تجزیه و تحلیل شبکه جغرافیایی و خوشه‌بندی مبدا-مقصد فعالیت‌های اشتراک‌گذاری دوچرخه در طول همه‌گیری COVID-19

داده‌های اشتراک‌گذاری دوچرخه یک منبع داده مهم برای مطالعه تحرک شهری در زمینه بیماری کروناویروس 2019 (COVID-19) است. با این حال، مطالعاتی که بر فعالیت‌های مختلف اشتراک‌گذاری دوچرخه از جمله دوچرخه‌سواری و تعادل مجدد تمرکز دارند، پراکنده هستند. این امر جامعیت تجزیه و تحلیل تأثیر بیماری همه گیر بر اشتراک دوچرخه را محدود می کند. در این مطالعه، ما تجزیه و تحلیل شبکه جغرافیایی و روش‌های خوشه‌بندی مبدا-مقصد (OD) را برای کشف الگوهای تغییر مکانی-زمانی پنهان در داده‌های اشتراک‌گذاری دوچرخه در طول همه‌گیری، ترکیب می‌کنیم. متفاوت از تحقیقات قبلی که بیشتر بر تجزیه و تحلیل رفتارهای سواری تمرکز دارد، ما همچنین داده های تعادل مجدد یک سیستم اشتراک دوچرخه را استخراج و تجزیه و تحلیل می کنیم. در این مطالعه، ما چارچوبی شامل سه مؤلفه پیشنهاد می کنیم: (1) یک جزء تجزیه و تحلیل شبکه جغرافیایی برای یک توصیف آماری و مکانی-زمانی از جریان‌ها و رفتارهای سواری کلی، (2) یک جزء خوشه‌بندی مبدا-مقصد که تجزیه و تحلیل شبکه را با شناسایی گروه‌های جریان بزرگ که در آن لبه‌های منفرد از شروع و به پایان می‌رسد، جبران می‌کند. ایستگاه های نزدیک، و (3) یک جزء تجزیه و تحلیل داده های متعادل کننده برای درک الگوهای تعادل مجدد در طول همه گیری. ما چارچوب خود را با استفاده از داده های اشتراک دوچرخه جمع آوری شده در شهر نیویورک آزمایش می کنیم. نتایج نشان می‌دهد که توزیع فضایی جریان‌های سواری اصلی در زمان همه‌گیری نسبت به زمان قبل از همه‌گیری تغییر قابل‌توجهی داشته است. برای مثال، به نظر می‌رسید که بسیاری از سفرهای سوارکاری، اهداف سوارکاری را برای رفت‌وآمدهای محل کار-خانه به فعالیت‌های اوقات فراغت بیشتر گسترش دهند. علاوه بر این، ما دریافتیم که تغییرات در الگوهای جریان سواری منجر به تغییراتی در توزیع‌های مکانی و زمانی تعادل مجدد دوچرخه شد، مانند تغییر زمان اوج تعادل مجدد و افزایش نسبت بین تعداد تعادل مجدد و تعداد کل سواری‌ها. پیامدهای سیاست نیز بر اساس یافته های ما مورد بحث قرار می گیرد.

کلید واژه ها:

COVID-19 ؛ داده های اشتراک گذاری دوچرخه ؛ تشخیص تغییرات مکانی و زمانی ; شبکه جغرافیایی ; خوشه بندی مبدا-مقصد

1. مقدمه

ظهور و گسترش سریع بیماری کروناویروس 2019 (COVID-19) نه تنها بر زندگی روزمره، کار، و تعاملات اجتماعی افراد، بلکه بر اقتصاد جهانی [ 1 ]، سیاست [ 2 ] و محیط زیست [ 3 ] نیز تأثیر جدی گذاشت. فعالیت های انسانی یک عامل محرک مهم در انتشار ویروس است زیرا ویروس به راحتی از فردی به فرد دیگر منتقل می شود. اقدامات مختلفی برای کنترل شیوع این ویروس انجام شد، به عنوان مثال، افراد با کاهش سفر و حفظ فاصله اجتماعی و خود انزوا، اقدامات محافظتی را انجام دادند و دولت‌ها سیاست‌های قرنطینه و محدودیت‌های سفر را وضع کردند. همه این اقدامات به طور اجتناب ناپذیری بر تحرک افراد تأثیر می گذارد.

فعالیت های مسافرتی مردم بخش مهمی از جریان تحرک در شهر را تشکیل می دهد. دوچرخه سواری به عنوان یک حالت سفر کم کربن، سازگار با محیط زیست و سالم ترویج می شود [ 4 ]. در نتیجه، افراد بیشتری هم برای رفت و آمد و هم برای فعالیت های تفریحی، سواری را انتخاب می کنند. در عصر اقتصاد اشتراک گذاری، اشتراک دوچرخه به یک وسیله حمل و نقل مناسب در شهرها تبدیل شد [ 5 ]. بسیاری از سیستم های اشتراک دوچرخه مبتنی بر برق ظاهر شدند و ترویج شدند، که حفاظت از محیط زیست و حمل و نقل راحت را بیشتر ترویج کردند [ 6 ]]. با توسعه فن‌آوری‌های ارتباطی اطلاعات، داده‌های اشتراک‌گذاری دوچرخه به طور فزاینده‌ای جمع‌آوری می‌شوند، اغلب با ویژگی‌های مکانی و زمانی که منعکس‌کننده استفاده از دوچرخه است. این حجم غنی از داده ها دیدگاه جدیدی را برای مطالعه تحرک انسان شهری ارائه می دهد و در سال های اخیر مورد توجه قابل توجهی قرار گرفته است [ 7 ، 8 ]. در این زمینه، استفاده از داده‌های اشتراک‌گذاری دوچرخه برای کشف تحرک انسانی و تعاملات فضایی در شهرها برای درک پویایی شهری در طول همه‌گیری مفید است [ 9 ، 10 ]. بسیاری از محققان تأثیر همه‌گیری COVID-19 را بر اشتراک دوچرخه در مکان‌های مختلف در سراسر جهان، مانند آمریکای شمالی [ 11 ]، آسیا [ 12 ، 13 ] بررسی کردند.و اروپا [ 14 ].

داده‌های دوچرخه‌سواری اشتراک‌گذاری یک نوع معمولی از داده‌های مبدا-مقصد (OD) هستند که حرکت در فضای جغرافیایی را از مکان‌های شروع به مکان‌های پایانی نشان می‌دهند. خوشه‌بندی داده‌های OD یک روش مؤثر برای کشف الگوهای توزیع فضایی [ 15 ، 16 ] و استخراج ویژگی‌های اصلی و داده‌های جریان ساختار [ 17 ] است.]. فعالیت‌های مردم در شهر به دلایلی مانند تفاوت در برنامه‌ریزی فضایی، مانند پهنه‌بندی عملکردی و نوع کاربری اراضی و نیز روال‌های روزمره مختلف انسان، مانند تغییر زمان رفت و آمد و اوقات فراغت، در زمان و مکان به طور مساوی توزیع نمی‌شود. این همچنین منجر به مشکلات عدم تعادل در سیستم‌های اشتراک دوچرخه می‌شود، مانند کمبود دوچرخه در ایستگاه‌های قرض‌گیری و کمبود اسکله در ایستگاه‌های برگشتی، که نیاز به مدیریت تعادل مجدد دوچرخه دارند [ 18 ، 19 ]]. کاوش الگوهای مکانی-زمانی جریان دوچرخه سواری و تأثیر آنها بر مدیریت دوچرخه در طول همه‌گیری، درک عمیق‌تر از تأثیر بیماری همه‌گیر بر رفتار انسان را تسهیل می‌کند و برای برنامه‌ریزی سفر، عملیات اشتراک دوچرخه، و مدیریت شهری پشتیبانی می‌کند. با این حال، تحقیقات در مورد این جنبه در حال حاضر هنوز کافی نیست. بر اساس تجزیه و تحلیل مقایسه ای داده های به اشتراک گذاری دوچرخه بین دوره قبل از همه گیری و دوره همه گیر، این مطالعه سعی دارد به سوالات زیر پاسخ دهد:

(1): کدام تغییرات در الگوهای مکانی-زمانی جریان‌های اصلی دوچرخه‌سواری اشتراک‌گذاری دوچرخه در طول همه‌گیری رخ داده است؟
(2): این تغییرات در جریان اصلی سواری چگونه بر مدیریت تعادل مجدد دوچرخه تأثیر می گذارد؟

برای پاسخ به سؤالات فوق، این مقاله چارچوبی را پیشنهاد می‌کند که روش‌های تجزیه و تحلیل شبکه جغرافیایی، خوشه‌بندی OD و تجزیه و تحلیل مجدد داده‌ها را ترکیب می‌کند. تجزیه و تحلیل شبکه با انتخاب شاخص های مربوط به جریان و تجمع برای کمک به درک وضعیت کلی شبکه اشتراک دوچرخه انجام می شود. بر اساس شبکه ساخته شده، اشکال مختلف لبه‌های جریان بزرگ تحلیل می‌شوند. به طور خاص، خوشه‌بندی OD بر روی لبه‌های شبکه همراه با محدودیت‌های متعدد، مانند جریان لبه، مقدار لبه، فاصله و زاویه انجام می‌شود که هدف آن استخراج گروه‌های لبه جریان بزرگ و تجزیه و تحلیل ویژگی‌های توزیع مکانی و زمانی آنها است. علاوه بر این، داده های تعادل مجدد با تشخیص تداوم استخراج و همراه با داده های سواری تجزیه و تحلیل می شوند. ما اثربخشی چارچوب خود را با استفاده از داده های آزمایشی جمع آوری شده از Citi Bike در شهر نیویورک نشان می دهیم. ما یک تجزیه و تحلیل مقایسه ای از ویژگی های جریان اصلی دوچرخه سواری را بین دوره قبل از همه گیری و دوره همه گیر انجام می دهیم. علاوه بر این، ما داده‌های تعادل مجدد را استخراج و تجزیه و تحلیل می‌کنیم تا تأثیر همه‌گیری را بر مدیریت اعزام دوچرخه بررسی کنیم. متفاوت از مطالعات قبلی، ما هم داده‌های سواری و هم داده‌های تعادل مجدد را تجزیه و تحلیل کردیم و رابطه بین آنها را بررسی کردیم. این دیدگاه جامع تر به ارائه مراجع برای ذینفعان مختلف مانند شهروندان، دولت ها و شرکت های اشتراک دوچرخه کمک می کند. ادامه این مقاله به شرح زیر تنظیم شده است: ما یک تجزیه و تحلیل مقایسه ای از ویژگی های جریان اصلی دوچرخه سواری را بین دوره قبل از همه گیری و دوره همه گیر انجام می دهیم. علاوه بر این، ما داده‌های تعادل مجدد را استخراج و تجزیه و تحلیل می‌کنیم تا تأثیر همه‌گیری را بر مدیریت اعزام دوچرخه بررسی کنیم. متفاوت از مطالعات قبلی، ما هم داده‌های سواری و هم داده‌های تعادل مجدد را تجزیه و تحلیل کردیم و رابطه بین آنها را بررسی کردیم. این دیدگاه جامع تر به ارائه مراجع برای ذینفعان مختلف مانند شهروندان، دولت ها و شرکت های اشتراک دوچرخه کمک می کند. ادامه این مقاله به شرح زیر تنظیم شده است: ما یک تجزیه و تحلیل مقایسه ای از ویژگی های جریان اصلی دوچرخه سواری را بین دوره قبل از همه گیری و دوره همه گیر انجام می دهیم. علاوه بر این، ما داده‌های تعادل مجدد را استخراج و تجزیه و تحلیل می‌کنیم تا تأثیر همه‌گیری را بر مدیریت اعزام دوچرخه بررسی کنیم. متفاوت از مطالعات قبلی، ما هم داده‌های سواری و هم داده‌های تعادل مجدد را تجزیه و تحلیل کردیم و رابطه بین آنها را بررسی کردیم. این دیدگاه جامع تر به ارائه مراجع برای ذینفعان مختلف مانند شهروندان، دولت ها و شرکت های اشتراک دوچرخه کمک می کند. ادامه این مقاله به شرح زیر تنظیم شده است: ما هم داده های سواری و هم داده های تعادل مجدد را تجزیه و تحلیل کردیم و رابطه بین آنها را بررسی کردیم. این دیدگاه جامع تر به ارائه مراجع برای ذینفعان مختلف مانند شهروندان، دولت ها و شرکت های اشتراک دوچرخه کمک می کند. ادامه این مقاله به شرح زیر تنظیم شده است: ما هم داده های سواری و هم داده های تعادل مجدد را تجزیه و تحلیل کردیم و رابطه بین آنها را بررسی کردیم. این دیدگاه جامع تر به ارائه مراجع برای ذینفعان مختلف مانند شهروندان، دولت ها و شرکت های اشتراک دوچرخه کمک می کند. ادامه این مقاله به شرح زیر تنظیم شده است:بخش 2 کارهای تحقیقاتی مرتبط را گزارش می کند. بخش 3 منطقه و داده های مورد مطالعه را ارائه می دهد. بخش 4 روش های اصلی اتخاذ شده در این مطالعه را شرح می دهد. آزمایش و تجزیه و تحلیل بر اساس داده های Citi Bike در بخش 5 معرفی شده است. بخش 6 نتایج، محدودیت ها و کارهای آتی را تحلیل و مورد بحث قرار می دهد. بخش 7 این مطالعه را به پایان می رساند.

2. کارهای مرتبط

در طول یک بیماری همه گیر، سیاست های اضطراری و اقدامات حفاظت از خود شهروندان معمولاً تأثیر منفی بر تحرک دارند. تحقیق در مورد الگوهای تحرک انسان و پیش‌بینی همه‌گیری بر اساس داده‌های حرکتی در زمینه COVID-19 توجه زیادی را به خود جلب کرد [ 20 ، 21 ]. محققان داده‌های حرکتی را جمع‌آوری می‌کنند و الگوهای تحرک را در طول همه‌گیری COVID-19 به روش‌های مختلف مطالعه می‌کنند. به عنوان مثال، رویکرد سنتی انجام پرسشنامه است. کونیگ و درسلر از مصاحبه‌های تلفنی، نظرسنجی‌های خانگی و سایر روش‌های ترکیبی برای مطالعه تأثیر بیماری‌های همه‌گیر بر تحرک روستایی استفاده کردند [ 22 ].]. علاوه بر این، در ترکیب با فناوری سیستم اطلاعات جغرافیایی (GIS)، یک بررسی آنلاین مبتنی بر نقشه برای مطالعه تأثیر همه‌گیری بر تحرک استفاده شد [ 23 ]. داده‌های مکانی سنتی، مانند تصاویر سنجش از دور، نیز نقش مهمی در مطالعه تحرک در طول همه‌گیری دارند [ 24 ، 25 ]. داده های چند منبعی مختلف مبتنی بر مکان، اطلاعات غنی را برای تحقیقات همه گیر فراهم می کند [ 26 ، 27 ].

داده‌های اشتراک‌گذاری دوچرخه نوعی معمولی از داده‌های مرتبط با مکان هستند که می‌توانند برای مطالعه تحرک انسان در طول همه‌گیری استفاده شوند [ 11 ، 28 ، 29 ]. سیستم های اشتراک دوچرخه برای نزدیک به 50 سال وجود داشت. در 10 سال گذشته، محبوبیت آنها در سراسر جهان به طور چشمگیری افزایش یافته است [ 30 ]. دوچرخه‌های مشترک معمولاً به فناوری‌هایی مانند سیستم موقعیت‌یابی جهانی (GPS) مجهز هستند تا سیستم را برای مکان‌یابی مکان‌های پارک خود تسهیل کند [ 31 ]. بنابراین، سیستم‌های اشتراک‌گذاری دوچرخه مقدار زیادی از داده‌های سواری را جمع‌آوری می‌کنند که می‌تواند به طور عینی سواری شهری را در طول همه‌گیری نشان دهد.

بسیاری از مطالعات تأیید کردند که گسترش COVID-19 و سیاست‌های قرنطینه استفاده از اشتراک دوچرخه را کاهش داده است. به عنوان مثال، تحرک دوچرخه‌های مشترک در پکن در طول همه‌گیری در مقایسه با مدت مشابه در سال 2019، 60 درصد کاهش یافته است [ 32 ]. هو و همکاران داده‌های اشتراک‌گذاری دوچرخه در شیکاگو را مطالعه کرد و دریافت که نسبت سفرهای رفت‌وآمد به طور قابل‌توجهی کمتر بود [ 9 ].

محققان همچنین دریافتند که الگوهای دوچرخه سواری به اشتراک گذاری ویژگی های جدیدی را در طول دوره همه گیری نشان می دهد. شین و همکاران از یک شبکه پیچیده فضایی چند مقیاسی برای مطالعه داده‌های Citi Bike در نیویورک استفاده کرد و دریافت که تجمع دوچرخه‌سواری مشترک در شهرها در طول دوره همه‌گیری به طور قابل‌توجهی کاهش یافته است [ 11 ]. Teixeira و Lopes در ترکیب با روش‌های آمار توصیفی دریافتند که سیستم‌های اشتراک‌گذاری دوچرخه در طول یک بیماری همه‌گیر انعطاف‌پذیر هستند و امکان انتقال حالت سفر افراد از حمل‌ونقل عمومی، مانند مترو، به سیستم‌های اشتراک دوچرخه وجود دارد [ 33 ]. مطالعه تحرک حمل‌ونقل عمومی در طول همه‌گیری نشان می‌دهد که دوچرخه‌ها کمترین کاهش را در تقاضا برای حمل و نقل عمومی در بوداپست دارند [ 34 ]]. در مقایسه با سایر روش‌های حمل‌ونقل عمومی، دوچرخه‌ها محصور نیستند و می‌توانند از تماس نزدیک بین کاربران جلوگیری کنند، بنابراین، مردم نسبتاً تمایل بیشتری به استفاده از دوچرخه در طول همه‌گیری دارند [ 14 ]. پادمانابهان و همکاران تجزیه و تحلیل همبستگی را روی موارد COVID-19 و متغیرهای مختلف مرتبط با اشتراک دوچرخه با داده‌های سه شهر انجام داد و دریافت که اگرچه سفرهای دوچرخه کاهش یافته است، اما میانگین زمان سفر افزایش یافته است [ 35 ]. علاوه بر این، به دلایل ایمنی و بهداشتی، دوچرخه سواری توجه جدیدی را به خود جلب کرد و به یک ورزش اوقات فراغت محبوب در طول همه گیری تبدیل شد [ 36 ]]. بر اساس یافته های تحقیقاتی خود، جوب و گریفین خواستار ادامه خدمات اشتراک دوچرخه در طول همه گیری شدند و پیشنهاد کردند که اپراتورهای اشتراک دوچرخه باید تلاش های ارتباطی در مورد سیاست ها و اقدامات برای حمایت از سلامت جامعه را گسترش دهند [ 37 ]. بوشل و همکاران توصیه هایی برای استفاده از پنجره فرصت برای اقدامات سیاستی برای افزایش دائمی استفاده از دوچرخه در پاسخ به همه گیری COVID-19 ارائه کرد [ 38 ]. به منظور تسهیل سفر سالم شهروندان در طول دوره همه‌گیری، تعداد دوچرخه‌ها در شهرهای اروپایی با افزودن زیرساخت‌های موقت دوچرخه در کوتاه‌مدت افزایش یافت [ 39 ].

علاوه بر دوچرخه سواری، عملکرد شرکت های اشتراک دوچرخه در طول همه گیری نیز شایسته توجه است. معمولی‌ترین عملیات تعادل مجدد دوچرخه است که دوچرخه‌ها را از ایستگاه‌هایی با دوچرخه‌های بسیار به ایستگاه‌هایی با دوچرخه‌های خیلی کم منتقل می‌کند تا همه ایستگاه‌ها دوچرخه‌های کافی برای وانت و اسکله‌های کافی برای رها کردن داشته باشند [ 18 ]. از نظر نوع عملیات، تعادل مجدد را می توان به تعادل مجدد استاتیک و تعادل مجدد پویا تقسیم کرد. تعادل مجدد استاتیک معمولاً در شب انجام می شود که تقاضای سواری کم است یا سیستم بسته است. وانگ و ستو از یک مدل برنامه خطی عدد صحیح مختلط برای تعادل مجدد دوچرخه های خوب و خراب در یک شبکه اشتراک دوچرخه با حداقل انتشار CO ₂ استفاده کردند [ 40]. تعداد متفاوتی از وسایل نقلیه انتقال در عملیات تعادل مجدد شرکت دارند. کروز و همکاران یک الگوریتم جستجوی محلی تکراری ترکیبی را پیشنهاد کرد که به طور ویژه برای حل مشکل تعادل مجدد دوچرخه استاتیک تک وسیله نقلیه طراحی شده بود [ 41 ]. هو و ستو یک جستجوی همسایگی بزرگ ترکیبی را برای حل مشکل تعادل مجدد چند وسیله نقلیه پیشنهاد کردند [ 42 ]. تعادل مجدد پویا عمدتاً در طول روز انجام می شود و استفاده از دوچرخه را در زمان واقعی در نظر می گیرد. در مقایسه با تعادل مجدد استاتیک، تعادل مجدد پویا عوامل پیچیده تری را در نظر می گیرد. برای اشتراک دوچرخه مبتنی بر اسکله، Ghosh et al. یک فرمول بهینه سازی برای پشتیبانی از تغییر موقعیت دوچرخه و مسیریابی وسیله نقلیه با در نظر گرفتن مسیرهای وسایل نقلیه و تقاضای مورد انتظار آینده سیستم پیشنهاد کرد [ 43 ]]. برای اشتراک دوچرخه بدون اسکله، Caggiani و همکاران. ترکیبی از خوشه بندی فضایی-زمانی و شبکه های عصبی اتورگرسیو غیرخطی برای ایجاد یک سیستم پشتیبانی تصمیم برای ارتقای عملیات تعادل مجدد [ 44 ]. با این حال، تمام مطالعات فوق بر طراحی طرح تعادل مجدد تمرکز دارند. از آنجا که داده های تعادل مجدد به طور کلی افشا نمی شوند، مطالعات کمی در مورد تجزیه و تحلیل داده های تعادل مجدد، به ویژه در مورد تأثیر همه گیری بر عملیات تعادل مجدد وجود دارد.

به طور خلاصه، بیشتر مطالعات قبلی بر بررسی الگوهای رفتار سواری و طراحی طرح‌های تعادل مجدد تمرکز دارند. عدم توجه به تجزیه و تحلیل داده های تعادل مجدد وجود دارد. تأثیر بیماری همه گیر بر دوچرخه سواری همراه با تعادل مجدد دوچرخه به طور کامل مورد مطالعه قرار نگرفته است. علاوه بر این، ترکیب روش‌های مختلف محدود است که بر تحلیل و نمایش جامع نتایج تأثیر می‌گذارد. در این مطالعه، ما چارچوبی متشکل از تحلیل شبکه جغرافیایی و خوشه‌بندی مبدا-مقصد برای کاوش رفتارهای دوچرخه‌سواری اشتراک‌گذاری و الگوهای متعادل‌سازی مجدد پیشنهاد می‌کنیم.

3. منطقه مطالعه و داده ها

منطقه مورد مطالعه شهر نیویورک در این مقاله در شکل 1 نشان داده شده است . شهر نیویورک در سواحل اقیانوس اطلس ایالات متحده واقع شده است. دارای پنج ناحیه از جمله منهتن، کوئینز، بروکلین، برانکس و استاتن آیلند با مساحت کل 1214.4 کیلومتر مربع است. جمعیت شهر نیویورک بیش از 8 میلیون نفر است که آن را به بزرگترین و پرجمعیت ترین شهر ایالات متحده تبدیل می کند. این شهر در سطح جهانی به طور مستقیم بر اقتصاد، امور مالی و سیاست جهانی تأثیر می گذارد. مقر بسیاری از سازمان های بین المللی، شرکت های چند ملیتی و بانک های جهان از جمله مقر سازمان ملل متحد در نیویورک واقع شده است.

نیویورک در طول همه گیری به شدت تحت تاثیر قرار گرفت. در 1 مارس 2020، ایالت نیویورک اولین مورد تایید شده COVID-19 را اعلام کرد. در 7 مارس، وضعیت اضطراری در سراسر ایالت اعلام کرد. در 19 مارس، دستور «در خانه بمانیم» صادر کرد و تصریح کرد که مردم تا حد امکان به جز خرید لوازم ضروری، درمان و انجام کارهای ضروری بیرون نروند.

داده های این مطالعه از Citi Bike ( https://www.citibikenyc.com/ ) جمع آوری شده است.(دسترسی در 6 ژانویه 2023))، یک سیستم دوچرخه عمومی شهر نیویورک، که به طور رسمی در 27 مه 2013 راه اندازی شد و بزرگترین سیستم دوچرخه عمومی در ایالات متحده است. برای استفاده 24 ساعت در روز، 7 روز در هفته، 365 روز در سال باز است. Citi Bike یک سیستم اشتراک دوچرخه با اسکله است. کاربران دوچرخه های خود را از ایستگاه شروع می گیرند و پس از سوار شدن به ایستگاه پایانی برمی گردانند. در مرحله اولیه (2013)، 6000 دوچرخه در صدها ایستگاه در سراسر منهتن و بروکلین به بهره برداری رسید. اعلام کرد که تنها یک سال بعد اندازه شبکه را از 6000 به 12000 دوچرخه دوبرابر می کند. در سال 2016، سیتی بایک 100000مین عضویت سالانه خود را به دست آورد. در حال حاضر دوچرخه سواران سیتی بیش از 100 میلیون سفر انجام می دهند و توزیع اصلی ایستگاه های دوچرخه سیتی منهتن، بروکلین و کوئینز را پوشش می دهد. که حوزه مطالعاتی این پژوهش را نیز تشکیل می دهد. Citi Bike داده‌های سواری خود را در قالب CSV ماهانه منتشر می‌کند، که می‌توان آن‌ها را تا جولای 2013 ردیابی کرد. داده‌های سواری، داده‌های معمولی OD هستند که مختصات مکانی و ویژگی‌های ایستگاه شروع و ایستگاه پایانی را ثبت می‌کنند. در همان زمان، اطلاعات سواری نیز ثبت می شود. اطلاعات ویژگی و مقادیر ویژگی نمونه داده ها در نشان داده شده استجدول 1 .

4. روش شناسی

چارچوب روش ما در شکل 2 نشان داده شده است . برای داده‌های سفر، ابتدا آن‌ها را در یک فرم شبکه با گره‌هایی که ایستگاه‌های اشتراک‌گذاری دوچرخه را نشان می‌دهند و لبه‌هایی که سفرهای سواری را نشان می‌دهند، سازماندهی می‌کنیم. سایر آمار سواری نیز به مقادیر ویژگی شبکه نگاشت می شوند. بر اساس شبکه فوق، تحلیل کلی شبکه و تحلیل خوشه ای OD انجام می شود. برای داده های تعادل مجدد دوچرخه، آن را از طریق تشخیص و سازماندهی استخراج می کنیم تا نتیجه را در قالب داده های OD بدست آوریم. سپس تجزیه و تحلیل آماری و تحلیل مکانی-زمانی بر روی داده های تعادل مجدد فوق انجام می شود.

4.1. سازماندهی شبکه و تجزیه و تحلیل داده های اشتراک گذاری دوچرخه

همانطور که در قسمت بالای شکل 3 نشان داده شده است، ابتدا از داده های خام، ایستگاه ها و اتصالات سواری بین ایستگاه ها را استخراج می کنیم . ما دو نوع جریان را متمایز می کنیم، یعنی جریان های خود حلقه ایستگاهی و جریان های بین ایستگاهی. جریان خود حلقه ایستگاهی به تعداد کل دوچرخه هایی که از یک ایستگاه قرض گرفته شده و به همان ایستگاه بازگردانده شده اند، اشاره دارد. جریان بین ایستگاهی جریان بین دو ایستگاه است. این اطلاعات را می توان در یک شبکه ساختار داد که در قسمت پایین شکل 3 نشان داده شده است، که در آن گره ها نشان دهنده ایستگاه ها، و لبه های هدایت شده به ترتیب نشان دهنده جریان ورودی گره (یعنی تعداد دوچرخه های ورودی) و خروجی (یعنی تعداد دوچرخه های خروجی) هستند. جریان کل ایستگاه (مجموع دوچرخه های ورودی و خروجی) جریان کل گره است. هر چه جریان کل ایستگاه بیشتر باشد، اندازه گره بزرگتر است. جهت لبه جهت جریان های سواری بین ایستگاه ها است و عرض لبه متناسب با مقدار جریان است. اگر سواری وجود داشته باشد که برای همان ایستگاه شروع و به پایان می رسد، یک حلقه در گره مربوطه وجود دارد. به عنوان مثال، گره 3 مربوط به ایستگاه C دارای بیشترین تعداد جریان است. گره 1 و گره 2 متعلق به یک اتصال دو طرفه هستند و هر کدام از آنها به یک اتصال یک طرفه با گره 3 تعلق دارند. لبه 3 بین گره 1 و گره 3 جریان بیشتری نسبت به لبه های دیگر دارد. لبه 5 حلقه ای است که همان گره 2 را به هم متصل می کند.

شبکه اشتراک دوچرخه فوق یک ساختار اساسی برای تجزیه و تحلیل داده های بعدی ارائه می دهد. با استفاده از روش‌های تحلیل شبکه، می‌توان یک سری شاخص‌های مرتبط در شبکه اشتراک دوچرخه را شناسایی کرد و تجزیه و تحلیل آنها را برای بررسی ویژگی‌های شبکه از دیدگاه‌های مختلف انجام داد.

تجزیه و تحلیل آماری شبکه در این مطالعه به درک ویژگی های اصلی جریان دوچرخه اختصاص دارد. شاخص های آماری، مانند جریان متوسط گره و جریان متوسط لبه کل شبکه، می توانند مشخصات کلی جریان را منعکس کنند. با استخراج و تجسم فضایی لبه‌هایی با حجم زیادی از جریان در شبکه اشتراک دوچرخه، ممکن است ویژگی‌های توزیع فضایی جریان اصلی را به طور مستقیم‌تری تحلیل کنیم. به طور خاص، این مطالعه همچنین بر استخراج سواری در همان ایستگاه استقراض و بازگشت تمرکز دارد که اغلب با سفرهای تفریحی مطابقت دارد [ 45 ]]. علاقه خاص این مطالعه بررسی این است که چگونه بیماری همه گیر بر سوارکاری اوقات فراغت تأثیر می گذارد و چه تغییراتی در توزیع فضایی جریان اصلی سواری اوقات فراغت رخ می دهد.

فرمول (1) برای محاسبه ضریب تغییر جریان معرفی شده است که نشان دهنده درجه پراکندگی توزیع جریان در شبکه اشتراک دوچرخه است و تحت تأثیر مقیاس و ابعاد اندازه گیری نیست. x مقدار جریان است، σ و μ نشان دهنده انحراف استاندارد و مقدار متوسط داده ها هستند. مقدار متوسط در فرمول (2) بیان می شود، که در آن x _i نشان دهنده جریان گره i (یا جریان لبه i )، n تعداد گره ها (یا یال ها) و d تعداد روزهای آزمایشی است. داده ها. برای شبکه اشتراک دوچرخه، CV ( x)، ناهمگونی توزیع جریان قوی تر است، به این معنی که توزیع جریان نامتعادل تر است.

سیV(ایکس)=σ(ایکس)μ(ایکس)

(1)

σ(ایکس)=∑من=1nایکسمنn×د

(2)

برای مطالعه بیشتر ساختار شبکه اشتراک دوچرخه و تأثیر همه‌گیری بر آن، شاخص‌های تجمع شبکه معرفی شده‌اند که ممکن است تغییر در درجه تجمع شبکه اشتراک دوچرخه را منعکس کند. در این تحقیق از میانگین ضریب تجمیع و ضریب تجمیع جهانی به ترتیب برای بررسی تجمع شبکه به صورت محلی و جهانی استفاده شده است.

میانگین ضریب تجمع بر اساس ضریب تجمع محلی است که برای اندازه گیری درجه تجمع در اطراف هر گره محاسبه می شود. ضریب تجمع محلی یک گره، نسبت بین تعداد یال‌های بین گره‌های متصل به آن و تعداد لبه‌های ممکن بین آنها است. برای گره i ، ضریب تجمع محلی c _i طبق فرمول (3) محاسبه می شود. اگر و فقط اگر ارتباطی بین گره i و j وجود داشته باشد ، a _ij = 1، در غیر این صورت a _ij = 0، و k _i نشان دهنده درجه گره i است، کمن↔=∑من≠jآمنjآjمن. با گرفتن میانگین ضرایب تجمع محلی همه گره ها، میانگین ضریب تجمع شبکه را به دست می آوریم. در شبکه اشتراک دوچرخه، میانگین ضریب تجمع بالا نشان می دهد که ایستگاه ها به خوبی با ایستگاه های اطراف خود در ارتباط هستند و تجمع محلی خوبی بین این ایستگاه ها وجود دارد.

جمن=∑ساعت∑j(آمنj+آjمن)(آjساعت+آساعتj)(آساعتمن+آمنساعت)2[کمن(کمن-1)-2کمن↔]

(3)

تعریف ضریب تجمیع جهانی بر اساس به اصطلاح سه گانه گره در شبکه است. اگر سه گره به صورت جفت به هم متصل شوند، یک سه گانه بسته را تشکیل می دهند. اگر فقط دو لبه اتصال بین سه گره وجود داشته باشد، آنها سه گانه باز نامیده می شوند. با شمارش تعداد انواع مختلف سه گانه در شبکه، ضریب تجمیع سراسری همانطور که در فرمول (4) نشان داده شده است، به دست می آید که G _C تعداد سه گانه های بسته در شبکه و G _o تعداد سه گانه باز است. یک شبکه اشتراک دوچرخه با ضریب تجمع جهانی بالا نشان دهنده یک تجمع شبکه خوب و یک اتصال نسبتاً اشباع شده بین ایستگاه ها است.

سی=3×جیج3×جیج+جیo

(4)

4.2. خوشه بندی OD داده های اشتراک گذاری دوچرخه

بر اساس شبکه اشتراک گذاری دوچرخه ساخته شده در بالا، می توانیم آمار جریان اولیه آن را خلاصه کنیم. یک راه رایج برای استخراج جریان‌های اصلی سواری، فیلتر کردن مستقیم تعداد جریان‌های بالای یک آستانه معین از شبکه اشتراک‌گذاری دوچرخه است. با این حال، این رویکرد ممکن است گروه‌های بزرگی از جریان‌ها را نادیده بگیرد، جایی که لبه‌های منفرد ممکن است جریان‌های بزرگی نداشته باشند، اما آنها از نظر مکانی و جهت نزدیک می‌شوند و یک جریان بزرگ را تشکیل می‌دهند که مناطق مختلف را به هم متصل می‌کند. این گروه ها می توانند توصیف خوبی از توزیع جریان های اصلی با الگوهای فضایی مشابه باشند. برای استخراج این گروه‌های لبه از جریان‌های بزرگ، ما یک روش خوشه‌بندی OD را اعمال می‌کنیم که عوامل فضایی متعدد و جریان لبه را در شبکه اشتراک دوچرخه در نظر می‌گیرد. بر خلاف ایده خوشه بندی بر اساس مکان نقاط شروع یا پایان به ترتیب، خوشه بندی OD در این مطالعه مکان هر دو نقطه شروع و پایان را در نظر می گیرد. روند کلی در زیر توضیح داده شده است.

برای هر دو یال Ei و Ej در شبکه، شباهت فضایی آنها به صورت زیر محاسبه می شود: < Oi , Di > و < Oj , Dj > به ترتیب جفت های OD Ei و Ej هستند. Fi و Fj جریانهای سواری در دو لبه هستند. همانطور که در شکل 4 نشان داده شده است، محدودیت فاصله داده های OD را اعمال می کنیم . با در نظر گرفتن Oi و Di به عنوان نقاط مرکزی و Dl به عنوان شعاع جستجو، دو دایره همسایگی Oi و Di را نشان می دهند.. برای هر یال دیگر در شبکه، اگر مبدأ و مقصد آن به ترتیب در همسایگی Oi و Di قرار گیرند، این یال با شرایط محدودیت فاصله مطابقت دارد. از شکل 4 ، می بینیم که خط بنفش Ej این نیاز را برآورده می کند، در حالی که دو خط پیکان سبز فیلتر شده اند. آستانه فاصله در فرمول (5) بیان می شود، جایی که dist () تابع محاسبه فاصله برای محاسبه فاصله بین نقاط شروع و نقاط پایانی دو لبه است.

دمنستی(Oمن،Oj)≤دیل∩دمنستی(دیمن،دیj)≤دیل

(5)

با این حال، استفاده از محدودیت فاصله به تنهایی ممکن است شباهت فضایی دو لبه را تضمین نکند. همانطور که در شکل 5 نشان داده شده است، Ei یا Ej نسبتا کوتاه هستند و تفاوت های جهتی زیادی را نشان می دهند، حتی اگر Oj و Dj محدودیت فاصله را برآورده کنند. بنابراین، محدودیت زاویه همانطور که در فرمول (6) نشان داده شده است، معرفی می شود تا لبه ها با زوایای کوچکتر و جهت ثابت اطمینان حاصل شود. تابع آستانه زاویه در فرمول (6) بیان شده است که در آن Angle () تابع محاسبه زاویه و Al آستانه زاویه است.

آngله(Eمن،Ej)≤آل

(6)

در استخراج خوشه، این مطالعه محدودیت‌های آستانه‌ای را بر روی جریان لبه و تعداد لبه‌های خوشه تعیین می‌کند. برای در نظر گرفتن جریان لبه در خوشه بندی، از آستانه ft برای جریان لبه برای فیلتر کردن لبه های جریان بزرگ در استخراج خوشه استفاده می کنیم. از طریق آستانه فوت ، فقط لبه هایی با جریان بیشتر از فوت می توانند در خوشه بندی شرکت کنند. علاوه بر این، آستانه برای تعداد یال ها در خوشه بندی روی et تنظیم شده است تا گروه های لبه جریان بزرگ را استخراج کند. این بدان معناست که فقط خوشه هایی با لبه های بیش از et می توانند به عنوان نتایج نهایی استخراج شوند. فرآیند خوشه بندی به صورت زیر انجام می شود:

(1): برای لبه Ei پردازش نشده در شبکه اشتراک دوچرخه، اگر جریان آن بیشتر از فوت باشد ، مرحله (2) را اجرا کنید. در غیر این صورت، آن را به عنوان پردازش شده علامت بزنید و مرحله (1) را تکرار کنید.
(2): فاصله و زاویه بین Ei و لبه اطراف آن را در { E 1, E 2, E 3…… En } با جریان لبه بیشتر از فوت محاسبه کنید. لبه هایی را انتخاب کنید که محدودیت فاصله در فرمول (5) و محدودیت زاویه در فرمول (6) را برآورده کنند تا یک گروه تشکیل شود.
(3): اگر تعداد یال های گروه در (2) بزرگتر از et باشد، به عنوان یک خوشه شناسایی شده و به مرحله (4) بروید. در غیر این صورت، Ei را به عنوان پردازش شده علامت بزنید و به مرحله (1) بروید.
(4): جریان کل تمام یال ها در خوشه محاسبه و در لبه Ei ثبت می شود که به عنوان لبه هسته مشخص می شود. تمام لبه های خوشه به عنوان پردازش شده علامت گذاری می شوند. به مرحله (1) بروید.

شکل 6 نمونه ای از یک خوشه لبه جریان بزرگ و لبه هسته آن را نشان می دهد. در نهایت، تمام خوشه های لبه جریان بزرگ و لبه های هسته آنها استخراج می شوند.

4.3. استخراج و تجزیه و تحلیل داده های تعادل مجدد

توزیع فضایی نابرابر رفتار سواری منجر به عدم تعادل عرضه و تقاضای دوچرخه و اسکله می شود. این ممکن است پیدا کردن دوچرخه یا اسکله خالی در ایستگاه مورد نظر را برای کاربران دشوار کند. گاهی اوقات، شرکت‌های اشتراک دوچرخه ممکن است اقدامات مربوطه را برای تشویق کاربران به قرض گرفتن دوچرخه از ایستگاه‌های دارای دوچرخه در نزدیکی نقطه شروع و بازگرداندن آن‌ها در ایستگاه‌های دارای اسکله نزدیک به مقصد خود انجام دهند، که ممکن است وضعیت سیستم خود تعادلی را بدون خارجی تسهیل کند. کمک [ 46]. با این حال، در حال حاضر، اجتناب از عدم تعادل بین عرضه و تقاضای دوچرخه و اسکله تنها با تکیه بر مکانیزم خودتعادل دشوار است. بنابراین برای حل مشکل فوق نیاز به عملیات تعادل مجدد است. تعادل مجدد خوب می تواند نیازهای استفاده و بازگشت دوچرخه را برآورده کند، عملکرد پایدار سیستم اشتراک دوچرخه را تضمین کند و رضایت کاربر را بهبود بخشد [ 44 ]. در همین حال، تجزیه و تحلیل داده‌های جمع‌آوری‌شده تعادل مجدد می‌تواند دیدگاه جدیدی برای درک عملکرد سیستم‌های اشتراک دوچرخه ارائه دهد.

به طور معمول، داده‌های سواری به طور صریح حاوی داده‌های تعادل مجدد نیستند، اما ممکن است اطلاعات را با استفاده از روش زیر بدست آوریم: اول، داده‌های سواری با شناسه دوچرخه گروه‌بندی می‌شوند و داده‌های دارای همان شناسه بر اساس مُهر زمانیشان مرتب می‌شوند. همانطور که در شکل 7 نشان داده شده است ، برای دوچرخه با شناسه مربوطه، اگر وقفه ای وجود نداشته باشد، مسیر حرکت فضایی آن در ایستگاه های مختلف باید پیوسته باشد، یعنی ایستگاه شروع رکورد داده فعلی باید با ایستگاه پایانی مطابقت داشته باشد. رکورد داده های قبلی اگر مسیر حرکت مکانی دوچرخه قطع شود، می توان استنباط کرد که یک عملیات تعادل مجدد در وقفه انجام شده است (دایره قرمز در شکل 7). جهت تعادل مجدد از ایستگاه قبل از قطع تا ایستگاه بعد از قطع است (ایستگاه C تا ایستگاه D در شکل 7 ).

بنابراین، داده های تعادل مجدد را می توان از داده های سواری با تشخیص بخش های قطع شده مسیرهای سواری استخراج کرد. داده های تعادل مجدد نیز داده های OD معمولی هستند که می توانند به عنوان ساختار داده مشابه با داده های سواری سازماندهی شوند. همانطور که در شکل 7 نشان داده شده است ، ایستگاه شروع تعادل مجدد ایستگاه قبل از قطع مسیر (ایستگاه C) و ایستگاه پایانی تعادل مجدد ایستگاه پس از قطع مسیر (ایستگاه D) است. زمان شروع تعادل مجدد زمانی است که دوچرخه قبل از قطع مسیر (t1) به ایستگاه باز می گردد و زمان پایان تعادل مجدد زمانی است که دوچرخه پس از قطع مسیر (t2) ایستگاه را ترک می کند.

مدت زمان تعادل مجدد تفاوت بین زمان پایان و زمان شروع است که شامل سه جزء است، یعنی زمان انتظار دوچرخه در ایستگاه شروع تعادل ( d 1)، زمان واقعی تعادل مجدد توسط شرکت ( d 2 ) ، و زمان انتظار دوچرخه در ایستگاه پایانی تعادل مجدد ( d 3). همانطور که در شکل 7 نشان داده شده است ، مدت زمان تعادل مجدد مجموع d 1، d 2 و d 3 است. از آنجایی که زمان تعادل مجدد دوچرخه ( d2) هزینه حمل و نقل دوچرخه معمولاً کوتاه است، زمان تعادل مجدد طولانی تر نشان می دهد که دوچرخه به طور بالقوه برای مدت طولانی قبل از بالانس کردن مجدد در ایستگاه ایستاده است، یا/و دوچرخه به طور بالقوه برای مدت طولانی پس از تعادل مجدد در ایستگاه منتظر بوده است. بنابراین، یک دوره طولانی تعادل مجدد توصیف ضعیفی از توزیع زمانی رفتار تعادل مجدد دارد. مدت زمان کم تعادل مجدد نشان می دهد که عملیات تعادل بلافاصله پس از بازگشت دوچرخه به ایستگاه انجام می شود و دوچرخه بلافاصله پس از تعادل مجدد استفاده می شود که نشان دهنده اعزام به موقع است. در صورت کوتاه مدت تعادل مجدد، هم زمان شروع و هم زمان پایان مجدد تعادل می تواند تقریباً زمان وقوع عملیات تعادل مجدد را توصیف کند.

توجه داشته باشید که از عدد مطلق عملیات تعادل مجدد نمی توان به طور مستقیم برای توصیف بازده تعادل استفاده کرد، زیرا به طور کلی، در یک سیستم اشتراک دوچرخه، هرچه حجم دوچرخه سواری بیشتر باشد، حجم مجدد تعادل بزرگتر خواهد بود. از این رو، نسبت تعادل مجدد RR را در فرمول (7) به عنوان نسبت بین تعداد عملیات تعادل مجدد RA و تعداد کل سواری TA معرفی می کنیم. علاوه بر این، تجزیه و تحلیل مکانی-زمانی را می توان بر اساس داده های تعادل مجدد مشتق شده انجام داد.

آرآر=آرآتیآ

(7)

5. آزمایش و تجزیه و تحلیل

5.1. پردازش داده ها و تجزیه و تحلیل جامع

برای بررسی تغییرات در جریان اصلی در سیستم اشتراک دوچرخه منطقه آزمایشی خود، توزیع ماهیانه جریان را در سال پیش از همه‌گیری 2019 و سال 2020 همه‌گیری ترسیم می‌کنیم. همانطور که در شکل 8 نشان داده شده است ، جریان ماهانه در سال 2019 نشان داده شده است. روند اول صعودی و سپس نزولی را نشان می دهد و در سپتامبر به اوج خود می رسد. در سال 2020، تفاوت زیادی در مرحله اولیه همه‌گیری وجود دارد، که در ماه آوریل به دره می‌رسد، و پس از آن، عمدتاً به دلیل انعطاف‌پذیری خوب سیستم اشتراک دوچرخه، افزایش می‌یابد.

برای مطالعه تأثیر همه‌گیری بر جریان‌های اصلی سیستم اشتراک‌گذاری دوچرخه، روی داده‌های آوریل، ماهی با شدیدترین تغییرات تمرکز کردیم. ما چهار چهارشنبه در آوریل 2019 و 2020 را برای تجزیه و تحلیل مقایسه ای در آزمایش های زیر انتخاب کردیم. ما همچنین آب و هوای این چهار روز را بررسی کردیم که بد یا شدید نبود، مانند باران شدید، و بنابراین تأثیر قابل توجهی در سواری ها نداشت. سپس شبکه های اشتراک دوچرخه را بر اساس این دو مجموعه داده به ترتیب در سال های 2019 و 2020 ساختیم و شبکه ها را در شکل 9 تجسم کردیم.. نقطه‌های سیاه نشان‌دهنده ایستگاه‌ها هستند و خطوط بین آن‌ها جریان‌های سواری هستند که آبی تا قرمز میزان جریان را از کوچک به بزرگ نشان می‌دهد. لبه های جریان بزرگ در شبکه عمدتاً در جزیره منهتن قرار دارند و تعداد لبه های جریان بزرگ دوره مربوطه در سال 2020 بسیار کمتر از سال 2019 است . شکل 10 توزیع فرکانس جریان لبه را در شبکه نشان می دهد. تعداد زیادی لبه تنها با یک یا دو تریپ وجود دارد و لبه هایی که بیش از پنج تراش دارند لبه های جریان نسبتاً بزرگی هستند.

ما بیشتر مقادیر شاخص های شبکه ذکر شده در بخش 4 را برای هر دو مجموعه داده محاسبه کردیم. نتایج آماری در جدول 2 نشان داده شده است. از نظر میانگین جریان، هم جریان گره شبکه و هم جریان لبه شبکه در دوره مشابه سال 2020 نسبت به سال 2019 کاهش قابل توجهی داشته است. با این حال، ضریب تغییرات در جریان ها در سال 2020، به ویژه ضریب تغییرات در جریان های لبه، بسیار است. کوچکتر. این نشان می دهد که توزیع جریان های سواری در سال 2020 ناهمگن کمتری دارد. با توجه به درجه خوشه‌بندی، هم میانگین ضریب تجمع و هم ضریب تجمیع جهانی نشان‌دهنده درجه پایین‌تری از خوشه‌بندی و پراکندگی قوی‌تر شبکه اشتراک دوچرخه در دوره مربوطه سال 2020 است. بر اساس مقادیر این شاخص‌ها در دو دوره زمانی، تقریباً نشان می دهد که در مرحله اولیه بیماری همه گیر، مردم به طور قابل توجهی سفر را کاهش دادند و تمایل به اجتناب از تجمع وجود داشت.

5.2. تجزیه و تحلیل لبه های جریان بزرگ

ما بیشتر تجزیه و تحلیل آماری ماکروسکوپی لبه‌های جریان بزرگ را انجام می‌دهیم که به دو نوع تقسیم می‌شوند: جریان‌های ایستگاه خود حلقه با ایستگاه‌های شروع و پایان یکسان و گروه‌های جریان بین ایستگاهی با ایستگاه‌های شروع و پایان متفاوت. ما ابتدا چندین جریان از بزرگترین ایستگاه های خود حلقه را استخراج کردیم. همانطور که در جدول 3 نشان داده شده استحلقه‌ها تنها بخش کوچکی را در دوره مشابه سال 2019 تشکیل می‌دهند، با نسبت‌های بالای 100، بالای 200 و بالای 300 لبه جریان بزرگ به ترتیب 12، 7.5 و 7 درصد. با این حال، در دوره مشابه سال 2020، این نوع لبه بیشتر لبه های جریان بزرگ را به خود اختصاص می دهد که نسبت در 100، بالای 200 و 300 لبه جریان بزرگ به ترتیب 81، 72 و 67 درصد است. . این تفاوت‌ها نشان می‌دهد که جریان‌های ایستگاه خود حلقه به طور قابل‌توجهی در لبه‌های جریان بزرگ در طول همه‌گیری افزایش یافته است. به گفته Noland و همکاران. (2016)، سواری در همان ایستگاه استقراض و بازگشت عمدتاً برای اهداف تفریحی است. بنابراین، ما می‌توانیم از نسبت‌هایی استنباط کنیم که سوارکاری اوقات فراغت در دوره مشابه سال 2020 افزایش یافته است. مهم‌تر از همه، در میان 100 لبه بالای جریان در سال 2020، حلقه‌ها 81 درصد را تشکیل می‌دهند. ممکن است دو دلیل قابل قبول برای این پدیده وجود داشته باشد. از یک طرف، به دلیل سیاست های قرنطینه دولت، مردم کمتر رفت و آمد می کردند. تقاضا برای سواری، که مسئول آخرین کیلومتر رفت و آمد بود، بسیار ضعیف شد. از سوی دیگر، با بسته شدن مکان‌های تفریحی عمومی، سوارکاری که می‌تواند از تماس در فضاهای بسته جلوگیری کند، در دوره انزوا به شکل مناسبی از تفریح تبدیل شد.

برای مشاهده بیشتر توزیع فضایی جریان‌های ایستگاه خود حلقه، ما 20 ایستگاه سواری را با بیشترین جریان از دو مجموعه داده، به ترتیب، بر روی نقشه استخراج و تجسم کردیم. همانطور که در شکل 11 نشان داده شده است ، بیشتر این ایستگاه های سوارکاری در نزدیکی پارک ها، سواحل رودخانه ها و سایر مکان های تفریحی در فضای باز قرار دارند. در توزیع کلی فضایی، همانطور که در شکل 11 الف نشان داده شده است، یک خوشه بندی موضعی آشکار از چنین ایستگاه هایی در سال 2019 وجود دارد، که برجسته ترین مکان آن پارک مرکزی است، جایی که 9 ایستگاه از 20 ایستگاه برتر با بیشترین جریان در آن قرار دارند. در سال 2020، پراکندگی این گونه ایستگاه ها نسبتاً پراکنده است و پدیده خوشه بندی محلی آنچنان آشکار نیست. تنها چهار ایستگاه در اطراف پارک مرکزی وجود دارد ( شکل 11ب). این با این پدیده سازگار است که درجه تجمع شبکه به دلیل تأثیر همه‌گیری کاهش می‌یابد. می توان حدس زد که در طول همه گیری، سوارکاری اوقات فراغت مردم منعکس کننده پرهیز از تجمعات بود. به عنوان مثال، در مناطقی که در گذشته فعالیت‌های سوارکاری مکرر داشتند، مانند پارک مرکزی، جریان‌های زیاد سوارکاری اوقات فراغت به میزان قابل توجهی کاهش یافت. تعداد ایستگاه‌های جریان اصلی خود حلقه در منهتن در طول همه‌گیری افزایش یافت. همانطور که در شکل 11 نشان داده شده است ، در دوره مشابه سال 2019، 13 ایستگاه خودحلقه با جریان بالا در منهتن وجود دارد. اما در سال 2020 این تعداد به 16 تبدیل شد. در هر دو سال، بسیاری از ایستگاه های این نوع در امتداد ساحل رودخانه توزیع شده اند.

علاوه بر این، ما 20 لبه جریان بین ایستگاهی را در دوره های متناظر هر دو سال استخراج کردیم. همانطور که در شکل 12 نشان داده شده است ، در مقایسه با سال 2019، میزان جریان در سال 2020 کاهش قابل توجهی داشته است. از نظر توزیع فضایی، دامنه توزیع این لبه های جریان بزرگ در سال 2020 نیز کاهش یافت و آنها فقط در منطقه منهتن توزیع شدند. در سال 2019 لبه های جریان بزرگ زیادی در نزدیکی پارک مرکزی وجود داشت. با این حال، آنها در سال 2020 در این منطقه ناپدید شدند و در عوض، در نزدیکی کرانه باختری منهتن متمرکز شدند. این پدیده شبیه به جریان‌های سواری ایستگاه خودحلقه بالاست که اجتناب از تجمع در طول همه‌گیری را بیشتر تأیید می‌کند.

5.3. تجزیه و تحلیل گروه لبه جریان بزرگ

ما جریان های بزرگ را طبق روش پیشنهادی در بخش 4.2 خوشه بندی می کنیم . این روش به دو پارامتر نیاز دارد، یعنی آستانه ft برای جریان لبه و آستانه et برای تعداد یال ها. بر اساس آمار جریان، ft را روی 5 قرار می دهیم. در دو دوره زمانی 2019 و 2020 به ترتیب 12312 و 1608 یال با جریان های بزرگتر از 5 وجود دارد. در مورد تنظیم آستانه et ، به دلیل تفاوت زیاد در مقدار داده بین این دو دوره زمانی، از نسبت r استفاده می کنیم، یعنی نسبت تعداد لبه های جریان بزرگ دو مجموعه داده هنگام تنظیم et .. از آنجایی که تعداد کل جریان ها در دوره مربوطه سال 2020 بسیار کم است، از et آن به عنوان مبنا استفاده می کنیم و آن را به ترتیب 5، 10 و 15 قرار می دهیم. بر اساس مقادیر et برای سال 2020، ما مقادیر مربوطه را در سال 2019 به صورت 38، 77 و 115 محاسبه کردیم که محصولات r و مقادیر et برای سال 2020 هستند. بسیاری از مطالعات تأیید کردند که 1 کیلومتر یک محدوده خدمات مشترک برای دوچرخه شهری است. اشتراک گذاری [ 47 ، 48 ]. بنابراین شعاع جستجو Dl در این مطالعه 1 کیلومتر تعیین شده است. آستانه زاویه Al روی 30 درجه تنظیم شده است تا اطمینان حاصل شود که اختلاف جهت لبه ها در خوشه زیاد نیست.

ما توزیع فضایی نتایج خوشه‌بندی را که توسط لبه‌های هسته (یعنی جریان‌های انباشته روی لبه‌های هسته) نشان داده شده بود روی نقشه تجسم کردیم. همانطور که در شکل 13 نشان داده شده است ، ردیف بالایی جریان های خوشه ای در سال 2019 را با سه مقدار et 115 ( شکل 13 (a1))، 77 ( شکل 13 (a2)) و 38 ( شکل 13 (a3) نشان می دهد، در حالی که ردیف پایین جریان های خوشه ای در سال 2020 را با سه مقدار et 15 ( شکل 13 (b1))، 10 ( شکل 13 (b2)) و 5 ( شکل 13 (b3)) نشان می دهد. ما می‌توانیم ببینیم که لبه‌های اصلی خوشه‌بندی عمدتاً در ناحیه اتصال میان‌تاون و مرکز شهر منهتن متمرکز شده‌اند .در سال 2019 بزرگتر است ( شکل 13 (a1)). با کاهش et ، وسعت لبه های هسته از مرکز به اطراف گسترش می یابد و به تدریج گسترش می یابد تا مرکز شهر و مرکز شهر را پوشش دهد ( شکل 13 (a2,a3)). وقتی et در سال 2020 بزرگتر باشد، وسعت لبه های هسته متمرکز نیست و عمدتاً در ناحیه اتصال میان شهر و مرکز شهر و ساحل رودخانه شرقی منهتن توزیع شده است ( شکل 13 (b1)). با کاهش et ، روند مشابه سال 2019 نیست. در شکل 13(b2,b3)، می‌توانیم ببینیم که لبه‌های هسته بیشتر در امتداد ساحل رودخانه منهتن افزایش یافته است، در حالی که در ناحیه مرکزی، تا حد زیادی از بین رفته است. نتایج نشان می‌دهد که توزیع فضایی گروه‌های لبه جریان بزرگ در مرحله اولیه همه‌گیری با ناپدید شدن الگوی تجمع مرکزی در سال ۲۰۱۹ پراکنده‌تر شد و توزیع در امتداد رودخانه آشکارتر بود.

5.4. تجزیه و تحلیل داده های تعادل مجدد

داده های تعادل مجدد از داده ها به ترتیب در سال های 2019 و 2020 برای تجزیه و تحلیل توزیع رفتار متعادل سازی مجدد استخراج شد. همانطور که در بخش 4.3 معرفی شد ، مدت زمان تعادل مجدد دارای سه جزء است، یعنی زمان انتظار در ایستگاه شروع تعادل مجدد، زمان واقعی تعادل مجدد توسط شرکت و زمان انتظار در ایستگاه پایانی تعادل مجدد. برای بهبود دقت توصیف زمان وقوع مجدد تعادل، داده‌هایی را با مدت زمان تعادل مجدد کمتر از 10 دقیقه انتخاب کردیم که ممکن است زمان واقعی تعادل مجدد توسط شرکت را توصیف کند و از زمان پایان تعادل مجدد برای تجزیه و تحلیل استفاده کردیم. توزیع زمان تعادل مجدد در شکل 14 نشان داده شده است. بدیهی است که تعادل مجدد در سال 2019 دارای دو پیک اصلی در صبح و عصر است که به خوبی با زمان رفت و آمد کاری مطابقت دارد. این نشان می دهد که استفاده از دوچرخه های مشترک برای رفت و آمد در شهر بر تعادل عرضه و تقاضای دوچرخه و اسکله تأثیر می گذارد. تعادل مجدد به موقع برای برآورده کردن تقاضای رفت و آمد و حفظ ثبات سیستم مورد نیاز است. برخلاف سال 2019، زمان اوج تعادل مجدد در دوره همه‌گیری در سال 2020 حدود ساعت 3 بعد از ظهر است. به دلیل سیاست‌های قرنطینه در طول همه‌گیری، مردم عمدتاً در خانه کار می‌کردند و تقاضای آنها برای رفت و آمد ضعیف شد. در عوض، تقاضا برای اوقات فراغت ایمن افزایش یافت. تعداد زیادی سواری اوقات فراغت در بعد از ظهر باعث اوج جدیدی از تعادل مجدد شد.

ما همچنین میانگین تعداد تعادل روزانه و میانگین مقدار سواری روزانه و نسبت آنها را برای تجزیه و تحلیل محاسبه کردیم. همانطور که در جدول 4 نشان داده شده است ، میانگین تعداد تعادل مجدد در سال 2020 کمتر از سال 2019 است که دلیل آن کاهش کلی اشتراک دوچرخه است، اما نسبت میانگین تعداد تعادل مجدد به میانگین مقدار سواری روزانه در سال 2020 بسیار بیشتر از که در سال 2019. یکی از دلایل احتمالی مربوط به نسبت زیاد دوچرخه هایی است که در سال 2020 از همان ایستگاه ها قرض گرفته شده و به همان ایستگاه ها بازگردانده شده اند ( جدول 3 را ببینید.). برای همان ایستگاه، تعداد زیادی از دوچرخه های قرض گرفته شده منجر به کمبود دوچرخه می شود که نیاز به تنظیم به موقع دارد. هنگامی که تعداد زیادی از دوچرخه های قرض گرفته شده از این ایستگاه بازگردانده می شود، کمبود اسکله خالی وجود خواهد داشت که نیاز به تنظیم به موقع دارد. اگر این وضعیت ادامه یابد، ممکن است منجر به افزایش نسبت تعادل مجدد شود.

برای بررسی بیشتر توزیع فضایی تعادل مجدد، ما 50 ایستگاه برتر با بیشترین حجم انتقال را همانطور که در شکل 15 نشان داده شده است استخراج کردیم . بیشتر این ایستگاه ها در جزیره منهتن به ویژه در مناطق میانی و پایین تر نیز توزیع می شوند. به طور کلی، توزیع فضایی ایستگاه های انتقال بالا به داخل و خارج نسبتاً سازگار است. نتایج ممکن است نشان دهد که تعادل مجدد به موقع دوچرخه های مشترک نیز توسط قانون اول جغرافیا محدود شده است و به طور کلی بین ایستگاه های مجاور رخ می دهد. در سال 2019، برخی از ایستگاه های برتر، تجمع خاصی را نشان می دهند، همانطور که توسط دایره های قرمز در شکل 15 نشان داده شده است.. در سال 2020، توزیع ایستگاه های انتقال برتر پراکنده تر است. این تفاوت ها ممکن است مربوط به توزیع جریان همگن تر در طول همه گیری باشد. سواری‌های مردم از تجمع اجتناب می‌کنند، بنابراین عدم تعادل دوچرخه‌ها یا اسکله‌های محلی ناشی از تجمع جریان زیاد را کاهش می‌دهند، و در نتیجه توزیع متعادل‌تری در ایستگاه‌های انتقال بالا ایجاد می‌شود.

6. بحث

6.1. نتایج مطالعه و اهمیت آنها

این مطالعه به بررسی تغییرات مکانی-زمانی دوچرخه‌سواری و تعادل مجدد دوچرخه‌های مشترک قبل و در طول همه‌گیری می‌پردازد تا درک بهتری از تأثیر بیماری همه‌گیر بر اشتراک‌گذاری دوچرخه داشته باشد. یافته های اصلی به شرح زیر است:

(1): جریان سواری و توزیع آنها در طول همه گیری به طور قابل توجهی تغییر کرد. از یک طرف، کاهش قابل توجهی در جریان شبکه وجود داشت. از سوی دیگر، در مقایسه با توزیع‌های انبوه در زمان‌های پیش از همه‌گیری، جریان شبکه به طور یکنواخت‌تر توزیع شد و تجمع اتصالات شبکه در مراحل اولیه همه‌گیری کاهش یافت.
(2): نسبت جریان بالا مرتبط با حلقه های خود در ایستگاه ها در طول همه گیری به طور قابل توجهی افزایش یافت. در دوره پیش از همه‌گیری، این ایستگاه‌ها بیشتر در مکان‌های تجمع شهری مانند پارک مرکزی متمرکز بودند. در طول دوره همه‌گیری، این ایستگاه‌ها بیشتر در حاشیه رودخانه‌ها پراکنده بودند. توزیع لبه‌های بین ایستگاهی جریان بزرگ در طول همه‌گیری از کل منطقه مطالعه به منهتن محدود شد و از ناحیه مرکزی به منطقه لبه منتقل شد.
(3): از نظر خوشه های لبه جریان بزرگ، توزیع فضایی آنها به طور قابل توجهی در طول همه گیری تغییر کرد. خوشه‌های لبه جریان بزرگ در زمان‌های پیش از همه‌گیری در مناطق مرفه بیشتر متمرکز بودند. با این حال، در طول دوره همه‌گیری، توزیع این خوشه‌ها پراکنده‌تر بود و ویژگی‌های تمرکززدایی را ارائه می‌کرد.
(4): از نظر تعادل مجدد، اوج تعادل مجدد به موقع از دو پیک رفت و آمد در دوره پیش از همه گیری به یک پیک در بعد از ظهر در مرحله اولیه همه گیری تغییر کرد. تعداد عملیات های تعادل مجدد در مرحله اولیه همه گیری به طور قابل توجهی کاهش یافت، اما نسبت بین تعداد تعادل مجدد و تعداد کل سواری ها به طور قابل توجهی افزایش یافت. با تجزیه و تحلیل ایستگاه‌هایی با بیشترین تعداد تعادل مجدد، دریافتیم که چنین ایستگاه‌هایی تجمع فضایی خاصی را در طول دوره پیش از همه‌گیری نشان دادند، در حالی که توزیع فضایی در طول همه‌گیری پراکنده‌تر بود.

نتایج تحقیق ما می‌تواند مرجع و کمکی در تصمیم‌گیری برای گروه‌های کاربری مختلف در طول همه‌گیری باشد، مانند برنامه‌ریزی سفر برای شهروندان، بهینه‌سازی طرح عملیات برای شرکت‌های اشتراک‌گذاری دوچرخه، و مدیریت کلی دولت. برای شهروندان، کاهش جریان سفر و توزیع پراکنده‌تر سواری برای پیشگیری و کنترل عفونت در طول همه‌گیری مفید است. فعالیت‌های سوارکاری در فضاهای باز در فاصله نسبتاً ایمن انجام می‌شود و عملکرد اوقات فراغت آنها نیز شکل نسبتاً سالمی از ورزش را برای زندگی منزوی فراهم می‌کند. سوار شدن به درمان پزشکی همچنین می تواند تا حدی از تماس نزدیک و انتقال ویروس در فضاهای بسته وسایل نقلیه عمومی جلوگیری کند. برای شرکت های اشتراک دوچرخه، توزیع یکنواخت تر جریان سواری منجر به یک سیستم خود متعادل کننده خوب نمی شود. با پراکندگی مجدد تقاضای تعادل و افزایش قابل توجه نرخ تعادل مجدد. این مشکلات عملکرد شرکت را به چالش می کشد. مسیرها و راهبردهای تعادل مجدد فعلی باید مورد بازنگری قرار گیرند تا اطمینان حاصل شود که آنها می توانند نیازهای ویژه این دوره را برآورده سازند. برای دولت، تغییرات مکانی-زمانی در جریان‌های اصلی سواری می‌تواند مرجعی برای سیاست‌گذاری در طول همه‌گیری، مانند راهنمای سفر ساکنان و برنامه‌ریزی خدمات شهری باشد. افشای به موقع اطلاعات جریان دوچرخه می تواند به ساکنان کمک کند تا از سواری تجمعی جلوگیری کنند و عفونت را کاهش دهند. علاوه بر این، کار ضد عفونی باید در ایستگاه های متصل به جریان اصلی تقویت شود. مسیرها و راهبردهای تعادل مجدد فعلی باید مورد بازنگری قرار گیرند تا اطمینان حاصل شود که آنها می توانند نیازهای ویژه این دوره را برآورده سازند. برای دولت، تغییرات مکانی-زمانی در جریان‌های اصلی سواری می‌تواند مرجعی برای سیاست‌گذاری در طول همه‌گیری، مانند راهنمای سفر ساکنان و برنامه‌ریزی خدمات شهری باشد. افشای به موقع اطلاعات جریان دوچرخه می تواند به ساکنان کمک کند تا از سواری تجمعی جلوگیری کنند و عفونت را کاهش دهند. علاوه بر این، کار ضد عفونی باید در ایستگاه های متصل به جریان اصلی تقویت شود. مسیرها و راهبردهای تعادل مجدد فعلی باید مورد بازنگری قرار گیرند تا اطمینان حاصل شود که آنها می توانند نیازهای ویژه این دوره را برآورده سازند. برای دولت، تغییرات مکانی-زمانی در جریان‌های اصلی سواری می‌تواند مرجعی برای سیاست‌گذاری در طول همه‌گیری، مانند راهنمای سفر ساکنان و برنامه‌ریزی خدمات شهری باشد. افشای به موقع اطلاعات جریان دوچرخه می تواند به ساکنان کمک کند تا از سواری تجمعی جلوگیری کنند و عفونت را کاهش دهند. علاوه بر این، کار ضد عفونی باید در ایستگاه های متصل به جریان اصلی تقویت شود. مانند راهنمای سفر ساکنان و برنامه ریزی خدمات شهری. افشای به موقع اطلاعات جریان دوچرخه می تواند به ساکنان کمک کند تا از سواری تجمعی جلوگیری کنند و عفونت را کاهش دهند. علاوه بر این، کار ضد عفونی باید در ایستگاه های متصل به جریان اصلی تقویت شود. مانند راهنمای سفر ساکنان و برنامه ریزی خدمات شهری. افشای به موقع اطلاعات جریان دوچرخه می تواند به ساکنان کمک کند تا از سواری تجمعی جلوگیری کنند و عفونت را کاهش دهند. علاوه بر این، کار ضد عفونی باید در ایستگاه های متصل به جریان اصلی تقویت شود.

سوارکاری، که رفت و آمد، اوقات فراغت و درمان پزشکی را در دوره‌های خاص ادغام می‌کند، پتانسیل زیادی برای کاربرد دارد و همچنین ممکن است کمک مفیدی به بهبود شهری در مراحل بعدی همه‌گیری کند. با توجه به اینکه زندگی در بسیاری از مکان‌ها، از جمله نیویورک، به تدریج به حالت عادی باز می‌گردد، نتایج ما می‌تواند به عنوان مرجع در جنبه‌های زیر مورد استفاده قرار گیرد: اول، پرهیز از سوارکاری همچنان یک راه موثر برای کاهش عفونت و برای محافظت از خود در هنگام کووید- 19 به طور کامل ناپدید نشده است. دوم، کارکرد تفریحی دوچرخه‌ها حالت سرگرمی مهمی را برای زندگی مردم در طول همه‌گیری فراهم می‌کرد، که ارزش ادامه و ترویج در دوران پس از همه‌گیری را دارد. آخرین اما نه کم اهمیت، دوچرخه سواری مشترک بسیاری از وظایف جدید را در طول همه گیری انجام داد،

6.2. محدودیت ها و کار آینده

هنوز محدودیت هایی در تحقیقات فعلی وجود دارد که نیاز به مطالعات بیشتری دارد. به عنوان مثال، تحقیقات ما فقط بر روی سیستم اشتراک دوچرخه و به ویژه ویژگی‌های تغییرات مکانی-زمانی جریان‌های اصلی اشتراک دوچرخه تمرکز دارد. در آینده، چندین حالت حمل‌ونقل مانند مترو، اتوبوس و تاکسی را می‌توان با هم ادغام کرد تا درک جامع‌تری از رفتار جابه‌جایی افراد در طول همه‌گیری فراهم کند. علاوه بر داده‌های تحرک خالص، انواع دیگری از داده‌ها مانند داده‌های همه‌گیر، داده‌های کاربری زمین و داده‌های جمعیتی را می‌توان برای دستیابی به تجزیه و تحلیل عمیق‌تر ادغام کرد. به عنوان یک بیماری همه گیر جهانی، COVID-19 زندگی مردم در سراسر جهان را تحت تاثیر قرار داد. مطالعه تطبیقی تحرک در شهرهای مختلف در سراسر جهان با پشتیبانی از داده‌های چند منبعی می‌تواند تفاوت‌ها را در فعالیت‌های انسانی متاثر از همه‌گیری در مکان‌ها، سیاست‌ها و زمینه‌های فرهنگی مختلف ارائه دهد که برای درک تأثیر جهانی همه‌گیری مفید است. این نیز جهت تحقیقات آینده ما است.

7. نتیجه گیری

این مقاله الگوهای تغییرات مکانی-زمانی پنهان در داده‌های اشتراک‌گذاری دوچرخه در طول همه‌گیری COVID-19 را مورد مطالعه قرار می‌دهد. ترکیبی از تجزیه و تحلیل شبکه جغرافیایی و روش های خوشه بندی OD برای تجزیه و تحلیل داده های نمونه برداری شده در شهر نیویورک استفاده شد. سهم اصلی این مطالعه به شرح زیر است: از نظر روش تحقیق، ما یک روش ترکیبی را پیشنهاد می‌کنیم که بتواند شاخص‌های تحلیل کلان و نتایج تجسم دقیق را به دست آورد. نتایج تأیید شده متقابل نه تنها قابلیت اطمینان نتایج را افزایش می دهد، بلکه کارایی روش را نیز اثبات می کند. از نظر هدف تحقیق، ما نه تنها داده های سفر به اشتراک گذاری دوچرخه را تجزیه و تحلیل می کنیم، بلکه داده های تعادل مجدد را با هم استخراج و استخراج می کنیم. این یک ایده جدید برای تجزیه و تحلیل داده های اشتراک گذاری دوچرخه در آینده ارائه می دهد. از نظر نتایج تحقیقات، چندین الگوی جالب را نشان می دهد و به سؤالات مطرح شده در این مطالعه پاسخ می دهد. الگوهای مکانی و زمانی جریان های اصلی سواری و تعادل مجدد به طور قابل توجهی تحت تأثیر همه گیری قرار گرفتند. این بیماری همه گیر نه تنها به طور قابل توجهی جریان های اشتراک دوچرخه را تضعیف کرد، بلکه توزیع جریان های اصلی را گسسته تر کرد و استفاده از آنها متنوع است. کاربردهای تفریحی آنها به ویژه برجسته تر است. نرخ تعادل مجدد در طول همه گیری افزایش یافت و الگوهای مکانی-زمانی تعادل مجدد نیز تحت تأثیر قرار گرفتند. اما همچنین توزیع جریان های اصلی را گسسته تر کرد و استفاده از آنها متنوع است. کاربردهای تفریحی آنها به ویژه برجسته تر است. نرخ تعادل مجدد در طول همه گیری افزایش یافت و الگوهای مکانی-زمانی تعادل مجدد نیز تحت تأثیر قرار گرفتند. اما همچنین توزیع جریان های اصلی را گسسته تر کرد و استفاده از آنها متنوع است. کاربردهای تفریحی آنها به ویژه برجسته تر است. نرخ تعادل مجدد در طول همه گیری افزایش یافت و الگوهای مکانی-زمانی تعادل مجدد نیز تحت تأثیر قرار گرفتند.

منابع

نیکولا، م. الصافی، ز. سهرابی، ج. کروان، ع. الجابر، ع. ایوسیفیدیس، سی. آقا، ر. پیامدهای اجتماعی-اقتصادی ویروس کرونا و همه‌گیری کووید-19: مروری. بین المللی جی. سرگ. 2020 ، 78 ، 185-193. [ Google Scholar ] [ CrossRef ] [ PubMed ]
گریر، اس ال. کینگ، ای. ماسارد دا فونسکا، ای. Peralta-Santos, A. Coronavirus Politics: The Comparative Politics and Policy of COVID-19 ; انتشارات دانشگاه میشیگان: Ann Arbor، MI، ایالات متحده آمریکا، 2021. [ Google Scholar ]
آرورا، اس. بهاوکندی، ک.د. میشا، PK قرنطینه ویروس کرونا به محیط کمک کرد تا بازگردد. علمی کل محیط. 2020 , 742 , 140573. [ Google Scholar ] [ CrossRef ] [ PubMed ]
سی، اچ. شی، جی جی; وو، جی. چن، جی. ژائو، ایکس. نقشه برداری از تحقیقات اشتراک گذاری دوچرخه منتشر شده از سال 2010 تا 2018: بررسی علم سنجی. جی. پاک. تولید 2019 ، 213 ، 415-427. [ Google Scholar ] [ CrossRef ]
سان، ز. وانگ، ی. ژو، اچ. جیائو، جی. Overstreet، رفتارهای سفر RE، ویژگی های کاربر، و اثرات اجتماعی-اقتصادی حمل و نقل مشترک: یک بررسی جامع. بین المللی J. Logist. Res. Appl. 2021 ، 24 ، 51-78. [ Google Scholar ] [ CrossRef ]
کامپیسی، تی. علی، ن. آکگون تانبای، ن. کانال، آ. Tesoriere, G. توسعه 2 و 3 چرخ الکتریکی برای حمل و نقل مسافر کم کربن: ارزیابی مزایای بلند مدت. در مجموعه مقالات کنفرانس AIP، Volzhsky، روسیه، 13-17 نوامبر 2022؛ AIP Publishing LLC: Melville, NY, USA, 2022; جلد ۲۶۱۱، ص. 060003. [ Google Scholar ]
فیشمن، ای. Bikeshare: مروری بر ادبیات اخیر. ترانسپ Rev. 2016 , 36 , 92-113. [ Google Scholar ] [ CrossRef ]
ارن، ای. Uz, VE مروری بر اشتراک دوچرخه: عوامل مؤثر بر تقاضای اشتراک دوچرخه. حفظ کنید. جامعه شهرها 2020 , 54 , 101882. [ Google Scholar ] [ CrossRef ]
هو، اس. شیونگ، سی. لیو، ز. Zhang، L. بررسی الگوهای تغییر مکانی و زمانی استفاده از دوچرخه مشترک در طول همه‌گیری COVID-19. J. Transp. Geogr. 2021 ، 91 ، 102997. [ Google Scholar ] [ CrossRef ]
پاسه، اف. کیاریوتی، اف. زانلا، ا. زورزی، ام. اشتراک دوچرخه و تحرک شهری در جهان پس از همه گیری. دسترسی IEEE 2020 ، 8 ، 187291–187306. [ Google Scholar ] [ CrossRef ]
شین، آر. آی، تی. دینگ، ال. زو، آر. منگ، ال. تأثیر همه‌گیری کووید-19 بر تحرک انسانی شهری – تجزیه و تحلیل شبکه‌های جغرافیایی چند مقیاسی با استفاده از داده‌های اشتراک‌گذاری دوچرخه نیویورک. Cities 2022 , 126 , 103677. [ Google Scholar ] [ CrossRef ]
جیائو، جی. لی، هنگ کنگ؛ Choi, SJ تأثیرات COVID-19 بر استفاده از دوچرخه مشترک در سئول، کره جنوبی. Cities 2022 , 130 , 103849. [ Google Scholar ] [ CrossRef ]
کیم، ام. Cho, GH بررسی رابطه علی بین اشتراک دوچرخه و حمل و نقل عمومی در پاسخ به همه‌گیری COVID-19. Cities 2022 , 131 , 104024. [ Google Scholar ] [ CrossRef ] [ PubMed ]
نیکیفوریادیس، ع. ایفانتوپولو، جی. استاملو، A. ارزیابی تأثیر COVID-19 بر استفاده از دوچرخه مشترک: مورد تسالونیکی، یونان. پایداری 2020 ، 12 ، 8215. [ Google Scholar ] [ CrossRef ]
گائو، ی. لی، تی. وانگ، اس. جونگ، MH; سلطانی، ک. رویکرد آمار اسکن فضایی چند بعدی برای مقایسه الگوی حرکت. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 1304-1325. [ Google Scholar ] [ CrossRef ]
آهنگ، سی. پی، تی. ما، تی. دو، ی. شو، اچ. گوا، اس. Fan، Z. تشخیص خوشه‌هایی با شکل دلخواه در جریان‌های مبدا-مقصد با استفاده از بهینه‌سازی کلونی مورچه‌ها. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 134-154. [ Google Scholar ] [ CrossRef ]
او، بی. ژانگ، ی. چن، ی. Gu، Z. یک روش خوشه‌بندی خط ساده برای تجزیه و تحلیل فضایی با داده‌های مبدا-مقصد و کاربرد آن در داده‌های حرکت به اشتراک‌گذاری دوچرخه. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 203. [ Google Scholar ] [ CrossRef ]
راویو، تی. تزور، م. فرم، جابجایی استاتیک IA در یک سیستم اشتراک دوچرخه: مدل‌ها و رویکردهای راه‌حل EURO J. Transp. تدارکات. 2013 ، 2 ، 187-229. [ Google Scholar ] [ CrossRef ]
پال، ا. Zhang، Y. به اشتراک گذاری دوچرخه شناور آزاد: حل مشکلات واقعی تعادل استاتیک در مقیاس بزرگ. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 80 ، 92-116. [ Google Scholar ] [ CrossRef ]
باکی، CO؛ بالساری، س. چان، جی. کراساس، ام. دومینیسی، اف. گاسر، یو. Schroeder, A. داده‌های تحرک انبوه می‌تواند به مبارزه با COVID-19 کمک کند. Science 2020 ، 368 ، 145-146. [ Google Scholar ] [ CrossRef ]
سیرکچی، آی. Yucesahin، MM Coronavirus و مهاجرت: تجزیه و تحلیل تحرک انسان و گسترش COVID-19. مهاجرت Lett. 2020 ، 17 ، 379-398. [ Google Scholar ] [ CrossRef ]
کونیگ، ا. Dreßler، A. تجزیه و تحلیل ترکیبی از تغییرات رفتار تحرک در دوران COVID-19 در یک مطالعه موردی روستایی. یورو ترانسپ Res. Rev. 2021 , 13 , 1-13. [ Google Scholar ] [ CrossRef ]
بومن، اچ. رایان، جی. استیرنبورگ، وی. نیلسون، دی. مطالعه تغییرات در تحرک روزمره در طول همه گیری کووید-19: همانطور که توسط افرادی که در مالمو، سوئد زندگی می کنند درک شده است. ترانسپ سیاست 2021 ، 106 ، 109-119. [ Google Scholar ] [ CrossRef ] [ PubMed ]
تنویر، اچ. بالز، تی. سیگنا، اف. Tapete، D. نظارت بر الگوهای ترافیک 2011–2020 در ووهان (چین) با COSMO-SkyMed SAR، در میان هفتمین بازی‌های جهانی نظامی CISM و شیوع COVID-19. Remote Sens. 2020 , 12 , 1636. [ Google Scholar ] [ CrossRef ]
لیو، کیو. شا، دی. لیو، دبلیو. هاوسر، پی. ژانگ، ال. هو، آر. یانگ، سی. الگوهای فضایی-زمانی تأثیر COVID-19 بر فعالیت‌های انسانی و محیط در سرزمین اصلی چین با استفاده از داده‌های کیفیت هوا و نور شبانه. Remote Sens. 2020 ، 12 ، 1576. [ Google Scholar ]
ویلبرگ، ای. جرو، او. وایسنن، تی. تویوونن، تی. فرار از شهرها در طول بحران کووید-19: استفاده از داده های تلفن همراه برای ردیابی تحرک در فنلاند. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 103. [ Google Scholar ] [ CrossRef ]
لی، ز. هوانگ، ایکس. ژانگ، جی. زنگ، سی. اولاتوسی، بی. لی، ایکس. ویزمن، اس. تحرک انسانی، سیاست و کووید-19: مطالعه مقدماتی کارولینای جنوبی. 2020. در دسترس آنلاین: https://gis.cas.sc.edu/gibd/wp-content/uploads/2021/01/HumanMobility_SC_preprint.pdf (در 6 ژانویه 2023 قابل دسترسی است).
Noland، RB Mobility و نرخ موثر تولید مثل COVID-19. J. Transp. Health 2021 , 20 , 101016. [ Google Scholar ]
وانگ، اچ. Noland، RB Bikeshare و مسافران مترو در طول همه‌گیری COVID-19 در شهر نیویورک تغییر می‌کنند. ترانسپ سیاست 2021 ، 106 ، 262-270. [ Google Scholar ] [ CrossRef ]
شاهین، س. گوزمان، س. ژانگ، اچ. اشتراک دوچرخه در اروپا، آمریکا و آسیا: گذشته، حال و آینده. ترانسپ Res. ضبط 2010 ، 2143 ، 159-167. [ Google Scholar ] [ CrossRef ]
فیشمن، ای. واشنگتن، اس. هاورث، N. سهم دوچرخه: ترکیبی از ادبیات. ترانسپ Rev. 2013 , 33 , 148-165. [ Google Scholar ] [ CrossRef ]
چای، ایکس. گوا، ایکس. شیائو، جی. جیانگ، جی. تجزیه و تحلیل فضایی-زمانی استفاده از دوچرخه مشترک در طول همه‌گیری COVID-19: مطالعه موردی پکن. arXiv 2020 ، arXiv:2004.12340. [ Google Scholar ]
Teixeira، JF; Lopes, M. ارتباط بین اشتراک دوچرخه و استفاده از مترو در طول همه‌گیری COVID-19: مطالعه موردی دوچرخه سیتی نیویورک. ترانسپ Res. بین رشته ای. چشم انداز 2020 ، 6 ، 100166. [ Google Scholar ] [ CrossRef ]
تغییرات سهم Bucsky، P. Modal به دلیل COVID-19: مورد بوداپست. ترانسپ Res. بین رشته ای. چشم انداز 2020 ، 8 ، 100141. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پادمنابان، و. پنمتسا، پ. لی، ایکس. دوندیا، اف. دوندیا، اس. Parrish، A. COVID-19 تأثیرات بر دوچرخه‌سواری مشترک در نیویورک، بوستون و شیکاگو. ترانسپ Res. بین رشته ای. چشم انداز 2021 ، 9 ، 100282. [ Google Scholar ] [ CrossRef ] [ PubMed ]
نیکیتاس، آ. تسیگدینوس، اس. کارولماس، سی. کورمپا، ای. باکوگیانیس، ای. دوچرخه‌سواری در عصر کووید-19: درس‌های آموخته شده و توصیه‌های خط‌مشی بهترین عملکرد برای آینده‌ای با محوریت دوچرخه. پایداری 2021 ، 13 ، 4620. [ Google Scholar ] [ CrossRef ]
جوب، جی. Griffin، GP Bike پاسخ‌هایی را به COVID-19 به اشتراک می‌گذارد. ترانسپ Res. بین رشته ای. چشم انداز 2021 ، 10 ، 100353. [ Google Scholar ] [ CrossRef ]
بوشل، بی. مارا، AD; Corman, F. COVID-19 به عنوان پنجره ای از فرصت برای دوچرخه سواری: شواهد از موج اول. ترانسپ سیاست 2022 ، 116 ، 144-156. [ Google Scholar ] [ CrossRef ]
کراوس، اس. Koch، N. زیرساخت موقت COVID-19 باعث افزایش زیاد و سریع دوچرخه‌سواری می‌شود. Proc. Natl. آکادمی علمی USA 2021 , 118 , e2024399118. [ Google Scholar ] [ CrossRef ]
وانگ، ی. Szeto، WY تغییر مکان سبز استاتیک در سیستم های اشتراک دوچرخه با دوچرخه های شکسته. ترانسپ Res. قسمت D Transp. محیط زیست 2018 ، 65 ، 438-457. [ Google Scholar ] [ CrossRef ]
کروز، اف. سوبرامانیان، ا. بروک، BP; Iori، M. یک الگوریتم اکتشافی برای یک مشکل تعادل مجدد به اشتراک گذاری دوچرخه ثابت. محاسبه کنید. اپراتور Res. 2017 ، 79 ، 19-33. [ Google Scholar ] [ CrossRef ]
هو، SC; Szeto، WY یک جستجوی محله ای بزرگ ترکیبی برای مشکل استاتیک تغییر موقعیت دوچرخه چند وسیله نقلیه. ترانسپ Res. روش قسمت B. 2017 ، 95 ، 340-363. [ Google Scholar ] [ CrossRef ]
قوش، س. Varakantham، P. آدولیاساک، ی. Jaillet, P. تغییر موقعیت پویا برای کاهش تقاضای از دست رفته در سیستم های اشتراک دوچرخه. جی آرتیف. هوشمند Res. 2017 ، 58 ، 387-430. [ Google Scholar ] [ CrossRef ]
کاگیانی، ال. Camporeale، R.; اوتومانلی، م. Szeto، WY چارچوب مدل سازی برای مدیریت پویا سیستم های اشتراک دوچرخه شناور آزاد. ترانسپ Res. قسمت C Emerg. تکنولوژی 2018 ، 87 ، 159-182. [ Google Scholar ] [ CrossRef ]
Noland، RB; هوشمند، ام جی; نسل سفر Guo، Z. Bikeshare در شهر نیویورک. ترانسپ Res. بخش A سیاست سیاست. 2016 ، 94 ، 164-181. [ Google Scholar ] [ CrossRef ]
Tedeschi، A. تعادل مجدد دوچرخه سیتی: تجزیه و تحلیل جغرافیایی توزیع مجدد سهم دوچرخه در شهر نیویورک. پایان نامه دکتری، دانشگاه نوا د لیسبون، لیسبون، پرتغال، 2016. [ Google Scholar ]
یانگ، ی. هپنستال، ا. ترنر، آ. Comber، A. تجزیه و تحلیل فضایی-زمانی و نموداری از الگوهای اشتراک دوچرخه بدون اسکله برای درک جریان های شهری در طول آخرین مایل. محاسبه کنید. محیط زیست سیستم شهری 2019 ، 77 ، 101361. [ Google Scholar ] [ CrossRef ]
بله، م. چن، ی. یانگ، جی. وانگ، بی. Hu, Q. مدل‌های لاجیت ترکیبی برای تغییر حالت مسافران با در نظر گرفتن اشتراک دوچرخه. پایداری 2020 ، 12 ، 2081. [ Google Scholar ] [ CrossRef ]

شکل 1. منطقه مورد مطالعه شهر نیویورک در این مطالعه (مناطق با برچسب قرمز دارای ایستگاه دوچرخه هستند).

شکل 2. چارچوب روش مطالعه ما.

شکل 3. سازماندهی شبکه داده های سواری.

شکل 4. محدودیت های فضایی برای تعیین شباهت لبه.

شکل 5. استفاده از محدودیت فاصله به تنهایی نمی تواند شباهت فضایی را تضمین کند ( الف ) جهت تقریبی مخالف ( ب ) جهت متعامد تقریبی.

شکل 6. یک خوشه لبه از یک جریان بزرگ و لبه هسته آن.

شکل 7. تشخیص رفتار تعادل مجدد.

شکل 8. جریان ماهانه سیستم اشتراک دوچرخه در نیویورک.

شکل 9. شبکه های اشتراک دوچرخه چهار چهارشنبه اول ( a ) 2019 و ( b ) 2020.

شکل 10. توزیع های آماری جریان های لبه در دو دوره زمانی 2019 و 2020.

شکل 11. بیست ایستگاه از بزرگترین جریان ها با ایستگاه های شروع و پایان ( الف ) یکسان در ایستگاه های 2019.4 ( ب ) در سال 2020.4.

شکل 12. 20 لبه جریان بالای ایستگاه های مختلف شروع و پایان ( الف ) لبه ها در 2019.4 ( ب ) لبه ها در 2020.4.

شکل 13. نتایج خوشه بندی et های مختلف نشان داده شده توسط لبه های هسته ( a1 ) 2019 et = 115; ( a2 ) 2019 et = 77; ( a3 ) 2019 et = 38; ( b1 ) 2020 et = 15; ( b2 ) 2020 et = 10; و ( b3 ) 2020 et = 5.

شکل 14. آمار زمان پایان تعادل مجدد (مدت زمان تعادل مجدد کمتر از 10 دقیقه) ( الف ) آمار در سال 2019.4 ( ب ) آمار در سال 2020.4.

شکل 15. 50 ایستگاه برتر با بیشترین حجم انتقال ( الف ) 50 ایستگاه برتر جریان خروجی در سال 2019.4 ( ب ) 50 ایستگاه برتر در ایستگاه های جریان در سال 2019.4 ( ج ) 50 ایستگاه خروجی برتر در سال 2020.4 ( د ) 50 ایستگاه برتر در ایستگاه های جریان در 2020.4.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی