Ijgi 09 00467 g008 550
شکل 8. فرآیند تولید حوضه آبریز تاسیسات نقطه‌ای بر اساس شبکه جاده‌ای بدون جهت. ( الف ) لبه های فرعی؛ ( ب ) کوتاهترین مسیر (SP) درخت و لبه درخت غیر SP. ( ج ) مثلث سازی دلونی محدود. ( د ) لبه های قابل دسترسی و حوضه آبریز.
Ijgi 09 00467 g009 550
شکل 9. حوضه آبریز از تأسیسات ( الف ) و به تأسیسات ( ب ) تأسیسات نقطه‌ای بر اساس شبکه راه هدایت‌شده.
Ijgi 09 00467 g010 550
شکل 10. حوضه آبریز یک تاسیسات چند نقطه ای بر اساس یک شبکه راه های هدایت نشده.
Ijgi 09 00467 g011 550
شکل 11. حوضه های آبریز تولید شده با پنج روش مختلف.
Ijgi 09 00467 g012 550
شکل 12. زمان اجرای روش ArcGIS و روش ما تحت 9 تنظیمات آزمایشی مختلف.
Ijgi 09 00467 g013 550
شکل 13. زمان اجرای تولید حوضه های آبریز تاسیسات غیر نقطه ای با استفاده از روش های مبتنی بر گره مجازی و مبتنی بر انحلال. هر دو روش از طریق روش پیشنهادی انجام می‌شوند و فاصله برش 1.2 کیلومتر برای تمام تنظیمات آزمایشی است.
Ijgi 09 00467 g014 550
شکل 14. رابطه بین تراکم جاده و امتیازات F1. امتیازات F1 با ارزیابی 32 حوضه آبریز تولید شده توسط چارچوب ما در فاصله قطع 1.2 کیلومتر مطابقت دارد.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید