همبستگی ساختار شبکه راه و شدت تحرک شهری: یک مطالعه اکتشافی با استفاده از توییت‌های دارای برچسب جغرافیایی

برنامه ریزان شهری مدت هاست که علاقه مند به درک چگونگی تأثیر متقابل ساختار و فعالیت های شهری بوده اند. تحرک انسان و فعالیت‌های اقتصادی به طور طبیعی شکل‌گیری ساختار شبکه راه‌ها را هدایت می‌کند و دسترسی به این ساختار الگوهای جریان حرکت در فضای شهری را شکل می‌دهد. در این مقاله، ما یک مطالعه اکتشافی بر روی رابطه بین ساختار شبکه خیابانی و شدت حرکت انسان در مناطق شهری انجام می‌دهیم. ما روی دو شهر تمرکز می‌کنیم و از مجموعه داده‌هایی از توییت‌های برچسب‌گذاری‌شده جغرافیایی استفاده می‌کنیم که می‌تواند یک پروکسی برای تحرک شهری و شبکه‌های خیابانی مربوطه به‌دست‌آمده از OpenStreetMap باشد. ما سه معیار مرکزیت شبکه را اعمال می کنیم، از جمله نزدیکی، بین بودن و مرکزیت مستقیم، که در مقیاس جهانی یا محلی محاسبه می شود. و همچنین در حالت حمل و نقل مختلط یا فردی (مثلاً رانندگی، دوچرخه سواری و پیاده روی) با قابلیت دسترسی جهت دار آن، برای کشف ویژگی های ساختاری شبکه های خیابانی شهری. ما بیشتر یک شبکه انتقال منطقه شهری طراحی می کنیم و PageRank را برای ثبت شدت تحرک انسان اعمال می کنیم. تجزیه و تحلیل همبستگی ما نشان می دهد که معیارهای مختلف مرکزیت سطوح مختلفی از همبستگی با شدت حرکت انسان دارند. مرکزیت نزدیکی به طور پیوسته بیشترین همبستگی را نشان می دهد (با ضریب اطراف تجزیه و تحلیل همبستگی ما نشان می دهد که معیارهای مختلف مرکزیت سطوح مختلفی از همبستگی با شدت حرکت انسان دارند. مرکزیت نزدیکی به طور پیوسته بیشترین همبستگی را نشان می دهد (با ضریب اطراف تجزیه و تحلیل همبستگی ما نشان می دهد که معیارهای مختلف مرکزیت سطوح مختلفی از همبستگی با شدت حرکت انسان دارند. مرکزیت نزدیکی به طور پیوسته بیشترین همبستگی را نشان می دهد (با ضریب اطراف

0.6

) با شدت حرکت انسان زمانی که در مقیاس جهانی محاسبه می شود، در حالی که مرکزیت مستقیم اغلب هیچ ارتباطی در مقیاس جهانی یا همبستگی ضعیف تر نشان نمی دهد.

ρ \approx 0.4

در مقیاس محلی سطوح همبستگی بیشتر به نوع دسترسی جهت دار و انواع مختلف حالت های حمل و نقل بستگی دارد. از این رو، جهت و حالت حمل و نقل، که تا حد زیادی در تجزیه و تحلیل شبکه های جاده نادیده گرفته می شوند، بسیار مهم هستند. علاوه بر این، قدرت همبستگی در دو شهر مورد بررسی متفاوت است، که نشان‌دهنده تفاوت‌های بالقوه در ساختار فضایی شهری و الگوهای تحرک انسانی است.

کلید واژه ها:

شبکه جاده ای ؛ مرکزیت ; تحرک شهری ; انتقال ها توییت های دارای برچسب جغرافیایی تجزیه و تحلیل همبستگی

1. مقدمه

فضاهای شهری معمولاً بسیار محلی هستند اما به صورت جهانی به هم متصل هستند [ 1 ]. به طور خاص، فضای شهری متشکل از تکه‌کاری‌های محلی است که عملکرد خاصی را ارائه می‌کنند. با این وجود، این تکه‌ها توسط شبکه خیابان‌های شهری به یک کل در مقیاس جهانی متصل شده‌اند. فضای شهری برای برآوردن نیازهای فعالیت های انسانی گسترش می یابد و بر اساس ساختار شهری اصلی گسترش می یابد تا کل ساختار را انعطاف پذیر و پایدار نگه دارد. در حالی که ساختار فضای شهری بسیار تحت تأثیر تاریخ هر شهر است [ 2]، محققان مدت‌هاست که ویژگی‌های آن را به منظور تسهیل عملکردهای برنامه‌ریزی، مانند تخصیص منابع، برنامه‌ریزی حمل‌ونقل و کمک به درک الگوهای حرکت انسان، تجزیه و تحلیل می‌کنند. سپس فعالیت‌های تحرک جمع‌آوری‌شده در ازای فضای شهری برای تجزیه و تحلیل تکامل فضای شهری و کمک به یافتن پتانسیل‌های پنهان برای بهبود استفاده می‌شوند [ 3 ].

فعالیت‌های انسانی در محیط‌های شهری، مانند تجارت و مسافرت، اغلب با فاصله جغرافیایی و دسترسی به منابع شکل گرفته و محدود می‌شوند [ 4 ]. نابرابری تخصیص منابع در میان مناطق شهری (مثلاً حرکت از مناطق مسکونی به مناطق خرید یا هنری) یا به اصطلاح فرصت‌های مداخله‌گر اغلب مردم را برمی‌انگیزد تا برای برآوردن نیازهای خود در مناطق مختلف حرکت کنند [ 5 ، 6 ]. تحرک شهری نیز تحت تأثیر عوامل مختلف ناهمگن دیگر قرار دارد. به عنوان مثال، تعاملات اجتماعی [ 7 ، 8 ] نیز ارتباط قوی با حرکات انسان به ویژه برای سفرهای دور نشان می دهد. رویدادهای خارجی، به عنوان مثال، رویدادهای جهانی مانند همه گیری COVID-19 [ 9، 10 ، 11 ]، رویدادهای منطقه ای مانند بلایای طبیعی [ 12 ]، یا رویدادهای محلی مانند تهدیدات جرم و جنایت [ 13 ] و جشنواره های خیابانی [ 14 ] می توانند الگوهای منظم تحرک شهری را تحریف کنند، که تجزیه و تحلیل می تواند از نیاز به تاب آوری و تاب آوری حمایت کند. پایداری فعالیت های اقتصادی در فضای شهری. در این کار، ما بر درک رابطه بین تحرک شهری و ساختار فضای شهری گرفته شده توسط شبکه های خیابانی تمرکز می کنیم.

شبکه خیابان های شهری که به عنوان ستون فقرات فضای شهری عمل می کند، نقشی حیاتی در اتصال محله های شهری و حمایت از حرکت محلی/جهانی در/بین مناطق شهری ایفا می کند. ویژگی‌های ساختاری آن، مانند مرکزیت و دسترسی، می‌تواند پیامدهای بسیاری را بر فعالیت‌های انسانی آشکار کند. مرکزیت [ 15 ]، که یک متریک مبتنی بر شبکه است که اهمیت ساختاری گره‌ها را در شبکه‌های پیچیده اندازه‌گیری می‌کند، اغلب برای درک اهمیت بخش‌های مختلف شبکه‌های جاده‌ای، مانند تقاطع‌ها و بخش‌ها، استفاده می‌شود. مطالعات فشرده نشان داده است که اقدامات مرکزیت شبکه راهها نقش مهمی در درک فعالیتهای اقتصادی شهری [ 1 ، 16 ]، کاوش در کاربری زمین [ 17 ، 18 ،19 ، 20 ]، تجزیه و تحلیل جریان ترافیک [ 21 ، 22 ، 23 ، 24 ، 25 ، 26 ، 27 ، 28 ، 29 ]، شناسایی تراکم ترافیک [ 30 ] و کشف الگوهای تصادفات ترافیکی [ 31 ]. به عنوان مثال، مطالعات قبلی [ 21 ، 22 ] نشان می‌دهد که ویژگی‌های ساختاری شبکه‌های جاده‌ای شهری که توسط مرکزیت بین‌المللی به تصویر کشیده می‌شود، می‌تواند جریان ترافیک مشاهده‌شده را توضیح دهد. شکل دیگری از مرکزیت، مرکزیت نزدیک، نشان داده شده است که با شدت فعالیت های اقتصادی همبستگی زیادی دارد.16 ] و کاربری زمین [ 32 ]. علاوه بر این، جریان سفر انسان در خیابان ها از طریق شبیه سازی ها نشان داده می شود که عمدتاً توسط ساختار خیابان زیرین شکل می گیرد [ 23 ].

مطالعات قبلی اغلب تجزیه و تحلیل خود را در سطح خیابان ریز انجام می دهند. در این تحقیق، ما در عوض یک سطح جمع‌آوری شده با مناطق شهری را به عنوان واحدهای مطالعه در نظر می‌گیریم، و به ویژه روابط بین معیارهای مرکزیت شبکه جاده‌ای و شدت تحرک شهری انسانی را بررسی می‌کنیم. به طور خاص، ما سه معیار مختلف مرکزی را مطالعه می‌کنیم، از جمله مرکزیت نزدیک، مرکزیت بین‌المللی و مرکزیت مستقیم. ما محاسبات مرکزیت را تحت تنظیمات مختلف بررسی می کنیم. در مقیاس جهانی، ما مرکزیت را با در نظر گرفتن کل شبکه جاده محاسبه می کنیم. در حالی که در مقیاس محلی، محاسبه را به بخش‌های جاده و تقاطع‌های مجاور در یک شعاع فضایی از پیش تعریف‌شده محدود می‌کنیم. ما همچنین حالت های مختلف حمل و نقل را در نظر می گیریم (مانند رانندگی، دوچرخه سواری،

برای ثبت تحرک انسان، پست‌های رسانه‌های اجتماعی با برچسب جغرافیایی در مقیاس بزرگ را به عنوان نماینده حرکات واقعی انسان جمع‌آوری کردیم. در مقایسه با کارهای قبلی در مورد استفاده از داده‌های مبتنی بر نظرسنجی و سرشماری [ 33 ]، ردیابی صورت‌حساب دلار [ 34 ]، سوابق تماس‌های تلفن همراه [ 35 ]، یا داده‌های مسیر [ 36 ] جمع‌آوری‌شده از دستگاه‌های دارای قابلیت GPS (سیستم موقعیت‌یابی جهانی)، به عنوان مثال، مسیر تاکسی، داده‌های برچسب‌گذاری شده جغرافیایی در مقیاس بزرگ از حسگرهای انسانی فرصت‌های بی‌سابقه‌ای را برای تحلیل و مدل‌سازی تحرک شهری فراهم می‌کند [ 37 ]. پست‌های اجتماعی با برچسب جغرافیایی اغلب در دسترس عموم هستند، جمع‌آوری آنها نسبتا آسان‌تر است و حرکات را با روش‌های حمل‌ونقل مختلط پوشش می‌دهند.

شکل 1 گردش کار روش شناسی مطالعه ما را نشان می دهد. برای اندازه‌گیری مرکزیت شبکه جاده‌ای، داده‌های خام شبکه جاده‌ای را از OpenStreetMap جمع‌آوری کردیم ( www.openstreetmap.org در 31 اکتبر 2022 مشاهده شد)، آن‌ها را پردازش کردیم تا فهرستی از گره‌ها (یعنی تقاطع‌های جاده‌ای) و لبه‌ها (یعنی بخش‌های جاده) را دریافت کنیم. نمودار شبکه‌های جاده‌ای را با در نظر گرفتن یا عدم در نظر گرفتن حالت‌های حمل‌ونقل دسترسی متناظر در هر دو جهت، فرموله کنید و در نهایت معیارهای مختلف مرکزیت را محاسبه کنید. به عنوان نماینده تحرک شهری انسان، از توییت‌های دارای برچسب جغرافیایی که با استفاده از Twitter Streaming API ( https://developer.twitter.com/en/docs/tutorials/consuming-streaming-data ) جمع‌آوری شده‌اند، استفاده می‌کنیم.مشاهده شده در 31 اکتبر 2022). برای گرفتن جریان حرکات در سراسر مناطق فضایی به جای مکان های ایستا، ما یک شبکه انتقال منطقه شهری طراحی می کنیم، که در آن شدت حرکات انسان بین جفت منطقه (یعنی گره ها در شبکه) با فرکانس انتقال اندازه گیری می شود. ما همچنین یک PageRank شخصی شده [ 38 ] را برای اندازه گیری و رتبه بندی شدت فعالیت های تحرک انسانی برای هر منطقه شهری اعمال می کنیم. در نهایت، رابطه بین ساختار شبکه جاده‌ای و شدت تحرک شهری انسانی با تجزیه و تحلیل همبستگی رتبه‌بندی بین معیارهای مرکزیت و خروجی‌های رتبه صفحه ثبت می‌شود.

نتایج ما نشان می‌دهد که معیارهای مختلف مرکزیت با شدت حرکت انسان در سطوح مختلف ارتباط دارد. جهت گیری و شیوه های حمل و نقل شبکه راه های شهری نقش مهمی ایفا می کند. در نهایت، قدرت همبستگی در دو شهر مورد بررسی بیشتر متفاوت است. ما یافته های اصلی خود را در زیر خلاصه می کنیم

با اندازه گیری مرکزیت که به عنوان مقیاس جهانی محاسبه می شود، مرکزیت نزدیکی که دسترسی را به تصویر می کشد، بیشترین همبستگی را دارد. $ρ \approx 0.6$ ) با شدت تحرک شهری انسان. مرکزیت صافی در رتبه دوم قرار دارد. مرکزیت بین غالباً همبستگی مثبت معنی داری را نشان نمی دهد یا گاهی اوقات همبستگی اندکی منفی نشان می دهد.
هنگامی که در مقیاس محلی تنها با در نظر گرفتن گره‌های همسایه مجاور محاسبه می‌شود، همه معیارهای مرکزیت همبستگی مثبت معنی‌داری با تحرک شهری نشان نمی‌دهند، به جز اینکه مرکزیت مستقیم برای شهر پیتسبورگ فقط یک همبستگی نسبتا ضعیف را نشان می‌دهد ( $ρ \approx 0.3 - 0.4$ ).
حالت‌های حمل‌ونقل (یعنی رانندگی، دوچرخه‌سواری، و پیاده‌روی) با دسترسی جهت‌دار با تحرک شهری در سطوح مختلف ارتباط دارد. مرکزیت هنگام در نظر گرفتن حالت دوچرخه سواری یا پیاده روی، در مقایسه با حالت رانندگی همبستگی بیشتری دارد.
شهر پیتسبورگ اغلب همبستگی های قوی تری نسبت به شهر نیویورک نشان می دهد، که می تواند تفاوت های احتمالی را از نظر ساختار فضایی شهری و روش های معمول سفر و حمل و نقل حرکت انسان نشان دهد. به عنوان مثال، در شهر نیویورک، مترو بهترین انتخاب برای رفت و آمد است که شبکه های خیابانی نمی توانند آن را ضبط کنند.

نقشه راه: بقیه مقاله به صورت زیر سازماندهی شده است: بخش 2 کار مرتبط و تفاوت کار ما را مورد بحث قرار می دهد. بخش 3 تنظیمات تجزیه و تحلیل ما و مجموعه داده را شرح می دهد. بخش 4 نتایج تجربی ما را ارائه و تجزیه و تحلیل می کند، در حالی که بخش 5 با بحث در مورد محدودیت ها و کار آینده به پایان می رسد.

2. کارهای مرتبط

در این بخش، کارهای قبلی در مورد تحلیل ساختار شبکه جاده‌ای با استفاده از اندازه‌گیری مرکزیت، و کاربردهای مختلف مرکزیت شبکه جاده‌ای برای کمک به تجزیه و تحلیل فعالیت‌های اقتصادی انسان، از جمله کاربری زمین و تحرک شهری را مورد بحث قرار می‌دهیم.

معیار مرکزیت شبکه راه : معیار مرکزیت در اصل از تحقیقات علوم شبکه وام گرفته شده است و عمدتاً در شبکه های اجتماعی، شبکه های بیولوژیکی و بسیاری دیگر اعمال می شود [ 15 ]. اندازه گیری برای تجزیه و تحلیل ساختار توپولوژیکی شبکه خیابانی گسترش یافته است [ 39 ، 40 ]. کار در [ 39] یک مطالعه جامع در مورد توزیع آماری معیارهای مرکزیت شبکه جاده‌ای ارائه می‌کند، که در آن نزدیکی، بین و راستی مرکزیت توزیع‌های عملکردی بسیار مشابهی را نشان می‌دهد، در حالی که برخی دیگر از معیارهای مرکزیت (مانند مرکزیت اطلاعات) از توزیع قانون قدرت پیروی می‌کنند. آنها همچنین نشان می دهند که توزیع ها در شهرها متنوع است. برای مقیاس به یک شبکه جاده ای بزرگ، یک روش تقریبی برای مرکزیت بین دو در [ 41 ] پیشنهاد شد. کار در [ 42] در ادامه روشی مبتنی بر ارزش شیپلی برای اصلاح معیارهای مرکزیت موجود پیشنهاد کرد به طوری که آنها نه تنها عملکرد گره ها را به عنوان موجودیت های منفرد بلکه به عنوان اعضای گروه های گره ها نیز در نظر بگیرند. الگوریتم مرکزی اصلی همچنین می‌تواند برای کاربردهای خاص به تنظیمات نیاز داشته باشد، به عنوان مثال، انتخاب شبکه جاده برای نقشه‌ها در مقیاس‌های مختلف [ 43 ] و توضیح جریان ترافیک [ 21 ]. در این کار، ما سه الگوریتم مرکزیت استاندارد را برای گرفتن اهمیت گره‌ها (به عنوان مثال، تقاطع‌ها) و بررسی روابط آنها با شدت تحرک شهری اعمال می‌کنیم.

مرکزیت شبکه راه و فعالیت های اقتصادی : مطالعات قبلی از تجزیه و تحلیل ساختار شبکه راه ها برای درک شکل شهری و الگوهای فضایی [ 1 ] و چگونگی ارتباط آن با کمک به درک فعالیت های اقتصادی انسانی استفاده کرده اند. کار در [ 44 ] یک مدل مبتنی بر مرکزیت نزدیکی شبکه جاده و نسبت کاربری زمین مسکونی برای پیش‌بینی تراکم جمعیت ایجاد کرد که به دقت قابل قبولی دست می‌یابد. یک مطالعه اکتشافی در [ 20 ] نشان داد که مرکزیت بین شبکه جاده‌ای بالاترین همبستگی را با شدت کاربری زمین دارد، دوم از نظر مرکزیت نزدیک. اولی نشان داد که مزیت مکان عبور بیشتر نقش مهمی دارد. قبل از مطالعه، تجزیه و تحلیل انجام شده در شهرهای مختلف شهری [17 ، 18 ، 19 ] ارتباط قوی ساختار شبکه راه‌ها را نشان داده بود که معیارهای مرکزیت را با کاربری زمین به دست می‌آورد. کار در [ 16 ] همبستگی بین مرکزیت خیابان و تراکم فعالیت‌های اقتصادی را مورد مطالعه قرار داد و آنها دریافتند که مرکزیت شبکه خیابانی با تراکم فعالیت‌های اقتصادی ثانویه، مانند کسب‌وکارهای کوچک محلی، بیشتر از فعالیت‌های اقتصادی اولیه، مانند عمده‌فروشی، همبستگی دارد. . مطالعات همچنین نشان داد که مرکزیت مرکزیت شبکه خیابان شهری با ارزش املاک [ 32 ، 45 ]، قیمت بنزین [ 46 ] و توزیع فضایی و حجم فروشگاه‌های خرده‌فروشی همبستگی بالایی دارد [ 47 ، 48 ]]. به عنوان مثال، مطالعه ای در [ 47 ] الگوهای فضایی فروشگاه های خرده فروشی را در ساختار شبکه راه ها نشان می دهد. آنها دریافتند که تخمین تراکم هسته انواع مختلف فروشگاه‌های خرده‌فروشی (مثلاً رستوران‌ها) دارای سطوح قابل توجهی از همبستگی با مرکزیت نزدیک است.

مرکزیت شبکه راه و تحرک شهری : شبکه راه به عنوان ستون فقرات فضای شهری را به هم متصل می کند و تا حدی میزان دسترسی و دسترس پذیری حرکت انسان را تعیین می کند. مطالعات فشرده [ 21 ، 22 ، 23 ، 24 ، 25 ، 26 ، 27 ، 28 ، 29 ] نشان می دهد که ساختار شبکه جاده ای که توسط اقدامات مرکزی مختلف گرفته شده، تأثیر قابل توجهی بر جریان ترافیک شهری دارد. لئونگ، یان XY، و همکاران. [ 22] از GPS دنیای واقعی (سیستم موقعیت‌یابی جهانی) داده‌ها را در شانگهای و سانفرانسیسکو ردیابی می‌کند تا ثابت کند که برخی معیارهای مرکزیت اصلاح‌شده می‌توانند جریان ترافیک را بهتر پیش‌بینی کنند، و قدرت پیش‌بینی مرکزیت شبکه خیابانی بسته به ویژگی‌های ساختاری شبکه‌های خیابانی متفاوت است. کار دقیق تری توسط جیانگ، بین و همکاران انجام شد. [ 23 ]. آن‌ها حرکت انسان را شبیه‌سازی کردند و دریافتند که جریان کل در خیابان‌ها عمدتاً توسط ساختار خیابانی شکل می‌گیرد، اما نه رفتار انسان در سفر، و مرکزیت نزدیکی شاخص خوبی نیست. با این حال، آنها از داده های واقعی حرکت انسان برای تأیید نتایج استفاده نکردند. کار در [ 24] از داده‌های مسیر تاکسی استفاده کردند و شدت جریان ترافیک را به صورت دانه‌بندی‌های فضایی مختلف، به عنوان مثال، نقطه، خط، و منطقه اندازه‌گیری کردند، و دریافتند که شدت جریان ترافیک گرفته‌شده توسط رتبه صفحه وزن‌دار همبستگی قوی با ترافیک در سطح خط و منطقه دارد. کار ما شبیه به این کار است، در حالی که ما در عوض از پست‌های رسانه‌های اجتماعی با برچسب جغرافیایی برای ثبت جریان ترافیک با توجه به در دسترس بودن داده‌های مسیر GPS استفاده می‌کنیم. کار توسط [ 21 ] بیشتر یک مرکزیت بینابینی اصلاح شده را برای توضیح بهتر جریان ترافیک پیشنهاد کرد. سایر خطوط جالب کار مرتبط با تجزیه و تحلیل ترافیک بر این تمرکز دارد که چگونه تحلیل مرکزیت شبکه جاده به مسیریابی و ناوبری کمک می کند [ 29 ]، شناسایی تراکم ترافیک در شبکه های جاده ای [ 30 ]]، کشف گلوگاه در شبکه های جاده ای [ 49 ، 50 ]، بررسی الگوهای تصادفات رانندگی [ 31 ] و ارزیابی تأثیر تصادفات بر تحرک ترافیک شهری [ 25 ، 51 ]]. این کارها اغلب داده های مسیر GPS را می گیرند که اغلب در یک شهر خاص در مقیاس نسبتاً کوچک و محدود به یک روش حمل و نقل (مثلاً مسیر تاکسی) هستند. کار ما بر جریان ترافیک شهری در سراسر مناطق جغرافیایی متمرکز است و از داده‌های رسانه‌های اجتماعی برچسب‌گذاری شده جغرافیایی استفاده می‌کنیم که اغلب در مقیاس بزرگ در شهرهای شهری با حالت‌های حمل و نقل مختلط تحت پوشش قرار دارند. کار موجود نیز تا حد زیادی قابلیت دسترسی و جهت‌گیری تحت شیوه‌های حمل و نقل خاصی از شبکه‌های خیابانی را نادیده می‌گیرد، که همانطور که بعداً نشان می‌دهیم تأثیر قابل‌توجهی بر همبستگی بین معیارهای مرکزیت و شدت تحرک شهری دارد.

3. تنظیمات آزمایشی و مجموعه داده ها

در این بخش، ساختارهای شبکه‌ای را معرفی می‌کنیم که شدت حرکات انسان و شبکه جاده‌های شهری و همچنین داده‌هایی را که باعث تحقق آن‌ها در پیتسبورگ و شهر نیویورک (NYC) می‌شوند، معرفی می‌کنیم.

3.1. شبکه انتقال انسانی

در شبکه انتقال انسانی

G_{T} = (U, E)

، مجموعه گره‌های U مجموعه‌ای از مناطق/محله‌های غیرهمپوشانی در شهر مورد بررسی است. علاوه بر این، یک لبه جهت دار

e_{i j}

بین دو منطقه

u_{1}, u_{2} \in U

در صورتی وجود دارد که توسط یک شهرنشین مشاهده شده باشد

u_{1}

به

u_{2}

. تعریف از

u_{i}

s می تواند دلخواه باشد (به عنوان مثال، مرزهای محله شهرداری، شبکه ها [ 52 ]، مناطق تقسیم شده توسط جاده های شریانی [ 53 ]، و غیره). در تحلیل خود، با سادگی، از روش مبتنی بر شبکه [ 52 ] پیروی می کنیم و کل شهر را تقسیم می کنیم (

10^{2}

مایل منطقه مستطیل در نظر گرفته شده در اطراف مرکز هر شهر) به 400 منطقه محله، هر یک 0.5 مایل.

^{2}

. اندازه شبکه 0.5 مایل

^{2}

اغلب 4 تا 8 بلوک خیابانی از مناطق اقتصادی در شهرهای شهری ایالات متحده (ایالات متحده) را پوشش می دهد. ما با اندازه های مختلف شبکه (یعنی 0.25، 0.75 مایل) آزمایش کردیم و نتایج ما به آن حساس نیست. کاهش بیشتر اندازه شبکه منجر به داده های پراکنده می شود که در آن بسیاری از شبکه ها دارای 0 یا بسیار کمی توئیت های جغرافیایی هستند و بنابراین برای تجزیه و تحلیل همبستگی آماری دوم نویز دارند، در حالی که افزایش بیشتر اندازه شبکه منجر به تعداد کمتری از شبکه ها می شود که بنابراین داده های کافی را ارائه نمی دهند. نکاتی برای تحلیل اخیر همچنین بررسی تعاریف دیگر از مناطق شهری را به عنوان کار آینده ترک خواهیم کرد.

برای به دست آوردن ساختار

G_{T}

برای هر دو شهر ما از محتوای تولید شده توسط کاربران در رسانه های اجتماعی با برچسب جغرافیایی استفاده می کنیم. به طور خاص، ما از یک مجموعه داده ( https://www.icwsm.org/2016/datasets/datasets/ ، دسترسی به 31 اکتبر 2022) استفاده می کنیم که توسط [ 54 ] ارائه شده است، جایی که توییت ها با استفاده از API جریان توییتر جمع آوری شده اند. شرایط سرویس توییتر اجازه نمی دهد JSON کامل مجموعه داده های توییت ها به اشخاص ثالث توزیع شود. با این حال، آنها اجازه می دهند مجموعه داده های شناسه های توییت به اشتراک گذاشته شوند. مجموعه داده ارائه شده فقط حاوی شناسه توییت است، ما بیشتر از ابزار «Hydrator» ( https://github.com/DocNow/hydrator ، دسترسی به 31 اکتبر 2022) برای جمع‌آوری پست اصلی توییت استفاده می‌کنیم.

ما توییت‌ها را در دوره‌ای از 15 جولای تا 15 نوامبر 2013 در نظر می‌گیریم و فقط آن‌هایی را که موقعیت جغرافیایی دقیقی دارند (یعنی با طول و عرض جغرافیایی) به‌طور داوطلبانه توسط کاربر به اشتراک گذاشته می‌شوند. هر توییت پردازش شده دارای فرمت تاپل < شناسه کاربر، شناسه مکان، زمان، عرض جغرافیایی، طول جغرافیایی > است. در کل، ما 492131 توییت با برچسب جغرافیایی در پیتسبورگ و 3172872 توییت در نیویورک داریم. شکل 2 یک نمودار پراکنده از توزیع را نشان می دهد، جایی که ما می توانیم مناطق تجاری مرکزی، به عنوان مثال، مرکز شهر پیتسبورگ، و نیویورک منهتن را مشاهده کنیم، که اغلب یک خوشه متراکم از حرکات انسانی را نشان می دهند. با استفاده از این داده ها، لبه (انتقال) تولید می کنیم $e_{i j} \in E$ اگر همان کاربر توییتر دو توییت متوالی در مکان‌ها ایجاد کرده باشد $l_{i} \in u_{i}$ و $l_{j} \in u_{j}$ در یک بازه زمانی از پیش تعریف شده $Δ_{t}$ و فاصله بین این دو مکان بیشتر از یک آستانه است $Δ_{d}$ . در آزمایش خود، تنظیم کردیم $Δ_{t} = 4$ h و $Δ_{d} = 10$ متر شکل 3 تابع توزیع تجمعی تجربی (ECDF) فاصله گذار و بازه های زمانی را نشان می دهد. ECDF یک تابع مرحله ای است که با n نقطه داده به صورت زیر تعریف می شود $X_{i}$

اف ˆ n (تی) = 1 n \sum i = 1 n 𝟙 ایکس من < t

(1)

جایی که $𝟙_{X_{i} < t}$ یک تابع نشانگر و برابر با 1 است وقتی که $i_{t h}$ نقطه داده $X_{i}$ کمتر از مقدار ثابت t است. t یک دنباله مرتب شده از $X_{i}$ به ترتیب افزایش همانطور که از توزیع می‌بینیم، پارامترهایی که انتخاب می‌کنیم اکثریت انتقال‌ها را به تصویر می‌کشند (مثلاً 75 درصد). در نهایت، ما 188433 جفت گذار از این قبیل در پیتسبورگ و 962319 در نیویورک داریم که در جدول 1 خلاصه شده است. توجه داشته باشید که تعریف بالا اجازه می دهد تا خود لبه ها در $G_{T}$ . ما همچنین می توانیم هر لبه را حاشیه نویسی کنیم $e_{i j}$ با وزن، که تعداد انتقال بین دو منطقه شهری i و j را نشان می دهد.

مرکزیت در $G_{T}$ : برای به تصویر کشیدن مرکزیت حرکت انسان در محله های مختلف، رتبه صفحه [ 38 ] را برای هر گره در آن محاسبه می کنیم. $G_{T}$ . در اصل، PageRank برای درک اهمیت صفحات وب استفاده می‌شود، جایی که صفحاتی که بیشتر توسط یک واکر تصادفی بازدید می‌شوند، اهمیت بیشتری دارند. به طور خاص، ما یک امتیاز صفحه رتبه وزنی را محاسبه می کنیم $P_{i}$ از یک منطقه جغرافیایی i به عنوان:

پ من = α \sum j آ من ج پ j ک o u t j + β من

(2)

جایی که، $α = 0.85$ و $k_{j}^{o u t}$ درجه خارج وزنی گره j است که لبه های خود و خروجی را می شمارد. $β_{i}$ یک اهمیت اولویت شخصی (خارجی) برای ناحیه i است که به عنوان کسری از توییت هایی که در ناحیه i انجام می شود تعریف می شود . برای پیاده سازی، ما از یک ابزار تجزیه و تحلیل شبکه، یعنی “igraph” به زبان R ( https://igraph.org/r/ ، دسترسی به 31 اکتبر 2022) برای ایجاد نمودار وزنی و اعمال الگوریتم PageRank موجود در igraph استفاده می کنیم. ( https://igraph.org/r/doc/page_rank.html ، مشاهده شده در 31 اکتبر 2022).

ما همچنین از یک متریک مرکزی ساده دوم برای

G_{T}

، که تعداد توییت های دارای برچسب جغرافیایی است

n_{t, i}

در منطقه i تولید شده است . دومی اطلاعات تحرک را شامل نمی شود، بلکه شدت فعالیت را در هر منطقه نشان می دهد.

3.2. شبکه خیابانی

شبکه خیابان را از طریق یک نمودار مدل می کنیم

G_{s} = (V, S)

، که در آن مجموعه گره های V نشان دهنده تقاطع ها در ساختار فضایی خیابان و یک لبه است

s_{i j} \in S

نشان دهنده بخش خیابانی است که تقاطع های i و j را به هم متصل می کند . ما شبکه های خیابانی را از OpenStreetMap واکشی می کنیم و آنها را در آن پردازش می کنیم

G_{s}

قالب شبکه به طور خاص، ما برای اولین بار داده های نقشه خام را در سال 2014 برای منطقه شمال شرقی ایالات متحده با استفاده از ابزار “Geofabrik Downloads” ( https://download.geofabrik.de/ ، دسترسی به 31 اکتبر 2022) که توسط OpenStreetMap ارائه شده بود صادر کردیم. سپس از osm4routing ( https://github.com/Tristramg/osm4routing ، دسترسی به 31 اکتبر 2022)، که کتابخانه ای است که در ابتدا در پایتون نوشته شده و اکنون در Rust بازنویسی شده است، برای استخراج لیست گره ها و لبه ها برای نمایش شبکه جاده ها استفاده می کنیم. .

هر گره در شبکه (با یک تاپل < گره شناسه، عرض جغرافیایی، طول جغرافیایی >) نشان دهنده تقاطع خیابان ها و لبه نشان دهنده بخش است. osm4routing ابرداده‌های اضافی مانند مختصات هر تقاطع، طول هر بخش خیابان و پرچم‌های دسترسی برای هر بخش خیابان را در دو جهت استخراج می‌کند (مانند دسترسی با ماشین، پیاده، دوچرخه، و غیره). پرچم‌های دسترسی نیز یک جهت را در هر لبه نشان می‌دهند

s_{i j}

، که بسته به نوع حمل و نقل ممکن است متفاوت باشد.

اطلاعات هر لبه به صورت یک تاپل < گره منبع، گره هدف، فاصله، ماشین، عقب خودرو، دوچرخه، عقب دوچرخه، پا > رسمیت می‌یابد که در آن فاصله فاصله جغرافیایی بین دو گره است. ماشین یک عدد صحیح است، به عنوان مثال، 2 به این معنی است که 2 خط برای وسایل نقلیه در جهت از گره مبدأ تا گره هدف در دسترس است، و عقب ماشین نشان دهنده ظرفیت برای جهت دیگر است. دوچرخه و پا نشان دهنده قابلیت دسترسی برای دوچرخه سواری و پیاده روی به طور جداگانه است. ما دو شهر پیتسبورگ و نیویورک را برای آزمایشات خود انتخاب می کنیم که هر کدام 10 مایل مسافت دارند.

^{2}

منطقه مستطیلی در مرکز شهر. همانطور که در جدول 2 خلاصه شده است، در مجموع 23126 (21886) گره و 32475 (34651) یال برای غیر جهت دار وجود دارد.

G_{s}

در

10^{2}

مایل منطقه مستطیل در اطراف مرکز پیتسبورگ (NYC). شکل 4 با استفاده از ابزار [ 55 ]، شبکه جاده را بر روی نقشه بیشتر تجسم می کند. برخلاف توزیع جغرافیایی توییت‌ها که در شکل 2 نشان داده شده است، درک رابطه بین ساختار شبکه جاده‌ای و شدت تحرک شهری کاملاً ساده نیست. توجه داشته باشید که برای اندازه‌گیری مرکزیت شبکه جاده‌ای در زیر، هنگام محاسبه مرکزیت گره، منطقه مورد مطالعه را تا 15 مایل افزایش می‌دهیم تا «اثرات لبه» [ 56 ] را به دلیل مرزهای مصنوعی حذف کنیم.

مرکزیت شبکه خیابانی: برای شبکه جاده ای

G_{s}

با n گره و m یال، ما از یک ابزار تجزیه و تحلیل شبکه به نام “igraph” به زبان R ( https://igraph.org/r/ ، دسترسی به 31 اکتبر 2022) برای ایجاد نمودار وزن دار استفاده می کنیم و سپس سه را به خوبی محاسبه می کنیم. معیارهای تعیین شده برای مرکزیت گره: مرکزیت نزدیکی

C^{c}

، مرکزیت بین بودن

C^{b}

و راستی مرکزیت

C^{s}

$C_{i}^{c}$ دسترسی گره i را می گیرد و به صورت [ 15 ] تعریف می شود:

سی ج من = n - 1 \sum j = 1 ، j \neq i n د من ج

(3)

جایی که، $d_{i j}$ کوتاه ترین طول مسیر بین گره های i و j است.

$C_{i}^{b}$ کمیت می دهد که تا چه اندازه گره i به عنوان یک “کارگزار” بین گره ها عمل می کند، به طور رسمی به عنوان [ 15 ] تعریف می شود:

سی ب من = 1 ( n - 1 ) ( n - 2 ) \sum s = 1; t = 1; s \neq t \neq i n n من s t n s t

(4)

جایی که، $n_{s t}$ تعداد کوتاه ترین مسیرها بین گره های s و t است، while $n_{s t}^{i}$ تعداد کوتاهترین مسیرهایی است که گره i را طی می کند .

$C_{i}^{s}$ اندازه گیری میزان دسترسی مستقیم به گره i در یک خط مستقیم از سایر گره ها، که به صورت [ 16 ] تعریف می شود:

سی س من = 1 n - 1 \sum j = 1; j \neq i n د E u c l من ج د من ج

(5)

جایی که، $d_{i j}^{E u c l}$ فاصله اقلیدسی بین گره های i و j است.

به طور خاص، ما سه شاخص جهانی و نه شاخص محلی مرکزیت های خیابانی را محاسبه می کنیم. شاخص های جهانی،

C_{g l o b}^{c}

C_{g l o b}^{b}

C_{g l o b}^{s}

، با استفاده از کل شبکه راه ها محاسبه می شوند. ما همچنین نسخه محلی مرکزیت ها را در نظر می گیریم

C_{l o c a l, d}^{c}

C_{l o c a l, d}^{b}

C_{l o c a l, d}^{s}

، جایی که مرکزیت گره i را فقط با در نظر گرفتن گره هایی که در شعاع d هستند محاسبه می کنیم . در آزمایشات خود استفاده می کنیم

d = 800

، 1600 و 2400 متر، تنها با در نظر گرفتن گره های همسایه در شعاع d .

برای درک رابطه بین معیارهای مختلف مرکزیت، همبستگی های رتبه بندی جفتی را محاسبه می کنیم. شکل 5 همبستگی رتبه بندی بین معیارهای مرکزیت جفتی را هنگام در نظر گرفتن شبکه خیابانی به عنوان یک نمودار بدون جهت، برای دو شهر مورد علاقه (یعنی پیتسبورگ و شهر نیویورک) نشان می دهد. از نقشه رنگی همبستگی، می‌توانیم ببینیم که معیار مرکزیت در مقیاس جهانی اغلب همبستگی کمتری با مقیاس محلی دارد که d کوچکتر می‌شود. در مقیاس جهانی، مرکزیت نزدیکی به شدت با مرکزیت بین همبستگی دارد، اما نه با مرکزیت مستقیم. با این حال، مرکزیت مستقیم در مقیاس محلی، به ویژه زمانی که

d = 1600

، تمایل دارد به طور قابل توجهی با مرکزیت نزدیکی و بین بودن در مقیاس جهانی ارتباط بیشتری داشته باشد. در نهایت، با توجه به همان معیار مرکزیت در مقیاس محلی، به عنوان مثال،

C_{l o c a l}^{s}

، همبستگی زوجی بین دو نسخه محلی با شعاع d “تفاوت” کاهش می یابد.

Δ d

افزایش، به عنوان مثال،

ρ (C_{l o c a l, d = 800}^{s}, C_{l o c a l, d = 1600}^{s}) = 0.86

با

Δ d = 800

بزرگتر از

ρ (C_{l o c a l, d = 800}^{s}, C_{l o c a l, d = 2400}^{s}) = 0.75

با

Δ d = 1600

، که انتظار می رود. با این حال، با توجه به همان

Δ d

، هر چه شعاع بزرگتر باشد، همبستگی زوجی بزرگتر است زیرا شبکه های جاده ای بین دو نسخه محلی برای یک گره دارای نسبت همپوشانی بزرگتری هستند، به عنوان مثال، نسبت همپوشانی

1 / 9

بین

d = 800

d = 1600

در مقابل

9 / 25

بین

d = 1600

d = 2400

در نهایت، شبکه خیابان‌های شهری را به‌عنوان یک نمودار جهت‌دار بر اساس دسترسی جهت برای سه نوع حرکت شامل رانندگی، دوچرخه‌سواری و پیاده‌روی در نظر می‌گیریم. در این مورد، دو محاسبه متفاوت برای مرکزیت نزدیکی و راستی بر اساس دو نوع کوتاه‌ترین مسیر بین گره‌ها وجود دارد. اولین مسیر کوتاه ترین مسیر خروجی است

d_{i j}^{o u t}

، با جهت شروع از گره i به گره j . دوم کوتاه ترین مسیر ورودی است

d_{i j}^{i n}

با جهت گیری به گره i از گره j ، که نشان می دهد مسافر چقدر می تواند به راحتی به گره i از مکان های دیگر شهر دسترسی پیدا کند. بنابراین، ما بر اساس این دو نوع محاسبات کوتاه‌ترین مسیر، مرکزیت نزدیکی و راستی درون و بیرون داریم. شکل 6 و شکل 7 همبستگی های جفتی را نشان می دهند، جایی که می توانیم ببینیم که مرکزیت درون و برون به شدت با یکدیگر همبستگی دارد. آنها همچنین الگوهای همبستگی متفاوتی را در مقایسه با الگوهای زمانی که شبکه جاده را به عنوان یک نمودار بدون جهت در نظر می گیرند نشان می دهند.

3.3. تنظیم تجزیه و تحلیل همبستگی

هدف ما بررسی رابطه بین مناطق مرکزی در یک شهر که از طریق جابجایی افراد گرفته شده است، و مناطق مرکزی شهر که از طریق شبکه خیابان گرفته شده است، است. برای آن، از ضریب همبستگی رتبه اسپیرمن [ 57 ] استفاده خواهیم کرد. $ρ$ . به طور خاص، اولین متغیر برای این همبستگی، مرکزیت PageRank خواهد بود $P_{i}$ از گره ها $i \in U$ (همچنین $n_{t, i}$ ). با این حال، مقادیر مرکزیت که از شبکه های خیابانی به دست آوردیم، روی مجموعه متفاوتی از گره ها (مجموعه V ) تعریف شده است. بنابراین، ما از نقشه برداری فضایی استفاده خواهیم کرد $Φ : V \to U$ با استفاده از مختصات lat/lon که برای هر کدام داریم $v \in V$ . با $Φ$ در جای خود، دومین متغیر برای محاسبه است $ρ$ میانگین مرکزی شبکه جاده ای خواهد بود، $\bar{C_{v}^{*}}$ ، از همه گره ها $v \in V$ آن نقشه به $i \in U$ ، به این معنا که، $Φ (v) = i$ . ما 400 منطقه محله را بر اساس میانگین مرکزیت خیابان رتبه بندی می کنیم $\bar{C_{v}^{*}}$ و رتبه صفحه امتیاز P از هر منطقه را دریافت کنید و دو ترتیب امتیاز رتبه بندی را دریافت کنید $r_{C}$ و $r_{P}$ و سپس ضریب همبستگی رتبه اسپیرمن را محاسبه کنید $ρ$ برای گرفتن سطح همبستگی ها، که به صورت تعریف شده است

ρ = \sum من ( r سی من - r سی ¯¯¯¯ ) ( r پ من - r پ ¯¯¯¯ ) \sum من ( r سی من - r سی ¯¯¯¯ ) 2 \sum من ( r پ من - r پ ¯¯¯¯ ) 2 ———————-\sqrt

(6)

جایی که، $r_{C_{i}}$ و $r_{P_{i}}$ نمرات رتبه بندی هستند $\bar{C_{i}^{*}}$ و $P_{i}$ ، بصورت جداگانه. $ρ$ محدوده از $- 1$ به 1 که 1 کل همبستگی مثبت و 0 هیچ همبستگی نیست. برای پیاده سازی، ما از کتابخانه آماری “MASS” در R برای محاسبه رتبه ها و همبستگی آنها استفاده کردیم.

4. نتایج و تجزیه و تحلیل

ما ابتدا شبکه خیابان های شهری را به عنوان یک شبکه بدون جهت گیری بدون در نظر گرفتن دسترسی ترافیک در دو جهت در نظر می گیریم. جدول 3 نتایج همبستگی را برای پیتسبورگ و نیویورک ارائه می کند. ما می توانیم ببینیم که مرکزیت نزدیکی جهانی است

C_{g l o b}^{c}

و مرکزیت بینابینی

C_{g l o b}^{b}

ارتباط زیادی با شدت حرکت انسان در هر دو محیط شهری دارد. این نشان می دهد که مناطق مرکزی در شهرهای شهری به طور طبیعی از / به مکان های دیگر قابل دسترسی تر هستند (بالاتر

C_{g l o b}^{c}

) و بنابراین به عنوان «هاب» شهر (بالاتر

C_{g l o b}^{b}

). در مقابل، مرکزیت مستقیم جهانی

C_{g l o b}^{s}

، مرکزیت نزدیکی محلی

C_{l o c a l, d}^{c}

و مرکزیت میانی محلی

C_{l o c a l, d}^{b}

هیچ همبستگی مثبت معنی داری وجود ندارد. با این حال، مرکزیت مستقیم محلی

C_{l o c a l, d}^{s}

یک تفاوت شهری جالب با سطح قابل توجهی از همبستگی در پیتسبورگ اما نه در نیویورک را نشان می دهد. این احتمال بیشتر به دلیل تفاوت ساختارهای فضای شهری یا الگوهای سفر بین دو شهر است. برای مشخص کردن منبع دقیق این تفاوت به تحلیل بیشتری نیاز است.

به طور کلی، سطح همبستگی با شدت تحرک شهری با استفاده از توییت‌های دارای برچسب جغرافیایی با یافته‌های مطالعات قبلی با استفاده از داده‌های مسیر GPS [ 22 ، 24 ] به خوبی همسو است، در حالی که هنوز شکاف‌هایی در استفاده از ساختار شبکه جاده‌ای برای توضیح کامل شهری وجود دارد. ترافیک این را می توان به سیستم های حمل و نقل مختلط و پیچیده در مناطق شهری [ 58 ] نسبت داد، به عنوان مثال، سیستم های مترو و قطاری که بر شبکه جاده ها پوشانده شده اند به عنوان “میانبر” برای اتصال مناطق شهری و قابل دسترس تر کردن آنها عمل می کنند.

هنگامی که شبکه خیابان های شهری را به عنوان یک نمودار جهت دار بر اساس دسترسی جهت برای سه نوع حرکت شامل رانندگی، دوچرخه سواری و پیاده روی در نظر می گیریم، نتایج را بیشتر ارائه می کنیم. جدول 4 همبستگی بین مرکزیت شبکه خیابان های هدایت شده و امتیاز صفحه رتبه مناطق محله را نشان می دهد (نتایج برای

n_{i, t}

به دلیل محدودیت فضا حذف شده اند). در مقایسه با جدول 3 ، در هنگام در نظر گرفتن شبکه های هدایت شده، تفاوت معنی داری مشاهده نمی کنیم. این ممکن است به دلیل این واقعیت باشد که شبکه انتقال

G_{T}

اساساً نقطه شروع و پایان یک حرکت را به تصویر می کشد، مسیر واقعی دنبال شده را نادیده می گیرد و/یا به دلیل شباهت زیاد ساختارهای شبکه هدایت شده مختلف. با این وجود، هنوز تغییرات قابل توجهی برای محوریت مستقیم جهانی هنگام در نظر گرفتن شبکه های خیابانی هدایت شده وجود دارد – به ویژه برای دوچرخه سواری و پیاده روی – که ممکن است به این واقعیت نسبت داده شود که برای این “حالت های آهسته” حمل و نقل فاصله هندسی کوتاه مهم است. علاوه بر این، با در نظر گرفتن حالت پیاده‌روی، فاصله بین دو شهر بزرگ‌تر می‌شود، که ممکن است نشان‌دهنده «پیاده‌روی» متفاوت فضای شهری باشد.

5. نتیجه گیری و بحث

در این مقاله، همبستگی‌های بین مرکزیت شبکه‌های خیابانی با شدت حرکت انسان در مناطق شهری را بررسی کردیم و دریافتیم که سطح همبستگی با معیارهای مختلف مرکزیت متفاوت است، که برخی از آنها بیشتر به مقیاس‌های مختلف (جهانی یا محلی) بستگی دارند. محاسبه، شهرهای مختلف، انواع حالت های حمل و نقل و جهت های مختلف.

ما می خواهیم تأکید کنیم که روش های تجزیه و تحلیل ما ممکن است از انواع سوگیری ها رنج ببرند. به عنوان مثال، ما با جمع‌آوری مرکزیت شبکه جاده‌ای و حرکت انسان در هر منطقه محله، همبستگی را بررسی می‌کنیم، در حالی که یک مطالعه میکروسکوپی ممکن است دیدگاه متفاوتی ارائه دهد، به عنوان مثال، تجزیه و تحلیل جریان ترافیک در سطوح هر بخش خیابان یا تقاطع [ 21 ، 22 ، 59 ] ]. همچنین، منطقه شهری مستطیلی که انتخاب می‌کنیم و برش منطقه مبتنی بر شبکه ممکن است اثرات لبه‌ای بر نتایج همبستگی ایجاد کند. جایگزین‌ها مرز محله‌ای شهری یا مناطق خوشه‌بندی شده بر اساس اتصالات فضایی و انتقال انسانی خواهند بود [ 54]. علاوه بر این، مجموعه داده های موجود در مقیاس بزرگ که در اینجا استفاده می شود ممکن است دارای نویز و سوگیری باشد. برای مثال، شبکه‌های خیابانی در OpenStreetMap ممکن است به‌خصوص برای شهرهایی که چندان محبوب نیستند، دقیق نباشد، زیرا همه اطلاعات توسط مردم جمع‌سپاری می‌شوند. همچنین، ماهیت اشتراک‌گذاری داوطلبانه ممکن است تنها اطلاعات جزئی از حرکت انسان را که توسط توییت‌های دارای برچسب جغرافیایی گرفته شده است، ارائه دهد، که کیفیت آن به بسیاری از عوامل دیگر مانند سوگیری‌های جمعیتی، توییت‌های هرزنامه، و اطلاعات مکان جعلی بستگی دارد. اختلاط سایر منابع داده، به عنوان مثال، اشتراک گذاری دوچرخه، مسیر GPS، سوابق مترو، یا برچسب گذاری جغرافیایی از دیگر پلتفرم های رسانه های اجتماعی می تواند به رفع چنین نگرانی هایی کمک کند.

با توجه به در دسترس بودن عمومی داده‌های شبکه جاده‌ای و پست‌های رسانه‌های اجتماعی با برچسب جغرافیایی، کار ما با توجه به محدودیت‌ها، راه روشنی برای مطالعه رابطه بین ساختار شهری و حرکت انسان در مقیاس بزرگ ارائه می‌کند. همانطور که نزدیکی را نشان می‌دهیم، مرکزیت اغلب بیشترین ارتباط را با حرکت انسان دارد، اما هنوز تا توضیح کامل آن فاصله دارد. ترکیبی هوشمند بیشتر از معیارهای مرکزی مختلف محاسبه شده در تنظیمات مختلف برای ایجاد شاخص‌های قوی‌تر برای تحرک شهری انسان پیشنهاد می‌شود. ما همچنین در نظر گرفتن قابلیت دسترسی جهتی تحت حالت‌های حمل و نقل مختلف که توسط شبکه‌های جاده‌ای فعال می‌شوند، هنگام انجام تحلیل ساختار شبکه جاده‌ای توصیه می‌کنیم. تجزیه و تحلیل انجام شده در یک شهر ممکن است به راحتی قابل انتقال به شهر دیگر نباشد.

در آینده قصد داریم سطوح همبستگی را با در نظر گرفتن اطلاعات زمانی و متنی حرکات انسان مانند زمان و نوع بررسی کنیم [ 52 ]. برای مرکزیت شبکه، می‌خواهیم سایر عوامل عملی، مانند حداکثر جریان در یک خیابان (تعداد خطوط موجود)، سریع‌ترین مسیر، و تراکم/نوع منابع اطراف تقاطع خیابان را بررسی کنیم. ما همچنین می خواهیم علت اصلی جابجایی های انسانی، تخصیص منابع و راحتی شبکه جاده ها را ردیابی کنیم. در نهایت، ما قصد داریم تغییرات پویای ساختارهای شبکه راه و نحوه تعامل آنها با تحرک شهری انسان را در طول زمان درک کنیم.

منابع

هیلیر، بی. ترنر، آ. یانگ، تی. پارک، HT ویژگی های متریک و توپو هندسی شبکه های خیابانی شهری: برخی همگرایی ها، واگرایی ها و نتایج جدید J. نحو فضایی. گل میخ. 2009 ، در دست چاپ. [ Google Scholar ]
رودریگ، جی. حمل و نقل و فرم شهری. فصل 6، جغرافیای سیستم های حمل و نقل ، ویرایش سوم. Routledge: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
ایرانمنش، ع. آلپار آتون، آر. خواندن شبکه اجتماعی- فضایی شهری از طریق نحو فضایی و داده‌های توئیتر با برچسب جغرافیایی. J. Urban Des. 2020 ، 25 ، 738-757. [ Google Scholar ] [ CrossRef ]
رودریگ، جی.پی. جغرافیای سیستم های حمل و نقل . Routledge: نیویورک، نیویورک، ایالات متحده آمریکا، 2020. [ Google Scholar ]
Stouffer، SA فرصت‌های مداخله‌گر: نظریه‌ای در رابطه با تحرک و فاصله. صبح. اجتماعی Rev. 1940 , 5 , 845-867. [ Google Scholar ] [ CrossRef ]
نولاس، ا. اسکلاتو، اس. لامبیوت، آر. پونتیل، ام. ماسکولو، سی. داستان بسیاری از شهرها: الگوهای جهانی در تحرک شهری انسان. PLoS ONE 2012 ، 7 ، e37027. [ Google Scholar ] [ CrossRef ]
چو، ای. مایرز، SA; Leskovec, J. دوستی و تحرک: حرکت کاربر در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 24 اوت 2011. ص 1082-1090. [ Google Scholar ]
ژانگ، ک. Pelechrinis، K. درک هموفیلی فضایی: مورد نفوذ همتایان و انتخاب اجتماعی. در مجموعه مقالات بیست و سومین کنفرانس بین المللی در وب جهانی، سئول، کره، 7 تا 11 آوریل 2014. ص 271-282. [ Google Scholar ]
لی، ام. ژائو، جی. سان، س. پان، ی. ژو، دبلیو. شیونگ، سی. Zhang, L. روندهای تحرک انسان در مراحل اولیه همه گیری COVID-19 در ایالات متحده. PLoS ONE 2020 , 15 , e0241468. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بوناکورسی، جی. پیری، اف. سینلی، م. فلوری، ع. گالیازی، ا. پورچلی، اف. اشمیت، آل. Valensise، CM; اسکالا، ا. Quattrociocchi، W. و همکاران پیامدهای اقتصادی و اجتماعی محدودیت های تحرک انسانی تحت COVID-19. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 15530–15535. [ Google Scholar ] [ CrossRef ]
علمدار، KD; کایا، او. Çodur, MY; کامپیسی، تی. Tesoriere, G. دسترسی به مراکز واکسیناسیون در کنترل شیوع COVID-19: یک رویکرد تصمیم گیری چند معیاره مبتنی بر gis. ISPRS Int. J. -Geo-Inf. 2021 ، 10 ، 708. [ Google Scholar ] [ CrossRef ]
وانگ، کیو. الگوهای تیلور، JE و محدودیت‌های تاب‌آوری تحرک انسانی شهری تحت تأثیر انواع مختلف بلایای طبیعی. PLoS ONE 2016 , 11 , e0147299. [ Google Scholar ] [ CrossRef ]
Lin, YR; مارگولین، دی. موج ترس، همدردی و همبستگی در طول بمب‌گذاری‌های بوستون. EPJ Data Sci. 2014 ، 3 ، 1-28. [ Google Scholar ] [ CrossRef ]
ژانگ، ک. Pelecrinis، K. آیا نمایشگاه های خیابانی باعث تقویت مشاغل محلی می شود؟ تحلیل شبه تجربی با استفاده از داده های شبکه اجتماعی. در مجموعه مقالات یادگیری ماشین و کشف دانش در پایگاه‌های داده، ریوا دل گاردا، ایتالیا، 19 تا 23 سپتامبر 2016. Berendt, B., Bringmann, B., Fromont, É., Garriga, G., Miettinen, P., Tatti, N., Tresp, V., Eds.; انتشارات بین المللی اسپرینگر: چم، سوئیس، 2016; صص 161-176. [ Google Scholar ]
Newman, M. Networks: An Introduction ; انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2009. [ Google Scholar ]
پورتا، اس. لاتورا، وی. وانگ، اف. روئدا، س. استرانو، ای. اسکلاتو، اس. کاردیلو، آ. بلی، ای. کاردناس، اف. کورمنزانا، بی. و همکاران مرکزیت خیابان و موقعیت فعالیت های اقتصادی در بارسلون. مطالعه شهری. 2012 ، 49 ، 1471-1488. [ Google Scholar ] [ CrossRef ]
وانگ، اف. آنتیپووا، ا. پورتا، مرکز خیابان S. و شدت استفاده از زمین در باتون روژ، لوئیزیانا. J. Transp. Geogr. 2011 ، 19 ، 285-293. [ Google Scholar ] [ CrossRef ]
روی، ی. Ban, Y. بررسی رابطه بین مرکزیت خیابان و کاربری زمین در استکهلم. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1425-1438. [ Google Scholar ] [ CrossRef ]
لیو، ی. وانگ، اچ. جیائو، ال. لیو، ی. او، جی. Ai، T. محوریت جاده و الگوهای فضایی منظر در منطقه شهری ووهان، چین. چانه. Geogr. علمی 2015 ، 25 ، 511-522. [ Google Scholar ] [ CrossRef ]
دانیل، CB; متیو، اس. Subbarayan، S. مطالعه مبتنی بر GIS در مورد ارتباط بین مرکزیت جاده و پارامترهای اجتماعی-جمعیتی: مطالعه موردی. J. Geovisualization Spat. مقعدی 2022 ، 6 ، 1-12. [ Google Scholar ] [ CrossRef ]
کازرانی، ع. زمستان، S. مرکزیت میانی می تواند جریان ترافیک را توضیح دهد. در مجموعه مقالات دوازدهمین کنفرانس بین المللی AGILE در GIS، هانوفر، آلمان، 12 تا 15 ژوئن 2009. [ Google Scholar ]
لئونگ، IX; چان، سی. هوی، پی. Lio، P. شبکه شهری درون شهری و تجزیه و تحلیل جریان ترافیک از GPS Mobility Trace. arXiv 2011 ، arXiv:1105.5839. [ Google Scholar ]
جیانگ، بی. Jia, T. شبیه سازی مبتنی بر عامل از حرکت انسان که توسط ساختار خیابان زیرین شکل گرفته است. بین المللی جی. جئوگر. Inf. علمی 2011 ، 25 ، 51-64. [ Google Scholar ] [ CrossRef ]
ژائو، پی. ژائو، اس. درک ویژگی های جریان ترافیک شهری از دیدگاه مرکزیت شبکه در دانه بندی های مختلف. بین المللی قوس. فتوگرام از راه دور. حس اسپات. Inf. علمی 2016 ، 41 ، 1-21. [ Google Scholar ]
هنری، ای. Bonnetain، L. فورنو، ا. ال فوزی، NE; Zimeo، E. همبستگی های مکانی-زمانی بین مرکزیت و معیارهای ترافیک. در مجموعه مقالات ششمین کنفرانس بین‌المللی 2019 مدل‌ها و فناوری‌های سیستم‌های حمل و نقل هوشمند (MT-ITS)، کراکوف، لهستان، 5 تا 7 ژوئن 2016؛ IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، 2019؛ صص 1-10. [ Google Scholar ]
وانگ، ام. چن، ز. مو، ال. ژانگ، X. ساختار شبکه جاده و دسترسی به اشتراک گذاری سواری: دیدگاه علم شبکه. محاسبه کنید. محیط زیست سیستم شهری 2020 , 80 , 101430. [ Google Scholar ] [ CrossRef ]
مرچن، دی. وینکنباخ، ام. اسنوک، الف. کمی سازی تاثیر شبکه های جاده ای شهری بر کارایی سفرهای محلی. ترانسپ Res. بخش سیاست عمل. 2020 ، 135 ، 38-62. [ Google Scholar ] [ CrossRef ]
وو، سی. هو، مگابایت؛ جیانگ، آر. هائو، QY اثرات ساختار شبکه راه بر عملکرد سیستم های ترافیک شهری. فیزیک آمار مکانیک. برنامه آن است. 2021 , 563 , 125361. [ Google Scholar ] [ CrossRef ]
بچهچی، سی. Po, L. نمایش گراف شبکه جاده برای تحلیل و مسیریابی ترافیک. در مجموعه مقالات کنفرانس اروپایی پیشرفت در پایگاه های داده و سیستم های اطلاعاتی، تورینو، ایتالیا، 5 تا 8 سپتامبر 2022؛ Springer: برلین/هایدلبرگ، آلمان، 2022؛ صص 75-89. [ Google Scholar ]
جایاویرا، آی. پررا، ک. موناسینگه، جی. اقدامات مرکزی برای شناسایی تراکم ترافیک در شبکه های جاده ای: مطالعه موردی سریلانکا. IOSR J. ریاضی. 2017 ، 13 ، 13-19. [ Google Scholar ] [ CrossRef ]
ژانگ، ی. بیگام، ج. راگلند، دی. چن، X. بررسی ارتباط بین ساختار شبکه جاده و تصادفات غیر موتوری. J. Transp. Geogr. 2015 ، 42 ، 34-47. [ Google Scholar ] [ CrossRef ]
باتاگلیا، اف. بوروسو، جی. Porceddu، A. ارزش های املاک و مستغلات، مرکزیت شهری، فعالیت های اقتصادی. تجزیه و تحلیل GIS در شهر سویندون (بریتانیا). در علوم محاسباتی و کاربردهای آن-ICCSA 2010 ; Springer: برلین/هایدلبرگ، آلمان، 2010; صص 1-16. [ Google Scholar ]
بری، BJL؛ گیلارد، کیو . Ballinger Publishing Company: Pensacola, FL, USA, 1977. [ Google Scholar ]
براکمن، دی. هافناگل، ال. Geisel, T. قوانین مقیاس پذیری سفر انسان. طبیعت 2006 ، 439 ، 462-465. [ Google Scholar ] [ CrossRef ] [ PubMed ]
گونزالس، ام سی؛ هیدالگو، کالیفرنیا؛ Barabasi, AL درک الگوهای حرکتی فردی انسان. طبیعت 2008 ، 453 ، 779-782. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژنگ، ی. لی، کیو. چن، ی. Xie، X. Ma, WY درک تحرک بر اساس داده های GPS. در مجموعه مقالات دهمین کنفرانس بین المللی محاسبات همه جا حاضر، سئول، کره، 21-24 سپتامبر 2008. صص 312-321. [ Google Scholar ]
تائو، W. GIS شهری میان رشته ای برای شهرهای هوشمند: پیشرفت ها و فرصت ها. ژئو اسپات. Inf. علمی 2013 ، 16 ، 25-34. [ Google Scholar ] [ CrossRef ]
پیج، ال. برین، اس. متوانی، ر. وینوگراد، تی. رتبه بندی استنادی صفحه رتبه: نظم بخشیدن به وب. گزارش فنی؛ پروژه فناوری کتابخانه دیجیتال استانفورد؛ 1998. در دسترس آنلاین: https://ilpubs.stanford.edu:8090/422/1/1999-66.pdf (در 31 اکتبر 2022 قابل دسترسی است).
کروسیتی، پی. لاتورا، وی. پورتا، س. مرکزیت در شبکه های خیابان های شهری. آشوب میان رشته ای. J. Nonlinear Sci. 2006 , 16 , 015113. [ Google Scholar ] [ CrossRef ]
پارک، ک. یلماز، الف. رویکرد تحلیل شبکه های اجتماعی برای تحلیل شبکه های جاده ای. در مجموعه مقالات کنفرانس سالانه ASPRS، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 26 تا 30 آوریل 2010. صص 1-6. [ Google Scholar ]
گیزبرگر، آر. سندرز، پی. Schultes، D. تقریب بهتر از مرکزیت بینایی. در مجموعه مقالات 2008 مجموعه مقالات دهمین کارگاه مهندسی الگوریتم و آزمایشات (ALENEX)، SIAM، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 19 ژانویه 2008; ص 90-100. [ Google Scholar ]
Szczepański، PL; میچالک، تی. رهوان، تی. رویکردی جدید به مرکزیت میان‌گرایی بر اساس ارزش شپلی. در مجموعه مقالات یازدهمین کنفرانس بین المللی عوامل خودمختار و سیستم های چندعاملی، والنسیا، اسپانیا، 4 تا 8 ژوئن 2012. جلد 1، ص 239–246. [ Google Scholar ]
ویس، آر. Weibel، R. انتخاب شبکه جاده برای نقشه‌های مقیاس کوچک با استفاده از الگوریتم بهبود یافته مبتنی بر مرکزیت. جی. اسپات. Inf. علمی 2014 ، 9 ، 71-99. [ Google Scholar ] [ CrossRef ]
تنزین، ن. جایاسینگه، ا. Abenayake، C. مدل مبتنی بر مرکزیت شبکه جاده برای شبیه سازی توزیع جمعیت. جی شرق. انجمن آسیا ترانسپ گل میخ. 2019 ، 13 ، 1194-1215. [ Google Scholar ]
چاکرابارتی، س. کوشیری، ت. Mazumder, T. آیا مرکزیت شبکه حمل و نقل قیمت مسکن را تعیین می کند؟ J. Transp. Geogr. 2022 ، 103 ، 103397. [ Google Scholar ] [ CrossRef ]
فیرگو، م. پنرستورفر، دی. ویس، CR مرکزیت و قیمت گذاری در بازارهای فضایی متمایز: مورد بنزین. بین المللی J. اندام Ind. 2015 ، 40 ، 81-90. [ Google Scholar ] [ CrossRef ]
هان، ز. کوی، سی. میائو، سی. وانگ، اچ. چن، X. شناسایی الگوهای فضایی فروشگاه‌های خرده‌فروشی در ساختار شبکه جاده‌ای. پایداری 2019 ، 11 ، 4539. [ Google Scholar ] [ CrossRef ]
یوشیمورا، ی. سانتی، پی. آریاس، جی.ام. ژنگ، اس. راتی، سی. خوشه بندی فضایی: تأثیر شبکه های خیابانی شهری بر حجم خرده فروشی. محیط زیست طرح. مقعد شهری. علوم شهر 2021 ، 48 ، 1926-1942. [ Google Scholar ] [ CrossRef ]
فنگ، اچ. بای، اف. Xu, Y. شناسایی جاده های بحرانی در شبکه حمل و نقل شهری بر اساس داده های مسیر GPS. فیزیک آمار مکانیک. برنامه آن است. 2019 ، 535 ، 122337. [ Google Scholar ] [ CrossRef ]
خو، ام. وو، جی. لیو، ام. شیائو، ی. وانگ، اچ. هو، دی. کشف گره های بحرانی در شبکه های جاده ای از طریق استخراج از مسیرهای خودرو. IEEE Trans. هوشمند ترانسپ سیستم 2018 ، 20 ، 583-593. [ Google Scholar ] [ CrossRef ]
سان، سی. پی، ایکس. هائو، جی. وانگ، ی. ژانگ، ز. Wong, S. نقش ویژگی های شبکه جاده ای در ارزیابی اثرات حادثه بر تحرک ترافیک شهری. ترانسپ Res. روش پارت. 2018 ، 117 ، 101-116. [ Google Scholar ] [ CrossRef ]
ژانگ، ک. جین، Q. پلکرینیس، ک. Lappas، T. در مورد اهمیت پویایی زمانی در مدل سازی فعالیت شهری. در مجموعه مقالات دومین کارگاه بین المللی ACM SIGKDD در محاسبات شهری، شیکاگو، IL، ایالات متحده آمریکا، 11 اوت 2013. صص 1-8. [ Google Scholar ]
یوان، نیوجرسی؛ ژنگ، ی. Xie, X. تقسیم بندی مناطق شهری با استفاده از شبکه های جاده ای ; گزارش فنی تحقیقاتی مایکروسافت MSR-TR-2012-65; Microsoft: Albuquerque, NM, USA, 2012. [ Google Scholar ]
ژانگ، ک. Lin, YR; Pelecrinis، K. Eigentransitions با آزمون فرضیه: آناتومی تحرک شهری. در مجموعه مقالات کنفرانس بین المللی AAAI در وب و رسانه های اجتماعی، کلن، آلمان، 17-20 مه 2016. جلد 10، ص 486–495. [ Google Scholar ]
Eugster، MJ; Schlesinger, T. osmar: OpenStreetMap and R. R J. 2013 , 5 , 53. [ Google Scholar ] [ CrossRef ]
تحلیل شبکه خیابان گیل، جی. “اثرات لبه”: بررسی حساسیت معیارهای مرکزیت به شرایط مرزی. محیط زیست طرح. مقعد شهری. علوم شهر 2017 ، 44 ، 819-836. [ Google Scholar ] [ CrossRef ]
Sedgwick, P. Spearman’s Rank ضریب همبستگی. BMJ 2014 , 349 , g7327. [ Google Scholar ] [ CrossRef ]
چن، PN; کریمی، ک. تحلیل و مدلسازی شبکه حمل و نقل چند سطحی: سیستم مترو و راه آهن در لندن بزرگ . دانشگاه Strathclyde: گلاسکو، بریتانیا، 2022. [ Google Scholar ]
کازرانی، ع. Winter, S. مرکزیت بینابینی اصلاح شده برای پیش بینی جریان ترافیک. در مجموعه مقالات دهمین کنفرانس بین المللی محاسبات جغرافیایی، سیدنی، استرالیا، 30 نوامبر تا 2 دسامبر 2009. جلد 2. [ Google Scholar ]

شکل 1. چارچوب روش شناسی مطالعه ما. برای مرکزیت شبکه جاده‌ای، داده‌ها را از OpenStreetMap جمع‌آوری کردیم، تجزیه کردیم تا بخش‌های جاده و تقاطع‌ها را بدست آوریم، با در نظر گرفتن بخش‌های جاده به عنوان لبه‌ها و تقاطع‌ها به‌عنوان گره، نموداری (غیر جهت‌دار یا جهت‌دار) را فرمول‌بندی کنیم و معیارهای مختلف مرکزیت را محاسبه کنیم. برای شدت تحرک شهری انسانی، توییت‌های برچسب‌گذاری‌شده جغرافیایی را به‌عنوان پروکسی از حرکات انسان جمع‌آوری کردیم، یک شبکه انتقال منطقه شهری را طراحی کردیم تا جریان حرکت انسان در مناطق شهری را به تصویر بکشد، و سپس از یک الگوریتم رتبه صفحه شخصی‌شده برای اندازه‌گیری شدت تحرک شهری استفاده کردیم. در نهایت، ما یک تحلیل همبستگی رتبه بندی بین این دو انجام دادیم.

شکل 2. توزیع توییت های دارای برچسب جغرافیایی در مناطق مختلف دو شهر پیتسبورگ ( a ) و شهر نیویورک ( b ). نقشه‌ها از Google Maps با سطح زوم 10 و نسبت مقیاس 1:288895 با توجه به اینکه لایه‌های کاشی Vector استفاده می‌شوند، آمده‌اند. برای جهت گیری نقشه، فلش شمال به طور طبیعی با جهت پایین به بالا در شکل دنبال می شود. هر تصویر مربعی نشان دهنده یک منطقه جغرافیایی 10 مایل در 10 مایل است.

شکل 3. تابع توزیع تجمعی تجربی فاصله گذار تحت پارامترهای مختلف. شکل بالا شامل همه انتقال‌ها می‌شود، شکلی که در وسط قرار دارد، انتقال‌ها را با فاصله زمانی نگه می‌دارد

Δ t < 4

h، در حالی که پایین به عنوان تنظیماتی که برای تحلیل بعدی خود انتخاب می کنیم، فقط انتقال ها را با فاصله زمانی نگه می دارد

Δ t < 4

h و فاصله انتقال

Δ d > 10

متر انتخاب پارامتر ما اکثریت انتقال ها را می گیرد، به عنوان مثال،

86.4 %

برای پیتسبورگ و

78.5 %

برای شهر نیویورک

شکل 4. شبکه خیابان در مناطق شهری منتخب دو شهر پیتسبورگ ( a ) و شهر نیویورک ( b ). داده های نقشه از OpenStreetMap، با سطح بزرگنمایی، نسبت مقیاس و جهت گیری فلش شمالی مانند شکل 2 آمده است.

شکل 5. همبستگی جفتی بین معیارهای مختلف مرکزیت هنگام در نظر گرفتن شبکه جاده به عنوان یک گراف بدون جهت. نوار رنگ در سمت راست محدوده ضرایب همبستگی را با بالاترین 1 و کمترین آن را نشان می دهد.

- 0.35

بر اساس داده های ما

شکل 6. پیتسبورگ: همبستگی جفتی بین معیارهای مختلف مرکزیت زمانی که شبکه جاده را یک نمودار جهت دار در نظر می گیریم. نوار رنگ در سمت راست محدوده ضرایب همبستگی را با بالاترین 1 و کمترین آن را نشان می دهد.

- 0.4

بر اساس داده های ما

شکل 7. شهر نیویورک: همبستگی جفتی بین معیارهای مختلف مرکزیت هنگام در نظر گرفتن شبکه جاده به عنوان یک نمودار جهت دار. نوار رنگ در سمت راست محدوده ضرایب همبستگی را با بالاترین 1 و کمترین آن را نشان می دهد.

- 0.4

بر اساس داده های ما

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