چکیده

ساختار شهری بازتاب فضایی عوامل مختلف اقتصادی و فرهنگی است که بر قلمرو شهری اثر می‌گذارند. متفاوت از ساختار فیزیکی، ساختار شهری ارتباط تنگاتنگی با تحرک جمعیت دارد. مسیرهای تاکسی به طور گسترده توزیع شده، کاملاً خود به خود، ارتباط نزدیکی با نیازهای سفر دارند، و حجم داده بسیار زیادی دارند. استخراج آن نه تنها می تواند به ما در درک بهتر الگوی جریان یک شهر کمک کند، بلکه دیدگاه جدیدی برای تفسیر ساختار شهری ارائه می دهد. بر اساس داده‌های عظیم مسیر تاکسی در چنگدو، ما یک رویکرد علم شبکه را برای تجزیه و تحلیل معرفی می‌کنیم، چارچوب جدیدی را برای تجزیه و تحلیل تعامل پیشنهاد می‌کنیم و ارتباطات درونی درون شهرها را مدل می‌کنیم. شبکه فضایی ذرات ریز و اتصالات مسیر بین آنها برای حل ساختار شهری استفاده می شود. نتایج نشان می دهد که: (1) بر اساس 200000 مسیر تاکسی، ما یک شبکه فضایی از جریان ترافیک با استفاده از چارچوب تحلیل تعامل ایجاد کردیم و نقاط داغ سرد را در بین آنها استخراج کردیم. (2) ما 400 گره شبکه جریان ترافیک را به 6 انجمن تقسیم می کنیم. جامعه 2 دارای مرکزیت و تراکم بالایی است و به منطقه ساخته شده اصلی شهر تعلق دارد. (3) یک میدان جهت ترافیک برای توصیف جهت شبکه جریان ترافیک پیشنهاد شده است، و جهت جریان ترافیک تقریباً یک جریان ورودی از شمال شرقی به جنوب غربی و یک جریان خروجی از جنوب شرقی به شمال غربی منطقه مورد مطالعه را نشان می دهد. چارچوب تحلیل تعامل پیشنهاد شده در این مطالعه را می توان در سایر شهرها یا سایر مناطق تحقیقاتی (مانند مهاجرت جمعیت) به کار برد.

کلید واژه ها:

جریان ترافیک ؛ شبکه فضایی ریز دانه ; شبکه پیچیده ؛ الگوریتم Louvain ; ساختار شهری ; تجزیه و تحلیل نقاط داغ فضا

1. مقدمه

جریان ترافیکی که در این مقاله مورد بحث قرار می گیرد به جریان مردم بین مناطق مختلف شهر اشاره دارد و جریان ترافیک در مسیرهای تاکسی بیان می شود. ما تجزیه و تحلیل ساختار شهری را بر اساس جریان ترافیک انجام می دهیم. ساختار شهری به شکل و شیوه ای اطلاق می شود که عناصر تشکیل دهنده یک شهر با یکدیگر ارتباط برقرار می کنند و با یکدیگر تعامل دارند که عمدتاً شامل ساختار اقتصادی، ساختار اجتماعی و ساختار فضایی می شود. روند توسعه شهر تنها افزایش ساختمان ها و تجمع ساکنان نیست، بلکه ایجاد مناطق کاربردی در داخل شهر و پیوند طبیعت ارگانیک بین مناطق عملکردی است که کل شهر را تشکیل می دهد. ساختار شهری از یک سو توسط محیط طبیعی درون شهر محدود شده است. و با توسعه تاریخی، فرهنگ و مذهب و برنامه ریزی شهری از سوی دیگر. در این مقاله، ما یک رویکرد جدید برای کشف ساختار شهری با تجزیه ساختار شهری از طریق داده‌های مربوط به مسیرهای تاکسی خود به خودی تولید شده توسط انسان که ارتباط نزدیکی با اقتصاد اجتماعی دارند، پیشنهاد می‌کنیم.1 ]. ما چند مرکزیت، چند منطقه گرایی و چند کارکردی شهرها را با تمایز ویژگی های مناطق مختلف شهری مورد بحث قرار می دهیم [ 2 ، 3 ].
مشارکت اصلی ما این است که یک چارچوب تحلیل تعامل جریان ترافیک جدید برای تجزیه و تحلیل ساختار شهری پیشنهاد می‌کنیم، که ابتدا جهت‌گیری جریان ترافیک را در نظر می‌گیرد و همچنین می‌تواند در مناطقی مانند تحرک جمعیت اعمال شود.
بخش های اصلی این مقاله به شرح زیر سازماندهی شده است: بخش 2 برخی از کارهای مرتبط را ارائه می دهد، بخش 3 به معرفی منطقه مورد مطالعه و داده های تحقیق می پردازد، بخش 4 روش شناسی تحقیق را ارائه می دهد، بخش 5 نتایج تحقیق را ارائه می دهد و بخش 6 مقاله را به پایان می رساند.

2. کارهای مرتبط

مسیرهای تاکسی بیشتر شهر را پوشش می دهند و بخش مهمی از حمل و نقل عمومی هستند و شبکه حمل و نقل پیچیده ای را همراه با اتوبوس ها، متروها و وسایل نقلیه دیگر تشکیل می دهند. می‌توانیم از جریان ترافیک برای مدل‌سازی ریاضی برای شبیه‌سازی عملیات ترافیک در شهر بر اساس داده‌های سنجش تاریخی استفاده کنیم [ 4 ، 5 ، 6 ، 7 ]. علاوه بر این، مسیرهای مبدأ-مقصد وسیله نقلیه (OD) را می توان در زمینه های کشف نقاط شهری [ 8 ]، شناسایی الگوی سفر ساکنان شهری [ 9 ، 10 ]، حفاظت از محیط زیست [ 11 ]، پیش بینی جریان ترافیک [ 12 ] و شناسایی نوع زمین شهری [13 ، 14 ]. از آنجایی که جریان های ترافیکی در مناطق مختلف ویژگی های مکانی و زمانی متفاوتی دارند [ 15 ]، این امکان را برای مطالعه کشف ساختار شهری ما ارائه می دهد. با ساخت یک مدل شبکه پیچیده از جریان ترافیک [ 16 ]، تقسیمات منطقه ای شهر به عنوان گره های نمودار برای تعیین کمیت لبه های متصل نمودار با شباهت مشترک الگوهای حرکت، فضا و زمان استفاده می شود. با استفاده از برخی الگوریتم‌های تشخیص مؤثر، شناسایی مسیرهای سفر جریان‌های انسانی در مناطق مختلف و تخمین عملکردهای اقتصادی و اجتماعی این مناطق آسان است [ 17 ].
بر اساس تحقیقات فوق، برای بررسی الگوهای تعاملی بین ساختار شهری و جریان ترافیک، از روش تحلیل نقاط کانونی مکانی [ 18 ] و روش تحلیل شبکه پیچیده [ 16 ] برای کشف نقاط کانونی مکانی-زمانی [ 19 ، 20 ، 21 ] استفاده کردیم. و شبکه جریان ترافیک شهری را از منظر مرکزیت شبکه مورد مطالعه قرار داد [ 22 ]. ما منطقه مورد مطالعه را به شبکه های ریزدانه [ 23 ] تقسیم می کنیم تا از مناطق اداری برای تکه تکه شدن موجودیت های جغرافیایی جلوگیری کنیم و یک مدل میدان توصیف جهت مسیر جدید پیشنهاد کنیم. ما مفهوم هم‌روی کلمه را از کتاب‌سنجی برای مدل‌سازی جریان ترافیک شهری معرفی کردیم [ 24 ]] با در نظر گرفتن هر دو بعد زمانی و مکانی، با در نظر گرفتن هر شبکه مکانی به عنوان یک عنصر مستقل.
اگر یک شهر را به عنوان یک مقاله، و شبکه های با ویژگی های مختلف در شهر را به عنوان “کلمات” در نظر بگیریم، جوامعی که از مجموعه ای از شبکه ها تشکیل شده اند را می توان به عنوان “بخش هایی” از مقاله در نظر گرفت. محتوای درونی یک «پارگراف» به شدت همبستگی دارد و بین «پاراگراف ها» تفاوت هایی وجود دارد. برای یک مقاله به راحتی می توانیم محتوای هیجان انگیز پاراگراف های مختلف را تشخیص دهیم. به طور مشابه، ما می توانیم ساختار شهری را با استفاده از الگوریتم های تشخیص جامعه تجزیه کنیم [ 25]. علاوه بر استفاده از روش تحلیل فضایی برای استخراج ویژگی‌های مکانی-زمانی مسیرها، روش علم شبکه نیز می‌تواند برای متنوع‌تر و غنی‌تر کردن نتایج تحلیل با استفاده از شاخص‌های کمی مانند تعداد گره‌ها، مرکزیت درجه، و چگالی نمودار

3. منطقه مطالعه و مواد

این مقاله شهر چنگدو را به عنوان منطقه مورد مطالعه در نظر می گیرد. چنگدو مرکز استان سیچوان و تنها شهر زیر استانی در جنوب غربی چین است. این کشور دارای 20 شهرستان (منطقه)، 259 شهر و 116 خیابان است. در میان 20 منطقه، مناطق Jinniu، Qingyang، Chenghua، Wuhou، و Jinjiang در مرفه ترین هسته شهری (30.529114-30.809326 N، 103.894287-104.234131 E) واقع شده اند، که اکثریت منطقه مورد مطالعه و اکثر مناطق مورد مطالعه را تشکیل می دهند. این کاغذ.

3.1. مجموعه داده

مجموعه داده سفارشات تاکسی از دیدی، بزرگترین پلتفرم تاکسی آنلاین چین با 450 میلیون کاربر و بیش از 28 میلیون سفارش روزانه می آید. همه سفارش‌های تاکسی از 1 نوامبر تا 7 نوامبر 2016 ایجاد شده‌اند. از آنجایی که هدف این مقاله بررسی ساختار رفت‌وآمد روزانه شهر است، سفارش‌های تاکسی در تعطیلات آخر هفته و تعطیلات حذف شده‌اند. فقط سفارشات کابین برای 1 نوامبر (سه شنبه) با مجموع 200000 رکورد انتخاب شدند.
یک رکورد سفارش شامل مکان مبدا و مقصد، و همچنین اطلاعات مکان و مهرهای زمانی است که هر 30 ثانیه نمونه برداری می شود. این مکان ها از طریق تراشه GPS گوشی با دقت موقعیت یابی متوسط ​​10 متر جمع آوری شده اند.
همانطور که در شکل 1 نشان داده شده است ، ما توزیع چگالی هسته را در تمام مکان های تگرگ رکورد سفارش ترسیم کردیم و بیضی توزیع جهت را محاسبه کردیم. بیضی های توزیع جهتی مکان های تاکسی اساساً با ساختار شهر سازگار است و ویژگی های متراکم داخل و پراکندگی بیرون را نشان می دهد [ 26 ].

3.2. عکس لحظه ای مکانی-زمانی

ما از مکعب مکانی-زمانی ( شکل 2 الف) برای مدل سازی داده های مسیر بالا استفاده می کنیم. مدل مکعب مکانی-زمانی یک ابزار تحلیل و تجسم جغرافیایی سه بعدی است که می تواند نقشه برداری داده های مکانی-زمانی را انجام دهد. داده‌ها در مکان مکانی یکسان، اما زمانی متفاوت، شناسه مکان یکسانی را به اشتراک می‌گذارند تا یک سری زمانی نواری را تشکیل دهند. داده‌هایی که محدوده زمانی یکسانی را پوشش می‌دهند، اما مکان‌های مکانی متفاوت، شناسه زمانی یکسانی را برای تشکیل یک برش زمانی به اشتراک می‌گذارند. بر اساس این مدل، می‌توان داده‌ها را به‌طور سیستماتیک در سه سطح معنایی، مکانی و زمانی توصیف کرد. این مدل در اشتراک‌گذاری داده‌ها، ذخیره‌سازی و پرس‌وجو عملکرد خوبی دارد، که برای بخش‌بندی جامعه پویا و الگوی کاوی مکانی-زمانی داده سودمند است [ 27 ، 28 ].
منطقه مورد مطالعه به شبکه های منظم تقسیم می شود و بر اساس طول و عرض جغرافیایی همانطور که در شکل 2 ب نشان داده شده است کدگذاری می شود. در مقایسه با تقسیم‌بندی‌های ماکروسکوپی تعریف‌شده ذهنی مناطق، مانند تقسیمات استانی، شبکه‌های منظم با وضوح خوب عینی‌تر و حساس‌تر به جزئیات هستند [ 29 ].

4. روش ها

شکل 3 نمودار جریان رویکرد ما برای ساخت شبکه پیچیده ای از جریان های ترافیکی را بر اساس مسیرهای کابین نشان می دهد و تعامل و جهت گیری شبکه را مورد بحث قرار می دهد. علاوه بر این، ساختار شهر را تجزیه و تحلیل می کنیم و گره های کلیدی در شهر را مورد بحث قرار می دهیم. این مقاله به چهار بخش زیر تقسیم می‌شود: ترتیب داده‌ها، ویژگی‌های زمان و مکان، جهان‌های کوچک و بدون مقیاس برای شبکه‌های پیچیده و بحث. شبه کد الگوریتم اصلی در ضمیمه A1 است.

4.1. چارچوب تحلیل شبکه پیچیده

شبکه ها یک زبان عمومی برای توصیف سیستم های پیچیده موجودیت های متقابل [ 30 ] هستند. به طور معمول، یک شبکه (گراف) G از نظر ریاضی به صورت زیر تعریف می شود:

جی=V،م

که در آن V مجموعه تمام رئوس (گره ها) و M مجموعه تمام یال های بین هر جفت گره است. لبه ها نحوه اتصال گره ها را نشان می دهند و یک ماتریس وزن M برای نشان دادن قدرت اتصالات تعریف شده است.

م=ن11،⋯،ن1متر⋮⋱⋮نمتر1،⋯،نمترمتر

که در آن m تعداد گره هایی است که تعیین شده اند، نمن،jتعداد سفارشات از نقطه داده i تا نقطه داده j است. بزرگتر به این معنی است که همبستگی بین مناطق قوی تر است.

ساختار جامعه یک ویژگی توپولوژیکی مهم شبکه های پیچیده است [ 18 ]. جامعه یک شبکه به مجموعه‌ای از گره‌ها اطلاق می‌شود که ویژگی‌های مشابهی دارند و تعاملات بین آنها بیشتر از گره‌هایی از جوامع مختلف است.
تشخیص ساختار جامعه فرآیند تقسیم هر گره به جوامع مختلف بر اساس اتصال مستقیم بین گره ها در یک شبکه پیچیده است [ 31 ]. الگوریتم‌های رایج برای تشخیص ساختار جامعه شامل نظریه تقسیم‌بندی نمودار [ 32 ]، الگوریتم لووین، الگوریتم GN، الگوریتم سریع نیومن، و الگوریتم‌های دیگر است که اغلب در ساخت شبکه‌های اجتماعی کاربران رسانه‌های اجتماعی و توصیه‌های تماس خودکار استفاده می‌شوند.
ماتریس مجاورت فضایی جزء مدلسازی فضایی است که به عنوان بیانی از وابستگی فضایی بین مشاهدات تعریف می شود [ 33 ].
در واقع، تعداد زیادی فعالیت مسکونی در مناطق تجمع نقطه OD مسیرهای کابین وجود دارد و این مناطق تجمع، کانون‌های فضایی شهر هستند. اگر مسیرهای زیادی با نقاط OD یکسان وجود داشته باشد، این نشان می دهد که همبستگی فضایی بین این دو ناحیه وجود دارد. بر اساس این همبستگی، ما یک شبکه پیچیده از جریان ترافیک [ 34 ] می سازیم.

روش Louvain روشی ساده، کارآمد و آسان برای شناسایی جوامع در شبکه های پیچیده است. این روش سلسله مراتب جوامع را آشکار می کند و امکان بزرگنمایی در جوامع را برای کشف جوامع فرعی، زیر جوامع و غیره فراهم می کند. امروزه یکی از پرکاربردترین روش ها برای تشخیص جوامع است و می تواند تمام گره های لبه را در نظر بگیرد. و ساختار جامعه تولید شده توسط آن سلسله مراتبی است [ 27 ، 35 ، 36 ]. ارزیابی طبقه بندی توسط این الگوریتم بر اساس مدولار بودن است. هرچه درجه مدولاریت بیشتر باشد، ساختار جامعه آشکارتر است. تعریف ریاضی درجه مدولاریت عبارت است از:

س=12متر∑من.jنمن.j-کمنکj2مترδسیمن،سیj

جایی که نمن،jوزن لبه بین گره i و گره j است، کمندرجه گره (تعداد دنباله های قوس گره ها به اضافه تعداد هدر های قوس)، m تعداد کل گره ها در یک شبکه پیچیده است، و سیمن،jجامعه با گره i است. اگر سیمن=سیj، δ=1و اگر سیمن≠سیj، δ=0. در حالت تصادفی، تعداد لبه‌های بین گره‌ها است کمنکj2متر. محدوده مقدار Q است [-0.5،1)[ 26 ، 37 ]. جریان خاص الگوریتم Louvain عبارت است از:

1.
هر گره به عنوان یک جامعه جداگانه در نظر گرفته می شود و تعداد جوامع و گریدها (گره ها) در همان ابتدا یکسان است.
2.
traversal به معنای یک گره i است، همسایه آن را j در نظر بگیرید . سپس گره i را از جامعه ای که گره i به آن تعلق دارد حذف کنید و سپس آن را به جامعه ای که گره j به آن تعلق دارد اضافه کنید. بعداً، تغییرات مدولاریته را محاسبه و مقایسه کنید و گره i را در جامعه ای قرار دهید که درجه مدولاریت بیشترین افزایش را دارد. اگر گره j با ماژولاریت مثبت پیدا نشود، گره i باید در جامعه اصلی خود حفظ شود.
3.
مرحله 2 را تکرار کنید. این فرآیند را بر روی همه گره ها اعمال کنید تا زمانی که ماکزیمم ماژولاریت محلی به دست آید، یعنی هیچ گره ای نمی تواند مدولاریت شبکه را بیشتر کند و ساختار جامعه دیگر تغییر نخواهد کرد.
4.
ساختار جامعه به دست آمده در مرحله 3 را فشرده کنید. جامعه اصلی به گره های جدید فشرده می شود، سپس وزن گره ها در جامعه اصلی به وزن حلقه گره جدید تبدیل می شود و وزن لبه بین جوامع اصلی به وزن تبدیل می شود. لبه بین گره ها؛
5.
مرحله 1 را تکرار کنید تا ساختار جامعه دیگر تغییر نکند.

4.2. تجزیه و تحلیل نسبت جریان خالص

نسبت جریان خالص (NFR) نسبت بین جریان خالص ورودی از سایر مناطق به یک منطقه تعیین شده و کل جریان از آن منطقه در یک دوره زمانی معین است. محدوده این شاخص [-1، 1] است که می تواند گرمای نسبی یک منطقه را تا حدی منعکس کند. وقتی NFR > 0 باشد، به این معنی است که جذابیت منطقه برای جمعیت در حال افزایش است، در غیر این صورت جذابیت منطقه برای جمعیت در حال کاهش است. هنگامی که NFR = -1 است، به این معنی است که منطقه در طول زمان مطالعه فقط خروجی دارد اما جریانی ندارد. وقتی NFR = 1 است، به این معنی است که منطقه فقط ورودی دارد اما خروجی ندارد. فرمول محاسبه NFR:

نافآر=افلowمنn-افلowoتوتیافلowمنn+افلowoتوتی

جایی که افلowمنnشدت جریان است. افلowoتوتیشدت جریان خروجی است.

4.3. تجزیه و تحلیل آنسلین محلی موران I

معیار برای خوشه بندی فضایی و تشخیص ناهنجاری بر اساس آنسلین محلی موران I [ 38 ، 39 ] است. شاخص مثبت یک منطقه نشان‌دهنده وجود خوشه‌بندی فضایی «بالا-بالا» یا «کم-کم» در منطقه است، یعنی عناصر فضایی با مقادیر ویژگی‌های مشابه در مجاورت یکدیگر قرار دارند. مقدار منفی این شاخص نشان دهنده وجود ناهنجاری های فضایی زمانی است که مقادیر عناصر فضایی مجاور به طور قابل توجهی متفاوت باشد. ناهنجاری‌های فضایی بیشتر به خوشه‌های «بالا-کم» تقسیم می‌شوند که در آن مقادیر زیاد مقادیر کم را احاطه می‌کنند و خوشه‌های «کم-بالا» که در آن مقادیر پایین مقادیر بالا را احاطه می‌کنند. شاخص محلی موران به صورت زیر تعریف می شود:

منj=ایکسمن-ایکس¯اسمن2∑j=1،j≠منnwمن،jایکسj-ایکس¯
zمنمن=منمن-EمنمنVمنمن

از جمله:

Eمنمن=-∑j=1،j≠منnwمنjn-1،Vمنمن=Eمنمن2-Eمنمن2
ایکسمنویژگی عنصر i است ، ایکس¯مقدار متوسط ​​ویژگی مربوط به عنصر است و wمنjوزن فضایی بین عناصر را نشان می دهد. p – value سطح معنی داری است. برای ابزارهای تحلیل الگو، این احتمال وجود دارد که الگوی فضایی مشاهده شده توسط برخی فرآیندهای تصادفی ایجاد شود. هنگامی که مقدار p بسیار کوچک است، به این معنی است که بسیار بعید است (احتمال کمی) که الگوی فضایی مشاهده شده نتیجه یک فرآیند تصادفی باشد، بنابراین شما می توانید فرضیه صفر را رد کنید. z-score انحرافات استاندارد هستند. z-scores و p-مقدارها معیارهایی با اهمیت آماری هستند که به شما می گویند آیا فرضیه صفر را رد کنید یا نه. در واقع، آن‌ها نشان می‌دهند که آیا شباهت ظاهری (خوشه‌بندی فضایی مقادیر زیاد یا پایین) یا عدم تشابه (یک پرت فضایی) بارزتر از چیزی است که از یک توزیع تصادفی انتظار می‌رود.
ما فقط شبکه‌هایی را با سطوح اطمینان بیشتر از 95% ( 05/ 0p <) به‌عنوان خوشه‌ها یا نقاط پرت علامت‌گذاری کردیم و سایر مناطق معنی‌دار نبودند.

5. نتایج و یافته ها

این بخش به تحلیل مکانی و زمانی، ساخت و تحلیل تعامل شبکه جریان ترافیک شهری می پردازد.
اولین تحلیل شبکه‌های کانونی و مناطق کانونی و ارتباط آن‌ها با الگوهای تحرک مسکونی، کاربری زمین، دسترسی، و عملکردهای شهری جوامع مختلف را مورد بحث قرار می‌دهد. دوم، ما ویژگی های جامعه شبکه های پیچیده را مورد بحث قرار دادیم. ارتباطات درون جوامع بسیار بیشتر از ارتباطات خارج از آنها است و تحقیقات ما نشان می‌دهد که ساکنان مناطق مختلف محدوده‌های متفاوتی از زندگی روزمره در رفت و آمد دارند و نیازهای کار و زندگی را می‌توان در جوامع برآورده کرد.
این بخش همچنین دو روش تجسم معنادار را ارائه می دهد. (1) می بینیم که شبکه ای که توسط جریان ترافیک تشکیل شده است با ویژگی های دنیای کوچک و بدون مقیاس شبکه های پیچیده سازگار است. (2) ما روشی را برای ساخت یک میدان برداری جهت شهری پیشنهاد می کنیم که می تواند اطلاعات بیشتری در مورد جهت منطقه ای مشاهده کند.
آزمایش‌ها در این مقاله از کتابخانه محاسباتی شبکه در پایتون (Networkx V2.1) و همچنین نرم‌افزار پردازش نقشه Arcgis 10.5 و نرم‌افزار تحلیل فضایی GeoDa (V1.18) استفاده کردند.

5.1. تحلیل مکانی و زمانی جریان ترافیک

5.1.1. تجزیه و تحلیل مشخصه زمانی

توزیع فراوانی سفرهای مقیم در طول دوره مطالعه در شکل 4 نشان داده شده است . محبوب ترین زمان سفر شنبه در ساعت 5:00 بعدازظهر (5 نوامبر) بود که 14901 سفارش تاکسی در یک ساعت انجام شد. سفارشات در روزهای دوشنبه، جمعه و شنبه در بازه زمانی مطالعه بیشتر بود، در حالی که ساعت 13:00، 14:00 و 17:00 فعال ترین ساعات روز برای ترافیک شهری هستند.
5.1.2. تجزیه و تحلیل ویژگی های فضایی
طبق مطالعات قبلی، تقسیم‌بندی منطقه مورد مطالعه با استفاده از شبکه‌های معمولی با وضوح خوب بهتر از استفاده از تقسیمات اداری است. اندازه شبکه می تواند بر نتیجه تحلیل ویژگی های فضایی تأثیر بگذارد [ 40 ، 41 ]. شبکه های کوچکتر می توانند جزئیات شهری بیشتری را حفظ کنند. با این حال، یک شبکه کوچکتر لزوما بهتر نیست. اگر شبکه خیلی کوچک باشد، موجودیت جغرافیایی کلی ممکن است بخش بندی شود و تعداد سفارشات کابین در شبکه کاهش یابد، که خطر خطاهای غیرمنتظره را افزایش می دهد. در این مقاله، منطقه مورد مطالعه به یک تقسیم می شود 50×50شبکه، و طول ضلع واقعی شبکه پس از محاسبه و مقایسه بین 500-600 متر تنظیم می شود.
همانطور که در شکل 5 الف نشان داده شده است، تعداد سفارش‌ها را در هر شبکه شمارش کردیم . همانطور که انتظار داشتیم، مناطق تجاری، نقاط دیدنی، ایستگاه‌های اتوبوس، و ایستگاه‌های قطار در شهر با جریان ترافیک بالا، مناطقی هستند که تراکم بالای سفارش‌های کابین دارند. سفارش‌های تاکسی ساختار دایره‌ای متحدالمرکز نامنظم را نشان می‌دهند و تعداد سفارش‌ها به ترتیب از مرکز شهر به بیرون کاهش می‌یابد، با بزرگترین شبکه فضایی بیش از 2000 سفارش در روز. شبکه های با بیش از 900 سفارش در اطراف POI های مهم مانند ایستگاه شرقی چنگدو، معبد ووهو، و ایستگاه اتوبوس ژائوجی توزیع می شوند.
ما طول سفارش را در شکل 5 ب مورد بحث قرار می دهیم که برای سفارش هایی که از مرکز شهر مبدا می شوند به دلیل حمل و نقل عمومی راحت تر در مرکز شهر، در عرض نیم ساعت و در جنوب غربی شهر طولانی تر از شمال شرقی است. متوسط ​​طول سفارش در ایستگاه‌های مسافربری با بازدیدکنندگان خارجی بیشتر (ایستگاه چنگدو و ایستگاه شرقی چنگدو) و در مکان‌های دیدنی با حمل‌ونقل راحت‌تر، مانند پایگاه تحقیقاتی چنگدو پاندا غول‌پیکر و دره شاد، بیش از یک ساعت است. همانطور که در شکل 5 C نشان داده شده است، هر چه مدت زمان سفارش کابین طولانی تر باشد، تراکم ایستگاه های اتوبوس در منطقه کمتر می شود. به عبارت دیگر، مدت زمان سفارش تاکسی با تراکم ایستگاه اتوبوس همبستگی منفی دارد.
5.1.3. نسبت جریان خالص
به منظور بررسی جریان ورودی و خروجی در منطقه مورد مطالعه در مقاطع مختلف، چهار دوره زمانی را انتخاب کردیم، یعنی 7:00-9:00 صبح، 12:00-2:00 بعد از ظهر، 6:00-8:00 بعد از ظهر. و از ساعت 9:00 تا 11:00 بعد از ظهر برای عکس‌های فوری مکانی-زمانی، و از پیش پردازش مسیرهای این دوره‌های زمانی. قوانین پردازش به شرح زیر است:
1. سفارش های کمتر از 10 در شبکه در طول دوره زمانی به عنوان شبکه های نامعتبر برای فیلتر در نظر گرفته می شوند. 2. با توجه به NFR های مختلف، ما 6 نوع شبکه را تعریف می کنیم. 3. منطقه مورد مطالعه به تقسیم می شود 20×20شبکه های مقیاس فضایی؛ 4. نقاط OD جریان ترافیک همگی در منطقه مورد مطالعه قرار دارند.
شکل 6 نتایج محاسباتی NFR را برای مناطق مختلف شهر نشان می دهد. در ساعات اوج صبح، تردد مردم به سمت مرکز شهر و همچنین ایستگاه های مختلف مسافربری (فرودگاه، ایستگاه مسافربری، ایستگاه راه آهن) هدایت می شود. در شب، مرکز شهر و ایستگاه‌های مسافربری اساساً خروجی خالص را نشان می‌دهند. بخش‌های شمالی و شرقی منطقه مورد مطالعه جذابیت بیشتری داشته است، احتمالاً این مناطق دارای مناطق مسکونی بیشتری هستند.
5.1.4. خوشه بندی فضایی و تشخیص بیرونی
علاوه بر بحث نقاط داغ شهری با استفاده از معیارهای NFR تحت دیدگاه زمانی، ما همچنین از روش‌های آماری فضایی برای تشخیص خوشه‌بندی و ناهنجاری‌های فضایی در منطقه مورد مطالعه استفاده کردیم. همانطور که در شکل 7 نشان داده شده است ، ما منطقه مورد مطالعه را به هفت نوع طبقه بندی کردیم: کلاس HH، کلاس HL، کلاس LH، کلاس LL، کلاس ناچیز (بدون همبستگی فضایی قابل توجه)، و کلاس داده ناکافی (داده های ناکافی برای مطالعات درون منطقه ای). مطابق با مطالعه فوق، مرکز شهر به خوشه “High-H” تعلق دارد که نشان می دهد این منطقه دارای حجم بالایی از سفارشات تاکسی و منطقه رفت و آمد فعال است. علاوه بر این، ما مناطق بسیار جالبی را شناسایی کردیم. در اطراف خوشه های “بالا-بالا”، نقاط پرت “کم-بالا” وجود دارد که با رنگ آبی مشخص شده اند ( شکل 7ب).
ما تصاویر ماهواره‌ای از این مکان‌ها را در شکل 7 نشان می‌دهیم که عبارتند از: مرکز تعمیر و نگهداری قطار (B) و پارک دریاچه Shengxian (D)، خانه کاهگلی Du Fu و پارک Huanghuaxi مجاور (F)، معبد Wuhou و محوطه دانشگاه مجاور ( ز)، کاخ کودکان (I) و مرکز ورزشی و شهربازی. این مناطق دارای ویژگی های تفریحی و گردشگری متمایز هستند.
به همین ترتیب، توده‌های “کم-کم” با مناطق “زیاد-کم” (که با رنگ قرمز مشخص شده‌اند) از نظر فضایی غیرعادی که دارای سفارشات کابین بسیار بیشتری نسبت به مناطق اطراف هستند، مخلوط می‌شوند. این مناطق عبارتند از: پایگاه پاندا (A)، بیمارستان بزرگ (C)، فرودگاه (H)، و مرکز لجستیک. ظهور ناهنجاری های فضایی ارتباط نزدیکی با عملکرد شهری شبکه فضایی دارد.

5.2. ساخت و تحلیل تعامل شبکه جریان ترافیک شهری

5.2.1. ساختار جامعه شهری و جهت جریان

شبکه‌های متشکل از جریان‌های ترافیک، نوعی از شبکه‌های پیچیده هستند که دارای ویژگی‌های کوچک و بدون مقیاس هستند. ویژگی بدون مقیاس شبکه های پیچیده به این معنی است که بیشتر گره های شبکه به گره های بسیار کمی متصل هستند، در حالی که گره های بسیار کمی به تعداد بسیار زیادی گره متصل هستند. وجود چنین گره‌های حیاتی (به نام «هاب‌ها» یا «گره‌های هاب و گفتار») باعث می‌شود شبکه‌های بدون مقیاس در برابر خرابی‌های غیرمنتظره مقاوم باشند، اما در برابر حملات هماهنگ آسیب‌پذیر باشند. ویژگی دنیای کوچک به این واقعیت اشاره دارد که بیشتر گره‌های شبکه به یکدیگر متصل نیستند، اما بیشتر آنها در چند مرحله قابل دسترسی هستند.
ساختار جامعه یکی از ویژگی های مهم شبکه های جریان ترافیک شهری است. ما از داده‌های مسیر خودبه‌خود تولید شده (داده‌های اطلاعات جغرافیایی داوطلبانه) که طیف وسیعی از شهرها را پوشش می‌دهد برای تجزیه ساختار شهری استفاده می‌کنیم [ 42 ، 43 ].
ما از معیارهای زیر برای ارزیابی خود استفاده می کنیم:
  • درجه گره: اندازه جریان ترافیک خروجی از گره و اندازه جریان ترافیک ورودی به گره، درجه گره = درجه خارج + در درجه. همانطور که در شکل 8 نشان داده شده است ، اندازه گره نشان دهنده درجه گره است.
  • درجه متوسط: میانگین وزنی تمام درجات گره.
  • قطر شبکه: حداکثر مقدار کمترین فاصله بین هر دو نقطه در یک شبکه پیچیده. هرچه این متریک کوچکتر باشد نشان دهنده درجه ارتباط بالاتر است.
  • چگالی نمودار: هر چه چگالی نمودار بیشتر باشد، شبکه پیچیده تر و اتصالات داخلی محکم تر می شود.
  • درجه مدولاریت: هر چه این مقدار بزرگتر باشد، ساختار جامعه بارزتر است.
  • ضریب خوشه: ضریب خوشه بندی (همچنین به عنوان ضریب خوشه بندی، ضریب خوشه بندی نیز شناخته می شود) ضریب مورد استفاده برای توصیف درجه خوشه بندی بین رئوس یک نمودار است. به طور خاص، درجه ای است که نقاط مجاور یک نقطه است. به عنوان مثال، میزان آشنایی دوستان شما در شبکه های اجتماعی در زندگی [ 43 ].
  • مرکزیت بین نشانگر مرکزیت یک گره در یک شبکه است. برابر است با تعداد کوتاهترین مسیرها از همه رئوس به همه بقیه که از آن گره می گذرند. یک گره با مرکزیت بین بالا تأثیر زیادی بر انتقال آیتم ها از طریق شبکه دارد، با این فرض که انتقال آیتم کوتاه ترین مسیرها را دنبال می کند.
  • مرکزیت نزدیکی یک گره، معیاری از مرکزیت در یک شبکه است که به صورت متقابل مجموع طول کوتاه‌ترین مسیرها بین گره و سایر گره‌ها در نمودار محاسبه می‌شود. بنابراین، هر چه یک گره مرکزی تر باشد، به سایر گره ها نزدیک تر است.
منطقه مورد مطالعه به 400 شبکه (نقطه) با مجموع 18315 لبه متصل بین این شبکه ها تقسیم شد. همانطور که در شکل 8 نشان داده شده است، ضریب خوشه بندی شبکه جریان ترافیک ما 0.765 است و منطقه مورد مطالعه به 13 جامعه با مدولاریت شبکه کلی 0.124 تقسیم شده است. چهار جامعه بزرگ به ترتیب 37.75%، 22.25%، 16.75% و 11.25% از منطقه را پوشش می دهند. مرزهای بین جوامع تحت تأثیر شریان های اصلی ترافیک شهری است. قطر شبکه 4 است، طول مسیر متوسط ​​1.944 است، و فاصله بین هر دو مکان بیش از دو شبکه نیست، که منعکس کننده یک مشخصه قوی دنیای کوچک است (طول مسیر متوسط ​​کوتاهتر و ضرایب خوشه بندی بزرگتر) [ 44 ].
روش تشخیص جامعه یک ابزار موثر در برنامه ریزی شهری است [ 45 ]. تأثیر راه‌آهن و جاده‌های اصلی بر روی مرزهای جامعه بیشتر از مرزهای اداری است. علاوه بر این، میانگین وزنی زوایای آزیموت بین نقاط OD در نواحی مختلف را محاسبه می‌کنیم و میدان بردار جهت را برای نشان دادن جهت مکان‌های مختلف می‌سازیم. همانطور که در شکل 9 نشان داده شده است ، فلش ها جهت OD هر شبکه را نشان می دهند.
در جامعه سبز 1، منطقه بسیار جالبی وجود دارد (104.05 E، 30.55-30.65 N). گره های دو طرف این ناحیه در جهت مخالف یکدیگر قرار دارند و گره های ناحیه میانی به ناحیه شهری اشاره می کنند. این منطقه متعلق به محور شهری چنگدو است. جهت گره جامعه 1 به مرکز شهر اشاره می کند، در حالی که گره های جامعه 2 و جامعه 4 به جهت خارج از شهر اشاره می کنند. جهت شبکه اجتماع 3 پیچیده تر است و مسیر در ناحیه شمالی شهر متمرکز شده است.
5.2.2. ساختار جامعه شهری و جهت جریان
ما تمام 400 ویژگی شبکه را مورد بحث قرار می دهیم که محور افقی نشان دهنده شناسه گره ها و محور عمودی نشان دهنده درجات گره ها است و نتایج در شکل 10 و جدول 1 فهرست شده است.
همانطور که در جدول 1 نشان داده شده است ، برخی از گره ها را با مقادیر درجه بالا فهرست می کنیم. مرکزیت بین گره ها شاخصی است که توانایی تعامل شبکه جریان ترافیک شهری را کنترل می کند، یعنی ترانزیت ترافیک یا توانایی تبادل یک منطقه معین در شهر را کنترل می کند و این گره ها اغلب توسط مناطقی با فعالیت های اقتصادی و بازی فشرده تر احاطه شده اند. نقش محورهای ترافیکی در کل شهر گره‌هایی با مرکزیت بین‌المللی بالا تأثیر قابل‌توجهی در شبکه جریان ترافیک شهری دارند زیرا انتقال اطلاعات بین گره‌های دیگر را کنترل می‌کنند. در عین حال، این گره ها آسیب پذیرترین گره ها نیز هستند و اختلال در این گره ها می تواند پیوندهای تعاملی بین گره های دیگر را مختل کند.
مرکزیت نزدیکی از کل شبکه اندازه‌گیری می‌شود، توانایی یک گره تحت تأثیر بقیه گره‌ها قرار نمی‌گیرد و بیشتر مربوط به کوتاه‌ترین مسیر مستقیم بین دو منطقه است. اگر یک گره بتواند از طریق یک مسیر کوتاهتر با کمک تعداد کمی گره با بقیه گره ها ارتباط برقرار کند، به این معنی است که این گره استقلال بالاتری دارد و در نتیجه مرکزیت نزدیکی بالاتری دارد.
علاوه بر این، ما همچنین تعداد مسیرهای با این گره ها را به عنوان مبدأ (نقاط مبدا، count_o) و زمان کل سفارش (time_sum)، تعداد مسیرهای با این گره ها را به عنوان مقصد (نقاط مقصد، count_d) نیز حساب می کنیم. به عنوان مقادیر طول و عرض جغرافیایی این گره ها و جوامعی که به آنها تعلق دارند.
ما یک شبکه محلی جدید از این گره های کلیدی ساختیم و جریان ترافیک بین آنها را بررسی کردیم. عرض لبه ها متناسب با جریان ترافیک نشان داده می شود. هرچه لبه پهن تر باشد، مقدار آن بزرگتر است. همانطور که از نمودار Sankey در شکل 11 مشاهده می شود، گره شبکه با شناسه 190 بیشترین جریان ترافیک را دریافت می کند که ویژگی های بدون مقیاس شبکه محلی را نشان می دهد (تعداد کمی از گره ها از بیشتر ترافیک لذت می برند).
5.2.3. شاخص های جامعه
چگالی نمودار قدرت ارتباط داخلی بین کلاس‌های مدولار در یک شبکه را اندازه‌گیری می‌کند و مقدار بالا به این معنی است که جامعه دارای چگالی بالاتری از گره‌های فضایی و اتصالات داخلی مکرر است. مرکزیت برای اندازه گیری فرکانس ترافیک محلی شبکه. با مقایسه ویژگی های این چهار جامعه، از شکل 12 می توان دریافت که چگالی جوامع 1، 2، و 4 از میانگین چگالی کل شبکه (115/0) بیشتر است. مشخصات دقیق این جوامع در جدول 2 ارائه شده است. به طور کلی، ویژگی های چهار جامعه تفاوت معنی داری با یکدیگر دارند و همبستگی بین جوامع زیاد نیست.
مدولاریت کلاس 1 دارای تراکم متوسطی است، اما گره ها دارای بالاترین میانگین اهمیت هستند که نشان می دهد این گره ها دارای جریان ترافیک بالا و پوشش گسترده (بخش جنوب غربی شهر) هستند. مدولاریت کلاس 2 دارای مرکزیت و تراکم بالایی است که نشان می دهد منطقه شلوغ است و گره ها همه نسبتاً مهم هستند. مدولاریت کلاس 3، جامعه با بیشترین گره، دارای کمترین چگالی نمودار و مرکزیت کم است، که نشان می دهد توزیع جریان ترافیک در این منطقه پراکنده تر است. ماژولاریت کلاس 4 دارای چگالی نمودار نسبتاً بالا و کمترین مرکزیت است که نشان می دهد گره ها بیشتر به یکدیگر متصل هستند، اما نه جوامع اصلی با جریان ترافیک بالا.

6. نتیجه گیری تحقیق و بحث

در این مقاله، یک مدل مکعب مکانی-زمانی مبتنی بر شبکه فضایی ریزدانه معرفی شد، ما همبستگی مکانی و زمانی نقاط داغ شهری را بررسی کردیم و ساختار شهری را با استفاده از داده‌های مسیر تاکسی شناسایی کردیم. ما پنج منطقه اداری اصلی چنگدو را به یک شبکه 50 در 50 تقسیم کردیم و به ترتیب ویژگی‌های توزیع تاکسی، ویژگی‌های توزیع فضایی و ویژگی‌های توزیع متوسط ​​طول سفارشات تاکسی را مورد بحث قرار دادیم. ما بر روی داده‌های 200000 سفارش تاکسی کاوش نقطه‌های کانونی را انجام دادیم، مناطق فعال و مهم را در شهر جستجو کردیم و سپس ساختار جامعه را مطابق با شبکه فضایی استخراج کردیم. ما در مورد همبستگی بین نتایج تخمین چگالی هسته ایستگاه اتوبوس و داده های سفر تاکسی بحث کردیم. و سپس از الگوریتم کشف کانون فضایی برای کاوش شبکه داغ زمان های مختلف در شهر و ساخت شبکه ترافیک شهری پیچیده استفاده کرد. در مقایسه با نمایش گره های شبکه با تقسیمات اداری، شبکه فضایی مبتنی بر ذرات ریز می تواند از پاره شدن مسیرها جلوگیری کند و به حفاری گره های نماینده بیشتر در مناطق شهری کمک کند.
نتایج حاکی از آن است که ساعات پیک سفرهای تاکسی 13:00، 14:00 و 17:00 می باشد و ساکنین در ساعات ظهر و بعد از کار فعالیت بیشتری دارند. چگالی نظم اساساً ساختار دایره ای متحدالمرکز را ارائه می دهد که با افزایش فاصله از مرکز شهر کاهش می یابد. مکان هایی که مسافران برای تاکسی تماس می گیرند در امتداد جاده اصلی به حومه شهر گسترش یافته اند. سفارشات در مناطق شهری معمولاً سفرهای کوتاه مدت در عرض نیم ساعت است. مدت زمان سفارش در جنوب غربی چنگدو بیشتر و در شمال شرقی چنگدو کمتر است که با تراکم ایستگاه های اتوبوس نسبت معکوس دارد. نتایج خوشه‌بندی نشان می‌دهد که بیشتر سفارش‌ها از ناحیه داخل خط حلقه سوم می‌آید و تراکم در خط حلقه دوم بسیار بیشتر از ناحیه اطراف است. شبکه ترافیک شهری با ویژگی های شبکه پیچیده مطابقت دارد و ساختار جامعه آشکاری را ارائه می دهد. ماژولاریت کلاس 2 دارای مرکزیت و تراکم بالایی است. ما 400 شبکه را با روش شبکه ریزدانه به 6 جامعه تقسیم کردیم تا ویژگی های شبکه پیچیده تایید شود و اثر جزر و مد جمعیت شهری و همچنین جذب مناطق مسکونی به جمعیت در شب با نسبت جریان خالص پیدا شود. .
داده های نمونه برداری شده برای مطالعه ما باریک (7 روز) هستند و فصلی بودن ماه ها را نادیده می گیرند. کار آینده تعمیم پذیری مدل را افزایش خواهد داد. مدل‌ها را قادر می‌سازد تا محاسبات را خودکار/استاندارد کنند و تفاوت‌های روندها در ساختار شهری را در سری‌های زمانی مقایسه کنند.

پیوست الف. شبه کد الگوریتم هسته

الگوریتم 1: چارچوب تحلیل تعامل جریان ترافیک.
Ijgi 10 00227 i021

منابع

  1. ژانگ، اس. تانگ، جی. وانگ، اچ. وانگ، ی. An, S. افشای الگوهای سفر درون شهری و خدمات طیفی از مسیرهای تاکسی. J. Transp. Geogr. 2017 ، 61 ، 72-86. [ Google Scholar ] [ CrossRef ]
  2. یانگ، ز. فرانتس، ام ال. زو، اس. محمودی، ج. نصری، ع. Zhang, L. تجزیه و تحلیل تقاضای تاکسی واشنگتن دی سی با استفاده از GPS و داده های کاربری زمین. J. Transp. Geogr. 2018 ، 66 ، 35-44. [ Google Scholar ] [ CrossRef ]
  3. ژانگ، ا. شیا، سی. چو، جی. لین، جی. لی، دبلیو. Wu, J. به تصویر کشیدن منظر شهری: یک سیستم تجزیه و تحلیل کمی که در پانزده کلان شهر در چین اعمال می شود. حفظ کنید. جامعه شهرها 2019 ، 46 ، 101396. [ Google Scholar ] [ CrossRef ]
  4. زامبرانو-مارتینز، جی ال. Calafate، CT; سولر، دی. Cano, JC; مانزونی، ص. مدل‌سازی و توصیف جریان‌های ترافیکی در محیط‌های شهری. Sensors 2018 , 18 , 2020. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. وینز، دی. هولووت، تی. Helleboogh, A. مسیریابی پیش‌بینی خودرو با استفاده از سیستم‌های چند عامله. در مجموعه مقالات کنفرانس سیستم های حمل و نقل هوشمند IEEE 2007، Bellevue، WA، ایالات متحده، 30 سپتامبر تا 3 اکتبر 2007. صص 87-93. [ Google Scholar ]
  6. فولادگر، م. پرچمی، م. الماسری، ر. قادری، ع. شبکه های عصبی جریان ترافیک عمیق مقیاس پذیر برای پیش بینی تراکم ترافیک شهری. در مجموعه مقالات کنفرانس مشترک بین المللی 2017 در مورد شبکه های عصبی (IJCNN)، انکوریج، AK، ایالات متحده آمریکا، 14-19 مه 2017؛ صص 2251-2258. [ Google Scholar ]
  7. مکنزی، جی. رادیک، جی اف. Zito، R. ارزیابی HTM و LSTM برای پیش‌بینی کوتاه‌مدت جریان ترافیک شریانی. IEEE Trans. هوشمند ترانسپ سیستم 2018 ، 20 ، 1847-1857. [ Google Scholar ] [ CrossRef ]
  8. Alfeo، AL; Cimino، MGCA; ایگیدی، س. لپری، بی. Vaglini، G. تجزیه و تحلیل مبتنی بر انگ از نقاط داغ شهر برای کشف روندها و ناهنجاری ها در استفاده از حمل و نقل شهری. IEEE Trans. هوشمند ترانسپ سیستم 2018 ، 19 ، 2258–2267. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. هوانگ، اس اس. آهنگ، آر. تائو، ی. رفتار ساکنان شهری در انتخاب حالت سفر و عوامل مؤثر بر آن: پکن را به عنوان مثال در نظر بگیرید. اشتراک. ایستادن. 2008 ، 9 ، 1-5. [ Google Scholar ]
  10. لیو، جی. هان، ک. چن، XM; Ong، GP استنتاج مکانی-زمانی انتشارات ترافیک شهری بر اساس مسیرهای تاکسی و داده های شهری چند منبعی. ترانسپ Res. قسمت C Emerg. تکنولوژی 2019 ، 106 ، 145-165. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. ژائو، پی. کوان، نماینده مجلس؛ Qin, K. کشف الگوهای مکانی-زمانی انتشار CO 2 توسط تاکسی ها بر اساس سفر روزانه افراد. J. Transp. Geogr. 2017 ، 62 ، 122-135. [ Google Scholar ] [ CrossRef ]
  12. چن، ز. یانگ، ی. هوانگ، ال. وانگ، ای. لی، دی. کشف الگوهای انتشار تراکم ترافیک شهری با داده‌های مسیر تاکسی. دسترسی IEEE 2018 ، 6 ، 69481–69491. [ Google Scholar ] [ CrossRef ]
  13. چن، اس. تائو، اچ. لی، ایکس. Zhuo، L. تشخیص الگوهای تجاری شهری با استفاده از مدل اطلاعات معنایی پنهان: مطالعه موردی تکامل مکانی-زمانی در گوانگژو، چین. PLoS ONE 2018 , 13 , e0202162. [ Google Scholar ] [ CrossRef ]
  14. تسکریس، تی. Geroliminis، N. اندازه شهر، ساختار شبکه و تراکم ترافیک. J. شهری اقتصاد. 2013 ، 76 ، 1-14. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. ژائو، ایکس. ژانگ، ی. لیو، اچ. وانگ، اس. کیان، ز. هو، ی. یین، بی. شناسایی باندهای جیب بر در اتوبوس با داده های کارت هوشمند. IEEE Intell. ترانسپ سیستم Mag. 2019 ، 11 ، 181-199. [ Google Scholar ] [ CrossRef ]
  16. ژانگ، ال. لو، جی. ژو، جی. ژو، جی. لی، ی. Wan, Q. تحلیل و پیش‌بینی تکامل پویای روز به روز Complexities برای شبکه سفر تاکسی دیدی بر اساس نظریه شبکه پیچیده. مد. فیزیک Lett. B 2018 , 32 , 1850062. [ Google Scholar ] [ CrossRef ]
  17. هینکس، اس. کینگستون، آر. وب، بی. Wong, C. طبقه‌بندی جدید ژئودموگرافیک جریان‌های رفت و آمد برای انگلستان و ولز. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 663-684. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. چانگ، Hw; تای، Yc; Hsu، JYj پیش‌بینی نقاط حساس تقاضای تاکسی آگاه از زمینه. بین المللی اتوبوس جی. هوشمند حداقل داده 2010 ، 5 ، 3-18. [ Google Scholar ] [ CrossRef ]
  19. کای، جی. هوانگ، بی. Song, Y. استفاده از داده های بزرگ جغرافیایی چند منبعی برای شناسایی ساختار شهرهای چند مرکزی. سنسور از راه دور محیط. 2017 ، 202 ، 210-221. [ Google Scholar ] [ CrossRef ]
  20. تانگ، جی. لیو، اف. وانگ، ی. وانگ، اچ. کشف تحرک انسان شهری از داده های جی پی اس تاکسی در مقیاس بزرگ. فیزیک یک آمار مکانیک. Appl. 2015 ، 438 ، 140-153. [ Google Scholar ] [ CrossRef ]
  21. یانگ، جی. یی، دی. لیو، جی. لیو، ی. ژانگ، جی. ویژگی‌های تغییر فضایی-زمانی ناهمگونی گره‌ها در شبکه‌های تعامل فضایی جهت‌یافته و وزن‌دار: مطالعه موردی در جاده کمربندی ششم پکن، چین. پایداری 2019 ، 11 ، 6359. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. ژائو، اس. ژائو، پی. Cui، Y. چارچوب اندازه گیری مرکزیت شبکه برای تجزیه و تحلیل جریان ترافیک شهری: مطالعه موردی ووهان، چین. فیزیک یک آمار مکانیک. Appl. 2017 ، 478 ، 143-157. [ Google Scholar ] [ CrossRef ]
  23. حامد مقدم رفعتی، ح. Steponavice، I.; رمضانی، م. صابری، م. تحلیل شبکه پیچیده ساختار کلان سفرهای تاکسی. IFAC PapersOnLine 2017 ، 50 ، 9432–9437. [ Google Scholar ] [ CrossRef ]
  24. کوتلا، بی. نوات، ن. لانگا، ن. بررسی توزیع جغرافیایی موضوعات تحقیقاتی حمل و نقل مرتبط با کووید-19 با استفاده از رویکرد شبکه متنی. حفظ کنید. جامعه شهرها 2021 , 67 , 102729. [ Google Scholar ] [ CrossRef ]
  25. خو، آر. یانگ، جی. Qu، Z. چن، ی. لیو، جی. شانگ، ال. لیو، اس. Ge، Y. چانگ، جی. اجزای شهر – رابطه منطقه و الگوی تنوع: به سوی درک بهتر ساختار شهری. حفظ کنید. جامعه شهرها 2020 , 60 , 102272. [ Google Scholar ] [ CrossRef ]
  26. لی، ال. یانگ، ال. زو، اچ. دای، آر. تحلیل اکتشافی تحرک انسانی درون شهری ووهان با استفاده از داده های ورود به شبکه های اجتماعی. PLoS ONE 2015 , 10 , e0135286. [ Google Scholar ] [ CrossRef ]
  27. چوانگ چانگ، پ. تینناکول، او. Tongkumchum، P. مدل‌سازی رشد شهری در طول زمان با استفاده از روش دیجیتالی شبکه‌ای با عوامل تورم واریانس اعمال شده برای همبستگی فضایی. عرب جی. ژئوشی. 2016 ، 9 ، 342. [ Google Scholar ] [ CrossRef ]
  28. لی، جی. چن، اس. چن، دبلیو. آندرینکو، جی. آندرینکو، ن. معناشناسی مکعب فضا-زمان. چارچوبی مفهومی برای تحلیل سیستماتیک متون در فضا و زمان. IEEE Trans. Vis. محاسبه کنید. نمودار. 2018 ، 26 ، 1789-1806. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. Langran, G. مروری بر تحقیقات پایگاه داده زمانی و استفاده از آن در کاربردهای GIS. بین المللی جی. جئوگر. Inf. سیستم 1989 ، 3 ، 215-232. [ Google Scholar ] [ CrossRef ]
  30. Leskovec، J. کلینبرگ، جی. فالوتسوس، سی. تکامل نمودار: متراکم شدن و کوچک شدن قطرها. ACM Trans. بدانید. کشف کنید. داده ها (TKDD) 2007 ، 1 ، 2-es. [ Google Scholar ] [ CrossRef ]
  31. گیروان، م. نیومن، MEJ ساختار جامعه در شبکه های اجتماعی و بیولوژیکی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2002 ، 99 ، 7821-7826. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. ژائو، پی. لیو، ایکس. شن، جی. چن، ام. روش خوشه‌بندی مبتنی بر فاصله شبکه و پارتیشن بندی نمودار برای بهبود دقت تشخیص نقاط حساس شهری. Geocarto Int. 2019 ، 34 ، 293-315. [ Google Scholar ] [ CrossRef ]
  33. آنسلین، ال. Lozano-Gracia، N. مدل های لذت جوی فضایی. در کتاب پالگریو اقتصاد سنجی ; Springer: برلین/هایدلبرگ، آلمان، 2009; صص 1213-1250. [ Google Scholar ]
  34. Guo، Xl; مدلسازی شبکه جاده شهری Lu، ZM و شبکه تاکسی بر اساس نظریه شبکه پیچیده. J. Inf. مخفی کردن Multimed. فرآیند سیگنال 2016 ، 7 ، 558-568. [ Google Scholar ]
  35. گچ، او. Hao, JK بهبود الگوریتم Louvain برای تشخیص جامعه با به حداکثر رساندن مدولاریت. در مجموعه مقالات کنفرانس بین المللی تکامل مصنوعی (Evolution Artificielle)، بوردو، فرانسه، 21 تا 23 اکتبر 2013. Springer: برلین/هایدلبرگ، آلمان، 2013; صص 145-156. [ Google Scholar ]
  36. ژانگ، ی. چن، ن. دو، دبلیو. یائو، اس. ژنگ، ایکس. مدل جدید انتشار جغرافیایی زنجیره تکامل رویداد بر اساس افکار عمومی و جفت همه گیر. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 , 17 , 9235. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  37. کلاوزت، ا. نیومن، MEJ; مور، سی. یافتن ساختار جامعه در شبکه های بسیار بزرگ. فیزیک Rev. E 2004 , 70 , 066111. [ Google Scholar ] [ CrossRef ][ Green Version ]
  38. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  39. Anselin, L. نمودار پراکندگی موران به عنوان یک ابزار ESDA برای ارزیابی ناپایداری محلی در فضایی. تف کردن مقعدی 1996 ، 4 ، 111. [ Google Scholar ]
  40. Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
  41. پنگ، سی. جین، ایکس. وانگ، کی سی. شی، م. Liò, P. الگوی تحرک جمعی انسان از سفرهای تاکسی در منطقه شهری. PLoS ONE 2012 ، 7 ، e34487. [ Google Scholar ]
  42. باستیان، م. هیمن، اس. Jacomy, M. Gephi: یک نرم افزار متن باز برای کاوش و دستکاری شبکه ها. در مجموعه مقالات کنفرانس بین المللی AAAI در وب و رسانه های اجتماعی، سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 18 تا 20 مه 2009. [ Google Scholar ]
  43. دوریان، پ. لوید، پی. Mrvar, A. پارتیشن بندی شبکه های دو حالته امضا شده بزرگ: مشکلات و چشم اندازها. Soc. شبکه 2013 ، 35 ، 178-203. [ Google Scholar ] [ CrossRef ]
  44. رودیگر، اس. پلیچ، آ. ساگوئز، اف. سوکولوف، IM; کورثز، جی. اپیدمی با عفونت‌پذیری جهش‌یافته در شبکه‌های جهان کوچک. علمی جمهوری 2020 ، 10 ، 1-11. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  45. دی مونتس، ا. کاچیلی، اس. Chessa، A. شبکه های رفت و آمد و تشخیص جامعه: روشی برای برنامه ریزی مناطق زیر منطقه ای. یورو فیزیک J. Spec. بالا. 2013 ، 215 ، 75-91. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00227 g001 550
شکل 1. توزیع چگالی هسته نقطه ای و بیضی جهت.
Ijgi 10 00227 g002 550
شکل 2. مدل مکعب فضا-زمان (سمت چپ زیرشکل a است که مدل مکعب را نشان می دهد و سمت راست زیرشکل b است که برش لایه را نشان می دهد).
Ijgi 10 00227 g003 550
شکل 3. نمودار جریان روش.
Ijgi 10 00227 g004 550
شکل 4. ترموگرام سفارشات تاکسی.
Ijgi 10 00227 g005 550
شکل 5. ترموگرام فرکانس سفر. (نقاط فرعی ( A ) توزیع تراکم سفارش، نمودار فرعی ( B ) میانگین توزیع طول سفارش و نمودار فرعی ( C ) توزیع تراکم حمل و نقل عمومی را نشان می دهد.
Ijgi 10 00227 g006 550
شکل 6. توزیع نسبت جریان خالص فضایی در چهار دوره زمانی. (چهار بازه زمانی 7:00 تا 9:00 صبح، 12:00 تا 2:00 بعد از ظهر، 6:00 تا 8:00 بعد از ظهر و 9:00 تا 11:00 بعد از ظهر است).
Ijgi 10 00227 g007 550
شکل 7. خوشه بندی فضایی و تجزیه و تحلیل نقاط پرت. (نقشه فرعی فوق تصویر سنجش از دور هر ناحیه خوشه بندی است و نمودار فرعی زیر نتیجه تشخیص فضایی است).
Ijgi 10 00227 g008 550
شکل 8. ساختار جامعه و ویژگی های دنیای کوچک شبکه جریان ترافیک. (تراکم نمودار 0.115، میانگین درجه 45.788، و میانگین درجه وزنی 513.745 است؛ کلاس نیز در این مقاله به عنوان جامعه نامیده می شود).
Ijgi 10 00227 g009 550
شکل 9. میدان بردار جهت شبکه جریان ترافیک و مشخصه های بدون مقیاس. (فلش ها جهت مبدا-مقصد (OD) شبکه های مختلف را نشان می دهند، فلش هایی با رنگ های مختلف نشان دهنده جوامع مختلف هستند، بزرگ ترین چهار جامعه با رنگ های مشابه شکل 8 و بقیه جوامع با رنگ سیاه نشان داده شده اند).
Ijgi 10 00227 g010 550
شکل 10. نمایش درجه گره شبکه. (مقادیر درجه مکان برای شناسه گره ها در حدود 200 در نزدیکی مرکز شهر بالاتر است، که با نتایج شکل 8 مطابقت دارد ، جایی که گره های مرکز شهر بیشترین ترافیک را دارند و ویژگی های بدون مقیاس را نشان می دهند).
Ijgi 10 00227 g011 550
شکل 11. خصوصیات بدون مقیاس و تحلیل جریان شبکه ذرات ریز.
Ijgi 10 00227 g012 550
شکل 12. مقایسه صفات چهار جامعه مدولاریتی در شبکه ترافیک.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید