توصیف الگوهای تحرک بین شهری برای منطقه خلیج بزرگ در چین

چکیده

درک الگوهای تحرک بین شهری برای برنامه ریزی شهری آینده مهم است، که در آن شدت تحرک بین شهری نشان دهنده درجه توسعه یکپارچگی شهری است. این مطالعه به بررسی الگوهای تحرک بین شهری منطقه خلیج بزرگ (GBA) در چین می پردازد. گردش کار پیشنهادی با تجزیه و تحلیل ویژگی های تحرک بین شهری شروع می شود، به مدل سازی ناهمگونی مکانی-زمانی سازه های تحرک بین شهری ادامه می دهد و سپس الگوهای تحرک بین شهری را شناسایی می کند. ما ابتدا یک تحلیل شبکه پیچیده را بر اساس درجات وزنی و الگوریتم PageRank انجام می دهیم تا ویژگی های تحرک بین شهری را اندازه گیری کنیم.
دوره-آموزش-حرفه-ای-gis
در مرحله بعد، فاصله نرمال شده لوونشتاین را برای ساختار تحرک جمعیت (NLPMS) محاسبه می‌کنیم تا تفاوت‌ها در ساختارهای تحرک بین شهری را تعیین کنیم. و ما از فاکتورسازی ماتریس غیر منفی (NMF) برای شناسایی الگوهای تحرک بین شهری استفاده می کنیم. نتایج ما یک تمایز آشکار “هسته-حومه” را نشان داد که با تحرک بین شهری مشخص می شود، با گوانگژو و شنژن به عنوان دو شهر اصلی. یک الگوی رفت و آمد روزانه بین شهری بین گوانگژو و فوشان و بین شهرهای شنژن و دونگوان در زمان کار پیدا شد. این الگو اما در طول تعطیلات تغییر می کند. این به این دلیل است که مردم در ابتدای تعطیلات از شهرهای مرکزی به شهرهای حاشیه ای نقل مکان می کنند و در پایان تعطیلات برمی گردند. این مطالعه نتیجه می گیرد که گوانگژو و فوشان یک الگوی تحرک بین شهری نسبتاً پایدار را تشکیل داده اند و منطقه شهری شنژن-دانگوان-هویژو به تدریج شکل گرفته است. نتایج ما یک تمایز آشکار “هسته-حومه” را نشان داد که با تحرک بین شهری مشخص می شود، با گوانگژو و شنژن به عنوان دو شهر اصلی. یک الگوی رفت و آمد روزانه بین شهری بین گوانگژو و فوشان و بین شهرهای شنژن و دونگوان در زمان کار پیدا شد. این الگو اما در طول تعطیلات تغییر می کند. این به این دلیل است که مردم در ابتدای تعطیلات از شهرهای مرکزی به شهرهای حاشیه ای نقل مکان می کنند و در پایان تعطیلات برمی گردند. این مطالعه نتیجه می گیرد که گوانگژو و فوشان یک الگوی تحرک بین شهری نسبتاً پایدار را تشکیل داده اند و منطقه شهری شنژن-دانگوان-هویژو به تدریج شکل گرفته است. نتایج ما یک تمایز آشکار “هسته-حومه” را نشان داد که با تحرک بین شهری مشخص می شود، با گوانگژو و شنژن به عنوان دو شهر اصلی. یک الگوی رفت و آمد روزانه بین شهری بین گوانگژو و فوشان و بین شهرهای شنژن و دونگوان در زمان کار پیدا شد. این الگو اما در طول تعطیلات تغییر می کند. این به این دلیل است که مردم در ابتدای تعطیلات از شهرهای مرکزی به شهرهای حاشیه ای نقل مکان می کنند و در پایان تعطیلات برمی گردند. این مطالعه نتیجه می گیرد که گوانگژو و فوشان یک الگوی تحرک بین شهری نسبتاً پایدار را تشکیل داده اند و منطقه شهری شنژن-دانگوان-هویژو به تدریج شکل گرفته است. یک الگوی رفت و آمد روزانه بین شهری بین گوانگژو و فوشان و بین شهرهای شنژن و دونگوان در زمان کار پیدا شد. این الگو اما در طول تعطیلات تغییر می کند. این به این دلیل است که مردم در ابتدای تعطیلات از شهرهای مرکزی به شهرهای حاشیه ای نقل مکان می کنند و در پایان تعطیلات برمی گردند. این مطالعه نتیجه می گیرد که گوانگژو و فوشان یک الگوی تحرک بین شهری نسبتاً پایدار را تشکیل داده اند و منطقه شهری شنژن-دانگوان-هویژو به تدریج شکل گرفته است. یک الگوی رفت و آمد روزانه بین شهری بین گوانگژو و فوشان و بین شهرهای شنژن و دونگوان در زمان کار پیدا شد. این الگو اما در طول تعطیلات تغییر می کند. این به این دلیل است که مردم در ابتدای تعطیلات از شهرهای مرکزی به شهرهای حاشیه ای نقل مکان می کنند و در پایان تعطیلات برمی گردند. این مطالعه نتیجه می گیرد که گوانگژو و فوشان یک الگوی تحرک بین شهری نسبتاً پایدار را تشکیل داده اند و منطقه شهری شنژن-دانگوان-هویژو به تدریج شکل گرفته است.

کلید واژه ها:

الگوهای تحرک بین شهری ; ناهمگونی مکانی-زمانی ؛ ادغام شهری ; فاکتورسازی ماتریسی ; داده های مهاجرت بایدو

1. مقدمه

تراکم شهری به طور فزاینده ای یک نگرانی برای حاکمیت فضایی بوده و به عنوان نیروی محرکه رشد اقتصادی در نظر گرفته می شود [ 1 ]. همانطور که شبکه های حمل و نقل بیشتر و بیشتر در تراکم های شهری بافته می شوند، ممکن است انتظار داشته باشیم که مرزهای اداری شهری مبهم شود و منجر به توسعه یکپارچگی شهری شود. تحرک بین شهری نشان دهنده رفتار افرادی است که شهر را ترک می کنند، جایی که برای مدت کوتاهی در آن زندگی می کنند و به شهرهای دیگر در یک تجمع شهری نقل مکان می کنند. الگوهای تحرک بین شهری به عنوان شاخص هایی برای اندازه گیری درجه ادغام شهری در تراکم شهری دیده شده است. بنابراین مهم است که الگوهای تحرک بین شهری را مشخص کنیم، درک خود را از ارتباطات شهری بین شهرها افزایش دهیم و توسعه شهرنشینی جدید و برنامه ریزی حمل و نقل را هدایت کنیم [ 2 ].
مطالعات زیادی در مورد الگوهای تحرک بین شهری انجام شده است که عمدتاً بر اساس پرسشنامه های خود ایفا شده [ 3 ، 4 ، 5 ] یا داده های نظرسنجی در مورد رفتار سفر گروه بزرگی از مردم [ 6 ، 7 ] است. چنین داده هایی محدودیت های آشکاری دارند. از یک طرف، تضمین قابل اعتماد بودن داده ها دشوار است [ 8]. از سوی دیگر، به دست آوردن داده های نمونه کافی دشوار است، که تجزیه و تحلیل عمیق الگوهای تحرک بین شهری را محدود می کند. برای رسیدگی به این مسائل، برخی از بهبودها، به ویژه با استفاده از داده های بزرگ انجام شد. با توسعه فن‌آوری‌ها، تعداد زیادی از دستگاه‌های محاسباتی سیار با توابع موقعیت‌یابی به طور عمومی برای به دست آوردن موقعیت‌های فردی و ردیابی انواع مختلف حرکات فردی برای مدت طولانی با دقت و کارایی بالا مورد استفاده قرار گرفته‌اند [ 9 ]. در مقایسه با منابع داده مرسوم، داده‌های جغرافیایی بزرگ با اطلاعات موقعیت معمولاً دارای جزئیات بسیار دقیق‌تری در هر دو بعد مکانی و زمانی هستند که چشم‌انداز پیچیده‌ای را برای به تصویر کشیدن پویایی فعالیت‌های شهری و تعاملات مربوطه ارائه می‌دهند [ 10 ].
امروزه توجه روزافزونی به استفاده از داده های جغرافیایی بزرگ برای بررسی تعاملات بین شهرها شده است. داده های جغرافیایی بزرگ را می توان به طور تقریبی با توجه به منابع مختلف داده به سه دسته تقسیم کرد. اولین مورد به داده های باز مشتق شده از ادارات دولتی، مانند داده های عملیات راه آهن پرسرعت [ 11 ] اشاره دارد. دومی به داده های سیگنالینگ تلفن همراه اشاره دارد [ 12 ]. مورد سوم به داده های شبکه اجتماعی حاوی اطلاعات مکان مبتنی بر داده کاوی شبکه، مانند داده های ورود به حساب Weibo [ 13 ] و داده های شاخص Baidu [ 14 ] اشاره دارد.]. در میان بسیاری، بایدو به عنوان یکی از محبوب ترین ارائه دهندگان خدمات مبتنی بر مکان (LBS) در چین دیده شده است. داده های مهاجرت بایدو به دقت مسیر حرکت صدها میلیون نفر را ثبت می کند و می تواند رفتارهای افراد مانند سفرهای کاری کوتاه مدت، گردشگری، ملاقات با خانواده و درمان های پزشکی را منعکس کند. این داده ها همچنین قضاوت جامعی از جریان جمعیت بین شهرها و تعاملات آنها ارائه می دهد.
با توسعه یکپارچگی منطقه ای، تحول فضای شهری از «فضای مکان» به «فضای جریان» در حال حرکت است. معرفی نظریه فضای جریان [ 15 ] پارادایم تحقیقات فضای شهری را تغییر داده است و فضای ایستا داخل شهر را به ارتباط پویا خارج از شهر تغییر می دهد. شالوده مهمی برای مطالعه شبکه های شهری گذاشته است. به عنوان مثال، برخی از محققان شهرها را به عنوان گره برای تشکیل شبکه ای برای تجمعات شهری [ 16 ، 17 ، 18 ]، برای کشف ارتباطات بین شهرها یا ارزیابی اهمیت هر شهر بر اساس نظریه شبکه پیچیده [ 19 ] در نظر می گیرند.]. با این حال، چنین روشی عمدتاً الگوهای بین شهری را از سطح متوسط ​​در یک زمان یا مرحله خاص تجزیه و تحلیل می کند و نمی تواند به طور مؤثر تغییرات پویا اتصال شهری را مشخص کند. برای مقابله با این موضوع، مطالعات موجود از تجزیه ارزش منفرد (SVD) استفاده کرده اند [ 20 ، 21] برای توصیف الگوهای اصلی حرکت درون شهری و بین شهری. با این حال، یک نگرانی این است که نتایج تجزیه به‌دست‌آمده کاملاً غیرمنفی نیستند، که منجر به مسائل تفسیرپذیری می‌شود. بنابراین، این روش‌ها برای آشکار کردن الگوهای تحرک به طور شهودی مناسب نیستند. علاوه بر این، مطالعات قبلی نیز نشان داده است که الگوهای تحرک بین شهری بین دوره های مختلف متفاوت است. یعنی الگوهای تحرک بین شهری ناهمگونی زمانی آشکار را نشان می دهد. ما همچنین شاهد مطالعات جالبی در مورد بررسی الگوهای فضایی و تعیین‌کننده‌های شبکه قصد انتقال هوکو [ 22 ]، ترسیم الگوهای تحرک بین شهری در دوره‌های مختلف، مانند عجله سفر جشنواره بهاره [ 23 ]، روز ملی [ 24 ] بودیم.]، و آخر هفته و روزهای هفته [ 25 ]. با این حال، تعداد کمی از مطالعات موجود، به ارزیابی تفاوت‌های ساختاری بین الگوهای تحرک بین شهری در دوره‌های زمانی مختلف توجه کرده‌اند.
هدف از این مطالعه توصیف الگوهای تحرک بین شهری شهرها در یک تراکم شهری در طول دوره‌های مختلف و تعیین کمیت تفاوت‌های ساختاری آنهاست. در ادبیات، بسیاری از مطالعات از فاکتورسازی ماتریس غیر منفی (NMF) برای کاربردهای تشخیص الگو استفاده می کنند [ 26 ، 27 ]. با این حال، مطالعات کمی برای توصیف الگوهای تحرک بین شهری با استفاده از NMF در تجمعات شهری انجام شده است. یک کار جالب توسط [ 28]، که پیشنهاد مقایسه شباهت ساختاری بین ماتریس‌های مبدا-مقصد (OD)، یعنی فاصله نرمال‌شده لونشتاین برای ماتریس‌های OD (NLOD) را ارائه کرد. با این حال، توجه کمی به استفاده از NLOD برای تعیین کمیت تفاوت ساختاری در الگوهای تحرک بین شهری در دوره های مختلف شده است. این مطالعه الگوهای تحرک بین شهری را از منظر کیفی و کمی تحلیل می‌کند. تازگی این مقاله در موارد زیر است:
  • این تئوری شبکه پیچیده را برای اندازه‌گیری کل ویژگی‌های شبکه‌های تحرک بین شهری در یک محیط تجمع شهری اعمال می‌کند.
  • پیشنهاد می‌کند از NLOD برای مدل‌سازی ناهمگونی مکانی-زمانی برای ساختارهای جابه‌جایی بین‌شهری و NLPMS برای تعیین کمیت تفاوت‌ها در ساختارهای تحرک بین‌شهری در دوره‌های مختلف برای شهرهای مختلف استفاده شود.
  • این الگوهای تحرک بین شهری را در دوره های مختلف با استفاده از روش NMF شناسایی می کند.
ادامه این مقاله به شرح زیر سازماندهی شده است. مواد و روش ها در بخش 2 مورد بحث قرار می گیرند . بخش 3 آزمایش ها و تجزیه و تحلیل ما را ارائه می دهد و به دنبال آن بحث در بخش 4 و نتیجه گیری این تحقیق در بخش 5 ارائه می شود .

2. مواد و روشها

2.1. منطقه و داده های مطالعه

دولت مرکزی چین سه برنامه توسعه اصلی در رابطه با تجمعات شهری برای منطقه خلیج بزرگ [ 29 ]، دلتای رودخانه یانگ تسه [ 30 ] و منطقه پکن-تیانجین-هبی [ 31 ] تدوین کرده است.]. منطقه خلیج بزرگ (GBA) در استان گوانگدونگ چین واقع شده است و بیش از 12 درصد از تولید ناخالص داخلی (GDP) چین را تشکیل می دهد. این یک نسخه پیشرفته از طرح تراکم شهری دلتای رودخانه مروارید است. این مطالعه منطقه خلیج بزرگ را به عنوان منطقه مورد مطالعه ما انتخاب کرد، زیرا این منطقه برای چین برای ایجاد یک تجمع شهری در کلاس جهانی به عنوان یکی از مناطق خلیج اصلی در جهان مهم است. بر اساس «طرح توسعه کلی منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو»، تا سال 2035، این منطقه به یک خوشه شهری پر جنب و جوش در سطح جهانی و یک سیستم اقتصادی مدرن تبدیل خواهد شد. در همین حال، GBA از سال 1978 یک فرآیند شهرنشینی قابل توجه را تجربه کرده است. مشخص کردن الگوهای تحرک بین شهری برای ترویج ساخت یک جامعه منطقه ای با سود و همکاری متقابل مهم است.شکل 1 یک نمای کلی از منطقه مورد مطالعه، از جمله شهرهای فوشان، گوانگژو، جیانگمن، ژائوکینگ، ژونگشان، ژوهای، هویژو، دونگوان و شنژن ارائه می دهد. به دلیل دشواری جمع آوری داده ها در هنگ کنگ و ماکائو، این دو منطقه اداری ویژه در این مطالعه وارد نشدند.
ما داده‌های مهاجرت بایدو را برای هر شهر جمع‌آوری کردیم و داده‌ها را برای 265 روز از 14 سپتامبر 2021 تا 5 ژوئن 2022 ( https://qianxi.baidu.com ) به دست آوردیم. ویژگی‌های این داده‌ها شامل شاخص‌های مقیاس ورودی و خروجی روزانه هر شهر در GBA است. ما 481770 رکورد داده مهاجرت بایدو را به دست آوردیم و سپس رکوردهای نامعتبر را حذف کردیم. در نهایت، ما در مجموع 38160 رکورد داده مهاجرت بایدو برای منطقه مورد مطالعه به دست آوردیم. ویژگی ها و نمونه های داده در جدول 1 فهرست شده است.

ما شاخص مقیاس جریان را در نسبت جریان ضرب کردیم تا حرکت روزانه جمعیت در هر شهر را نشان دهیم. مجموعه داده های جریان به وسیله:

پممنjDآyسمنn=پآرآمنjDآyسمنn×پاس(Dآyس)منn

جایی که پممنjDآyسمنnنشان دهنده شاخص جریان بین شهری از یک شهر j به شهر دیگر i است، پآرآمنjDآyسمنnنشان دهنده نسبت جریان ورودی از یک شهر j در حال حرکت به شهر دیگر i در زمان است Dآyس، پاس(Dآyس)منnنمایانگر شاخص مقیاس جریان برای این شهر در آن زمان است Dآyس. به همین ترتیب، مجموعه داده های جریان خروجی را به دست آوردیم پممنjDآyسoتوتیتوسط:

پممنjDآyسoتوتی=پآرآمنjDآyسoتوتی×پاس(Dآyس)oتوتی

جایی که پممنjDآyسoتوتینشان دهنده شاخص جریان خروجی بین شهری از یک شهر است منبه شهر دیگری j، پآرآمنjDآyسoتوتینشان دهنده نسبت تعداد افراد یک شهر است منبه شهر دیگری jدر زمان Dآyس، پاس(Dآyس)oتوتینشان دهنده شاخص مقیاس جریان برای این شهر در آن زمان است Dآyس. کل مجموعه داده شامل مجموعه داده های جریان ورودی و خروجی است.

دوره-آموزش-حرفه-ای-gis

2.2. گردش کار پیشنهادی

گردش کار پیشنهادی برای توصیف الگوهای تحرک بین شهری در شکل 2 نشان داده شده است. این شامل سه مرحله اصلی است: (1) اندازه گیری ویژگی های شبکه های تحرک بین شهری. (2) کمی تفاوت در ساختارهای تحرک بین شهری در دوره های مختلف برای شهرهای مختلف. و (3) توصیف الگوهای تحرک بین شهری در طول دوره های مختلف. به طور خاص، ابتدا دو نوع ماتریس را فرموله می کنیم: ماتریس های OD تحرک روزانه بین شهری و ماتریس جریان تحرک بین شهری سری زمانی. سپس از روش های تحلیل شبکه پیچیده، بر اساس درجات وزنی و الگوریتم PageRank، برای اندازه گیری ویژگی های شبکه های تحرک بین شهری استفاده می کنیم. در مرحله بعد، ما از NLPMS، بر اساس ماتریس‌های OD تحرک بین شهری روزانه، برای تعیین کمیت تفاوت‌ها در ساختارهای تحرک بین شهری در دوره‌های مختلف برای شهرهای مختلف استفاده می‌کنیم. در آخر، ما از NMF، بر اساس ماتریس جریان تحرک بین شهری سری زمانی استفاده می کنیم.

2.3. روش های پژوهش

2.3.1. تحلیل شبکه پیچیده

ما شهرها را به عنوان گره ها برای فرموله کردن شبکه تراکم های شهری در نظر می گیریم. سپس، ما یک نمودار وزنی جهت دار می سازیم تا شبکه تحرک بین شهری پیچیده را برای تراکم شهری نشان دهد. رابطه بین شهرها برای آشکار کردن یکپارچگی و سلسله مراتب شبکه، با استفاده از درجات وزن دار و الگوریتم PageRank تعیین شده است. در آخر، ما از یک ابزار تجسم در ArcGIS برای نمایش ویژگی های شبکه های تحرک بین شهری استفاده می کنیم.

(1) درجات وزنی: ما یک شهر را به عنوان یک گره در نظر می گیریم من، جایی که لبه همنjتوسط شهر تشکیل شده است منو شهر منبع جریان ورودی و خروجی مربوطه j. وزن هر لبه همنjدارای دو نوع از جمله ∑DآyسپممنjDآyسمنnو ∑DآyسپممنjDآyسoتوتی. درجه وزنی پممنشهر منبه صورت زیر محاسبه می شود:

پممن=∑Dآyس∑jپممنjDآyسoتوتی+∑Dآyس∑jپممنjDآyسمنn.
درجه وزنی یک شهر، میزان فعالیت در یک شبکه حرکتی را اندازه گیری می کند. هر چه درجه وزنی بیشتر باشد، شهر در شبکه جابجایی بین شهری فعالتر است. ارتباطات بین شهرها نیز متفاوت است. ما ویژگی های تحرک بین شهری را با استفاده از تابع ترسیم رنگ درجه بندی در ArcGIS برای تجسم وزن هر لبه و درجه وزنی هر شهر نشان می دهیم.

(2) الگوریتم PageRank: PageRank یک الگوریتم تجزیه و تحلیل پیوند است و برای وزن کردن هر عنصر از مجموعه اسناد ابرپیوند شده، مانند شبکه جهانی وب، با اندازه‌گیری اهمیت نسبی آن در مجموعه استفاده می‌شود. ما الگوریتم PageRank را با جایگزینی رابطه صفحه با رابطه گره شهر به نظریه شبکه پیچیده وارد کردیم. مرکزیت گره شبکه هدایت شده وزنی تحرک بین شهری را اندازه گیری می کند. یک مقدار PageRank اهمیت هر شهر را در شبکه تحرک بین شهری توصیف می کند. مقدار PageRank به صورت زیر محاسبه می شود:

پآرپمن=α∑پj∈مپمنپآرپjLپj+1-α

جایی که پآرپمنمقدار PageRank گره است پمن، مپمنمجموعه ای از تمام گره های اشاره شده به گره است پمن، Lپjتعداد پیوندهایی است که از گره خارج می شوند پمن، و αیک عامل میرایی، برابر با 0.85 [ 32 ] است.

2.3.2. ساخت ماتریس های OD روزانه تحرک بین شهری

برای مدل‌سازی بیشتر ساختارهای تحرک روزانه بین‌شهری، بر اساس فاصله لونشتاین نرمال‌شده برای ماتریس‌های OD (یعنی NLOD)، ما یک ماتریس OD تحرک روزانه بین‌شهری را با ساخت جفت‌های OD روزانه بین‌شهری تعریف می‌کنیم. ماتریس OD تحرک روزانه بین شهری به صورت زیر تعریف می شود:

م1=0پم12(Dآyس)(oتوتی)⋯پم1(من-1)(Dآyس)(oتوتی)پم1من(Dآyس)(oتوتی)پم21(Dآyس)(oتوتی)0⋯پم2(من-1)(Dآyس)(oتوتی)پم2من(Dآyس)(oتوتی)⋮⋮⋱⋮⋮پم(من-1)(Dآyس)(oتوتی)پم(من-1)2(Dآyس)(oتوتی)⋯0پم(من-1)من(Dآyس)(oتوتی)پممن1(Dآyس)(oتوتی)پممن2(Dآyس)(oتوتی)…پممن(من-1)(Dآyس)(oتوتی)0

جایی که پممنjDآyسoتوتینشان دهنده شاخص جریان خروجی بین شهری از یک شهر است منبه شهر دیگری j، و Dآyسنشان می دهد که ماتریس توسط داده های موجود در آن ساخته شده است Dآyس.

هر ردیف از ماتریس OD تحرک روزانه بین شهری مستقل است و مقدار آن نشان دهنده جریان بین همان شهر مبدا و شهرهای مقصد مختلف است. شباهت بین ماتریس های OD تحرک روزانه بین شهری، تفاوت ساختار تحرک بین شهری را بین دو روز مختلف مقایسه می کند.

2.3.3. نرمال شده فاصله لونشتاین برای ساختار تحرک جمعیت

بر اساس ماتریس‌های OD تحرک روزانه بین‌شهری، ما پیشنهاد می‌کنیم که از فاصله نرمال شده لونشتاین برای ساختار تحرک جمعیت (NLPMS) بر اساس فاصله نرمال‌شده لونشتاین ماتریس‌های OD (NLOD) استفاده کنیم تا تفاوت‌ها در ساختارهای تحرک بین‌شهری در دوره‌های مختلف برای شهرهای مختلف را کمی‌سازی کنیم. . در زیر مراحل اصلی محاسبه NLPMS آمده است:
مرحله 1: ساخت توالی جریان تحرک جمعیت از ماتریس های OD تحرک روزانه بین شهری.
برای شهر مبدأ اول ( i ∈1،کما توالی جریان تحرک جمعیت را از ماتریس های OD تحرک روزانه بین شهری می سازیم. اجازه دهید ایکسمنو yمندو توالی جریان متحرک جمعیت متفاوت باشد که از شهر i در دو روز متفاوت شروع می شود. هر کدام شامل فهرستی از جفت‌های جهت جریان جریان است.
به طور مشخص، ایکسمنشامل جفت عنصر است افDمنjDآyایکس،پممنjDآyایکسoتوتیو yمنشامل جفت عنصر است افDمنj”Dآyy،پممنj”Dآyyoتوتی، جایی که افDمنjDآyایکسشهر j را نشان می دهد که از شهر i در شروع می شودDآyایکس، پممنjDآyایکسoتوتینشانگر جریان خروجی بین شهری از یک شهر است منبه شهر دیگری jکه در Dآyایکس.
مرحله 2: محاسبه فاصله وزنی لونشتاین بر اساس جریان بین دنباله های جریان تحرک جمعیت پایکسمنو پyمن.

اجازه دهید پایکسمنو پyمنشهرهایی باشند که به صورت نزولی مرتب شده اند مکان های مقصد که از شهر مبدأ اول شروع شده اند . فاصله وزنی لونشتاین شهر مبدأ اول بر اساس جریان به صورت زیر نشان داده شده است :

Lمن،j=مترمنnLمن-1،j+پممنj”DآyyLمن،j-1+پممنjDآyایکسLمن-1،j-1+سیمن،j
سیمن،j=پممنjDآyایکس-پممنj”Dآyy،منfافDمنjDآyایکس=افDمنj”DآyyپممنjDآyایکس+پممنj”Dآyy،منfافDمنjDآyایکس≠افDمنj”Dآyy
Lپماسمنپایکسمن،پyمن=Lک+1،ک+1
محاسبه دقیق فاصله وزنی لونشتاین در [ 28 ] آورده شده است.

مرحله 3: محاسبه نLپماسمنشروع از منتیساعتشهر

ستومترپایکسمن=∑j=1کپممنjDآyایکس ،ستومترپyمن=∑j=1کپممنj”Dآyy
نLپماسمن=Lپماسمنپایکسمن،پyمنستومترپایکسمن+ستومترپyمن

جایی که ارزش نLپماسمناز 0 تا 1 متغیر است نLپماسمناین است که ساختار تحرک بین شهری شهر منشاء اول بین دو روز بیشتر شبیه است. یعنی ساختار تحرک بین شهری بین دو روز پایدار است. این مقادیر برای تعیین کمیت ناهمگونی فضایی سازه های تحرک بین شهری استفاده می شود.

مرحله 4: محاسبه مقدار نLپماس.

نLپماس=∑من=1کنLپماسمنک
به طور مشابه، ارزش نLپماسهمچنین از 0 تا 1 متغیر است نLپماساست، ساختار تحرک بین شهری کل تراکم شهری بین دو روز شبیه تر است. این مقادیر برای تعیین کمیت ناهمگونی زمانی سازه های تحرک بین شهری استفاده می شود.

2.3.4. ساخت ماتریس جریان تحرک بین شهری سری زمانی

بر اساس ماتریس های OD تحرک روزانه بین شهری، ماتریس های OD تحرک بین شهری روزانه را به یک سری زمانی از یک ماتریس جریان تحرک بین شهری تبدیل می کنیم تا الگوهای تحرک بین شهری را مشخص کنیم. ماتریس OD تحرک روزانه بین شهری برای توصیف الگوهای تحرک بین شهری ناخوشایند است زیرا الگوهای تحرک سری زمانی در ماتریس های OD تحرک بین شهری روزانه ذکر شده است. با این حال، ردیف ماتریس جریان تحرک بین شهری سری زمانی نشان دهنده شاخص های تحرک روزانه بین شهری بین شهرهای مختلف است و ستون نشان دهنده تغییرات زمانی شاخص های تحرک بین شهری است. ماتریس جریان تحرک بین شهری سری زمانی به صورت زیر تعریف می شود:

م=پم12(Dآy1)(oتوتی)⋯پم1من(Dآy1)(oتوتی)⋯پممن(من-2)(Dآy1)(oتوتی)پممن(من-1)(Dآy1)(oتوتی)پم12(Dآy2)(oتوتی)⋯پم1من(Dآy2)(oتوتی)⋯پممن(من-2)(Dآy2)(oتوتی)پممن(من-1)(Dآy2)(oتوتی)⋮⋮⋮⋱⋮⋮پم12(Dآyس-1)(oتوتی)⋯پم1من(Dآyس-1)(oتوتی)⋯پممن(من-2)(Dآyس-1)(oتوتی)پممن(من-1)(Dآyس-1)(oتوتی)پم12(Dآyس)(oتوتی)⋯پم1من(Dآyس)(oتوتی)⋯پممن(من-2)(Dآyس)(oتوتی)پممن(من-1)(Dآyس)(oتوتی)

جایی که پممنjDآyسoتوتینشان دهنده شاخص جریان خروجی بین شهری از یک شهر است منبه شهر دیگری jکه در Dآyس. این ماتریس شامل اطلاعات جریان مکانی و جریان زمانی است. چندین حالت OD را در یک دوره زمانی پیوسته منعکس می کند و نشان دهنده تغییرات الگوهای تحرک بین شهری است.

2.3.5. تشخیص الگوی تحرک بین شهری

بر اساس ماتریس جریان تحرک بین شهری سری زمانی، ما از یک الگوریتم کاهش رتبه برای شناسایی الگوهای بالقوه تحرک بین شهری استفاده می کنیم. الگوریتم‌های کاهش رتبه منظم، مانند PCA (تجزیه و تحلیل مؤلفه‌های اصلی) [ 33 ]، ICA (تجزیه و تحلیل مؤلفه‌های مستقل) [ 34 ] و SVD (تجزیه مقدار منفرد) [ 12 ، 20 ، 21 ]] به طور گسترده ای برای استخراج تعداد کمی از اجزای پنهان از داده های با ابعاد بالا استفاده شده است. با این حال، الگوریتم‌های کاهش رتبه سنتی نمی‌توانند غیرمنفی بودن نتایج را تضمین کنند، حتی زمانی که عناصر ماتریس اولیه ورودی همه مثبت هستند، که منجر به مسائل تفسیرپذیری می‌شود. از آنجایی که داده‌های جابه‌جایی بین شهری کاملاً غیرمنفی هستند، عامل‌سازی ماتریس غیرمنفی (یعنی NMF) یک جایگزین قانع‌کننده برای کاهش رتبه است [ 35 ، 36 ، 37 ]. بنابراین، ما NMF را برای تجزیه ماتریس جریان تحرک بین شهری سری زمانی که در بخش 2.3.4 به دست آمده است، انتخاب می کنیم .

منطق NMF به شرح زیر است. با توجه به ماتریس جریان تحرک بین شهری سری زمانی م، م∈ℝ+متر×n، می توان آن را به یک ماتریس پایه تجزیه کرد دبلیو∈ℝ+متر×کو یک ماتریس ضریب اچ∈ℝ+ک×nبا استفاده از NMF در اینجا، k یک متغیر تعریف شده توسط کاربر، به نام رتبه فاکتورسازی برای NMF است که بعد تجزیه را کنترل می کند. تجزیه با یک فرآیند بهینه سازی به دست می آید [ 35 ، 36 ، 37 ]. تجزیه ماتریس جریان تحرک بین شهری سری زمانی مبر اساس NMF به صورت زیر تعریف می شود:

ممتر×n≈دبلیو×اچتی=دبلیومتر×ک×اچn×کتی=∑من=1کwمن×ساعتمنتی

جایی که کرتبه فاکتورسازی برای NMF است. بردار ردیف wمنویژگی های توزیع ردیف و بردار ستون را توصیف می کند ساعتمنتیویژگی های توزیع ستون را شرح می دهد.

تعیین رتبه عامل بهینه کبر نتایج تشخیص الگو تأثیر می گذارد [ 35 ]. در اینجا، ما رتبه عامل بهینه k را با SVD-NMF، بر اساس تجزیه مقدار منفرد (یعنی SVD) تعیین می کنیم [ 36 ]. برای ماتریس جریان تحرک بین شهری سری زمانی م، می توان آن را به یک ماتریس واحد تجزیه کرد U(با سایز متر ×m)، یک ماتریس مورب ∑(با سایز متر ×n)، و یک ماتریس واحد V(با اندازه n ×ن) با استفاده از SVD. فاکتورسازی با فرم زیر وجود دارد:

ممتر×n=U×∑×Vتی
∑=∑1000

جایی که ∑1= دیاگ( σ1، σ2، … ،σr) و ورودی های مورب به ترتیب نزولی مرتب شده اند. σمنمن=1،2،… ،rبودن مقادیر مفرد با r=آرآnکم. ماتریس مورب ∑از رابطه (14) به دست می آید. ابتدا، تمام ورودی های مورب غیر صفر را برای جمع آوری می کنیم ∑، یعنی ستومترr=σ1+σ2+…+σr. با توجه به [ 36 ]، ما از مقدار مقادیر نسبتاً بزرگتر منفرد برای بدست آوردن رتبه فاکتورگیری k استفاده می کنیم. رتبه فاکتورسازی k به جای اینکه در معرض خطر بیش از حد تخمین قرار گیرد، کمتر برآورد شده است [ 37 ]، و الگوهای تحرک بین شهری در زمینه حمل و نقل قوانین تغییر قوی دارند. بنابراین، در این مطالعه، آستانه بر روی 75 درصد تنظیم شده است، یعنی نتیجه تجزیه حداقل 75 درصد از اطلاعات موجود در ماتریس جریان تحرک بین شهری سری زمانی را شامل می شود. م. حاوی اطلاعات کافی و کافی در مورد الگوهای حرکتی اصلی بین شهری است. در این مطالعه، ما در نهایت تعداد مقادیر منفرد را انتخاب می کنیم که 75٪ از تمام ورودی های مورب غیر صفر در ماتریس مورب را تشکیل می دهد. ∑، قانون انتخاب ابعاد به صورت زیر تعریف می شود:

ستومترک-1/ستومترr<75%،   ستومترک/ستومترr≥75% ،   ک≪r

جایی که ستومترک-1مجموع اولی است ک-1مقادیر منفرد پس از تجزیه مقدار منفرد ماتریس م، یعنی ستومترک-1=σ1+σ2+…+σک-1. ستومترrاولین را نشان می دهد rمقادیر منفرد پس از تجزیه مقدار منفرد ماتریس م، یعنی ستومترr=σ1+σ2+…+σr.

3. نتایج

3.1. ویژگی های شبکه های تحرک بین شهری

ما ابتدا درجه وزنی و اتصالات تحرک بین شهری هر شهر در منطقه خلیج بزرگ (یعنی GBA) را محاسبه کردیم. سپس، ویژگی‌های شبکه‌های تحرک بین شهری را در GBA تجسم کردیم.
ما ارتباطات بین شهری بین شهرها در GBA را به پنج سطح تقسیم کردیم و درجات وزنی هر شهر به سه سطح تقسیم شد که در شکل 3 نشان داده شده است.. این شکل نشان می دهد که از جنبه درجه وزنی، سطح اول به شنژن و گوانگژو با شدت تحرک بین شهری اشاره دارد. سطح دوم به Foshan، Dongguan و Huizhou اشاره دارد و شهرهای باقی مانده در سطح سوم با شدت کم تحرک بین شهری منعقد شدند. ارتباطات بین شهری بین شهرها در GBA عمدتاً بین سه جفت شهری متمرکز است. سه جفت شهر با بالاترین درجه ارتباط عبارتند از: گوانگژو-فوشان (در مجموع شاخص تحرک 1415)، شنژن-دانگوان (مجموع شاخص تحرک 1182) و شنژن-هویژو (مجموع شاخص تحرک 713). این سه جفت شهری تنها 8.33 درصد از کل تعداد را تشکیل می دهند، اما نسبت این سه جریان تحرک بین شهری متصل 44.87 درصد از مجموع 36 جفت جریان متصل است.
به طور خلاصه، گوانگژو و شنژن دو بزرگ‌ترین منبع جریان ورودی و خروجی هستند که یک رابطه واضح «1-n» را با شدت بالا نشان می‌دهند. عمدتاً الگوهای اتصال “1-1” و “1-2” وجود دارد، یعنی الگوهای گوانگژو-فوشان و شنژن-دانگوان-هویژو.
جدول 2 اولین نهمین جریان اصلی جمعیتی بین شهری از کل 72 جریان جمعیتی بین شهری را از منظر جهت جابجایی بین شهری نشان می دهد. به طور مشابه، جابجایی بین شهری از گوانگژو به فوشان با 9.648 درصد در رتبه اول قرار دارد، در حالی که فوشان به گوانگژو با 9.530 درصد در رتبه دوم قرار دارد. در همین حال، جابجایی بین شهری در بین شنژن، هویژو و دونگوان در رتبه های 3-8 قرار دارد. بدیهی است که جریان های تحرک بین شهری در میان چندین شهر با امکانات حمل و نقل جامع کامل فعال هستند.
علاوه بر این، ما مقادیر PageRank هر شهر را برای تعیین کمیت اهمیت هر شهر در شبکه‌های تحرک بین شهری محاسبه کردیم. گوانگژو، شنژن، فوشان و دونگوان به عنوان چهار رتبه برتر قرار دارند. این چهار شهر در شبکه جابجایی بین شهری GBA جایگاه بالاتری دارند. این نشان می دهد که Huizhou در GBA نسبت به Zhongshan اهمیت کمتری دارد، اگرچه Dongguan دارای مدرک وزنی بالاتری است.
از منظر ویژگی‌های کلی، شبکه تحرک بین شهری GBA یک الگوی «هسته-پیرامون» آشکار را نشان می‌دهد. در GBA، گوانگژو و شنژن دو شهر اصلی هستند. فوشان، دونگوان و هویژو سه شهر حاشیه ای هستند. ارتباط بین دو شهر اصلی ضعیف می شود، که در راستای برنامه توسعه یکپارچه گوانگژو-فوشان و شنژن-دانگوان در GBA است. در همین حال، Huizhou به تدریج در حلقه توسعه اقتصادی شنژن-Dongguan ادغام می شود. جیانگمن، ژائوکینگ، ژونگشان و ژوهای باید سرعت توسعه ادغام شهری و ادغام شهری را بیشتر کنند. ارتباطات بین این شهرها و کل تراکم شهری باید تقویت شود.

3.2. ناهمگونی مکانی-زمانی ساختارهای تحرک بین شهری

برای مدل‌سازی بیشتر ناهمگونی مکانی-زمانی ساختار تحرک بین‌شهری، ماتریس‌های OD تحرک درون شهری روزانه را بر اساس NLOD ساختیم. علاوه بر این، ما از NLPMS برای تعیین کمیت تفاوت‌ها در ساختارهای تحرک بین شهری در دوره‌های مختلف برای شهرهای مختلف در GBA استفاده کردیم.

3.2.1. ساخت ماتریس های OD روزانه تحرک بین شهری

ما شاخص های تحرک بین شهری را از حرکت شهری به شهر دیگر به دست آوردیم. سپس، ماتریس های OD تحرک روزانه بین شهری را ساختیم. در مجموع، ما 21465 جفت شهر مرتبط را به دست آوردیم و ماتریس های OD تحرک بین شهری را با 9 ردیف و 9 ستون تشکیل دادیم. در مجموع، ما 265 ماتریس OD تحرک بین شهری روزانه را ساختیم. همانطور که در جدول 3 نشان داده شده استما 1 ماتریس از 265 ماتریس OD تحرک بین شهری روزانه را به عنوان نمونه انتخاب کردیم. این ساختار روزانه تحرک بین شهری را در 12 اکتبر 2021 نشان می دهد. ردیف اول نشان دهنده شهرهای مقصد است. ستون اول نشان دهنده شهرهای مبدأ است. مقدار شاخص تحرک بین شهری از حرکت شهری به شهر دیگر در ماتریس OD تحرک بین شهری روزانه پر شد. 264 ماتریس روزانه OD تحرک بین شهری روزهای دیگر مشابه این مثال است.

3.2.2. ناهمگونی فضایی ساختارهای تحرک بین شهری

ما از NLPMS برای تعیین کمیت و نمایش تفاوت‌های ساختاری در ساختار تحرک بین شهری همان دوره در شهرهای مختلف در GBA استفاده کردیم. ما کل 43956 را محاسبه کردیم نLپماسnشاخص های شباهت برای انعکاس ساختار تحرک بین شهری در شهرهای مختلف.
همانطور که در شکل 4 نشان داده شده است ، ما کشف کردیم که شهرهای مختلف ویژگی های متفاوتی را در پایداری ساختار تحرک بین شهری در طول یک هفته نشان می دهند. یعنی ساختار تحرک بین شهری در GBA دارای ناهمگونی فضایی آشکار است. برای یک چیز، توطئه های جعبه از نLپماسnبه وضوح در همان شهر متفاوت است، شنژن را ببینید. میانه نمودارهای باکس در آخر هفته بسیار بیشتر از بقیه در روزهای هفته است، نمودارهای باکس در روزهای جمعه نیز با بقیه در روزهای هفته متفاوت است و میانه گروه ها در روزهای هفته مشابه است، اما اسپرد گروه در روزهای جمعه متغیر تر این نشان می دهد که ساختار تحرک بین شهری در شنژن در روزهای جمعه دارای برخی تغییرات ناپایدار است. ساختار تحرک بین شهری در شنژن در روزهای هفته پایدار است، در حالی که در آخر هفته ها متفاوت است. برای دیگری، نمودارهای جعبه در شهرهای مختلف متفاوت است، به گوانگژو و جیانگمن مراجعه کنید. گستردگی گروه ها در گوانگژو بسیار کمتر از جیانگمن است. مهمتر از آن، میانه گروه ها در جیانگمن بسیار بالاتر از میانگین گروه ها در گوانگژو است. این نشان می دهد که ساختار تحرک بین شهری بسیار پایدارتر از ساختار جیانگمن است. در مجموع، ساختار تحرک بین شهری در گوانگژو پایدارترین ساختار در GBA است، در حالی که ساختار تحرک بین شهری در جیانگمن در طول هفته بیشتر از شهرهای دیگر در GBA تغییر کرده است.
در نتیجه، پایداری روزانه ساختار تحرک بین شهری بین شهرها متفاوت است، به این معنی که شبکه های تحرک بین شهری دارای ناهمگونی فضایی آشکار در GBA هستند.

3.2.3. ناهمگونی زمانی ساختارهای تحرک بین شهری

ما از NLPMS برای تعیین کمیت تفاوت‌ها در ساختارهای تحرک بین شهری در دوره‌های مختلف در GBA استفاده کردیم. ابتدا، ما در مجموع 69960 NLPMS از تمام 265 ماتریس OD تحرک بین شهری روزانه را دو به دو محاسبه کردیم تا تفاوت‌ها را در ساختار تحرک بین شهری مقایسه کنیم. این مقادیر NLPMS منعکس کننده دو نوع ناهمگونی زمانی ساختار تحرک بین شهری، از جمله جریان ورودی و خروجی است.
همانطور که در شکل 5 a,b نشان داده شده است، رنگ قرمز نشان می دهد که ساختار تحرک بین شهری در GBA بین دو روز متفاوت است. در مقابل، رنگ آبی نشان می دهد که ساختار تحرک بین شهری در GBA بین دو روز مشابه است. طبق آمار ما، بالاترین مقدار NLPMS 0.78 است. در طول هفته، ما متوجه شدیم که ساختار تحرک بین شهری در روزهای هفته بسیار شبیه و پایدار است، اما در تعطیلات آخر هفته متفاوت است. این نشان می دهد که ساختار تحرک بین شهری در تعطیلات آخر هفته با سایر روزهای هفته متفاوت است. تغییرات عمدتاً در دوره های زیر که در جدول 4 نشان داده شده است رخ داده است. به خصوص، این دوره دارای هشت محدوده زمانی خاص است، از جمله جشنواره نیمه پاییز، روز ملی، روز سال نو، سال نو چینی، دوره سفر جشنواره بهار، جشنواره چینگ مینگ، روز کارگر و جشنواره قایق اژدها. این دوره همچنین شیوع همه گیری COVID-19 در GBA را تجربه کرد. واضح است که در طول این بازه های زمانی خاص، ساختار تحرک بین شهری به شدت تغییر کرده است که رنگ قرمز را در شکل 5 a,b نشان می دهد.
در نتیجه، پایداری روزانه ساختار تحرک بین شهری در دوره های مختلف متفاوت است، به این معنی که ساختار تحرک بین شهری دارای ناهمگونی زمانی آشکار در GBA است.

3.3. الگوهای مختلف تحرک بین شهری در دوره های مختلف

در مرحله بعد، الگوهای تحرک بین شهری را مشخص کردیم. همانطور که در بخش 3.2.3 تحلیل کردیم ، ساختار تحرک بین شهری دارای ناهمگونی زمانی آشکار در GBA است. ما ماتریس جریان تحرک بین شهری سری زمانی را ساختیم و از روش NMF برای شناسایی الگوهای مختلف تحرک بین شهری در طول دوره های مختلف استفاده کردیم.

3.3.1. ساخت ماتریس جریان تحرک بین شهری سری زمانی

ما ماتریس OD تحرک روزانه بین شهری را به یک ماتریس جریان تحرک بین شهری سری زمانی تبدیل کردیم. ما یک ماتریس جریان تحرک بین شهری سری زمانی با 265 سطر و 72 ستون ساختیم. در جزئیات، هر شهر دارای 8 اتصال است، بنابراین ماتریس OD تحرک بین شهری دارای 72 ستون است. در همین حال، از 14 سپتامبر 2021 تا 5 ژوئن، در مجموع 265 روز، به طوری که ماتریس جریان تحرک بین شهری سری زمانی دارای 265 ردیف است که در جدول 5 نشان داده شده است. هر ردیف در ماتریس نشان دهنده شاخص های تحرک روزانه بین شهری بین شهرهای مختلف و هر ستون نشان دهنده تغییرات زمانی شاخص های تحرک بین شهری است.

3.3.2. شناسایی الگوهای مختلف تحرک بین شهری

ما از روش NMF برای بررسی الگوهای مختلف تحرک تعطیلات بین شهری و الگوهای تحرک روزانه بین شهری در GBA استفاده کردیم. ما الگوهای بالقوه تحرک تعطیلات بین شهری را از سری زمانی ماتریس جریان تحرک بین شهری ساخته شده در بخش 3.3.1 استخراج کردیم . ما چهار را به عنوان رتبه فاکتورگیری بهینه انتخاب کردیم کهنگام استفاده از NMF برای استخراج ویژگی ها از ماتریس جریان تحرک بین شهری سری زمانی. همانطور که در جدول 6 نشان داده شده است ، شرایط زمانی برآورده شد کبرابر با چهار است. علاوه بر این، ما یک تجزیه و تحلیل حساسیت برای تأثیر رتبه عامل بهینه k بر شناسایی الگوهای تحرک بین شهری انجام دادیم ( شکل S1-S4 را در مواد تکمیلی ببینید).
سپس نتایج NMF را تجسم کردیم. باید تاکید کرد که ما توزیع زمانی و مکانی را برای توضیح معنای خاص هر الگوی تحرک بین شهری ترکیب کردیم. مقادیر جریان زمانی نشان دهنده درجه نوسان در الگوهای جمعیتی تحرک بین شهری در بعد زمانی است. مقادیر جریان فضایی نشان دهنده جهت نوسان در الگوهای جمعیتی تحرک بین شهری در بعد فضایی است. تغییر جهت ناگهانی در جریان توزیع زمانی بر جهت جریان بین شهری با رنگ تیره تر در جریان توزیع مکانی اثر می کند.
همانطور که در شکل 6 نشان داده شده است ، نوار قرمز روشن دوره های آخر هفته را نشان می دهد و نوار بنفش روشن دوره های تعطیلات را در نمودار خطی، از جمله جشنواره میانه پاییز، روز ملی، روز سال نو، سال نو چینی، سفر جشنواره بهار نشان می دهد. دوره، جشنواره چینگ مینگ، روز کارگر و جشنواره قایق اژدها.
ما دریافتیم که دو نوع الگوی تحرک بین شهری، A و B، در طول دوره های تعطیلات، از جمله دو جهت تحرک بین شهری وجود دارد. جریان جمعیت از شهرهای مرکزی به شهرهای غیر هسته ای عموماً در روز قبل یا در اولین روز تعطیلات کوچک و طولانی به اوج خود می رسد و سپس به سرعت از شهرهای غیر هسته ای به شهرهای مرکزی سرازیر می شود. در آخرین روز تعطیلات کوچک و طولانی به اوج بازگشت می رسد. به طور خاص، تعداد زیادی از شهروندان از گوانگژو به فوشان و از شنژن به هویژو یا دونگوان مهاجرت می کنند. از سوی دیگر، در پایان تعطیلات آخر هفته یا تعطیلات، جریان های تحرک بین شهری از فوشان به گوانگژو و از هویژو به شنژن روند افزایش قابل توجهی را نشان می دهد.
ما دو الگوی حرکتی اصلی بین شهری، C و D، و دو اتصال اصلی در روزهای هفته را کشف کردیم: گوانگژو-فوشان و شنژن-دانگوان. همانطور که در شکل 7 نشان داده شده استدر مقایسه با الگوهای حرکتی بین شهری در ایام تعطیلات، الگوهای حرکتی بین شهری در دوره های معمول دارای نوسان کمتر و ساختار تحرک بین شهری پایدارتر است. به طور خاص، گوانگژو-فوشان و شنژن-دانگوان دارای ارتباطات تحرک قوی هستند. جریان روزانه جمعیت به دلیل نیاز به رفت و آمد روزانه بین شهری در روزهای هفته نسبتاً پایدار است که اثر یکپارچگی شهری را نشان می دهد. به طور قابل توجهی، جریان جمعیت در این دو الگوی تحرک بین شهری به دلیل شیوع COVID-19 دارای نوسانات جزئی است. با این حال، همه‌گیری COVID-19 کل الگوهای حرکت روزانه بین شهری در GBA را تغییر نمی‌دهد.
در مجموع، ساختار تحرک بین شهری بین شهرهای مرکزی و شهرهای حاشیه ای تغییر چرخه ای را در طول “هفته” نشان می دهد و یک پدیده آونگ در حوالی آخر هفته وجود دارد. قانون جابجایی درون شهری در یک هفته این است که سازه جابجایی درون شهری از سه شنبه تا پنجشنبه نوسان کمتری داشته باشد و بیشتر آنها رفت و آمد درون شهری روزانه است. از طرفی روزهای جمعه و شنبه، اوج زمانی است که جمعیت شهرهای مرکزی به سمت شهرهای غیر هسته ای سرازیر می شود. در روزهای یکشنبه و دوشنبه، تعداد زیادی از مردم به شهرهای اصلی بازمی‌گردند تا تعادل پویای جریان جمعیت منطقه را به دست آورند. این پدیده را می توان «پدیده آونگ آخر هفته ها» [ 38 ] نامید.
دوره-آموزش-حرفه-ای-gis

4. بحث

این مطالعه ویژگی‌های شبکه‌های تحرک بین‌شهری را در منطقه خلیج بزرگ (یعنی GBA) اندازه‌گیری می‌کند و تفاوت‌ها در ساختارهای تحرک بین‌شهری را در دوره‌های مختلف برای شهرهای مختلف اندازه‌گیری می‌کند. اولین یافته ما این است که استفاده از یک تحلیل شبکه پیچیده بر روی داده های مهاجرت بایدو می تواند به طور موثری ویژگی های شبکه های تحرک بین شهری را در GBA منعکس کند. آن را با تمایز هسته – پیرامون مشخص می شود. این درک ما را از ارتباط بین شهرها در GBA از منظر جریان تحرک بین شهری افزایش می دهد. یافته دوم این است که فاصله Levenshtein نرمال شده برای ساختار تحرک جمعیت (یعنی NLPMS)، بر اساس فاصله Levenshtein نرمال شده برای ماتریس های OD (یعنی NLOD)، برای کمی کردن تفاوت های ساختاری در ساختارهای تحرک بین شهری قابل استفاده است.28 ]. سومین یافته این است که فاکتورسازی ماتریس غیرمنفی (NMF) می تواند به طور شهودی الگوهای بالقوه حرکت بین شهری را استخراج کند. این شکاف هایی را که سایر روش های تجزیه باقی می گذارند پر می کند و نتایج قابل تفسیر کمتری را همانطور که در [ 20 و 21 ] ارائه شده است، تولید می کند. این مطالعه یک گردش کار سیستماتیک برای توصیف الگوهای تحرک بین شهری برای GBA در چین، به ویژه از منظر جریان تحرک جمعیت بین شهری ارائه می دهد.
یک روش تحلیل شبکه پیچیده به طور رایج برای مطالعات شهری استفاده می شود. ما از این روش برای تجزیه و تحلیل داده های مهاجرت Baidu در GBA استفاده کردیم. هر دو نتایج مطالعه ما و مطالعه Qiu [ 38 ] نشان می‌دهند که GBA ساختار تمایز هسته-محیط را نشان می‌دهد. بهره مندی از سیاست توسعه ادغام شهری با گوانگژو و شنژن به عنوان دو شهر اصلی، فوشان، دونگوان و هویژو در مجاورت دو شهر اصلی، دارای مقیاس بزرگی از تحرک هستند. تفاوت این است که نتایج آنها نشان داد که ارتباط جریان حمل و نقل بین گوانگژو و شنژن قوی بود. با این حال، طبق تحقیقات ما، دریافتیم که ارتباط بین گوانگژو و شنژن ضعیف است ( شکل 3 را ببینید). این نشان می دهد که جریان حمل و نقل بر اساس فرکانس حمل و نقل، مانند اتوبوس های عمومی، که زمان حرکت ثابتی دارند، اما لزوماً منعکس کننده شدت ارتباط بین دو شهر نیستند. نسبتاً تحت تأثیر برنامه های ترافیکی است. در مقابل، مقیاس تحرک بازتاب و نشانگر مستقیم تری است. علاوه بر این، با توسعه شهرسازی، الگوی دو مرکز به تدریج شکل می گیرد. ارتباط جریان تحرک بین شهری بین دو شهر اصلی که ضعیف می شود منطقی است. شبکه جابجایی بین شهری GBA به اندازه کافی بالغ نیست، سایر شهرهای غیر اصلی دارای قدرت تماس و پتانسیل توسعه زیادی هستند، اگرچه Dongguan و Foshan به تدریج به مرکز فرعی تحرک بین شهری تبدیل خواهند شد.
بر اساس مطالعات موجود [ 23 ، 24 ، 25 ]، ساختار تحرک بین شهری بین دوره ها متفاوت است. یعنی ساختار تحرک بین شهری دارای ناهمگونی مکانی – زمانی آشکار است. ما پیشنهاد کردیم از NLPMS بر اساس NLOD برای نمایش ناهمگنی مکانی-زمانی ساختار تحرک بین شهری استفاده کنیم و شکل 5یک نمایش بصری از ناهمگونی مکانی-زمانی در ساختار تحرک بین شهری با یک شاخص کمی ارائه می دهد. این نتیجه به این معنی است که ساختار تحرک بین شهری به طور موثر تحت تأثیر تعطیلات در شهرهای مختلف در GBA است. این مطالعه اعتبار استفاده از NLPMS را برای تعیین کمیت تفاوت‌ها در ساختارهای تحرک بین شهری در دوره‌های مختلف برای شهرهای مختلف نشان داد. علاوه بر این، ما همچنین می توانیم در تحقیقات آینده، ناهمگونی مکانی-زمانی ساختار تحرک بین شهری را بر اساس داده های چند منبع مدل کنیم. چنین تحقیقاتی برای رفع محدودیت های یک منبع داده مفید خواهد بود.
NMF سهم بزرگی در تجزیه و تحلیل و پردازش تصویر داشته است. داده های تحرک بین شهری را می توان به یک ماتریس تبدیل کرد و یک تصویر را تشکیل داد. در این زمینه، می‌توانیم از NMF برای استخراج الگوهای مختلف تحرک بین شهری در طول دوره‌های مختلف استفاده کنیم، که در مطالعه قبلی درباره GBA استفاده نشده بود. ما دریافتیم که ساختار تحرک بین شهری در GBA شامل انواع مختلفی از الگوهای تحرک بین شهری است ( شکل 6 و شکل 7 را ببینید). مشابه یانگ [ 17 ] و چن [ 39] مطالعات انجام شده بر روی سایر تجمعات شهری، اشتغال بین شهری پدیده رفت و آمد بین شهری را ایجاد کرده است. چرخه رفت و آمد شامل «یک روز رفت و آمد» و «یک هفته رفت و آمد» است که منعکس کننده جدایی کار و مسکن بین شهرها و ترکیب کار و مسکن در منطقه است. در GBA، این پدیده عمدتاً در دو اتصال از جمله گوانگژو-فوشان و شنژن-دانگوان نشان داده می شود. این منعکس کننده اثر توسعه ادغام شهری در گوانگژو-فوشان و شنژن-دانگوان است. مطالعه ما نقش مهمی در برنامه ریزی ساخت حمل و نقل ایفا می کند. GBA نیاز به تسریع ساخت یکپارچه حمل و نقل و بهبود اتصال جاده های بین شهری، به ویژه بین شنژن و هویژو، برای ارتقای یکپارچگی منطقه ای و توسعه هماهنگ دارد. علاوه بر این، طبق تحلیل ما، ما دریافتیم که قانون مشخصه زمانی-مکانی مشخصی برای تغییر جریان تحرک بین شهری با تأثیر یکپارچگی شهری وجود دارد. در کارهای بعدی، عرضه حمل و نقل بین شهری را می توان به طور انعطاف پذیر با توجه به تغییر زمانی گرمای حرکت، با پیش بینی اوج و فرود تحرک بین شهری در یک زمان خاص، تنظیم کرد، به طوری که استفاده کارآمد از حمل و نقل بین شهری را ارتقا بخشید و با حجم بزرگ مواجه شد. تقاضای تحرک بین شهری در همین حال، لازم به ذکر است که کلید NMF تعیین رتبه عامل بهینه k است که هم دشوار و هم نامشخص است [ عرضه حمل و نقل بین شهری را می توان با توجه به تغییر زمانی گرمای حرکت، با پیش بینی اوج و فرود جابه جایی بین شهری در یک زمان خاص، به گونه ای انعطاف پذیر تنظیم کرد تا استفاده کارآمد از حمل و نقل بین شهری را ارتقا بخشد و تقاضای جابجایی بین شهری بزرگ را برآورده کند. در همین حال، لازم به ذکر است که کلید NMF تعیین رتبه عامل بهینه k است که هم دشوار و هم نامشخص است [ عرضه حمل و نقل بین شهری را می توان با توجه به تغییر زمانی گرمای حرکت، با پیش بینی اوج و فرود جابه جایی بین شهری در یک زمان خاص، به گونه ای انعطاف پذیر تنظیم کرد تا استفاده کارآمد از حمل و نقل بین شهری را ارتقا بخشد و تقاضای جابجایی بین شهری بزرگ را برآورده کند. در همین حال، لازم به ذکر است که کلید NMF تعیین رتبه عامل بهینه k است که هم دشوار و هم نامشخص است [35 ]. انتخاب مقادیر مختلف تأثیر زیادی بر نتایج تجزیه دارد. تعیین ابعاد و آستانه NMF با توجه به نیازهای خاص تحقیق ضروری است. برای تحقیقات بیشتر، بررسی تعیین رتبه عامل بهینه k هنگام استفاده از روش NMF یک موضوع مهم باقی مانده است.

5. نتیجه گیری ها

این مطالعه الگوهای تحرک بین شهری تراکم شهری را بر اساس داده های مهاجرت بایدو مشخص کرد. ما یک گردش کار سیستماتیک را برای کشف شبکه‌های تحرک بین‌شهری مجموعه شهری پیشنهاد کردیم. ما از منطقه خلیج بزرگ (GBA) در چین به عنوان مثال استفاده کردیم. نتایج زیر را می توان گرفت:
  • با استفاده از تجزیه و تحلیل شبکه پیچیده، تحرک بین شهری در GBA با تمایز هسته-پیرامون با گوانگژو و شنژن به عنوان دو شهر اصلی مشخص می شود.
  • بر اساس داده‌های مهاجرت بایدو، فاصله عادی شده لوونشتاین برای ساختار تحرک جمعیت (NLPMS) می‌تواند به طور موثر تفاوت‌های ساختاری در ساختارهای تحرک بین شهری را برای شهرها در دوره‌های مختلف در GBA تعیین کند.
  • روش فاکتورسازی ماتریس غیر منفی (NMF) را می توان برای کشف الگوهای مختلف تحرک بین شهری در طول دوره های مختلف در GBA استفاده کرد.
  • الگوهای تحرک بین شهری نشان داد که گوانگژو و فوشان و شنژن و دونگوان با ویژگی های توسعه یکپارچگی شهری آشکار مرتبط هستند.
نتایج ما به توصیف الگوهای تحرک بین شهری برای منطقه خلیج بزرگ در چین کمک می کند، که نقشی حیاتی در هدایت توسعه شهرنشینی جدید و برنامه ریزی حمل و نقل ایفا می کند. علاوه بر این، گردش کار سیستماتیک ما می تواند در بسیاری از تراکم های شهری دیگر اعمال شود.

منابع

  1. لیو، ی. ژانگ، ایکس. پان، X. ما، ایکس. تانگ، ام. ادغام فضایی و توسعه صنعتی هماهنگ تجمعات شهری در کمربند اقتصادی رودخانه یانگ تسه، چین. Cities 2020 , 104 , 102801. [ Google Scholar ] [ CrossRef ]
  2. اونان، ک. وانگ، اس. مهاجرت داخلی و شهرنشینی در چین: تأثیرات بر قرار گرفتن جمعیت در معرض آلودگی هوای خانگی (2000-2010). علمی کل محیط. 2014 ، 481 ، 186-195. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  3. سرورو، آر. لندیس، جی. حومه‌سازی مشاغل و سفر به محل کار: تحلیل بازار فرعی رفت‌وآمد در منطقه خلیج سانفرانسیسکو. J. Adv. ترانسپ 1992 ، 26 ، 275-297. [ Google Scholar ] [ CrossRef ]
  4. ناس، پ. Røe، PG; لارسن، اس. مسافت های سفر، تقسیم مودال و انرژی حمل و نقل در سی منطقه مسکونی در اسلو. جی. محیط زیست. طرح. مدیریت 1995 ، 38 ، 349-370. [ Google Scholar ] [ CrossRef ]
  5. Cervero، R. محله های سنتی و رفت و آمد در منطقه خلیج سانفرانسیسکو. حمل و نقل 1996 ، 23 ، 373-394. [ Google Scholar ] [ CrossRef ]
  6. گونزالس، ام سی؛ هیدالگو، کالیفرنیا؛ Barabasi, AL درک الگوهای حرکتی فردی انسان. طبیعت 2008 ، 453 ، 779-782. [ Google Scholar ] [ CrossRef ]
  7. گارسکه، تی. یو، اچ. پنگ، ز. بله، م. ژو، اچ. چنگ، ایکس. وو، جی. فرگوسن، ن. الگوهای سفر در چین. PLoS ONE 2011 ، 6 ، e16364. [ Google Scholar ] [ CrossRef ]
  8. استد، دی. مارشال، اس. روابط بین فرم شهری و الگوهای سفر. بررسی و ارزیابی بین المللی یورو J. حمل و نقل. زیرساخت. 2001 ، 1 ، 113-141. [ Google Scholar ]
  9. لو، ی. لیو، ی. فناوری های فراگیر مکان یابی: فرصت ها و چالش ها برای مطالعات جغرافیایی. محاسبه کنید. محیط زیست شهری. سیستم 2012 ، 36 ، 105-108. [ Google Scholar ] [ CrossRef ]
  10. وان، ال. گائو، اس. وو، سی. جین، ی. مائو، ام. یانگ، ال. داده های بزرگ و مدل سیستم شهری جایگزین یا مکمل؟ مطالعه موردی مدل سازی الگوهای رفت و آمد در پکن. محاسبه کنید. محیط زیست شهری. سیستم 2018 ، 68 ، 64-77. [ Google Scholar ] [ CrossRef ]
  11. متعجب.؛ هوانگ، ایکس. لی، پی. ژائو، پی. مقایسه الگوهای ساختار شبکه توده‌های شهری در چین از منظر فضای جریان‌ها: تحلیل بر اساس برنامه راه‌آهن. J. Geo-Inf. علمی 2022 ، 24 ، 1525-1540. [ Google Scholar ]
  12. لی، ز. سان، اچ. Li, L. تجزیه و تحلیل سفرهای بین شهری در دلتای رودخانه یانگ تسه بر اساس داده های سیگنالینگ تلفن همراه. J. Tsinghua Univ. علمی تکنولوژی 2022 ، 62 ، 1203-1211. [ Google Scholar ] [ CrossRef ]
  13. لی، ا. مو، ن. ژانگ، ال. یانگ، تی. لیو، دبلیو. لیو، ف. جریان گردشگری بین شهرهای بزرگ در طول تعطیلات روز ملی چین: تجزیه و تحلیل شبکه اجتماعی با استفاده از داده‌های ورود به سایت ویبو. دسترسی IEEE 2020 ، 8 ، 225675–225691. [ Google Scholar ] [ CrossRef ]
  14. لیو، ی. لیائو، W. ویژگی های فضایی جریان های گردشگری در چین: مطالعه ای بر اساس شاخص بایدو. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 378. [ Google Scholar ] [ CrossRef ]
  15. کاستلز، ام. فضای جریان ها. در ظهور جامعه شبکه ; Wiley-Blackwell: Oxford, UK, 2010; شابک 978-1-4443-1951-4. [ Google Scholar ]
  16. وانگ، ن. چن، آر. Zhao, Y. تجزیه و تحلیل شبکه فضای اطلاعات استانی مبتنی بر جریان اطلاعات اینترنتی. Geogr. Res. 2016 ، 35 ، 137-147. [ Google Scholar ]
  17. یانگ، ز. هوآ، ی. کائو، ی. ژائو، ایکس. چن، ام. الگوهای شبکه تجمع شهری ژونگ یوان در چین بر اساس داده های مهاجرت بایدو. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 62. [ Google Scholar ] [ CrossRef ]
  18. جیانگ، اچ. لو، اس. کوین، جی. لیو، آر. یی، دی. لیو، ی. ژانگ، جی. بررسی الگوهای پویای بین ماهانه شبکه‌های تعامل فضایی شهری چین بر اساس داده‌های مهاجرت بایدو. ISPRS Int. J. Geo-Inf. 2022 ، 11 ، 486. [ Google Scholar ] [ CrossRef ]
  19. لی، سی. وو، زی. زو، ال. لیو، ال. ژانگ، سی. تغییرات الگوی مکانی-زمانی و ویژگی شبکه در جریان جمعیت تحت اپیدمی COVID-19. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 145. [ Google Scholar ] [ CrossRef ]
  20. دوان، ز. لی، ز. ژانگ، ام. لی، اچ. یانگ، دی. درک تقاضای سفر چند روزه در مترو در سطح کل. IET Intel. حمل و نقل. سیستم 2019 ، 13 ، 756-763. [ Google Scholar ] [ CrossRef ]
  21. وانگ، ز. نی، دبلیو. Lin, T. تجزیه و تحلیل ویژگی‌های مکانی-زمانی سفرهای بین‌شهری بر اساس SVD و شبکه پیچیده: به عنوان مثال Bohai Rim City Group را در نظر بگیرید. در مجموعه مقالات کنفرانس بین المللی سیستم های ترافیک هوشمند و شهر هوشمند (ITSSC 2021) SPIE، ژنگژو، چین، 19 تا 21 نوامبر 2021؛ جلد 12165، ص 357–365. [ Google Scholar ]
  22. گو، اچ. لیو، ز. شن، تی. الگوی فضایی و عوامل تعیین کننده قصد انتقال هوکو بین استانی کارگران مهاجر در چین: شواهدی از یک بررسی ملی نظارت بر جمعیت مهاجر در سال 2016. مردم. Space Place 2020 , 26 , e2250. [ Google Scholar ] [ CrossRef ]
  23. لای، جی. Pan, J. الگوی فضایی جریان جمعیت در میان شهرهای چین در طول عجله سفر جشنواره بهاری بر اساس داده‌های “مهاجرت Tencent”. هوم Geogr. 2019 ، 34 ، 108-117. [ Google Scholar ] [ CrossRef ]
  24. پان، جی. لای، جی. الگوی فضایی تحرک جمعیت در میان شهرهای چین: مطالعه موردی روز ملی به علاوه جشنواره نیمه پاییز بر اساس داده‌های مهاجرت Tencent. شهرها 2019 ، 94 ، 55–69. [ Google Scholar ] [ CrossRef ]
  25. کوی، سی. وو، ایکس. لیو، ال. ژانگ، دبلیو. پویایی مکانی-زمانی تحرک روزانه بین شهری در دلتای رودخانه یانگ تسه: تحلیلی با استفاده از داده های بزرگ. Habitat Int. 2020 , 106 , 102174. [ Google Scholar ] [ CrossRef ]
  26. آلداوود، ت. کیویماکی، آی. لمان، اس. ساراماکی، جی. کمی سازی ریتم های روزانه با فاکتورسازی ماتریس غیر منفی اعمال شده به داده های تلفن همراه. علمی Rep. 2022 , 12 , 1-10. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  27. گائو، ی. لیو، جی. خو، ی. مو، ال. لیو، ی. یک مدل فاکتورسازی ماتریس غیرمنفی محدودیت مکانی-زمانی برای کشف الگوهای تحرک درون شهری از سفرهای تاکسی. پایداری 2019 ، 11 ، 4214. [ Google Scholar ] [ CrossRef ]
  28. بهارا، KNS; باسکار، ا. چانگ، ای. یک رویکرد جدید برای مقایسه ساختاری ماتریس‌های مبدا-مقصد: فاصله لونشتاین. ترانسپ Res. قسمت سی ظهور. تکنولوژی 2020 ، 111 ، 513-530. [ Google Scholar ] [ CrossRef ]
  29. ژانگ، کیو. کای، ایکس. لیو، ایکس. یانگ، ایکس. وانگ، زی. تأثیر شهرنشینی بر محیط زیست محیطی مرزی با استفاده از تکنیک‌های سنجش از دور و GIS—موردی از منطقه خلیج بزرگ. Land 2022 , 11 , 1426. [ Google Scholar ]
  30. زی، اچ. اویانگ، ز. چوی، ی. ویژگی ها و عوامل موثر بر توسعه مالی سبز در دلتای رودخانه یانگ تسه چین: تجزیه و تحلیل بر اساس مدل دوربین فضایی. پایداری 2020 ، 12 ، 9753. [ Google Scholar ] [ CrossRef ]
  31. وانگ، دی. سان، ز. چن، جی. وانگ، ایکس. ژانگ، ایکس. ژانگ، دبلیو. تحلیل توانایی تفسیری الگوی منظر برای توضیح اثرات محیطی حرارتی در تراکم شهری پکن-تیانجین-هبی. PeerJ 2019 ، 7 ، e7874. [ Google Scholar ] [ CrossRef ]
  32. برین، اس. Page, L. آناتومی یک موتور جستجوی وب فرامتنی در مقیاس بزرگ. محاسبه کنید. شبکه سیستم ISDN 1998 ، 30 ، 107-117. [ Google Scholar ] [ CrossRef ]
  33. چانگ، ال سی. لیو، جی. چانگ، FJ طغیان سیل مکانی-زمانی با ادغام روش‌های یادگیری ماشین و تجزیه و تحلیل اجزای اصلی پخش می‌شود. جی هیدرول. 2022 ، 612 ، 128086. [ Google Scholar ] [ CrossRef ]
  34. لاسانس، ن. دمیگل، وی. Vrins، F. تنوع بهینه پورتفولیو از طریق تجزیه و تحلیل اجزای مستقل. اپراتور Res. 2022 ، 70 ، 55-72. [ Google Scholar ] [ CrossRef ]
  35. گیلیس، ن. چرایی و چگونگی فاکتورسازی ماتریس غیرمنفی. arXiv 2014 ، arXiv:1401.5226. [ Google Scholar ]
  36. Qiao، H. استراتژی اولیه سازی جدید مبتنی بر SVD برای فاکتورسازی ماتریس غیر منفی. تشخیص الگو Lett. 2015 ، 63 ، 71-77. [ Google Scholar ] [ CrossRef ]
  37. هافمن، ام. دیویس، ا. پارک، جی. کری، جی. شناسایی حرکات جمعیت با فاکتورسازی ماتریس غیرمنفی از تعداد کاربران Wi-Fi در شهرهای هوشمند و متصل. arXiv 2021 ، arXiv:2111.10459. [ Google Scholar ]
  38. کیو، جی. لیو، ی. چن، اچ. گائو، F. الگوی شبکه فضایی منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو از منظر فضای جریان ها – تحلیل مقایسه ای بر اساس جریان اطلاعات و جریان ترافیک. اقتصاد Geogr. 2019 ، 39 ، 7–15. [ Google Scholar ] [ CrossRef ]
  39. چن، اس. Shen, L. مطالعه ویژگی‌های مکانی-زمانی تحرک جمعیت در مناطق ادغام شهری سه شهر بر اساس داده‌های بزرگ مکان Tencent. مد. شهری. Res. 2019 ، 11 ، 2-12. [ Google Scholar ]
Ijgi 12 00005 g001 550
شکل 1. نمای کلی منطقه مورد مطالعه در GBA.
Ijgi 12 00005 g002 550
شکل 2. گردش کار پیشنهادی برای توصیف الگوهای تحرک بین شهری.
Ijgi 12 00005 g003 550
شکل 3. تمایز هسته- پیرامونی GBA.
Ijgi 12 00005 g004 550
شکل 4. ناهمگونی فضایی ساختار تحرک بین شهری در GBA. ( a – i ) به ترتیب در فوشان، گوانگژو، جیانگمن، ژائوکینگ، ژونگشان، ژوهای، هویژو، دونگوان و شنژن، ویژگی‌های متفاوتی را در پایداری سازه‌های تحرک بین شهری در طول یک هفته نشان می‌دهد.
Ijgi 12 00005 g005 550
شکل 5. ناهمگونی زمانی ساختارهای مختلف تحرک بین شهری در GBA. ( الف ) ناهمگونی زمانی ساختار جریان. ( ب ) ناهمگونی زمانی ساختار جریان خروجی.
Ijgi 12 00005 g006 550
شکل 6. الگوهای تحرک تعطیلات بین شهری در GBA. ( الف ) جریان فضایی در الگوی تحرک بین شهری الف. ( ب ) جریان فضایی در الگوی تحرک بین شهری ب. ( ج ) جریان زمانی در الگوهای تحرک بین شهری A و B. نوار قرمز روشن دوره های آخر هفته را نشان می دهد و نوار بنفش روشن نشان دهنده دوره های آخر هفته است. دوره های تعطیلات، به ترتیب.
Ijgi 12 00005 g007 550
شکل 7. الگوهای تحرک روزانه بین شهری در GBA. ( الف ) جریان فضایی در الگوی تحرک بین شهری ج. ( ب ) جریان فضایی در الگوی تحرک بین شهری D. ( ج ) جریان زمانی در الگوهای تحرک بین شهری C و D. نوار آبی و نوار نارنجی نشان‌دهنده موارد بومی روزانه جدید COVID-19 است. به ترتیب در شنژن و گوانگژو گزارش شده است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید