چارچوب طراحی کاربری چندهدفه با داده های جغرافیایی بزرگ برای برنامه ریزی توسعه ترانزیت گرا در سطح ایستگاه

توسعه ترانزیت محور (TOD) یکی از قابل اجراترین استراتژی ها برای رفع مشکلات شهری ناشی از توسعه نامتوازن حمل و نقل و کاربری زمین است. این مطالعه یک چارچوب طراحی کاربری زمین TOD چند هدفه را برای بهینه‌سازی طرح کاربری زمین در حوضه‌های آبریز ایستگاه پیشنهاد می‌کند. با توجه به تراکم بالا و توسعه متنوع در کلان شهرهای چین، یک مدل برنامه ریزی که اثرات غیرخطی بر سواری، کارایی کاربری زمین، کیفیت زندگی و محیط را در نظر می گیرد، ساخته شده است. این مدل از داده‌های بزرگ جغرافیایی ریز دانه برای پر کردن شکاف‌های داده‌های تجربی و آماری و بهبود عملی بودن استفاده می‌کند. یک رویکرد بهینه‌سازی چندهدفه ژنتیکی بدون تکیه بر وزن‌دهی هدف برای تولید طرح‌های کاربری جایگزین استفاده می‌شود. یک ایستگاه مترو در شانگهای به عنوان مطالعه موردی استفاده می شود. نتایج نشان می‌دهد که هدف سواری پیشنهادی از تابع خطی معمول استفاده می‌شود و روش بهینه‌سازی بهینه و همگرایی شدید نسبت به مدل‌های پایه دارد. ما همچنین سازگاری ها و تضادها در اهداف را مورد بحث قرار می دهیم و یک طرح کاربری متعادل با در نظر گرفتن سیاست های محلی ارائه می دهیم. این کار پیشنهادهایی را برای طراحی شهری پایدار با استفاده از زمین و حمل و نقل هماهنگ ارائه می دهد.

کلید واژه ها:

داده های بزرگ جغرافیایی ؛ برنامه ریزی کاربری زمین ; بهینه سازی چند هدفه ; تاثیر غیر خطی توسعه ترانزیت محور

1. مقدمه

سیستم‌های حمل و نقل ریلی انبوه شهری (MRT) ابزار مؤثری برای ساکنان فراهم می‌کنند و تغییر از وسایل نقلیه شخصی به حالت سفر عمومی کم کربن را ترویج می‌کنند [ 1 ، 2 ]. با این وجود، شهرها با مشکلاتی مانند توزیع نامناسب امکانات و هدر رفت منابع اجتماعی ناشی از استفاده نامتوازن از زمین و توسعه MRT مواجه هستند. بنابراین، استراتژی‌های جامعی که MRT و کاربری زمین مربوطه را ادغام می‌کنند برای برنامه‌ریزی شهری پایدار حیاتی هستند [ 3 ]. تئوری توسعه ترانزیت محور (TOD) یکی از عملی ترین تئوری های کاربری یکپارچه زمین و حمل و نقل در نظر گرفته می شود [ 4 ، 5 ]]. برنامه ریزی TOD می تواند وضعیت نامتعادل حمل و نقل و کاربری زمین را بهبود بخشد و رویکردی پایدار برای توسعه شهری ارائه می دهد.

مطالعات اخیر متعددی بر برنامه ریزی TOD متمرکز شده اند و استراتژی ها و روش های موثر مختلفی را در این موضوع ایجاد کرده اند [ 6 ، 7 ، 8 ]. به ویژه، برنامه‌ریزی TOD با مدل‌های ریاضی در تولید طرح‌های کاربری پایدار زمین و یک ارزیابی بصری برجسته است [ 9 ، 10 ]. روش‌های برنامه‌ریزی کمی TOD شامل شاخه مهم بهینه‌سازی چندهدفه است که طرح‌های کاربری جایگزین را با توجه به اهداف مبتنی بر اصول و استراتژی‌های TOD ایجاد می‌کند [ 11 ، 12 ]]. با این حال، مدل های ریاضی TOD برای چین محدود باقی می مانند، اگرچه یک نمونه قابل توجه از یک مدل TOD برای طراحی طرح کاربری زمین با توجه به نوع و چگالی اطراف یک ایستگاه مترو در چین توسط لی و همکاران ارائه شد. [ 13 ، 14 ، 15]. اول، پارامترهای اهداف عمدتاً شامل داده های آماری درشت دانه و شاخص های تجربی است که باعث می شود توابع هدف توانایی بیان کافی نداشته باشند. دوم، اکثر اهداف با توابع خطی و مستقیم ساخته شده اند، در نتیجه رابطه پیچیده بین اهداف و کاربری زمین را ساده می کنند و در نتیجه قابلیت اطمینان مدل را کاهش می دهند. در نهایت، اگرچه مسائل چندهدفه در مطالعات قبلی با وزن دهی اهداف حل شده است، تعیین وزن های نسبی به دلیل عدم قطعیت چالش برانگیز است و به ندرت مطالعات از بهینه سازی چندهدفه واقعی در برنامه ریزی TOD استفاده کرده اند. خوشبختانه، ظهور داده های بزرگ جغرافیایی شهری و توسعه مدل یادگیری، پتانسیل بسیار خوبی را برای ساخت و ساز و بهینه سازی اهداف برنامه ریزی فراهم می کند.

این مقاله یک چارچوب طراحی کاربری زمین TOD چند هدفه را برای تولید طرح‌های کاربری جایگزین در زمینه چینی ارائه می‌کند که از یک مدل برنامه‌ریزی TOD و یک رویکرد بهینه‌سازی چند هدفه برای طراحی کاربری زمین تشکیل شده است. مدل‌های برنامه‌ریزی سنتی TOD همیشه چندین هدف را در نظر می‌گیرند، از جمله حمل و نقل ریلی، فشردگی، ترکیب کاربری زمین، تضادهای کاربری زمین و اثرات زیست‌محیطی [ 12 ، 13 ، 14 ].]. در این کار، عناصری از محیط ساخته شده به هدف سوارکاری اضافه می‌شوند و تعارض کاربری زمین با یک تابع خاص تر از تراکم کاربری جایگزین می‌شود. علاوه بر این، هدف کل فاصله تا ایستگاه برای راحتی سفر با حمل و نقل عمومی طراحی شده است. روش پیشنهادی کمک های زیادی می کند. (1) ما از داده های جغرافیایی بزرگ برای توصیف توسعه با چگالی و تنوع بالا در زمینه چینی استفاده می کنیم و اطلاعات فراوانی را برای ساخت توابع هدف و اعتبارسنجی در دسترس بودن روش ارائه می دهیم. (2) ما تأثیر غیرخطی استفاده از زمین بر سواری را بررسی می‌کنیم و اهداف سوارکاری را با یک روش یادگیری گروهی نشان می‌دهیم تا اطمینان حاصل شود که سوارکار می‌تواند پس از بهینه‌سازی به انتظارات مدل نزدیک شود تا قابلیت عملی بودن مدل برنامه‌ریزی را افزایش دهد. (3) این روش طرح‌های استفاده از زمین جایگزین را از طریق یک الگوریتم ژنتیک چندهدفه با کدگذاری ترکیبی طراحی‌شده ایجاد می‌کند، که محدودیت‌های وزن‌دهی هدف را حذف می‌کند و پیشنهادات بیشتری را برای تصمیم‌گیرندگان با ساختار نقطه مرجع منحصر به فرد و فرآیند عادی‌سازی ارائه می‌دهد. مطالعه موردی یک ایستگاه مترو در شانگهای برای نشان دادن امکان‌سنجی روش پیشنهادی ارائه شده است. تابع هدف سواری با تابع خطی مقایسه می شود تا برتری آن نشان داده شود. روش بهینه‌سازی استفاده شده توانایی قابل اعتمادی برای دستیابی به بهینه‌سازی و همگرایی از طریق مقایسه با دو الگوریتم ژنتیک رایج ارائه می‌دهد. علاوه بر این، به نظر می رسد یک طرح کاربری جایگزین که با روش برنامه ریزی به دست آمده است متعادل و سازگار با استراتژی های TOD باشد. که محدودیت های وزن دهی هدف را حذف می کند و پیشنهادات بیشتری را برای تصمیم گیرندگان با ساختار نقطه مرجع منحصر به فرد و فرآیند عادی سازی ارائه می دهد. مطالعه موردی یک ایستگاه مترو در شانگهای برای نشان دادن امکان‌سنجی روش پیشنهادی ارائه شده است. تابع هدف سواری با تابع خطی مقایسه می شود تا برتری آن نشان داده شود. روش بهینه‌سازی استفاده شده توانایی قابل اعتمادی برای دستیابی به بهینه‌سازی و همگرایی از طریق مقایسه با دو الگوریتم ژنتیک رایج ارائه می‌دهد. علاوه بر این، به نظر می رسد یک طرح کاربری جایگزین که با روش برنامه ریزی به دست آمده است متعادل و سازگار با استراتژی های TOD باشد. که محدودیت های وزن دهی هدف را حذف می کند و پیشنهادات بیشتری را برای تصمیم گیرندگان با ساختار نقطه مرجع منحصر به فرد و فرآیند عادی سازی ارائه می دهد. مطالعه موردی یک ایستگاه مترو در شانگهای برای نشان دادن امکان‌سنجی روش پیشنهادی ارائه شده است. تابع هدف سواری با تابع خطی مقایسه می شود تا برتری آن نشان داده شود. روش بهینه‌سازی استفاده شده توانایی قابل اعتمادی برای دستیابی به بهینه‌سازی و همگرایی از طریق مقایسه با دو الگوریتم ژنتیک رایج ارائه می‌دهد. علاوه بر این، به نظر می رسد یک طرح کاربری جایگزین که با روش برنامه ریزی به دست آمده است متعادل و سازگار با استراتژی های TOD باشد. مطالعه موردی یک ایستگاه مترو در شانگهای برای نشان دادن امکان‌سنجی روش پیشنهادی ارائه شده است. تابع هدف سواری با تابع خطی مقایسه می شود تا برتری آن نشان داده شود. روش بهینه‌سازی استفاده شده توانایی قابل اعتمادی برای دستیابی به بهینه‌سازی و همگرایی از طریق مقایسه با دو الگوریتم ژنتیک رایج ارائه می‌دهد. علاوه بر این، به نظر می رسد یک طرح کاربری جایگزین که با روش برنامه ریزی به دست آمده است متعادل و سازگار با استراتژی های TOD باشد. مطالعه موردی یک ایستگاه مترو در شانگهای برای نشان دادن امکان‌سنجی روش پیشنهادی ارائه شده است. تابع هدف سواری با تابع خطی مقایسه می شود تا برتری آن نشان داده شود. روش بهینه‌سازی استفاده شده توانایی قابل اعتمادی برای دستیابی به بهینه‌سازی و همگرایی از طریق مقایسه با دو الگوریتم ژنتیک رایج ارائه می‌دهد. علاوه بر این، به نظر می رسد یک طرح کاربری جایگزین که با روش برنامه ریزی به دست آمده است متعادل و سازگار با استراتژی های TOD باشد.

ادامه مقاله به شرح زیر تدوین شده است. بخش 2 ادبیات مربوط به برنامه ریزی TOD را مرور می کند. بخش 3 مشکل تحقیق را به تفصیل شرح می دهد و روش برنامه ریزی کاربری زمین پیشنهادی TOD را نشان می دهد. بخش 4 یک مطالعه موردی را در شانگهای معرفی می‌کند و طرح‌های کاربری زمین را برای تأیید اثربخشی روش ارائه می‌کند. بخش 5 رابطه بین اهداف برنامه ریزی TOD را مورد بحث قرار می دهد و چندین پیامد سیاستی را ارائه می دهد. در نهایت، نتیجه گیری و محدودیت های کار فعلی در بخش 6 مورد بحث قرار می گیرد .

2. کارهای مرتبط

TOD برای اولین بار برای طراحی توسعه در یک جامعه با کاربری مختلط با تراکم و تنوع بالا معرفی شد که ساکنان را تشویق می کند در نزدیکی ایستگاه حمل و نقل زندگی کنند و وابستگی آنها به وسایل نقلیه شخصی را کاهش می دهد [ 16 ]. Cervero [ 17 ] اصول اولیه “3D” “تراکم، تنوع و طراحی” را برای برنامه ریزی TOD پیشنهاد کرد و استدلال کرد که استفاده از زمین با تراکم و تنوع بالا و طراحی پیاده محور سفرهای غیرخودرو را تشویق می کند [ 18 ]. از آن زمان، اصول و راهبردهای TOD محققان بسیاری را به خود جذب کرده و پیچیدگی آن برای برآوردن الزامات پایداری شهری افزایش یافته است [ 3 ، 6 ، 19 ، 20 ، 21 .]. به عنوان یک حالت سفر سبز با ظرفیت بزرگ، MRT یک هدف تحقیقاتی مناسب برای برنامه ریزی TOD است و ساخت سیستم های MRT پایدار بر اساس استراتژی های TOD قابل قبول است.

اگرچه اصول و استراتژی های TOD به طور جامع شناسایی شده است، شکاف هایی در درک چگونگی تبدیل نظریه TOD به یک مدل تحلیلی دقیق برای برنامه ریزی شهری پایدار وجود دارد. مسئله طراحی کاربری زمین (LDP) به یک مدل برنامه ریزی ریاضی برای بهینه سازی مکان ها، انواع و اندازه های کاربری زمین شهری اشاره دارد [ 22 ]. به دلیل رابطه تنگاتنگ بین سیستم های حمل و نقل و کاربری زمین، مطالعات اخیر به طور فزاینده ای بر برنامه ریزی یکپارچه سازی کاربری زمین و طراحی حمل و نقل متمرکز شده اند [ 23 ، 24 ، 25 ]. در این زمینه، استراتژی‌های TOD برای طراحی کاربری زمین اعمال شده‌اند. Lin & Gau [ 11] یک مدل TOD را برای افزایش سواری MRT، بهبود کیفیت زندگی و محیطی و تضمین عدالت اجتماعی پیشنهاد کرد، اما فقط کاربری تجاری و مسکونی در آن دخیل بود. به عنوان یک توسعه، Lin & Li [ 12 ] یک مدل سطح شهر-منطقه را توسعه دادند که استفاده از زمین تفریحی را اختصاص داد و هدف حداکثر کردن دسترسی به فعالیت‌های غیرمسکونی را اضافه کرد. لی و همکاران [ 13 ] ابتدا یک مدل TOD را برای چین بر اساس ویژگی های کلان شهرهای چین برای حفظ توسعه پایدار سیستم MRT در چین ایجاد کرد. بر این اساس، ما و همکاران. [ 14 ] سهم حمل و نقل را در برنامه ریزی در سطح ایستگاه در نظر گرفت و دسترسی محلی به اهداف اضافه شد. ساهو [ 9] یک مدل برنامه ریزی TOD برای اصلاح کاربری اراضی در شهر نایا رایپور معرفی کرد که بر اساس پارامترهای جهانی TOD تراکم، تنوع و فاصله تا ترانزیت بود.

محدودیت قابل توجه مطالعات برنامه ریزی TOD قبلی این بود که آنها فقط از داده های آماری و تجربی استفاده می کردند که برای برنامه ریزی دقیق کافی نبود و نتایج غیر عملی برای وظایف برنامه ریزی خاص به همراه داشت. اخیراً داده‌های بزرگ جغرافیایی مانند نقاط مورد علاقه، حسگرهای موبایل و داده‌های کارت هوشمند حاوی اطلاعات فراوان در مورد تحرک انسان و ساختارهای فضایی شهری به طور گسترده در برنامه‌ریزی شهری استفاده شده‌اند [ 26 ، 27 ]. داده‌های بزرگ جغرافیایی فرصت‌های جدیدی را برای تحلیل کمی سناریوهای TOD فراهم می‌کنند و قادر به توصیف ساختارهای فضایی شهری بلادرنگ برای برنامه‌ریزی TOD هستند [ 28 ]]. علاوه بر این، سواری نشان دهنده درجه استفاده از خدمات حمل و نقل و تحرک ناشی از استفاده از زمین است که یکی از مهم ترین شاخص ها در TOD است. مدل‌های قبلی برنامه‌ریزی TOD معمولاً سواری را با نسبت تولید/جذب آماری سفر و توابع خطی (log-linear) تخمین زده‌اند. با این حال، چندین مطالعه نشان داده‌اند که تأثیر کاربری زمین بر سواری غیرخطی است و تأثیر سواری را نمی‌توان به طور کامل با استفاده از زمین توضیح داد [ 29 ]. بنابراین، یک مدل غیرخطی جامع تر با عوامل متعدد برای ساخت هدف سواری در مدل برنامه ریزی TOD ضروری است.

حتی زمانی که یک مدل TOD ساخته می‌شود، بهینه‌سازی چالش برانگیز است زیرا این مدل شامل اهداف متعدد با اهداف متضاد، فضای جستجوی وسیع برای راه‌حل بهینه و مجموعه‌ای از محدودیت‌ها است. نشان داده شده است که الگوریتم ژنتیک (GA) برای حل چنین مسائلی در مقیاس بزرگ مناسب است، زیرا در جستجوی خودکار و بهینه در ابعاد گسترده راه حل مهارت دارد [ 30 ]. مهمتر از همه، GA قبلاً برای حل مسائل چندهدفه اصلاح شده است [ 31 ، 32 ]. در نتیجه، GA های مختلفی برای بهینه سازی مدل های LDP و TOD استفاده شده اند [ 9 ، 33 ، 34]. برای بهینه سازی چند هدفه، بیشتر برنامه ریزی TOD در طراحی خود یک تابع جامع را شامل می شود.

F = \sum_{k = 1}^{o b j} w_{k} F_{k}

، با وزن هایی برای ساده سازی بهینه سازی [ 13 ، 14 ، 35 ]. با این حال، وزن اهداف به صورت ذهنی تعریف می‌شوند و اهداف مختلف ابعاد متفاوتی دارند، در نتیجه مدل‌هایی از تعصب و نقاط پرت حساس رنج می‌برند.

به طور خلاصه، اگرچه استفاده از زمین و مدل برنامه ریزی TOD با چشم انداز همه جانبه ساخته شده است، TOD ریاضی در سطح ایستگاه می تواند از نظر داده ها و نمایش تابع بهبود یابد. برای طراحی شهری پایدار با توسعه متوازن سیستم MRT و استفاده از زمین در زمینه چین، یک روش برنامه‌ریزی کاربری زمین TOD معقول بهبود یافته هنوز مورد نیاز است.

3. روش شناسی

3.1. بیان مسأله

این مقاله یک روش برنامه ریزی TOD را بر اساس استراتژی های مناسب با زمینه چینی برای حل مشکل طراحی کاربری زمین ارائه می کند. همانطور که در شکل 1 نشان داده شده است، با در نظر گرفتن ایستگاه MRT به عنوان نقطه مرکزی، مسئله طراحی کاربری زمین با هدف تعیین نوع، تراکم و مکان سلول های کاربری زمین توسعه نیافته اطراف و به دست آوردن یک طرح کاربری بهینه بر اساس اهداف مربوطه است. به TOD. در نهایت، نقشه های طرح کاربری جایگزین برای نمایش طرح های کاربری اراضی [ 35 ، 36 ] تولید می شود. با الهام از کار [ 14]، هفت نوع کاربری زمین در این اثر ارائه شده است که عبارتند از: عمومی (مثلا مدرسه، سازمان دولتی، بیمارستان)، صنعتی (مثلاً کارخانه، انبار)، تجاری (مثلاً مرکز خرید، رستوران)، اقتصادی (مثلاً، ساختمان اداری، کسب و کار شرکتی، سازمان مالی)، مسکونی (به عنوان مثال، آپارتمان، ویلا)، جاده، و آب. قابل ذکر است، تنها پنج نوع اول استفاده از زمین به دلیل هزینه بالای اصلاح جاده ها و آب برای طراحی کاربری زمین اعمال می شود.

به طور کلی، این مطالعه یک چارچوب طراحی کاربری زمین TOD چند هدفه را پیشنهاد می‌کند. همانطور که در شکل 2 نشان داده شده است ، این روش شامل دو بخش از یک مدل برنامه ریزی TOD و یک رویکرد بهینه سازی چند هدفه برای طراحی کاربری زمین در یک حوضه آبریز ایستگاه است. با استفاده از داده‌های بزرگ جغرافیایی و داده‌های آماری و تجربی سنتی، یک مدل برنامه‌ریزی TOD با اهداف خطی و غیرخطی ساخته می‌شود. سپس، یک الگوریتم اکتشافی قوی برای تولید طرح‌بندی‌های کاربری جایگزین استفاده می‌شود. جزئیات در بخش های بعدی معرفی می شود.

3.2. مدل برنامه ریزی TOD

یک مدل برنامه ریزی TOD قابل اعتماد نیاز به در نظر گرفتن عوامل متعددی از جمله سواری، ارزش زمین، کارایی استفاده از زمین، اثرات زیست محیطی، کیفیت زندگی و برابری اجتماعی دارد [ 11 ، 37 ]. با این وجود، ویژگی های زمینه ای مختلف منجر به کاربردهای خاص استراتژی های TOD می شود [ 3 ]. برخلاف اکثر شهرهای آمریکا که با تراکم کم، جهت گیری خودرو و چیدمان چند مرکزی مشخص می شوند [ 38 ]]، بیشتر شهرهای چین با تراکم بالا و حمل و نقل بالا مشخص می شوند. برای هدایت رشد کلان شهر در راهروهای MRT، TOD در چین باید شامل توسعه با تراکم بالا، کاربری مخلوط زمین و محیط‌های مناسب برای عابران پیاده باشد تا با ویژگی‌های شهرهای چین سازگار باشد. بر اساس زمینه چینی و مفهوم TOD، شش هدف با ارجاع به مطالعات قبلی [ 11 ، 12 ، 13 ، 14 ، 15 ] برای ارتقای توسعه پایدار MRT و کاربری زمین مرتبط طراحی شده است: دیدگاه‌های سواری، فشردگی، تضاد کاربری زمین، ترکیب کاربری زمین، اثرات زیست محیطی، و دسترسی به مقصد. علاوه بر این، مجموعه ای از محدودیت ها در مدل در نظر گرفته شده است.

3.2.1. تعریف پارامتر

مدل برنامه ریزی TOD پیشنهادی شامل پارامترهای زیر است.

I : مجموعه سلول های کاربری زمین. سلول i

\in I

K : مجموعه ای از انواع کاربری زمین. نوع k

\in K

B E

: متغیرهای محیطی ساخته شده در منطقه ایستگاه.

T

: متغیرهای سرویس حمل و نقل در منطقه ایستگاه.

G

: متغیرهای جمعیتی در منطقه ایستگاه.

N_{i}

: سلول های داخل 8 همسایه سلول i.

c_{k l}

: درجه تضاد بین سلول های مجاور از انواع k و l.

S i d e

: طول سلول ها

A r e a

: ناحیه سلولی

N_{c e l l}

: تعداد سلول ها

P_{k}^{r}

: آلاینده های نوع r تولید شده توسط تراکم واحد در سلول کاربری زمین نوع k .

c o s t^{r}

: هزینه تصفیه آلاینده های نوع r .

L_{i}

: فاصله سلول I تا ایستگاه مترو در کنار جاده.

A t t r_{k}

: جاذب مسافر سلول نوع k واحد .

l o w e r E I I_{k}

u p p e r E I I_{k}

: کران پایین/بالا به ترتیب شاخص شدت بهره برداری از هر نوع کاربری در هر سلول.

l o w e r R a t i o_{k}

u p p e r R a t i o_{k}

: کران پایین/بالا به ترتیب درصد کل هر نوع کاربری در طرح کلی.

3.2.2. متغیرهای تصمیم گیری

دو متغیر تصمیم گیری برای تخصیص نوع کاربری و تراکم زمین اعمال می شود.

X_{i k}

: متغیر باینری {

X_{i k}

= 1 اگر سلول i به k -type اختصاص داده شود. در غیر این صورت،

X_{i k}

= 0}، که نوع استفاده از زمین سلول ها را با رمزگذاری یک داغ توصیف می کند.

D_{i k}

: k- نوع چگالی کاربری زمین سلول i ; واحد تراکم کاربری 100 است

m^{2}

سلول /، و مقدار چگالی یک عدد صحیح مثبت برای هر سلول است.

3.2.3. اهداف

سواری MRT

هدف اول به حداکثر رساندن سواری MRT است که کارایی استفاده و سود را برای MRT افزایش می‌دهد و منجر به پایداری اقتصادی می‌شود. قبل از ساخت اهداف TOD، یک مدل موجود برای تعیین رابطه غیرخطی بین کاربری زمین و سواری مورد نیاز است. مدل‌های مجموعه درختی مانند درخت رگرسیون تقویت کننده گرادیان (GBRT) برای توصیف سوارکاری استفاده شده است [ 39 ، 40 ]. در این مطالعه، به عنوان یکی از بهترین روش‌های مجموعه درختی، تقویت گرادیان شدید (XGBoost) [ 41] برای مدلسازی غیرخطی استفاده می شود. در مقایسه با GBRT، XGBoost از دو جنبه اصلی دارای مزایای مهمی است: XGBoost از بسط تیلور درجه دوم برای مقابله با تابع هزینه استفاده می‌کند که در نتیجه دقت مدل بالایی دارد. و ضرایب جریمه برای افزایش قابلیت تعمیم به تابع هزینه اضافه می شود. XGBoost از درختان طبقه بندی و رگرسیون متعدد (CART) تشکیل شده است و نتیجه با جمع امتیاز پیوسته در برگ های CART ها پیش بینی می شود. تابع پیش بینی به صورت زیر است:

y ˆ من = ϕ (ایکس من) = \sum k = 1 ک φ (k) * f ک (ایکس من) ، f ک \in F

(1)

جایی که $φ (k) and f_{k} (*)$ به ترتیب نرخ یادگیری و عملکرد K- امین CART هستند و $x_{i}$ من برگ درخت است . به دنبال آموزش XGBoost، مدل یادگیری از شاخص های انتخاب شده برای شبیه سازی تاثیر عوامل متعدد بر سواری MRT، همانطور که در معادله (2) نشان داده شده است، در دسترس می شود.

R i d e r s h i p = X G B o o s تی r (د ؛ ب E; تی; G)

(2)

جایی که $D, B E, T, G$ شاخص های کاربری زمین، محیط ساخته شده، خدمات حمل و نقل و جمعیت به ترتیب [ 39 ] هستند. داده ها و شاخص های دقیق در بخش 4.2 ارائه شده است. با توجه به هدف این کار، تنها عوامل کاربری اراضی قابل تغییر بوده و سایر عوامل به عنوان متغیرهای کنترلی ثابت در نظر گرفته می شوند. تحت این شرایط، حداکثر MRT به صورت معادله (3) نشان داده می شود:

m a xf1= XG B o s t _⎛⎝∑من ∈ منایکسمن 1Dمن 1،∑من ∈ منایکسمن 2Dمن 2, … ,∑من ∈ منایکسمن کDمن ک⎞⎠{ k ∈ K}����1=�������(∑�∈���1��1,∑�∈���2��2,…,∑�∈�������){�∈�}

(3)

2.: فشردگی

فشردگی یک نقطه داغ در برنامه ریزی شهری است و برای ساخت شهرهای صرفه جویی در منابع و محیط زیست قابل توجه است [ 42 ، 43 ]. هدف دوم به حداکثر رساندن فشردگی در میان سلول‌های کاربری زمین است که کارایی استفاده از زمین و راحتی زندگی را بهبود می‌بخشد. به دلیل تعاریف متنوع و چارچوب های مفهومی آن، هیچ اندازه گیری واحدی از فشردگی وجود ندارد [ 44 ، 45 ، 46 ]. این مطالعه با الهام از برنامه‌های برنامه‌ریزی قبلی TOD، فشردگی را به عنوان تعداد سلول‌های مجاور با همان نوع کاربری زمین اندازه‌گیری می‌کند [ 9 ، 15 ]. مثلاً فشردگی سلول i با kنوع کاربری زمین را می توان با تعداد سلول های اختصاص داده شده به کاربری زمین نوع k در هشت سلول اطراف i محاسبه کرد. هدف به صورت زیر تدوین شده است:

m a x f 2 = \sum من \in من \sum k \in K \sum j \in ن من ایکس j k ایکس من ک

(4)

3.: تعارض کاربری زمین

تضادها معمولاً در سلول‌های کاربری زمین مجاور ایجاد می‌شوند. به عنوان مثال، زمین های صنعتی ممکن است باعث ایجاد صدا و آلودگی شود و منجر به اثرات منفی برای افرادی شود که در زمین های مسکونی مجاور زندگی می کنند. هدف سوم به حداقل رساندن تضاد بین قطعات مختلف زمین مجاور برای بهبود کیفیت زندگی ساکنان اطراف ایستگاه است. با این وجود، تضاد بین سلول‌های مجاور برای توصیف کمی سخت است، بنابراین یک شاخص تجربی، درجه تعارض $c_{k l}$ ، طبق مطالعات قبلی به کار گرفته شده است. علاوه بر این، با توجه به اینکه مناطق با متراکم متفاوت منجر به درگیری‌های متفاوتی می‌شوند، این مطالعه شناسایی «همجواری» را به استقرار عملکرد معرفی می‌کند [ 47 ]. هدف به صورت زیر تدوین شده است:

m i n f 3 = \sum من \in من \sum k \in K ایکس من ک D من ک \sum j \in A d j من ایکس j l اس من d ه D من ک \sqrt ج k l \sum من \in من \sum k \in K ایکس من ک D من ک

(5)

4.: ترکیب کاربری اراضی

کاربری مختلط زمین نه تنها به فعالیت‌های محرک کمک می‌کند، بلکه هزینه‌های سفر را کاهش می‌دهد و باعث ارتقای سفر با پیاده‌روی و دوچرخه‌سواری می‌شود که یک ویژگی مهم برای محله‌های جمع و جور و حیاتی است. هدف سوم افزایش درجه استفاده از زمین مختلط برای طراحی یک محله دارای تنوع عملکردی مطابق با مفهوم اساسی TOD است. درجه کاربری مخلوط زمین با شاخص آنتروپی [ 48 ] اندازه گیری می شود و هدف به صورت زیر فرموله می شود:

m a x f 4 = - \sum k \in K آ ک l n ( آ ک ) ln ( ن c e l l )

(6)

جایی که $A_{k}$ درصد تراکم کاربری زمین نوع k در منطقه ایستگاه است. و $A_{k}$ = $\sum_{i \in I} D_{i k} / \sum_{i \in I} \sum_{k \in K} D_{i k}$ .

5.: تاثیرات محیطی

با افزایش تراکم کاربری زمین و فعالیت های انسانی، بار محیطی محلی سنگین تر خواهد شد، و کاهش ردپای محیطی در پیش شرط اصول TOD برای برنامه ریزی پایدار مهم است [ 12 ]. با ارجاع به مطالعات قبلی، هدف چهارم کاهش هزینه تصفیه آلودگی است که نشان دهنده کاهش تأثیر منفی زیست محیطی توسعه و حفظ کیفیت محیطی است [ 13 ، 14 ].]. تراکم بالای سلول های زمینی صنعتی ممکن است هزینه آلودگی را افزایش دهد. بنابراین، کنترل تخصیص صنایع با آلودگی بالا برای برنامه ریزی سبز مهم است. هزینه تصفیه به شدت با تراکم کاربری زمین مرتبط است و نیاز به در نظر گرفتن انواع مختلف آلودگی دارد. حداقل هزینه تصفیه آلودگی به شرح زیر است:

m i n f 5 = \sum من \in من \sum k \in K \sum r\in R_ایکس من ک D من ک پ r ک ج__تی r

(7)

6.: دسترسی به مقصد

دسترسی به مقصد، که با فاصله قابل پیاده‌روی از مبدا تا ایستگاه حمل و نقل اندازه‌گیری می‌شود، یک اصل ضروری TOD [ 49 ] است. هدف این آخرین هدف کاهش کل مسافت پیاده روی ساکنان از ایستگاه MRT تا مقصدشان برای پشتیبانی از سفر با MRT است. به طور خاص، تفاوت های قابل توجهی در جذب ساکنان به کاربری های مختلف زمین وجود دارد. کاربری بسیار جذاب زمین باید نزدیک به ایستگاه MRT باشد و توسعه متراکم هزینه بالایی از نظر مسافت پیاده روی ایجاد می کند. هدف به صورت زیر تدوین شده است:

m i n f 6 = \sum من \in من \sum k \in K L من ایکس من ک D من ک A t t r ک

(8)

3.2.4. محدودیت ها

علاوه بر اهداف فوق، چندین محدودیت در طول فرآیند بهینه سازی وجود دارد. اولاً به عنوان حداقل واحدهای مورد مطالعه، هر سلول باید به یک نوع کاربری اختصاص داده شود و کاربری مختلط قابل قبول نیست. بنابراین، نوع کاربری زمین در یک متغیر باینری کدگذاری می شود، $X_{i k}$ ، و محدودیت به صورت زیر ارائه می شود:

ایکس من ک = {0, 1}, \forall i \in I ، k \in K

(9)

\sum k \in K ایکس من ک = 1 ، \forall i \in I

(10)

دوم، توسعه فشرده از ظرفیت محیطی فراتر خواهد رفت. بنابراین، تراکم کاربری زمین توسط شاخص شدت بهره برداری، مانند نسبت مساحت طبقه ارائه شده توسط فرمان مدیریت شهری و برنامه ریزی، محدود می شود. تراکم کاربری زمین هر سلول باید به صورت زیر محدود شود:

ایکس من ک * l o w e r E من من ک \leq ایکس من ک D من ک A r e a \leq ایکس من ک * u p e r_E من من ک ، \forall من \in I ، k \in K

(11)

در نهایت، از آنجایی که برنامه‌ریزی منطقه‌ای در مکان‌های ایستگاه‌های مختلف، مانند برنامه‌ریزی برای یک مرکز تجاری یا یک مرکز فرهنگی متفاوت است، درصد تراکم کاربری اراضی انواع کاربری‌های مختلف توسط برنامه‌ریزی شهری کلی دولت محدود می‌شود:

l o w e r R a t i o ک \leq \sum من \in من D من ک \sum k \in K \sum من \in من D من ک \leq u p p e r R a t i o ک ، \forall k \in K

(12)

3.3. رویکرد بهینه سازی

طراحی کاربری زمین یک مشکل برنامه ریزی چندهدفه است و دستیابی به بهترین ارزش برای همه اهداف به دلیل تضاد بین آنها غیرممکن است. هدف بهینه‌سازی یافتن راه‌حل‌های بهینه پارتو در نقشه‌های کاربری زمین است. بنابراین، روشی مبتنی بر الگوریتم ژنتیک مرتب‌سازی غیرمسلط III (NSGA-III) [ 32] که در جستجوی بهینه چندهدفه بدون وزن مهارت دارد، برای تولید نقشه‌های کاربری جایگزین استفاده می‌شود. به طور خاص، طرح کاربری زمین A تنها زمانی انتخاب می شود که A بهتر از B در بین همه اهداف عمل کند (A بر B غالب است). بنابراین، چیدمان کاربری زمین اهداف چندگانه را به طور همزمان بهینه می کند و در نسل های متوالی به بهینه نزدیک می شود. در نهایت، مجموعه ای از طرح های کاربری جایگزین برای انتخاب بیشتر توسط تصمیم گیرندگان به دست آمده است. نمودار جریان مدل بهینه سازی در شکل 3 نشان داده شده است و عملگرهای اصلی در زیر نشان داده شده اند.

بازنمایی و مقداردهی اولیه

در این کار، ما یک کدگذاری ترکیبی برای برازش مسئله طراحی می‌کنیم، که در آن کدگذاری واقعی برای توصیف متغیرهای تصمیم اعمال می‌شود، و هر سلول توسعه نیافته در نقشه طرح کاربری زمین به دو ژن تبدیل می‌شود تا نوع کاربری زمین را نشان دهد (عدد صحیح 0- 4) و چگالی (عدد شناور مثبت). در نتیجه، طول کروموزوم در یک فرد دو برابر تعداد سلول های توسعه نیافته است. در مرحله اولیه سازی، افراد به صورت تصادفی تولید می شوند و افراد فاقد صلاحیت با یک قضاوت محدود حذف می شوند. مقداردهی اولیه زمانی به پایان می رسد که تعداد افراد واجد شرایط به اندازه جمعیت برسد.

2.: تناسب اندام

تناسب اندام یک شاخص حیاتی برای ارزیابی عملکرد افراد است و عنصر اساسی برای اپراتورهای ژنتیکی است. در این کار، شش مقدار تناسب که با اهداف مطابقت دارد محاسبه می شود:

{f 1, f 2, - f 3, f 4, - f 5, - f 6}

3.: پیش انتخاب

برای هر تکرار بازتولید، مجموعه ای از نامزدها (

Q_{t}

) از هر دو والد (

P_{t}

) و فرزندان (

C_{t}

) در آخرین تکرار و هدف از پیش انتخابی انتخاب بهترین و متنوع ترین افراد است (

P_{t + 1}

با اندازه جمعیت) برای تکرار بعدی. روش عملگر در شکل 4 نشان داده شده است و دو مرحله در پیش انتخاب وجود دارد.

مرتب‌سازی سریع غیرمستقیم: این عملگر برای طبقه‌بندی افراد به چندین سطح بر اساس رابطه غالب استفاده می‌شود. همانطور که در شکل 4 نشان داده شده است ، F1 بهترین سطح است. افراد در F1 تحت سلطه هیچ فرد دیگری نیستند و افراد در F2 فقط تحت سلطه افراد متعلق به F1 هستند. احتمال انتخاب افراد در سطوح بالاتر بیشتر است.

عملگر نگهدارنده طاقچه: این عملگر برای انتخاب افراد در همان سطح با اصل تنوع فردی (مانند F3 در شکل 4 ) اعمال می شود. نقشه طرح اپراتور در شکل 5 نشان داده شده است . ابتدا، نقاط مرجع دو لایه (112) که به طور یکنواخت بر روی واحد سیمپلکس فضای محلول توزیع شده اند، تولید می شوند. دوم، نقطه ایده آل با حداقل مقدار هر هدف تعیین می شود و نقاط انتهایی به عنوان نزدیک ترین نقاط به محورها انتخاب می شوند. ثالثاً برازش اهداف بر اساس نقطه ایده‌آل و نقطه افراطی نرمال می‌شود و هر راه‌حل با نقطه مرجعی مرتبط است که خط مرجع آن(خطی که نقطه مرجع را به نقطه ایده آل متصل می کند) نزدیک ترین به راه حل است. در نهایت، زمانی که نقطه مرجع دارای راه حل های کمتری باشد، راه حل های مرتبط با این نقطه مرجع پتانسیل بیشتری برای انتخاب دارند. به طور قابل توجهی، نقطه مرجع ذاتاً نشان دهنده اولویت برای اهداف است که می تواند به عنوان یک “وزن” جدید در نظر گرفته شود، و تناسب با عادی سازی یک “امتیاز” قابل مقایسه برای همه اهداف نشان می دهد که به تصمیم گیری بیشتر کمک می کند.

4.: عملگرهای ژنتیکی متعارف

از آنجایی که افراد عالی با پیش انتخاب انتخاب می شوند، مدل به طور تصادفی جفت والدین را از بین آنها انتخاب می کند

P_{t + 1}

. این کار متقاطع یکنواخت و عملگرهای جهش یکنواخت را اعمال می کند، و هر ژن تصمیم می گیرد که به طور متقابل مبادله کند و بر اساس ثابت ها جهش کند.

P_{s}

P_{m}

. در این مطالعه، ژن‌های نوع کاربری زمین مستقیماً در متقاطع مبادله می‌شوند و به طور تصادفی به اعداد صحیح (0-4) جهش می‌یابند، در حالی که ژن‌های چگالی کاربری زمین از یک متقاطع باینری شبیه‌سازی شده و جهش چند جمله‌ای در عملگرهای ژنتیکی استفاده می‌کنند. در نهایت، هر فردی باید محدودیت ها را برآورده کند.

5.: نخبه گرایی و خاتمه

این کار همچنین نخبه‌گرایی را به مدل معرفی می‌کند، که افراد با بهترین عملکرد را برای هر هدف حفظ می‌کند تا راه‌حل‌ها را وادار به نزدیک شدن به بهینه کند. الگوریتم زمانی به پایان می رسد که به حداکثر تکرار داده شده برسد. در غیر این صورت، الگوریتم به بازتولید باز می گردد.

4. مطالعه موردی

4.1. منطقه مطالعه

شانگهای یکی از شهرهایی است که دارای سیستم MRT بسیار پیشرفته است. تا به امروز، 16 خط با 416 ایستگاه در حال بهره برداری است و طول کل مترو شانگهای 705 کیلومتر است. نیاز اساسی به برنامه ریزی برای ادغام سیستم MRT و کاربری زمین برای رفع مشکلات شهری وجود دارد، و به طور قابل توجهی، دولت TOD را به عنوان یک ابزار حیاتی در برنامه ریزی کاربری زمین پذیرفته است. همانطور که مطالعه قبلی نشان داد، نتایج تیپولوژی های TOD برای انتخاب سایت ارزشمند هستند [ 7 ]. در این مطالعه، منطقه اطراف ایستگاه جاده‌ای فانگ‌هوا به‌عنوان منطقه مورد مطالعه انتخاب شده است، زیرا ثابت شده است که توسعه زمین در این ایستگاه از توسعه ترانزیت ریلی در نوع‌شناسی TOD عقب‌تر است [ 6 ].]، و ایستگاه دارای پتانسیل توسعه در هماهنگی با بهینه سازی کاربری زمین است. ایستگاه جاده فانگهوا در انتهای خط 7 و نزدیک مرکز فرعی پارک قرن است که در حومه شهر شانگهای واقع شده است (همانطور که در شکل 6 الف نشان داده شده است). تخصیص کاربری زمین در اطراف ایستگاه در شکل 6 ب نشان داده شده است، که در آن مناطق مسکونی بیشترین مساحت را در حوضه آبریز ایستگاه اشغال می کنند و تنوع و تراکم کاربری زمین در مقایسه با توسعه MRT ناکافی است. به طور خاص، فاصله بین 400 متر و 800 متر (زمان پیاده‌روی 10 دقیقه) برای برنامه‌ریزی TOD مناسب است و یک مربع محدود شده در شعاع 800 متری ایستگاه برای برنامه‌ریزی در این مطالعه موردی استفاده می‌شود که مطابق با قبلی است. کار [ 13]. علاوه بر این، منطقه برنامه ریزی شده به سلول های 20 × 20 با اندازه یکنواخت تقسیم می شود. اندازه هر سلول 80 × 80 متر است. از یک طرف، متوجه می‌شویم که تقریباً همه شبکه‌ها در این اندازه دارای یک نوع کاربری خاص هستند که انواع مختلف سلول‌های زمین را متمایز می‌کند و وضعیت کاربری زمین را به دقت توصیف می‌کند. از سوی دیگر، اندازه شبکه کارایی راه‌حل‌ها را تضمین می‌کند و نقشه‌های طرح کاربری مناسب برای برنامه‌ریزی منطقه‌ای را تولید می‌کند.

4.2. توصیف داده ها و ساخت مدل برنامه ریزی TOD

داده‌های بزرگ جغرافیایی دارای وضوح فضایی بالا، به‌روزرسانی سریع و دسترسی راحت در مقایسه با اطلاعات نظرسنجی سنتی هستند و برای توصیف سناریوهای پیچیده در اطراف ایستگاه‌ها مناسب هستند. روش پیشنهادی هم از داده های جغرافیایی با وضوح مکانی بالا و هم از داده های تجربی و آماری برای ساخت هدف استفاده می کند.

داده‌های کاربری زمین: به عنوان متغیرهای اساسی، تخصیص کاربری زمین در اطراف ایستگاه توسط منطقه مورد نظر (AOI) تعیین می‌شود، که نوعی از داده‌های جغرافیایی است که شامل قطعات زمین با انواع، مکان‌ها و خطوط دقیق است. تراکم کاربری زمین عمدتاً با نسبت مساحت طبقه (FAR) از داده‌های برنامه‌ریزی و وب‌سایت‌های مسکن برای زمین‌های مسکونی و طرح‌های ساختمانی با اطلاعات طبقه برای انواع دیگر زمین برآورد می‌شود.

داده‌های سواری: سواری با جریان ورودی و خروجی مسافر با استفاده از داده‌های کارت هوشمند که حاوی اطلاعات فراوان در مورد سفر فردی، از جمله کاربر، زمان، توقف و خط است، برآورد می‌شود. در این مطالعه، میانگین سواری روزانه از 266 ایستگاه مترو در ژانویه 2018 با مجموع 258,896,211 رکورد برای مدل سازی محاسبه شده است. داده های مربوط به متغیرهای سواری در جدول 1 (بافر با 800 متر) نشان داده شده است.

داده های تجربی: چندین پارامتر در مدل برنامه ریزی به کار گرفته شده است. یک شاخص مصنوعی، درجه تعارض

c_{k l}

(0-8)، برای تخمین تضاد بین بسته های مجاور طراحی شده است زیرا ارزیابی کمی شامل عوامل متعددی با چالش های قابل توجهی مواجه است [ 13 ، 14 ]. کل هزینه تصفیه آلودگی با انتشار آلودگی محاسبه می شود

P_{k}^{r}

و هزینه واحد

c o s t^{r}

برای انواع مختلف آلاینده، که توسط سیاست مربوطه برآورد شده است [ 50 ]. جذب مسافر

A t t r_{k}

توزیع مقاصد ساکنان را تعیین می کند و بر اساس استانداردهای فنی تحلیل تأثیر ترافیک پروژه ساختمانی شانگهای [ 51 ] برآورد می شود.

مطالعه موردی با داده های ذکر شده در بالا انجام شده است. طرح اولیه کاربری زمین را می توان بر اساس داده های کاربری زمین با نگاشت تخصیص کاربری اراضی داده های AOI به شبکه ها و تعیین تراکم توسعه کاربری اراضی موجود از FARها بدست آورد. سپس، مدل برنامه ریزی TOD برای بهینه سازی ایجاد می شود. با شمارش کل سرنشینان (اعم از سوار شدن و پیاده‌روی) از داده‌های کارت هوشمند و تهیه متغیرهای کنترلی و متغیرهای توضیحی فهرست‌شده در جدول 1 ، مدل XGBoost با داده‌های سواری (همه ایستگاه‌های مترو) برای هدف اول آموزش داده می‌شود. سواری MRT پارامترهای درجه تعارض

c_{k l}

، انتشار آلودگی

P_{k}^{r}

و هزینه واحد انواع مختلف آلاینده ها

c o s t^{r}

از داده‌های تجربی برآورد شده‌اند که به ترتیب برای ایجاد اهداف تضاد کاربری زمین و اثرات زیست‌محیطی استفاده می‌شوند. برای ساختن هدف دسترسی به مقصد، جذب مسافر

A t t r_{k}

با داده های تجربی و فواصل سلول های کاربری زمین تا ایستگاه مترو تخمین زده می شود

L_{i}

بر اساس OSM محاسبه می شوند. در نهایت، اهداف ترکیب کاربری و فشردگی زمین با چیدمان کاربری زمین محاسبه می شود که شامل اطلاعات اضافی نمی شود.

4.3. نتایج و تجزیه و تحلیل

4.3.1. مدلسازی سوارکاری

اعتبارسنجی متقابل پنج‌گانه (5-CV) برای جستجوی ساختار بهینه XGBoost برای اطمینان از یک مدل قوی اعمال می‌شود و کل نمونه به یک مجموعه آموزشی با 80 درصد داده‌ها و یک مجموعه آزمایشی با 20 مورد دیگر تقسیم می‌شود. درصد از داده ها برای ارزیابی در نتیجه، XGBoost برای مدلسازی غیرخطی با حداکثر 10000 سبد خرید و نرخ یادگیری 0.005 توسعه یافته است. علاوه بر این، برای بهبود تعمیم مدل، آموزش زودتر متوقف می شود. میانگین خوبی تناسب (

R^{2}

) و ریشه میانگین مربعات خطا (RMSE) 5-CV برای ارزیابی مدل استفاده می شود. جدول 2مقایسه ای از نتایج XGBoost و نتایج مدل خطی را نشان می دهد. نتیجه رگرسیون سواری نشان می‌دهد که XGBoost در مرحله آموزش نتیجه بهتری نسبت به مدل خطی به دست می‌آورد و 61 درصد از سواری نمونه‌های آزمایشی را می‌توان با مدل XGBoost توضیح داد که کمی بالاتر از رگرسیون خطی است. علاوه بر این، این مطالعه نتیجه XGBoost را با دو مدل درخت محبوب دیگر، جنگل تصادفی و درخت تصمیم تقویت کننده گرادیان (GBDT) مقایسه می‌کند، که نشان می‌دهد روش بکار گرفته شده در به تصویر کشیدن هدف سوارکاری MRT نسبت به سایر مدل‌های درختی مناسب‌تر است. با این وجود، دقت مجموعه آزمایشی به چند دلیل به مقدار مورد انتظار نمی رسد: به دلیل دسترسی به داده ها، فقدان عوامل تأثیر قابل توجهی مانند مالکیت خودرو وجود دارد. اندازه نمونه ها برای پشتیبانی از مدل XGBoost بسیار کوچک است. و داده ها دارای انحراف و نویز هستند. به طور خلاصه، مدل یک محیط مناسب برای ساخت هدف سواری فراهم می کند.

4.3.2. طرح‌بندی‌های بهینه استفاده از زمین

NSGA-III برای بهینه‌سازی چندهدفه استفاده می‌شود و اندازه جمعیت روی 112 تنظیم شده است. حداکثر تعداد نسل‌ها 2000 است، زیرا جستجوی تعداد زیادی از نسل‌ها برای راه‌حل‌های بهینه در چنین فضای راه‌حل بزرگی ضروری است. نقشه کاربری اولیه زمین با تبدیل تخصیص کاربری زمین در منطقه برنامه ریزی به سلول های 20×20، که شامل 233 سلول توسعه یافته و 167 سلول توسعه نیافته است، به دست می آید ( شکل 7 الف). در نهایت، 105 طرح‌بندی کاربری غیر تحت سلطه جایگزین پس از 2000 تکرار به دست آمد. راه‌حل‌های بهینه شدید (بهترین عملکرد در شش هدف) برای اعتبارسنجی اثربخشی رویکرد بهینه‌سازی انتخاب می‌شوند و روش بکار گرفته شده با الگوریتم مبتنی بر ژنتیک نخبه‌گرا (EGA) مقایسه می‌شود [ 53 ].] و الگوریتم ژنتیک غیر غالب-II (NSGA-II) [ 31 ]. جدول 3 نشان می دهد که طرح های کاربری بهینه به دست آمده توسط NSGA-III به حداکثر سواری 129418 نفر در روز (A)، حداکثر متراکم بودن 1520 (B)، حداقل تضاد کاربری زمین 3.328 (C)، حداکثر استفاده از زمین در درجه مخلوط می رسد. از 0.696 (C)، کمترین هزینه تصفیه آلودگی

8.917 \times 10^{5}

RMB در سال (D) و کوتاه ترین مسافت پیاده روی 2.557

\times 10^{8}

متر (E). روش به کار گرفته شده در اکثر اهداف (سوار، ترکیب کاربری زمین و هزینه آلودگی) بهتر از EGA عمل می کند، که نشان می دهد بهینه سازی شدید مدل به همان اندازه EGA عالی است. با این حال، EGA به اندازه کافی برای حل مسائل چندهدفه قدرتمند نیست. علاوه بر این، مجموعه راه حل غیر غالب NSGA-III با NSGA-II با یک متریک پوشش مجموعه ای (C-metric) مقایسه می شود [ 54]. مقایسه نشان می‌دهد که 0.8 درصد از محلول‌های مجموعه محلول پارتو NSGA-III تحت سلطه محلول‌های مجموعه محلول پارتو از NSGA-II قرار دارند. و برعکس، 2.7٪ از راه حل های مجموعه راه حل پارتو NSGA-II تحت سلطه راه حل های مجموعه راه حل پارتو از NSGA-III هستند که نشان می دهد مدل اعمال شده همگرایی قابل توجهی دارد. بنابراین، NSGA-III یک روش بهینه‌سازی مناسب بدون وزن‌های تجربی برای مدل برنامه‌ریزی TOD است.

4.3.3. انتخاب بیشتر: راه حلی امکان پذیر برای ایستگاه مطالعه

همانطور که در بالا بحث شد، چندین سازگاری و تضاد بین اهداف باید توسط تصمیم گیرندگان در نظر گرفته شود. اگرچه راه حل های بهینه افراطی بهترین عملکرد را برای هر هدف به دست می آورند، یک راه حل متعادل برای برنامه ریزی عملی مطلوب تر است. با توجه به “طرح جامع و طرح کاربری عمومی اراضی منطقه جدید پودونگ، شانگهای” [ 55]، ایستگاه جاده ای فانگهوا خط ترانزیت ریلی 7 به عنوان هسته اصلی در نظر گرفته می شود و ساخت پارک های فرهنگی و تأسیسات فرهنگی برای بهبود پشتیبانی جامع خدمات منطقه ای و حفظ پایداری زیست محیطی برنامه ریزی شده است. بنابراین، درصد کاربری عمومی زمین باید روی مقدار بالایی تنظیم شود تا این نیاز برآورده شود، و راه حل برنامه ریزی بیشتر بر تضاد کاربری زمین، ترکیب کاربری زمین و هزینه آلودگی متمرکز است. بر اساس اهداف برنامه ریزی، یک راه حل متوازن جایگزین که از بین 105 راه حل جایگزین ذکر شده انتخاب شده است، پس از نرمال سازی، بالاترین امتیاز 0.455 را کسب می کند و با نقطه مرجع دارای اولویت (0.083333، 0.083333، 0.25، 0.25) همراه است. ، 0.25، 0.083333) در هر بعد هدف. راه حل برای سوارکاری 58616 نفر در روز است.

\times 10^{6}

RMB در سال و کل مسافت پیاده روی 6.157 است

\times 10^{8}

متر شکل 7 ب نقشه طرح کاربری بهینه شده و شکل 8 را نشان می دهدتراکم کاربری محلول انتخاب شده در اطراف ایستگاه را نشان می دهد. به طور قابل توجهی، کاربری تجاری زمین به شدت توسعه یافته و عمدتاً در مناطق داخلی و میانی ایستگاه برای جلب توجه ساکنان متمرکز شده است. کاربری اقتصادی زمین به طور یکسان در منطقه برنامه ریزی تخصیص داده شده است تا اشتغال فراوانی را ارائه دهد. کاربری مسکونی عمدتاً در حاشیه منطقه برنامه ریزی جمع می شود که تحت تأثیر ایستگاه پر سر و صدا نیست و ساکنان می توانند در فاصله ای راحت به خانه بروند. کاربری صنعتی در منطقه با تعداد کمی سلول برای حفظ ترکیب کاربری و حفاظت از محیط زیست پراکنده شده است. در نهایت کاربری اراضی عمومی شامل پارک ها، اماکن فرهنگی و خدمات عمومی، فضای وسیعی را در منطقه اشغال می کند که با برنامه ریزی منطقه ای همخوانی دارد.55 ]، که پیشنهاداتی را در مورد توسعه کاربری زمین در سطح ایستگاه ارائه می دهد.

5. بحث

تجزیه و تحلیل اهداف برنامه ریزی TOD برای توسعه یکپارچه حمل و نقل و استفاده از زمین ضروری است و پیامدهای سیاست ارزشمندی را برجسته می کند. ماتریس سردرگمی ضریب با ضرایب همبستگی پیرسون اهداف به صورت جفت ساخته شده است تا رابطه بین اهداف برنامه ریزی را جستجو کند. ضرایب همبستگی در شکل 9 نشان داده شده است و چندین یافته جالب به دست آمده است.

اولاً، مشابه نتایج مطالعات قبلی [ 39 ، 40 ]، متوجه می‌شویم که درجه بالایی از کاربری مخلوط زمین منجر به افزایش سواری می‌شود، که نشان می‌دهد کاربری‌های متنوع از نظر عملکردی فضای فراوانی را برای فعالیت‌های مختلف فراهم می‌کند و تقاضاهای سفر قابل توجهی را ایجاد می‌کند. سیستم های MRT بنابراین، ترویج تنوع عملکردی برای استفاده از زمین برای برنامه ریزی حوضه های توسعه نیافته یا توسعه یافته ایستگاه های مترو بسیار مهم است.

ثانیاً، مقادیر بالای فشردگی، کارایی کاربری محلی را افزایش می‌دهد و تضاد بین سلول‌های زمین مجاور را کاهش می‌دهد، اما بر درجه کاربری ترکیبی زمین تأثیر منفی می‌گذارد. این با یافته های یک مطالعه قبلی [ 14 ] سازگار است. برای برنامه ریزان شهری، حفظ تعادل به طور همزمان بین تنوع عملکردی کاربری جهانی منطقه ای و کاربری فشرده محلی زمین هنگام تصمیم گیری برای برنامه ریزی TOD مهم است.

ثالثاً، هزینه تصفیه محلی آلودگی با افزایش مسافر افزایش می یابد زیرا توسعه زمین با تراکم بالا هم تقاضای سفر ساکنان و هم انتشار آلودگی را افزایش می دهد. این نتیجه توسط مطالعه قبلی [ 13 ] نیز به اثبات رسیده است. بنابراین، سیاست‌ها باید از حمل‌ونقل عمومی و کم کربن چند حالته حمایت کنند و تلاش‌ها را برای توسعه ساختمان‌های پایدار، انرژی و شیوه‌های زباله برای ساخت TOD‌های سبز و قابل زندگی گسترش دهند.

در نهایت، کل مسافت پیاده‌روی همراه با ترکیب کاربری زمین و سواری افزایش می‌یابد، همانطور که در شکل 9 الف نشان داده شده است، زیرا توسعه با تراکم و تنوع بالا باعث افزایش جریان‌های عبوری می‌شود. علاوه بر این، ما میانگین مسافت پیاده روی هر فرد را محاسبه می کنیم (کل مسافت تقسیم بر سواری). شکل 9 ب رابطه بین میانگین مسافت پیاده روی شخصی و سواری را نشان می دهد (هر دو با نرمال سازی حداکثر حداقل استاندارد شده اند)، که نشان می دهد میانگین مسافت پیاده روی هر فرد افزایش نمی یابد، و تأیید می کند که تخصیص کاربری مناسب می تواند باعث کوتاه شدن زمان شود. مسافت قابل پیاده‌روی و افزایش راحتی سفر به ایستگاه‌های MRT، که هر دو جذابیت حمل‌ونقل ریلی را برای ساکنان 0.2- افزایش می‌دهند.

6. نتیجه گیری

این مقاله یک چارچوب طراحی کاربری زمین TOD چند هدفه بهبود یافته را برای بهینه‌سازی طرح کاربری اراضی اطراف ایستگاه‌های MRT و ترویج توسعه هماهنگ بین حمل‌ونقل عمومی و کاربری زمین در کلان‌شهرهای چین پیشنهاد می‌کند. این روش از طریق یک مدل برنامه ریزی TOD و یک رویکرد بهینه سازی چند هدفه ساخته شده است. بر اساس استراتژی‌های TOD در زمینه چین، مدل برنامه‌ریزی بر حمل و نقل ریلی اقتصادی، استفاده از زمین کارآمد و متنوع، زندگی با کیفیت بالا و راحت، و محیطی کم آلاینده تمرکز دارد. به طور خاص، مدل برنامه‌ریزی داده‌های بزرگ جغرافیایی را معرفی می‌کند و اثرات غیرخطی عملی استفاده از زمین بر سواری MRT را بررسی می‌کند. یک الگوریتم ژنتیک بهبود یافته برای حل مدل برنامه ریزی چندهدفه استفاده می شود، و طرح های کاربری اراضی را با تخصیص کاربری خاص و ویژگی های تراکم بدون وزن دهی عینی ایجاد می کند. به طور قابل توجهی، رویکرد بهینه سازی شده اطلاعات اولویت عینی و امتیازات نرمال شده راه حل ها را برای انتخاب بیشتر برای برآورده کردن سیاست های محلی فراهم می کند. روش پیشنهادی در مطالعه موردی شانگهای تایید شده است. نتایج نشان می‌دهد که (1) مدل برنامه‌ریزی TOD، ساخته شده با داده‌های بزرگ جغرافیایی و داده‌های آماری و تجربی با در نظر گرفتن روابط غیرخطی بین کاربری زمین و اهداف TOD، نسبت به سایر مدل‌ها به وضعیت واقعی نزدیک‌تر است. (2) رویکرد بهینه‌سازی بکار گرفته شده در حل مدل برنامه‌ریزی پیچیده TOD و در تولید مجموعه‌ای از طرح‌های کاربری جایگزین با بهینه و هم‌گرایی شدید مطلوب مؤثر است. علاوه بر این، این مطالعه چندین یافته جالب را بر اساس تجزیه و تحلیل روابط بین اهداف برنامه ریزی TOD کشف می کند و پیشنهادات معناداری برای برنامه ریزی شهری و سیاست گذاری ارائه می دهد. بیشتر داده ها در این چارچوب از منابع باز هستند و توابع هدف را می توان ایجاد کرد. بنابراین، این روش برای سایر کلان شهرهای چین با برخی تجدید نظرها قابل اجرا است (به عنوان مثال، مناطق مطالعاتی مختلف ممکن است از اندازه های شبکه متفاوت، پارامترهای مدل و محدودیت های متناظر با سیاست های محلی استفاده کنند)، که می تواند بینش های ارزشمندی را از دیدگاه خرد برای توسعه متوازن آینده ارائه دهد. MRT و کاربری زمین در سطح ایستگاه. بیشتر داده ها در این چارچوب از منابع باز هستند و توابع هدف را می توان ایجاد کرد. بنابراین، این روش برای سایر کلان شهرهای چین با برخی تجدید نظرها قابل اجرا است (به عنوان مثال، مناطق مطالعاتی مختلف ممکن است از اندازه های شبکه متفاوت، پارامترهای مدل و محدودیت های متناظر با سیاست های محلی استفاده کنند)، که می تواند بینش های ارزشمندی را از دیدگاه خرد برای توسعه متوازن آینده ارائه دهد. MRT و کاربری زمین در سطح ایستگاه. بیشتر داده ها در این چارچوب از منابع باز هستند و توابع هدف را می توان ایجاد کرد. بنابراین، این روش برای سایر کلان شهرهای چین با برخی تجدید نظرها قابل اجرا است (به عنوان مثال، مناطق مطالعاتی مختلف ممکن است از اندازه های شبکه متفاوت، پارامترهای مدل و محدودیت های متناظر با سیاست های محلی استفاده کنند)، که می تواند بینش های ارزشمندی را از دیدگاه خرد برای توسعه متوازن آینده ارائه دهد. MRT و کاربری زمین در سطح ایستگاه.

اگرچه روش پیشنهادی مشکلات مربوط به برنامه‌ریزی TOD را حل می‌کند، ویژگی‌های متعددی وجود دارد که باید در آینده بهبود و گسترش یابد. به طور کلی، این مطالعه سلول‌های با ابعاد ثابت را برای طراحی اعمال می‌کند، یک دسته کاربری خالص را به هر سلول اختصاص می‌دهد و کاربری‌های ترکیبی ساختمان‌ها را در نظر نمی‌گیرد، که تنوع محیط واقعی شهری را کاهش می‌دهد. بنابراین، گنجاندن اشکال مختلف قطعه زمین و ساختمان‌های با کاربری مختلط در برنامه‌ریزی بسیار مهم است. ثانیاً، نقشه‌های طرح کاربری جایگزین از مدل پیشنهادی پراکنده و گسسته هستند که در برنامه‌ریزی شهری عملی مشکلاتی ایجاد می‌کند. بر این اساس، محدودیت‌های فضایی بحرانی به مدل معرفی خواهند شد. علاوه بر این، برخی از اهداف، مانند اثرات زیست محیطی، ساده‌سازی‌هایی هستند که فقط با کاربری زمین رابطه ایجاد می‌کنند و سایر عناصر محیط ساخته شده را در نظر نمی‌گیرند. بنابراین، ترکیب با عوامل بیشتری که به اهداف کمک می کنند می تواند برای بهبود مدل برنامه ریزی TOD مفید باشد. عوامل متعدد با تغییر کاربری زمین تغییر می‌کنند، بنابراین می‌توان مدل‌های دینامیکی پیچیده‌تری را برای برنامه‌ریزی به عنوان توسعه این مطالعه در نظر گرفت. در نهایت، اندازه‌گیری عملی جذابیت کاربری زمین با داده‌های تجربی دشوار است، اما داده‌های حسگر سیار مانند داده‌های سیگنال‌دهی سلولی، امکان تخمین دقیق توزیع جریان مسافر را ارائه می‌دهد که در کارهای آینده مورد استفاده قرار خواهد گرفت. ترکیب با عوامل بیشتری که به اهداف کمک می کنند می تواند برای بهبود مدل برنامه ریزی TOD مفید باشد. عوامل متعدد با تغییر کاربری زمین تغییر می‌کنند، بنابراین می‌توان مدل‌های دینامیکی پیچیده‌تری را برای برنامه‌ریزی به عنوان توسعه این مطالعه در نظر گرفت. در نهایت، اندازه‌گیری عملی جذابیت کاربری زمین با داده‌های تجربی دشوار است، اما داده‌های حسگر سیار مانند داده‌های سیگنال‌دهی سلولی، امکان تخمین دقیق توزیع جریان مسافر را ارائه می‌دهد که در کارهای آینده مورد استفاده قرار خواهد گرفت. ترکیب با عوامل بیشتری که به اهداف کمک می کنند می تواند برای بهبود مدل برنامه ریزی TOD مفید باشد. عوامل متعدد با تغییر کاربری زمین تغییر می‌کنند، بنابراین می‌توان مدل‌های دینامیکی پیچیده‌تری را برای برنامه‌ریزی به عنوان توسعه این مطالعه در نظر گرفت. در نهایت، اندازه‌گیری عملی جذابیت کاربری زمین با داده‌های تجربی دشوار است، اما داده‌های حسگر سیار مانند داده‌های سیگنال‌دهی سلولی، امکان تخمین دقیق توزیع جریان مسافر را ارائه می‌دهد که در کارهای آینده مورد استفاده قرار خواهد گرفت.

منابع

یانگ، جی. کوان، جی. یان، بی. وی، سی. سرمایه گذاری ریلی شهری و توسعه ترانزیت محور در پکن: آیا می تواند به پتانسیل بالاتری دست یابد؟ ترانسپ Res. بخش A سیاست سیاست. 2016 ، 89 ، 140-150. [ Google Scholar ] [ CrossRef ]
چن، ای. بله، ز. وانگ، سی. Zhang, W. کشف تأثیرات مکانی-زمانی محیط ساخته شده بر سواری مترو با استفاده از داده های کارت هوشمند. Cities 2019 , 95 , 102359. [ Google Scholar ] [ CrossRef ]
لیو، جی. برتولینی، ال. Pfeffer, K. توسعه یک نوع شناسی TOD برای مناطق ایستگاه مترو پکن. J. Transp. Geogr. 2016 ، 55 ، 40-50. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مطیعیان، ح. مسگری، MS یک رویکرد مدل سازی مبتنی بر عامل برای برنامه ریزی شهری پایدار از دیدگاه کاربری زمین و حمل و نقل عمومی. شهرها 2018 ، 81 ، 91-100. [ Google Scholar ] [ CrossRef ]
ژانگ، ی. مارشال، اس. مانلی، ای. بحرانی بودن شبکه و مدل طراحی مکان-گره: طبقه بندی مناطق ایستگاه مترو در لندن بزرگ. J. Transp. Geogr. 2019 ، 79 ، 102485. [ Google Scholar ] [ CrossRef ]
لی، ز. هان، ز. شین، جی. لو، ایکس. سو، اس. توسعه ترانزیت محور Weng، M. در میان مناطق ایستگاه مترو در شانگهای، چین: تغییرات، گونه شناسی، بهینه سازی و مفاهیم برای برنامه ریزی کاربری زمین. سیاست کاربری زمین 2019 ، 82 ، 269-282. [ Google Scholar ] [ CrossRef ]
ابراهیموا، ا. Correia، GHDA; سیلوا، سی. Antunes، توسعه ترانزیت محور AP: مروری بر دستاوردها و چالش های تحقیقاتی. ترانسپ Res. بخش A سیاست سیاست. 2020 ، 132 ، 110-130. [ Google Scholar ] [ CrossRef ]
مطیعیان، ح. مسگری، MS به سوی برنامه ریزی شهری پایدار از طریق توسعه ترانزیت محور (مطالعه موردی: تهران). ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 402. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Sahu, A. روشی برای اصلاح کاربری های زمین در سناریوی توسعه ترانزیت محور. جی. محیط زیست. مدیریت 2018 ، 213 ، 467-477. [ Google Scholar ] [ CrossRef ]
لیو، ال. ژانگ، ام. Xu, T. یک چارچوب مفهومی و ابزار پیاده سازی برای برنامه ریزی کاربری زمین برای توسعه ترانزیت محور کریدور. Cities 2020 , 107 , 102939. [ Google Scholar ] [ CrossRef ]
لین، جی جی؛ Gau، CC یک مدل برنامه ریزی TOD برای بررسی مقررات تراکم توسعه مجاز در اطراف ایستگاه های مترو. سیاست کاربری زمین 2006 ، 23 ، 353-360. [ Google Scholar ] [ CrossRef ]
لین، جی. لی، سی. یک مدل برنامه ریزی خاکستری برای برنامه ریزی توسعه ترانزیت محور منطقه ای. پاپ Reg. علمی 2008 ، 87 ، 119-138. [ Google Scholar ] [ CrossRef ]
لی، ی. Guo، HL; لی، اچ. Xu، GH; وانگ، ZR؛ مدل برنامه ریزی زمین ترانزیت محور کنگ، CW با در نظر گرفتن پایداری حمل و نقل ریلی انبوه. ج. طرح شهری. توسعه دهنده 2010 ، 136 ، 243-248. [ Google Scholar ] [ CrossRef ]
ما، ایکس. چن، ایکس. لی، ایکس. دینگ، سی. وانگ، ی. برنامه ریزی پایدار در سطح ایستگاه: یک مدل طراحی یکپارچه حمل و نقل و کاربری زمین برای توسعه ترانزیت محور. جی. پاک. تولید 2018 ، 170 ، 1052-1063. [ Google Scholar ] [ CrossRef ]
هوانگ، ایکس. لیانگ، کیو. فنگ، ز. چای، اس. مدل برنامه ریزی TOD که حمل و نقل و استفاده از زمین را در مناطق ایستگاه حمل و نقل ریلی شهری یکپارچه می کند. دسترسی IEEE 2021 ، 9 ، 1103-1115. [ Google Scholar ] [ CrossRef ]
کلتورپ، پی. کلان شهر بعدی آمریکا: اکولوژی، جامعه و رویای آمریکایی . چاپخانه معماری پرینستون: پرینستون، نیوجرسی، ایالات متحده آمریکا، 1993. [ Google Scholar ]
سرورو، آر . کلان شهر ترانزیت: یک تحقیق جهانی . مطبوعات جزیره: واشنگتن، دی سی، ایالات متحده آمریکا، 1998. [ Google Scholar ]
سرورو، آر. Kockelman، K. تقاضای سفر و 3 بعدی: تراکم، تنوع، و طراحی. ترانسپ Res. قسمت D Transp. محیط زیست 1997 ، 2 ، 199-219. [ Google Scholar ] [ CrossRef ]
سرورو، آر. موراکامی، جی. توسعه راه آهن + املاک: مدلی از تامین مالی و شهرسازی ترانزیت پایدار. مؤسسه مطالعات حمل و نقل، UC برکلی، 2008. در دسترس آنلاین: https://escholarship.org/uc/item/6jx3k35x (در 31 اکتبر 2020 قابل دسترسی است).
هیگینز، سی دی; Kanaroglou، PS یک روش کلاس پنهان برای طبقه بندی و ارزیابی عملکرد توسعه ترانزیت محور منطقه ایستگاه در منطقه تورنتو. J. Transp. Geogr. 2016 ، 52 ، 61-72. [ Google Scholar ] [ CrossRef ]
دو، م. وانگ، ی. دونگ، اس. یکپارچه سازی مرکزیت شبکه و مدل نود-مکان برای ارزیابی و طبقه بندی مناطق ایستگاه در شانگهای.ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 414. [ Google Scholar ] [ CrossRef ]
کائو، ک. باتی، م. هوانگ، بی. لیو، ی. یو، ال. چن، جی. بهینه‌سازی کاربری زمین چندهدفه فضایی: برنامه‌های افزودنی به الگوریتم ژنتیک مرتب‌سازی غیرمسلط-II. بین المللی جی. جئوگر. Inf. علمی 2011 ، 25 ، 1949-1969. [ Google Scholar ] [ CrossRef ]
لین، جی جی؛ Feng, CM یک مدل برنامه نویسی دو سطحی برای استفاده از زمین – مسئله طراحی شبکه. ان علمی منطقه ای 2003 ، 37 ، 93-105. [ Google Scholar ] [ CrossRef ]
ییم، KKW؛ وانگ، SC; چن، آ. وانگ، CK; لام، WHK یک مدل بهینه سازی استفاده از زمین و حمل و نقل مبتنی بر قابلیت اطمینان. ترانسپ Res. قسمت C Emerg. تکنولوژی 2011 ، 19 ، 351-362. [ Google Scholar ] [ CrossRef ]
لوی، ی. بخور، س. Rosenfeld, Y. یک مدل بهینه سازی چند هدفه برای برنامه ریزی شهری: مورد یک سازه شناور بسیار بزرگ. ترانسپ Res. قسمت C Emerg. تکنولوژی 2019 ، 98 ، 85-100. [ Google Scholar ] [ CrossRef ]
عبدالرحمن، م. چان، EHW; وونگ، ام اس؛ Irekponor, VE; عبدالرحمان، MO چارچوبی برای ساده سازی داده های بزرگ رسانه های اجتماعی مبتنی بر مکان پیش پردازش برای برنامه ریزی و مدیریت شهری پایدار. Cities 2021 , 109 , 102986. [ Google Scholar ] [ CrossRef ]
کانت، جی. باتی، ام. شهرهای هوشمند، داده های بزرگ و سیاست شهری: به سوی تحلیل شهری برای بلندمدت. Cities 2021 , 109 , 102992. [ Google Scholar ] [ CrossRef ]
ژو، جی. یانگ، ی. دسترسی و توسعه شهری مبتنی بر ترانزیت: یک مطالعه اکتشافی شنژن بر اساس داده‌های بزرگ و/یا باز. شهرها 2021 , 110 , 102990. [ Google Scholar ] [ CrossRef ]
ون وی، بی. Handy، S. موضوعات تحقیقاتی کلیدی در مورد فضای شهری، مقیاس، و تحرک شهری پایدار. بین المللی J. Sustain. ترانسپ 2016 ، 10 ، 18-24. [ Google Scholar ] [ CrossRef ]
هالند، سازگاری JH در سیستم‌های طبیعی و مصنوعی: تحلیل مقدماتی با کاربردهای زیست‌شناسی، کنترل و هوش مصنوعی . مطبوعات MIT: کمبریج، MA، ایالات متحده آمریکا، 1992. [ Google Scholar ]
دب، ک. پراتاپ، ا. آگاروال، اس. معیروان، TAMT یک الگوریتم ژنتیک چندهدفه سریع و نخبه: NSGA-II. IEEE Trans. تکامل. محاسبه کنید. 2002 ، 6 ، 182-197. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دب، ک. جین، اچ. الگوریتم بهینه‌سازی چندهدفه تکاملی با استفاده از رویکرد مرتب‌سازی غیرمجاز مبتنی بر نقطه مرجع، بخش اول: حل مسائل با محدودیت‌های جعبه. IEEE Trans. تکامل. محاسبه کنید. 2014 ، 18 ، 577-601. [ Google Scholar ] [ CrossRef ]
استوارت، تی جی; یانسن، آر. رویکرد الگوریتم ژنتیک به برنامه ریزی کاربری زمین چندهدفه. محاسبه کنید. اپراتور Res. 2004 ، 31 ، 2293-2313. [ Google Scholar ] [ CrossRef ]
شواب، ج. دب، ک. گودمن، ای. لاتنباخ، اس. ون استرین، ام جی; Grêt-Regamey، A. بهبود عملکرد الگوریتم های ژنتیک برای مشکلات تخصیص کاربری زمین. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 907-930. [ Google Scholar ] [ CrossRef ]
فنگ، سی. Lin, J. استفاده از الگوریتم ژنتیک برای تولید نقشه های طرح جایگزین برای برنامه ریزی شهری. محاسبه کنید. محیط زیست سیستم شهری 1999 ، 23 ، 91-108. [ Google Scholar ] [ CrossRef ]
لی، ایکس. Parrott, L. یک الگوریتم ژنتیک بهبود یافته برای بهینه سازی فضایی تخصیص کاربری زمین چند هدفه و چند سایت. محاسبه کنید. محیط زیست سیستم شهری 2016 ، 59 ، 184-194. [ Google Scholar ] [ CrossRef ]
وی، دبلیو. ژانگ، اچ. چانگ، ی. ارزیابی توسعه ترانزیت محور جایگزین در برنامه ریزی محیط زیست ساخته شده پایدار. Habitat Int. 2016 ، 55 ، 109-123. [ Google Scholar ] [ CrossRef ]
الگار، آی. کندی، سی. بررسی یارانه های ترانزیتی بهینه: مقایسه بین مدل ها. ج. طرح شهری. توسعه دهنده 2005 ، 131 ، 71-78. [ Google Scholar ] [ CrossRef ]
دینگ، سی. کائو، ایکس. لیو، سی. محیط ساخته شده در منطقه ایستگاه چگونه بر سواری مترو ریل تأثیر می گذارد؟ استفاده از درختان تصمیم تقویت کننده گرادیان برای شناسایی آستانه های غیر خطی. J. Transp. Geogr. 2019 ، 77 ، 70-78. [ Google Scholar ] [ CrossRef ]
گان، ز. یانگ، م. فنگ، تی. Timmermans، HJP بررسی رابطه بین محیط ساخته شده و سواری مترو در سطح ایستگاه به ایستگاه. ترانسپ Res. قسمت D Transp. محیط زیست 2020 ، 82 ، 102332. [ Google Scholar ] [ CrossRef ]
چن، تی. Guestrin, C. XGBoost: A Scalable Tree Boosting System. در مجموعه مقالات بیست و دومین کنفرانس بین المللی Acm Sigkdd در مورد کشف دانش و داده کاوی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 13 تا 17 اوت 2016. [ Google Scholar ]
کائو، ک. هوانگ، بی. وانگ، اس. Lin, H. بهینه سازی کاربری پایدار زمین با استفاده از الگوریتم ژنتیک سریع مبتنی بر مرز. محاسبه کنید. محیط زیست سیستم شهری 2012 ، 36 ، 257-269. [ Google Scholar ] [ CrossRef ]
یوان، اچ. سلام.؛ ژو، جی. لی، ی. کوی، ایکس. Shen, Z. تحقیق در مورد مدل نسبت فشردگی فضای زیرزمینی شهری و مکانیسم توسعه فشرده منطقه تحت تاثیر ایستگاه حمل و نقل ریلی. حفظ کنید. جامعه شهرها 2020 , 55 , 102043. [ Google Scholar ] [ CrossRef ]
نیومن، پی. کنورثی، جی. پایداری و شهرها: غلبه بر وابستگی به خودرو . مطبوعات جزیره: واشنگتن، دی سی، ایالات متحده آمریکا، 1999. [ Google Scholar ]
یوینگ، آر. پندال، آر. چن، DDT اندازه گیری پراکندگی و تاثیر آن. جلد I. 2002. در دسترس آنلاین: https://smartgrowthamerica.us/documents/MeasuringSprawlTechnical.pdf (در 31 اکتبر 2020 قابل دسترسی است).
کوثرکار، ر. بهادر، پ. ساردا، N. اندازه گیری فرم شهری فشرده: موردی از شهر ناگپور، هند. پایداری 2014 ، 6 ، 4246-4272. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ایوم، اس. سوزوکی، تی. لی، ام. مدل تخصیص مخلوط کاربری زمین با در نظر گرفتن مجاورت، شدت و مجاورت. بین المللی جی. جئوگر. Inf. علمی 2020 ، 34 ، 899-923. [ Google Scholar ] [ CrossRef ]
ماناو، ک. Kreider, T. استفاده مختلط چیست؟ ارائه یک روش تعاملی برای اندازه گیری ترکیب کاربری اراضی. J. Transp. کاربری زمین 2013 ، 6 ، 63-72. [ Google Scholar ] [ CrossRef ]
یوینگ، آر. سرورو، آر. سفر و محیط ساخته شده. مربا. طرح. دانشیار 2010 ، 76 ، 265-294. [ Google Scholar ] [ CrossRef ]
استانداردهای مالیات حفاظت از محیط زیست. 2017. در دسترس آنلاین: https://www.shanghai.gov.cn/nw2/nw2314/nw2319/nw12344/u26aw54490.html?date=2017-12-22 (در 31 اکتبر 2020 قابل دسترسی است).
استانداردهای فنی تحلیل تاثیر ترافیک پروژه ساختمانی شانگهای. 2015. در دسترس آنلاین: https://zjw.sh.gov.cn/jsgl/20180912/0011-26053.html (در 31 اکتبر 2020 قابل دسترسی است).
رز، AN; مک کی، جی جی؛ شهری، ML; برایت، EA؛ Sims، KM LandScan Global 2018 [مجموعه داده] ; آزمایشگاه ملی اوک ریج: اوک ریج، TN، ایالات متحده آمریکا، 2019. [ CrossRef ]
رودلف، جی. تجزیه و تحلیل همگرایی الگوریتم های ژنتیک متعارف. IEEE Trans. شبکه عصبی 1994 ، 5 ، 96-101. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
دب، ک. تیله، ال. لومانز، ام. Zitzler, E. مسائل آزمون مقیاس پذیر برای بهینه سازی چندهدفه تکاملی . آبراهام، ا.، جین، ال.، گلدبرگ، آر.، ویرایش. Springer: لندن، انگلستان، 2005. [ Google Scholar ]
طرح جامع و طرح کاربری عمومی اراضی منطقه جدید پودونگ، شانگهای. 2019. در دسترس آنلاین: https://www.shanghai.gov.cn/nw2/nw2314/nw2319/nw12344/u26aw63249.html?phlnohdjmglngdbi (در 31 اکتبر 2020 قابل دسترسی است).

شکل 1. شرح مسئله طراحی کاربری زمین.

شکل 2. نمودار جریان کار چارچوب طراحی کاربری زمین TOD.

شکل 3. نمودار جریان رویکرد بهینه سازی.

شکل 4. تصویر عملگر پیش انتخاب.

شکل 5. نقشه عملگر نگهدارنده طاقچه.

شکل 6. نقشه منطقه مورد مطالعه: ( الف ) توزیع مترو شانگهای و ایستگاه جاده فانگهوا. ( ب ) تخصیص کاربری زمین در اطراف ایستگاه جاده فانگهوا.

شکل 7. نقشه های طرح کاربری اراضی اولیه سازی و بهینه سازی: ( الف ) نقشه های کاربری اولیه منطقه ایستگاه. ( ب ) نقشه های بهینه سازی متعادل کاربری اراضی.

شکل 8. تراکم کاربری بهینه شده حوضه آبریز ایستگاه.

شکل 9. روابط بین اهداف برنامه ریزی: ( الف ) ماتریس سردرگمی ضریب. ( ب ) رابطه بین میانگین مسافت پیاده روی و سواری.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها:

1. مقدمه

2. کارهای مرتبط

3. روش شناسی

3.1. بیان مسأله

3.2. مدل برنامه ریزی TOD

3.2.1. تعریف پارامتر

3.2.2. متغیرهای تصمیم گیری

3.2.3. اهداف

3.2.4. محدودیت ها

3.3. رویکرد بهینه سازی

4. مطالعه موردی

4.1. منطقه مطالعه

4.2. توصیف داده ها و ساخت مدل برنامه ریزی TOD

4.3. نتایج و تجزیه و تحلیل

4.3.1. مدلسازی سوارکاری

4.3.2. طرح‌بندی‌های بهینه استفاده از زمین

4.3.3. انتخاب بیشتر: راه حلی امکان پذیر برای ایستگاه مطالعه

5. بحث

6. نتیجه گیری

منابع

قبلیرابطه بین دیدگاه ها و کاربرد املاک و مستغلات به یک منطقه ساحلی مدیترانه

بعدیدیدگاه فنی و عملیاتی در تحلیل کیفیت دوخت تصاویر با پانورامای چند ردیفی و منابع چند رسانه ای برای تجسم سایت گردشگری مزرعه بادی خشکی

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

مشاورین هوش پیروزی

چارچوب طراحی کاربری چندهدفه با داده های جغرافیایی بزرگ برای برنامه ریزی توسعه ترانزیت گرا در سطح ایستگاه

کلید واژه ها:

1. مقدمه

2. کارهای مرتبط

3. روش شناسی

3.1. بیان مسأله

3.2. مدل برنامه ریزی TOD

3.2.1. تعریف پارامتر

3.2.2. متغیرهای تصمیم گیری

3.2.3. اهداف

3.2.4. محدودیت ها

3.3. رویکرد بهینه سازی

4. مطالعه موردی

4.1. منطقه مطالعه

4.2. توصیف داده ها و ساخت مدل برنامه ریزی TOD

4.3. نتایج و تجزیه و تحلیل

4.3.1. مدلسازی سوارکاری

4.3.2. طرح‌بندی‌های بهینه استفاده از زمین

4.3.3. انتخاب بیشتر: راه حلی امکان پذیر برای ایستگاه مطالعه

5. بحث

6. نتیجه گیری

منابع

قبلیرابطه بین دیدگاه ها و کاربرد املاک و مستغلات به یک منطقه ساحلی مدیترانه

بعدیدیدگاه فنی و عملیاتی در تحلیل کیفیت دوخت تصاویر با پانورامای چند ردیفی و منابع چند رسانه ای برای تجسم سایت گردشگری مزرعه بادی خشکی

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب