خلاصه

عملکرد اجتماعی مناطق مورد علاقه (AOIs) برای شناسایی منطقه‌بندی عملکردی شهری و طبقه‌بندی کاربری زمین، که موضوع داغ در زمینه‌های مختلف مانند برنامه‌ریزی شهری و حوزه‌های شهر هوشمند بوده است، بسیار مهم است. اکثر مطالعات موجود در مورد منطقه بندی عملکردی شهری و طبقه بندی کاربری اراضی یا عمدتاً بر روی تصاویر سنجش از دور با فرکانس پایین تکیه می کنند که به دلیل محدودیت در مقیاس فضایی به سطح بلوک محدود می شوند یا از دقت پایین و عدم اطمینان بالا در هنگام استفاده از داده های دینامیکی رنج می برند. به عنوان رسانه های اجتماعی و داده های ترافیکی. این مقاله یک رویکرد طیف ساعت-روز (HDS) را برای تولید شش نوع شکل موج توزیع نقاط تحویل و رها کردن تاکسی پیشنهاد می‌کند که به عنوان شاخص‌های تفسیری عملکردهای اجتماعی AOIها عمل می‌کنند. برای رسیدن به این هدف، ما ابتدا نظافت ریزدانه نقاط سقوط را انجام دادیم تا خطاهای مکانی ناشی از رانندگان تاکسی را از بین ببریم. در مرحله بعد، بافر و خوشه بندی فضایی برای بررسی ارتباط بین رفتار سفر و AOI ها ادغام شدند. سوم، شناسایی انواع AOI با استفاده از روش استاندارد HDS همراه با الگوریتم k-nearest همسایه (KNN) انجام شد. در نهایت، برخی از آزمون‌های تطبیق با شاخص‌های شباهت یک HDS استاندارد و نمونه HDS، یعنی تابع هسته گاوسی و ضریب پیرسون، برای اطمینان از صحت تطابق انجام شد. این آزمایش در مناطق چونگ چوان و گانگژا، نانتونگ، استان جیانگ سو، چین انجام شد. با آموزش 50 نمونه AOI، شش نوع HDS استاندارد مناطق مسکونی، مدارس، بیمارستان ها و مراکز خرید به دست آمد. سپس 108 نمونه AOI مورد آزمایش قرار گرفتند. و دقت کلی 90.74 درصد یافت شد. این رویکرد خدمات ارزش افزوده مسیر تاکسی را تولید می کند و یک به روز رسانی مداوم و روش تکمیلی دقیق را برای شناسایی انواع کاربری زمین ارائه می دهد. علاوه بر این، این رویکرد شی گرا و مبتنی بر AOI است و می تواند با تفسیر تصویر و روش های دیگر برای بهبود اثر شناسایی ترکیب شود.

کلید واژه ها:

عملکرد اجتماعی ؛ AOI ; نوع کاربری زمین ؛ پهنه بندی عملکردی شهری ; فراگیری ماشین

1. معرفی

پهنه بندی عملکردی شهری به تقسیم مناطق بر اساس کارکردهای غالب یک شهر اطلاق می شود که یک کل ارگانیک با عملکردهای نسبتاً مستقل و ارتباطات متقابل است. نوع کاربری اراضی به یک واحد منابع زمین با همان حالت کاربری اراضی اطلاق می شود و این واحد منطقه ای اساسی است که منعکس کننده استفاده، مالکیت و قانون توزیع است. مناطق شهری مورد علاقه (AOIs) به واحدهایی با عملکرد اجتماعی اطلاق می شود که توجه انسان ها را به خود جلب می کند. به عنوان یک واحد اساسی در پهنه بندی عملکردی شهری و انواع کاربری اراضی، شناسایی انواع عملکرد اجتماعی AOIها نقش مهمی در طبقه بندی کاربری اراضی و تقسیم بندی عملکردی شهری ایفا می کند [ 1 ، 2 ].]. شناسایی و نوسازی مناطق عملکردی شهری و انواع کاربری زمین نیز از موضوعات تحقیقاتی داغ با کاربردهای گسترده از حمل و نقل، برنامه ریزی شهری و شهرهای هوشمند است [ 3 ]. با این حال، مطالعات کمی بر شناسایی عملکردهای اجتماعی AOI با استفاده از داده‌های سفر پویا مانند مسیرهای GPS متمرکز شده‌اند. به طور کلی توافق شده است که مطالعات موجود در مورد شناسایی انواع کاربری اراضی و پهنه بندی عملکردی شهری عمدتا بر اساس بررسی های میدانی [ 4 ]، تصاویر سنجش از دور [ 5 ، 6 ، 7 ، 8 ] و داده های رسانه های اجتماعی، مانند Sina Weibo است. [ 9 ]، داژونگ دیانپینگ [ 10 ]، توییتر [ 11] و داده های نقاط مورد علاقه (POI).
روش‌های مبتنی بر بررسی‌های میدانی در حال حاضر بالاترین دقت مکانی را دارند، اما این روش‌ها زمان‌بر و غیرمولد هستند. به عنوان مثال، سومین پروژه ملی نقشه برداری زمین در چین در دو سال تکمیل خواهد شد، در حالی که دو کار قبلی را می توان به سال های 2009 و 1996 ردیابی کرد [ 4 ]. بسیاری از تصاویر سنجش از دور برای تشخیص کاربری زمین، از جمله تصاویر نور شبانه [ 12 ]، تصاویر Landsat [ 13 ]، و تصاویر فراطیفی [ 14 ] وجود دارد. به دلیل وضوح فضایی کم، تصاویر نور شبانه برای تخمین مناطق ساخته شده و تراکم ساختمان در مقیاس های بزرگ مناسب تر هستند [ 15 ]. حتی ماهواره جدید، Luojia1-01، تنها دارای تفکیک مکانی 130 متر است [ 12 ]]. Landsat به طور گسترده ای به عنوان یک منبع داده جهانی رایگان استفاده می شود. با این حال، از آنجایی که با وضوح فضایی 30 متر و دوره نمونه‌برداری مجدد 16 روز محدود می‌شود، کاربرد فضا-زمان داده‌های آن تنها می‌تواند در سطح بلوک باشد، که بازده تشخیص تصاویر فراطیفی بسیار بهتر است. از لندست [ 16 ]. با این حال، سرعت پردازش آهسته و پدیده هیوز که ناشی از چند بعدی بودن تصاویر است، کاربرد گسترده فناوری فراطیفی را محدود می کند [ 17 ]. به طور کلی طبقه بندی تصاویر سنجش از دور بر اساس پیکسل است. حتی روش های شی گرا فقط می توانند برای شناسایی اشیاء همگن استفاده شوند [ 18]. با این حال، هنگامی که شی از ویژگی های طیفی متعدد تشکیل شده است، در فرآیند تشخیص مشکلاتی وجود دارد.
مطالعات شناسایی ناحیه عملکردی بر اساس داده‌های POI نیز اخیراً ظاهر شده‌اند که عمدتاً بر طبقه‌بندی POI [ 19 ]، تجزیه و تحلیل چگالی و توزیع فضایی انواع خاصی از POI، و پارتیشن‌های عملکردی همراه با تصاویر سنجش از دور تمرکز دارند [ 20 ]. ]. محدودیت اصلی این است که برخی از POI ها بر اساس اطلاعات جغرافیایی داوطلبانه به دست می آیند و تضمین کیفیت داده ها سخت است [ 21 ]. مطالعات نشان داده اند که الگوهای ترافیکی ارتباط نزدیکی با منطقه بندی عملکردی شهری دارند [ 22 ، 23 ]. تحرک جمعیت و رفتار سفر موضوعات اساسی در جامعه شناسی، جغرافیا و حمل و نقل است [ 24 ، 25 ]]. به طور کلی توافق بر این است که فعالیت های انسانی دارای قاعده مندی قوی هستند و بیشتر آنها قابل پیش بینی هستند [ 26 ، 27 ]. به عنوان مثال، تضعیف مکانی-زمانی سفر در مقیاس بزرگ از توزیع قانون توان یا توزیع قانون قدرت کوتاه شده نمایی [ 28 ، 29 ] پیروی می کند، در حالی که یک سفر منفرد عمدتاً از توزیع نمایی پیروی می کند [ 30 ]. در عین حال، قانون اول جغرافیا توسط توبلر به همان اندازه برای قانون سفر انسان [ 31 ] قابل اجرا است، که همچنین قوانین خاصی مانند فروپاشی فاصله در فضا را نشان می دهد [ 32 ].
جدای از مجموعه داده های ذکر شده در بالا، داده های سفر مانند داده های ارز [ 28 ]، داده های تلفن همراه [ 29 ، 33 ]، داده های کارت اتوبوس مترو [ 34 ] و داده های شناور خودرو [ 35 ، 36 ] به طور گسترده در تجزیه و تحلیل سفر استفاده می شوند. رفتار. در این میان، داده‌های مسیر تاکسی‌ها موقعیت مکانی را نزدیک‌تر به مقصد ثبت می‌کنند که برای تحقیقات دقیق‌تر مناسب‌تر است. متداول‌ترین روش‌های مورد استفاده مجموعه داده‌های مسیر شامل روش‌های کشف نقطه داغ، مانند Getis-Ord (آمار Gi*) [ 37 ] و (تخمین چگالی هسته (KDE) [ 38 ]، و الگوریتم‌های مختلف خوشه‌بندی فضایی و بهینه‌سازی آن‌ها [38] است.39 ]، مانند k-means [ 40 ] و k-medoids [ 41 ] بر اساس تقسیم، یا خوشه بندی فضایی مبتنی بر چگالی برنامه های کاربردی با نویز (DBSCAN) [ 38 ] یا خوشه بندی با جستجوی سریع و یافتن پیک های چگالی (CFSFDP) ) [ 42 ] بر اساس چگالی. مطالعات موجود دانش نظری و روش‌شناختی را برای توصیف قوانین رفتار سفر ارائه می‌کند [ 43 ، 44 ]، که یک جزء مهم در مطالعات منطقه‌بندی عملکردی شهری است. ترکیب این روش‌های تحلیل پیشرفته با مسیرهای تاکسی و به‌کارگیری آن‌ها برای شناسایی نوع عملکرد اجتماعی AOI می‌تواند تجزیه و تحلیل دقیق‌تر و دقیق‌تری ارائه دهد [ 45 ، 46 ، 47 ]].
استخراج نقاط برداشت و رها کردن از مسیر خام یک فرآیند تصفیه شده از منظر رفتار سفر است. خوشه‌های نقاط تحویل و رها کردن معمولاً مبدأ یا مقصد تحرک انسان هستند و مکان‌های این خوشه‌ها اغلب نزدیک به برخی از AOI هستند. از منظر زمانی، اگر جریان ترافیک در ساعت را بر حسب روز بشماریم، طیف ساعت-روز (HDS) را رسم خواهیم کرد. هر خوشه دارای شش نوع HDS است، از جمله خروج کل، رها کردن تعطیلات، رها کردن روزهای هفته، کل جمع آوری، تحویل در تعطیلات، و بارگیری در روزهای هفته، که منعکس کننده نظم تغییر زمانی رفتار سفر است. با تطبیق همه شکل موج های هر خوشه با HDS استاندارد هر نوع AOI، می توانیم به طور خودکار انواع عملکرد اجتماعی AOI ها را شناسایی کنیم.
نوآوری های اصلی این مقاله عبارتند از:
(1) پیش پردازش داده های تمیز کردن مضاعف. پس از دو بار تمیز کردن، دقت فضایی نقاط برداشت و رها کردن تضمین می شود. این برای تجزیه و تحلیل رفتار سفر در سطح میکرو بهتر است. این عملیات تحقیقات سفر را از کلان به خرد، از سطح شهر به سطح بلوک و از سطح جامعه به سطح ساختمان جهش می دهد. تجزیه و تحلیل بافر همراه با DBSCAN به طور خودکار نقاط برداشت و رها را طبقه بندی می کند. هر خوشه می تواند به طور خودکار با یک AOI همسایه مرتبط شود تا وابستگی نقاط به AOI مشخص شود.
(2) یک روش از بالا به پایین برای شناسایی خودکار AOI طراحی شده است. این روش بر شش نوع HDS AOI تکیه دارد. HDS استاندارد AOI با تجزیه و تحلیل زمانی در نقاط برداشت و رها کردن به دست می آید و سپس عملکرد اجتماعی AOI با تکنیک تطبیق طیف مشخص می شود.
(3) تشخیص شکل موج با استفاده از روش تطبیق الگوی HDS تابع هسته گاوسی به دست می آید. در مقایسه با روش مبتنی بر شباهت کسینوس و ضریب همبستگی پیرسون، دقت تشخیص به وضوح بهبود یافته است و نرخ به 90.74٪ افزایش یافته است.
این روش فقط به داده های مسیر تاکسی ها نیاز دارد و شناسایی خودکار نوع عملکردی بدون افزودن حسگرها و منابع داده جدید قابل انجام است. از آنجا که مسیر در هر شهر به طور مداوم در سیستم های حمل و نقل هوشمند (ITS) به روز می شود، اجرای این طرح می تواند به نظارت بلندمدت و پویا بر عملکردهای اجتماعی AOI ها دست یابد. نتایج را می توان به تنهایی یا در ترکیب با سایر طرح ها برای تکمیل شناسایی ناحیه عملکردی شهری مورد استفاده قرار داد.
بقیه مقاله به شرح زیر تنظیم شده است. بخش 2 روش شناسی را ارائه می دهد. منطقه مورد مطالعه و پیش پردازش داده ها، و همچنین نتایج و تجزیه و تحلیل، در بخش 3 معرفی شده است. سپس، بحث در بخش 4 رخ می دهد . در نهایت، نتیجه گیری و کار آینده در بخش 5 پوشش داده شده است.

2. روش شناسی

AOI را می توان به عنوان بخش مهمی از انواع کاربری زمین در نظر گرفت و شناسایی نوع عملکرد اجتماعی آن یک موضوع داغ است. این مقاله تلاش می‌کند تا انواع عملکرد اجتماعی AOI را از طریق داده‌کاوی مکانی-زمانی مسیرهای GPS تاکسی شناسایی کند. در این بخش اصل و اجرای روش طبقه بندی نظارت شده به تفصیل معرفی می شود.

2.1. منطقه مطالعه

منطقه مورد مطالعه در شکل 1 ارائه شده است. همه آزمایش‌ها در مناطق چونگ‌چوان و گانگژا انجام شد که حدود 234 کیلومتر مربع را پوشش می‌دهند و جمعیت دائمی آن 0.884 میلیون نفر در سال 2017 بود. این مناطق مناطق شهری اصلی سنتی نانتانگ هستند و نانتانگ شهر سطح استان در استان جیانگ سو است. ، چین در کرانه شمالی رودخانه یانگ تسه واقع شده است. در سال 2018، نانتونگ رشد تولید ناخالص داخلی 8.95 درصدی را با مجموع حدود 842.7 میلیارد یوان داشت که در رتبه بیستم در کل کشور قرار گرفت. از آنجا که مترو در نانتونگ هنوز ساخته نشده است، اتوبوس ها و تاکسی ها راه های اصلی سفر برای جابجایی انسان شهری در حمل و نقل عمومی هستند. تاکسی نقش مهمی در زندگی شهروندان دارد. تعداد کل تاکسی ها در نانتونگ حدود 1200 و تعداد اتوبوس ها حدود 3000 تاکسی است.

2.2. چارچوب تحقیق

شکل 2 چارچوب تحقیق و وظایف مرتبط با این کار پیشنهادی را با جزئیات ارائه شده در زیر نشان می دهد.
  • استخراج و تمیز کردن نقاط تحویل و رها کردن مسیرهای GPS تاکسی. ابتدا داده های غیرعادی با موقعیت مکانی اشتباه یا مقدار خالی حذف می شوند و سپس نقاط رها شده مجدداً برای بهبود دقت مکانی پاک می شوند.
  • مرتبط کردن AOI با نقاط تحویل و رها کردن. ابتدا، تجزیه و تحلیل بافر و DBSCAN برای استخراج خوشه های تاکسی و نقاط رها کردن ترکیب می شوند. DBSCAN و تحلیل بافر فضایی برای ورودی های AOI با مدیریت بسته استفاده می شود، در حالی که تحلیل بافر برای ورودی های AOI با مدیریت باز استفاده می شود. در نهایت، نقاط تحویل و رها کردن با AOI ها مرتبط هستند.
  • آموزش شش طیف استاندارد ساعت-روز (SHDS) از هر نوع AOI.
  • شناسایی نوع عملکردی اجتماعی AOI بر اساس استاندارد HDS با الگوریتم KNN.
  • اعتبار سنجی روش با استفاده از داده های واقعی.

2.3. مرتبط کردن AOI با نقاط تحویل و رها کردن

در مقایسه با سایر حالت های سفر عمومی، تاکسی مانور پذیرترین و انعطاف پذیرترین است و نقاط خروج آن نسبتاً به مقصد نزدیک است. بر اساس روش‌های مختلف، مجموعه‌ای از نقاط سقوط نزدیک ورودی‌های AOI به عنوان داده‌های نمونه جمع‌آوری شد. ما از DBSCAN همراه با بافر فضایی در تحلیل ورودی های بسته و همچنین بافر فضایی به تنهایی در ورودی های باز استفاده کردیم.
مرزهای جاده توزیع نقاط سقوط را محدود می کند، بنابراین تنظیم اندازه بافر باید با توجه به عرض هر جاده متفاوت باشد. از آنجایی که خطای مکانی دستگاه GNSS پنج تا ده متر بود، به منظور گنجاندن نقاط ریزش بیشتر به منطقه حائل، عرض بافر عمود بر جاده با افزودن ده متر به عرض جاده تعیین شد.

2.3.1. ورودی های بسته

ورودی‌های بسته دارای صفحات در، تیرک دروازه‌ها، نرده‌ها و سایر اشیاء نمادین هستند، بنابراین ما خوشه‌بندی DBSCAN را برای نقاط جمع‌آوری و رها کردن در بافر انجام دادیم، نقاط نویز را در نتایج حذف کردیم و سپس انتخاب و رها کردن را مرتبط کردیم. خوشه های نقطه ای با AOI. در ترکیب با تجزیه و تحلیل بافر، ما عرض بافر موازی با جاده را با استفاده از چگالی نقطه افت مربوط به AOIها، همانطور که در شکل 3 نشان داده شده است، تعیین کردیم .
2.3.2. ورودی ها را باز کنید
برخی از AOI ها، مانند مراکز خرید، ورودی های قابل دسترسی واضحی ندارند، به این معنی که مردم می توانند از هر موقعیتی در طول جاده وارد یا خارج شوند. برای حذف خطای داده GPS، عرض بافر موازی با جاده با اضافه کردن ده متر به طول مرز AOI، همانطور که در شکل 4 نشان داده شده است، به دست آمد .

2.4. آموزش SHDS برای هر نوع AOI

2.4.1. مفهوم SHDS

انواع مختلفی از AOI وجود دارد، اما برای یک نوع خاص، ترکیب جمعیت نسبتا مشابه است، و بنابراین، مردم تمایل به سفر مسافت های کوتاه دارند. این بدان معنی است که قانون توزیع زمانی یک نوع AOI مشابه است. روزانه، بین روزهای هفته و تعطیلات تفاوت هایی وجود دارد. به عنوان مثال، مدارس ابتدایی و متوسطه فقط در روزهای هفته باز هستند، اما نقاط دیدنی در روزهای یکشنبه گردشگران بیشتری را به خود جذب می کنند. بیمارستان‌ها در تمام طول سال استراحت ندارند، و دارای توزیع نسبتاً متعادلی از جریان مردم هستند. در HDS، برخی از AOI ها چندین پیک در روز دارند. به عنوان مثال، دانش‌آموزان یک ساعت مدرسه ثابت دارند که منجر به پیک‌های صبح و عصر مربوطه در مناطق مسکونی می‌شود. تفاوت بین مناطق عملکردی، مانند اثر انگشت منحصر به فرد یک فرد، می تواند برای شناسایی انواع مختلف استفاده شود.
جریان مسافران را می توان با تعداد نقاط تحویل و تحویل در نزدیکی ورودی AOI بیان کرد. از این رو، طیف ساخته شده توسط این نقاط در هر دوره زمانی نشانه ای از ویژگی های خود AOI است. از نقطه نظر زمانی، HDS شامل تفاوت بین تعطیلات و روزهای هفته است. در عین حال، HDS شامل تفاوت‌هایی بین نقاط تحویل و تحویل است. بنابراین، HDS را می توان به شش نوع تقسیم کرد، که شامل کل تخلیه، تحویل تعطیلات، تحویل در روزهای هفته، کل وانت، وانت تعطیلات و تحویل در روزهای هفته است. ویژگی های فوق را می توان به صورت منحنی در یک سیستم مختصات دو بعدی توصیف کرد، یعنی محور افقی نشان دهنده ساعت 0-23 و محور عمودی نشان دهنده جریان افراد است که در این مقاله HDS نامیده می شود.
از آنجایی که انواع مشابه AOI دارای سیستم‌های اجتماعی و ویژگی‌های کاری مشابهی هستند، ویژگی‌های خود تقریباً یکسان هستند. تحت این شرایط، می توان از یک طیف استاندارد برای شناسایی ویژگی های چنین AOI ها استفاده کرد. مطابق با شش نوع HDS فوق الذکر، شش نوع طیف استاندارد را می توان تولید کرد که مجموعاً SHDS نامیده می شوند.
2.4.2. پیاده سازی
SHDS باید قانون اساسی همه AOIها را در این نوع بیان کند. از این رو، اطلاعات تنها یک مثال در نظر گرفته شده است، زیرا SHDS دارای ذهنیت و انحراف بیشتری است. برای به دست آوردن یک SHDS با جهانی بودن و تمایز قوی، این مقاله از روشی مبتنی بر نمونه‌گیری و درونیابی استفاده می‌کند. روند اجرا به شرح زیر است:
(1) ما نقاط برداشت و رها کردن را در هر بافر ورودی AOI استخراج می کنیم. علاوه بر این، با توجه به فیلد “زمان”، تعداد نقاط ساعتی در 24 ساعت به طور جداگانه برای محاسبه طیف بازه زمانی شمارش می شود، همانطور که در شکل 5 نشان داده شده است.
توزیع نقاط تحویل و رها کردن معمولاً ناهموار است. منطقه نزدیک به ورودی AOI ممکن است تراکم بالایی داشته باشد. الگوریتم DBSCAN به چگالی توزیع نقاط حساس است که می تواند خوشه های نقاط را استخراج کرده و نقاط نویز را حذف کند. از آنجایی که موقعیت پارک خودرو در اطراف ورودی بسته پراکنده است، از الگوریتم DBSCAN برای خوشه بندی نقاط سوار شدن و رهاسازی در بافر استفاده می شود، همانطور که در شکل 6 نشان داده شده است.
سپس، پس از استخراج دنباله کمی نقاط برداشت و رها کردن، مجموعه داده را می توان به موارد زیر تقسیم کرد: PP = { پپ1،پپ2،…،پپn} نشان دهنده نقاط برداشت است، HPP = { ساعتپپ1،ساعتپپ2،…،ساعتپپn} نشان دهنده نقاط دریافت در روزهای تعطیل است، WPP = { wپپ1،wپپ2،…،wپپn} نشان دهنده نقاط تحویل در روزهای هفته است، DP = { دپ1،دپ2،…،دپn} نشان دهنده نقاط سقوط است، HDP = { ساعتدپ1،ساعتدپ2،…،ساعتدپn} نشان دهنده نقاط سقوط در روزهای تعطیل است و WDP = { wدپ1،wدپ2،…،wدپn} نشان دهنده نقاط رها شدن در روزهای هفته است.
(2) با محاسبه طیف AOI با داده های توالی، دنباله طیفی اچDاسj(ک،ساعت){ s 1 , …, s i , …, s 24 } است که i عدد دنباله ای از طیف است (1 ≤ i ≤ 24)، j تعداد مثال ها، k تعداد کلاس ها، h است تعداد انواع طیفی، s i مقدار نقاط برداشت و رها کردن در زمان i است، و اچDاسj(ک،ساعت)اطلاعات طیفی مثال j از کلاس k AOI و کلاس h طیف را نشان می دهد.

(3) میانگین ساعت-روز-طیف آاچDاس(ک،ساعت)همانطور که در نشان داده شده است برای هر نوع AOI محاسبه می شود

آاچDاس(ک،ساعت)=1ن∑j=1ناچDاسj(ک،ساعت)

که در آن N تعداد کل نمونه های کلاس k است.

(4) همان نوع HDS ممکن است گاهی اوقات مقادیر غیر طبیعی داشته باشد، یعنی شکل طیفی نوسانات شدید را نشان می دهد. بنابراین لازم است نمونه برداری به صورت دوره ای انجام شود آاچDاس(ک،ساعت)با m برای کاهش تأثیر مقادیر غیر طبیعی. نتیجه آرهسآمترپله(ک،ساعت){ s 1 …، s i + m ، …، s 24 } است. برای اطمینان از جهانی بودن SHDS ها و حفظ تمایز HDS اصلی، m کمتر از 3 است.
(5) بعد طیف پس از نمونه برداری کمتر از 24 است، اما HDS AOI که باید شناسایی شود 24 بعد است. بنابراین، لازم است که درون یابی شود آرهسآمترپله(ک،ساعت)دنباله ای برای بازیابی آن با 24 بعد، و نتیجه درونیابی طیف استاندارد نهایی است اساچDاس(ک،ساعت).

2.5. شناسایی خودکار عملکرد اجتماعی AOI با KNN و SHDS

KNN یک روش رایج مورد استفاده در فناوری طبقه بندی داده کاوی است. در مقایسه با سایر الگوریتم‌های یادگیری ماشین، به ویژه برای پردازش چند طبقه‌بندی مناسب است. با این حال، در هنگام محاسبه شباهت بین نمونه و تمام نمونه های آموزشی، پیچیدگی زمانی زیادی دارد. از این رو، SHDS برای جایگزینی کل مجموعه نمونه استفاده می شود. این بدان معنی است که فقط شباهت کلی (فاصله) HDS و SHDS مربوطه باید محاسبه شود، که می تواند پیچیدگی الگوریتم را تا حد زیادی کاهش دهد.

2.5.1. مفهوم KNN

KNN به این معنی است که نزدیکترین k همسایه ها می توانند هر نمونه را نشان دهند. اگر نمونه ای دارای اکثریت k نزدیکترین همسایگان متعلق به یک نوع خاص در فضای ویژگی باشد، نمونه نیز به این نوع طبقه بندی می شود. در الگوریتم KNN، همسایگان انتخاب شده به درستی طبقه بندی شده اند. تصمیم طبقه بندی فقط به نوع نزدیکترین یک یا چند نمونه بستگی دارد.
مراحل زیر برای هر نقطه از مجموعه داده از نوع ناشناخته انجام می شود:
  • فاصله بین نقطه در نوع شناخته شده و نقطه فعلی محاسبه می شود.
  • فاصله ها به ترتیب صعودی مرتب شده اند.
  • k نقطه با کمترین فاصله از نقطه فعلی انتخاب می شود.
  • فرکانس وقوع نوع اولین k نقطه به دست می آید.
  • نوع با بالاترین فرکانس به عنوان طبقه بندی نقطه فعلی برگردانده می شود.
2.5.2. ترکیبی از KNN و SHDS
بین انواع مختلف HDS های AOI یکسان تفاوت هایی وجود دارد و همان نوع HDS انواع مختلف AOI نیز ممکن است متفاوت باشد. با این حال، برای یک نوع خاص از AOI، شکل شش HDS نسبتاً پایدار است، به این معنی که منحنی های طیفی را می توان جمع کرد و به عنوان شناسایی نوع AOI در نظر گرفت. تعداد نقاط برداشت و رها کردن نزدیک ورودی در توالی طیف ثبت می شود. با این حال، به دلیل تفاوت در زمان اکتساب و مناطق فضایی، هنگام محاسبه شباهت دنباله طیفی بر اساس عدد مطلق، خطا زیاد است و عناصر دنباله طیفی باید از قبل نرمال شوند. مراحل روش شناسایی به شرح زیر است:
  • روند آموزش SHDS

    توالی طیف به یک بردار 24 بعدی تبدیل شده و نرمال می شود و سپس شش SHDS از انواع مختلف AOI محاسبه می شود. فرمول نرمال سازی است

    v”=v-vمترمنnvمترآایکس-vمترمنn

    جایی که vشکل برداری این نوع SHDS را نشان می دهد، vمترمنnنشان دهنده حداقل مقدار بردار و vمترآایکسحداکثر مقدار بردار را نشان می دهد.

  • نوع AOI را مشخص کنید
    شباهت کسینوس، ضریب پیرسون و تابع هسته گاوسی به ترتیب به عنوان توابع شباهت (فاصله) KNN انتخاب شدند و بهترین آنها با توجه به حساسیت خود همبستگی SHDSهای AOI انتخاب شدند.

    مرحله بعدی شامل تبدیل توالی طیف AOI برای شناسایی به یک فرم برداری نرمال شده، محاسبه شباهت با بردار SHDS هر نوع، ادغام شش شباهت طیفی، و محاسبه شباهت کل به عنوان فاکتور فاصله در الگوریتم KNN است. فرمول محاسبه است

    جorrتیyپه_منک=اسمنمترمنلآrمنتیy(اساچDاستیyپه_منک، اچDاستیyپه_من)

    سک=جorrتیyپه_1ک+جorrتیyپه_2ک+جorrتیyپه_3ک+جorrتیyپه_4ک+جorrتیyپه_5ک+جorrتیyپه_6ک

    جایی که کنشان دهنده شاخص انواع AOI است، تیyپه_مننشان دهنده نوع طیف (مثلاً طیف روزهای هفته) است. سیorrتیyپه_منکنشان دهنده شباهت بین SHDS نوع_i و HDS است که باید شناسایی شود. و سکنشان دهنده شباهت کلی بین اچDاسk و اساچDاس.

3. نتیجه و تجزیه و تحلیل

به منظور اعتبارسنجی امکان‌سنجی رویکرد، 108 نمونه AOI به عنوان مجموعه‌های آزمایشی انتخاب شدند و از روش‌های مختلف محاسبه شباهت برای تأیید نتایج استفاده شد.

3.1. منطقه مطالعه و پیش پردازش داده ها

3.1.1. داده های مسیر تاکسی

داده‌های اصلی مسیرهای GPS تاکسی شامل حدود 1400 تاکسی از سپتامبر تا اکتبر 2018 در نانتونگ، چین بود که ویژگی‌های آنها شامل شماره پلاک، علامت تماس راننده، و طول و عرض جغرافیایی و غیره است، همانطور که در جدول 1 نشان داده شده است. به طور خاص، “زمان” زمانی را نشان می دهد که نقطه مسیر در آن ثبت می شود، “طول و عرض جغرافیایی” موقعیت جغرافیایی فعلی خودرو را نشان می دهد، “سرعت” سرعت فعلی خودرو را ثبت می کند و “جهت” نشان دهنده جهت فعلی است. اگر “State” خالی بماند، این نشان می دهد که هیچ مسافری در ماشین وجود ندارد.
فاصله زمانی نمونه برداری طراحی شده 30 ثانیه بود، اما در عمل کمتر از 30 ثانیه بود زیرا داده های سیگنال ناشی از تغییر وضعیت مسافر نیز جمع آوری شد. سپس اطلاعاتی را در مورد نقاط تحویل و تحویل با توجه به وضعیت خودرو استخراج کردیم. همانطور که در شکل 7 نشان داده شده است، هنگامی که وضعیت وسیله نقلیه از خالی به سنگین تغییر می کند، این نقطه سوار شدن است و بالعکس .

در عمل، رانندگان تاکسی پس از سوار شدن مسافران، وضعیت مسافر را تغییر می دهند که منجر به خطای نسبتاً کوچکی بین نقطه تحویل ثبت شده و نقطه تحویل واقعی می شود. با این حال، هنگام نزدیک شدن به مقصد، برخی از رانندگان از قبل وضعیت را تغییر می دهند و در نتیجه خطای قابل توجهی بین نقطه سقوط ثبت شده و نقطه سقوط واقعی ثبت شده ایجاد می شود. از این رو، این مقاله نقطه خالی را به عنوان نقطه رها کردن زمانی که حالت وسیله نقلیه از سنگین به خالی تغییر می کند و زمانی که فاصله بین این دو کمتر از 50 متر است، مشخص می کند. فرآیند تمیز کردن تضمین می کند که دقت موقعیت نقطه سقوط می تواند شناسایی ساختمان را درک کند. فرمول محاسبه فاصله در رابطه (5) نشان داده شده است، به عنوان مثال،

دمنس=آر·آrججoس[جoسβ1جoسβ2cos(α1-α2)+سمنnβ1سمنnβ2]

جایی که β1و β2زوایای عرض جغرافیایی هستند، α1و α2زوایای طول جغرافیایی هستند و آرشعاع زمین است.

3.1.2. داده های AOI

این مقاله از نانتونگ، چین به عنوان منطقه تحقیقاتی استفاده کرد. داده های AOI با استفاده از Amap API از طریق فناوری خزنده وب به دست آمد. ما چندین نوع مختلف AOI را برای داده های تجربی انتخاب کردیم، از جمله مراکز خرید، مدارس، بیمارستان ها و مناطق مسکونی ( شکل 8 ). جزئیات هر نوع AOI در جدول 2 نشان داده شده است. در این آزمایش، 50 نمونه در منطقه چونگ چوان به عنوان مجموعه آموزشی و 108 نمونه در منطقه گانگژا به عنوان مجموعه اعتبار سنجی انتخاب شدند.

3.2. نتایج آموزشی SHDSs

پنجاه نمونه AOI برای ساخت شش نوع HDS استفاده شد. با در نظر گرفتن کل کاهش HDS مناطق مسکونی به عنوان مثال، 78٪ از مناطق مسکونی در ساعت 10 صبح و 8 بعد از ظهر اوج دارند و نوسانات غیرعادی در HDS های مختلف وجود دارد، اما روند کلی یکسان بود. همانطور که در شکل 9 نشان داده شده است. سایر انواع AOI مانند مراکز خرید، مدارس و بیمارستان ها نیز دارای نظم و نوسانات غیرعادی مشابهی هستند.
SHDS توالی طیف متناظر هر نوع AOI محاسبه شد و نمونه برداری در نقاط فاصله انجام شد. در این آزمایش، m را برابر 1 قرار دادیم، به این معنی که در هر نقطه دیگر نمونه برداری انجام شد و به دنبال آن درون یابی انجام شد. پس از استانداردسازی نتایج SHDS ها، طیف استاندارد هر نوع بدست آمد که در شکل 10 نشان داده شده است.. از ضریب همبستگی پیرسون برای محاسبه همبستگی شش SHDSs هر نوع AOI استفاده شد. میانگین همبستگی مدارس، جوامع، بیمارستان ها و مراکز خرید 907/0، 743/0، 940/0 و 918/0 به دست آمد. هر SHDS از هر نوع AOI روند یکسانی را نشان می دهد. با در نظر گرفتن بیمارستان به عنوان مثال، اوج در ساعت 9 صبح و 3 بعد از ظهر وجود دارد. با در نظر گرفتن SHDS از نوع DP (نقاط سقوط) به عنوان مثال، همانطور که در شکل 11 نشان داده شده است ، روند طیف AOI های مختلف متفاوت است: دو قله در بیمارستان و سه قله در مدرسه هستند. SHDS منطقه مسکونی روند صعودی را نشان می دهد، در حالی که طیف دیگر پس از افزایش روند نزولی دارد.

3.3. شناسایی عملکردی اجتماعی AOI ها

شاخص های شباهت مناسب کلید روش تطبیق است که می تواند دقت شناسایی را بهبود بخشد. بنابراین، این مقاله سه شاخص شباهت مختلف را با هم مقایسه می‌کند.

3.3.1. شباهت کسینوس

هرچه زاویه بین دو بردار کوچکتر باشد، دو بردار شبیه تر هستند. شباهت کسینوس از این ایده نظری پیروی می کند. شباهت بین بردارها را با محاسبه کسینوس زاویه بین دو بردار اندازه گیری می کند. فرمول اشتقاق شباهت کسینوس به صورت نشان داده شده است

اسمنمترمنلآrمنتیy(ایکس،Y)=ایکس·Y”ایکس”×”Y”=∑من=1n(ایکسمن×yمن)∑من=1n(ایکسمن)2×∑من=1n(yمن)2

جایی که ایکسو Yبردارهایی را که باید محاسبه شوند را نشان دهید. ایکسمنرا نشان می دهد منعنصر ام در ایکس، و yمنرا نشان می دهد منعنصر ام در Yهمانطور که در شکل 12 نشان داده شده است.

3.3.2. ضریب همبستگی پیرسون

همبستگی پیرسون، همچنین به عنوان همبستگی تفاوت محصول (یا همبستگی محصول-لحظه) شناخته می شود، روشی برای محاسبه همبستگی است که توسط آماردان بریتانیایی پیرسون در قرن بیستم پیشنهاد شد. هر چه قدر مطلق ضریب همبستگی بزرگتر باشد، همبستگی قوی تر است. هر چه ضریب همبستگی به 1- یا 1 نزدیکتر باشد، درجه همبستگی قوی تر است و هر چه به 0 نزدیکتر باشد ضعیف تر است. به طور کلی، قدرت همبستگی متغیرها را می توان با استفاده از محدوده های زیر تعیین کرد: 0.8-1.0، همبستگی بسیار قوی. 0.6-0.8، همبستگی قوی. 0.4-0.6، همبستگی متوسط. 0.2-0.4، همبستگی ضعیف. 0.0-0.2، همبستگی بسیار ضعیف یا بدون همبستگی.

اسمنمترمنلآrمنتیy(ایکس،Y)=ρایکس،Y=جov(ایکس،Y)σایکسσY=E((ایکس-μایکس)(Y-μY))σایکسσY=E(ایکسY)-E(ایکس)E(Y)E(ایکس2)-E2(ایکس)E(Y2)-E2(Y)

جایی که Eنشان دهنده انتظارات ریاضی است، جovنشان دهنده کوواریانس و نتعداد متغیرها را نشان می دهد.

3.3.3. تابع هسته گاوسی

تابع هسته گاوسی به عنوان یک تابع یکنواخت از فاصله اقلیدسی بین تعریف می شود ایکسو Yدر فضا، و یک روش موثر برای محاسبه شباهت بین بردارها است. هر چه فاصله بیشتر باشد، تفاوت بین افراد بیشتر می شود. از این رو، این مقاله تابع هسته گاوسی را به عنوان شاخص شباهت می گیرد، مانند فرمول زیر، به عنوان مثال،

اسمنمترمنلآrمنتیy(ایکس،Y)=ه(-“ایکس-Y”22σ2)

جایی که هنشان دهنده لگاریتم طبیعی و σنشان دهنده انحراف معیار است.

از سه شاخص شباهت برای اعتبارسنجی SHDS های چهار نوع AOI استفاده شد، بنابراین دامنه مقادیر نتایج متفاوت است. سپس مقادیر خود همبستگی برای مقایسه نرمال شدند، همانطور که در شکل 13 ، شکل 14 و شکل 15 نشان داده شده است. نقشه حرارتی برای منعکس کردن شباهت SHDS های مختلف AOI استفاده شد. هرچه رنگ تیره تر باشد، شباهت بیشتری دارد. رنگ مورب اصلی، که مقادیر آن 1 است، تیره ترین است، که نشان می دهد همبستگی بین همان نوع HDS 100٪ است. ‘M’، ‘R’، ‘S’ و ‘H’ در نقشه ها به ترتیب نشان دهنده مراکز خرید، مناطق مسکونی، مدارس و بیمارستان ها هستند.
در نقشه حرارتی DP ضرایب همبستگی پیرسون، همانطور که در شکل 12 نشان داده شده است ، ضریب همبستگی بین SHDS منطقه مسکونی و مرکز خرید 0.36 است که یک همبستگی ضعیف را نشان می دهد، در حالی که ضریب همبستگی بین SHDS مرکز خرید و مرکز خرید بیمارستان 0.87 است که همبستگی بسیار قوی را نشان می دهد. بدیهی است که خود همبستگی ضریب همبستگی پیرسون در بین این سه مورد بالاترین است، بنابراین دقت تطبیق بر اساس آن به طور قابل توجهی کمتر از سایرین است. همچنین تحت تأثیر خود همبستگی قوی، نتیجه تطبیق بر اساس شباهت کسینوس ایده آل نیست و تنها 85.19٪ است. با تنظیم مقدار 2 σ2از تابع هسته گاوسی، می توان یک پارامتر مناسب برای افزایش درجه محدودیت تطابق متقابل HDS در طول شناسایی یافت. انتخاب وزن و مقایسه دقت در شکل 16 نشان داده شده است.
وقتی 2 σ2کمتر از 1.15 است، دقت روند صعودی را نشان می دهد. وقتی 2 σ2بزرگتر یا مساوی 1.15 و کمتر یا مساوی 1.52 باشد، دقت به مقدار اوج می رسد که 90.74 درصد است. وقتی 2 σ2بالاتر از 1.52 است، دقت به تدریج کاهش می یابد و در نهایت به 88.88٪ همگرا می شود، همانطور که در جدول 3 نشان داده شده است. بنابراین، ما تابع هسته گاوسی را انتخاب کردیم که در آن 2 σ2به عنوان شاخص شباهت 1.5 است.

4. بحث

نتایج شناسایی جزئی AOIهای به دست آمده از طریق روش پیشنهادی در جدول 4 نشان داده شده است ، که در آن دقت تجربی 90.74٪ است.
دلایل اصلی موارد نادرست به شرح زیر است:
  • تداخل متقابل بین انواع مختلف AOI
    AOI ها در واقع در سطوح مختلف هستند. به عنوان مثال، بیمارستان ها را می توان به چند سطح تقسیم کرد. هر چه سطح بالاتر باشد، تأثیر آن بیشتر است. اگر تفاوت سطح قابل توجهی بین دو AOI مجاور وجود داشته باشد، ممکن است منجر به انتساب نامشخص داده های مسیر اطراف شود. برای مثال، همانطور که در شکل 17 نشان داده شده است، اولین بیمارستان مردمی نانتونگ و اولین مدرسه راهنمایی نانتونگ در مجاورت یکدیگر قرار دارند .، اما تأثیر اولین بیمارستان مردمی بسیار قوی تر از مدرسه اول راهنمایی است. از این رو، بیشتر داده های مسیر نزدیک مدرسه به بیمارستان اختصاص داده شد، به این معنی که اطلاعات طیفی معمولی نبود. در این صورت می‌توان انباشت داده‌ها را برای یک دوره طولانی و استخراج داده‌ها با ناحیه بافر کوچک برای تحلیل داده‌های بزرگ را در نظر گرفت که یکی از برنامه‌های تحقیقاتی آینده است.
  • AOI ها تازه ساخته شده اند یا وضعیت غیر طبیعی دارند
    بررسی ارتباط بین AOI و رفتار سفر به یک سری از نقاط داده نیاز دارد. همانطور که در شکل 18 نشان داده شده است، برخی از ساختمان ها یا مناطق مسکونی تازه ساخته شده اند یا ممکن است برای عموم باز نباشند . به دلیل ضریب اشغال کم، تعداد نقاط رها شده برای پشتیبانی از تجزیه و تحلیل طیف ناکافی است. ورودی هر یک از AOI ها ممکن است نیاز به بازسازی داشته باشد، که همچنین می تواند منجر به وضعیت غیرعادی شود.
  • تاثیر موقعیت مکانی
    از نظر تئوری، هر چه به مرکز شهر نزدیکتر باشد، رونق بیشتری دارد و نظم و ترتیب قوی تر است. برعکس، وقتی به حاشیه شهر نزدیک می‌شویم، نظم ضعیف می‌شود.

5. نتیجه گیری ها

یک روش طبقه‌بندی نظارت شده از بالا به پایین در این مقاله با استفاده از نقاط تحویل و رها کردن تاکسی پویا برای شناسایی انواع عملکرد اجتماعی AOIها پیشنهاد شده است تا از شناسایی پارتیشن‌های کاربردی شهری پشتیبانی کند. ابتدا، داده‌های مسیر تاکسی برای جایگزینی شاخص ارزیابی رفتار سفر انسان استفاده شد و رابطه بین عملکرد اجتماعی AOI و رفتار سفر ایجاد شد. ارتباط قوی بین این دو مورد وجود داشت و SHDS از طریق نمونه های AOI به دست آمد. سپس با استفاده از روش‌های چندگانه SHDS و KNN، شناسایی و نظارت خودکار بر عملکرد اجتماعی AOIها اجرا شد. در نهایت دقت تجربی که تا 90.74 درصد بود با روش‌های مختلف تأیید شد. با توجه به جمع آوری مداوم داده های مسیر GPS تاکسی در بسیاری از شهرها، این راه حل به عنوان یک راه حل طولانی مدت موثر عمل خواهد کرد. در این میان اگر این روش با تفسیر تصویر و سایر روش های شناسایی ترکیب شود، می توان به نتایج بهتری دست یافت. در مقایسه با شهرهایی مانند شانگهای یا گوانگژو، نانتونگ در منطقه اصلی شهری خود جمعیت کمتری دارد، به این معنی که نانتانگ یک شهر کوچک است و انواع AOI به اندازه کافی غنی نیستند. اگر آزمایش بتواند در یک شهر بزرگ انجام شود، ممکن است به نتایج بهتری دست یابد. از آنجایی که بیشتر AOI ها در چین، مانند ساختمان ها و مناطق مسکونی، توسط دیوارها محصور شده اند و تنها از طریق یک یا چند ورودی قابل دسترسی هستند، این روش برای اکثر شهرهای چین به جای شهرهای دیگر با حالت مدیریت باز مناسب تر است. اگر این روش با تفسیر تصویر و سایر روش های شناسایی ترکیب شود، می توان به نتایج بهتری دست یافت. در مقایسه با شهرهایی مانند شانگهای یا گوانگژو، نانتونگ در منطقه اصلی شهری خود جمعیت کمتری دارد، به این معنی که نانتانگ یک شهر کوچک است و انواع AOI به اندازه کافی غنی نیستند. اگر آزمایش بتواند در یک شهر بزرگ انجام شود، ممکن است به نتایج بهتری دست یابد. از آنجایی که بیشتر AOI ها در چین، مانند ساختمان ها و مناطق مسکونی، توسط دیوارها محصور شده اند و تنها از طریق یک یا چند ورودی قابل دسترسی هستند، این روش برای اکثر شهرهای چین به جای شهرهای دیگر با حالت مدیریت باز مناسب تر است. اگر این روش با تفسیر تصویر و سایر روش های شناسایی ترکیب شود، می توان به نتایج بهتری دست یافت. در مقایسه با شهرهایی مانند شانگهای یا گوانگژو، نانتونگ در منطقه اصلی شهری خود جمعیت کمتری دارد، به این معنی که نانتانگ یک شهر کوچک است و انواع AOI به اندازه کافی غنی نیستند. اگر آزمایش بتواند در یک شهر بزرگ انجام شود، ممکن است به نتایج بهتری دست یابد. از آنجایی که بیشتر AOI ها در چین، مانند ساختمان ها و مناطق مسکونی، توسط دیوارها محصور شده اند و تنها از طریق یک یا چند ورودی قابل دسترسی هستند، این روش برای اکثر شهرهای چین به جای شهرهای دیگر با حالت مدیریت باز مناسب تر است. نانتونگ در منطقه شهری اصلی خود جمعیت کمتری دارد، به این معنی که نانتانگ یک شهر کوچک است و انواع AOI به اندازه کافی غنی نیستند. اگر آزمایش بتواند در یک شهر بزرگ انجام شود، ممکن است به نتایج بهتری دست یابد. از آنجایی که بیشتر AOI ها در چین، مانند ساختمان ها و مناطق مسکونی، توسط دیوارها محصور شده اند و تنها از طریق یک یا چند ورودی قابل دسترسی هستند، این روش برای اکثر شهرهای چین به جای شهرهای دیگر با حالت مدیریت باز مناسب تر است. نانتونگ در منطقه شهری اصلی خود جمعیت کمتری دارد، به این معنی که نانتانگ یک شهر کوچک است و انواع AOI به اندازه کافی غنی نیستند. اگر آزمایش بتواند در یک شهر بزرگ انجام شود، ممکن است به نتایج بهتری دست یابد. از آنجایی که بیشتر AOI ها در چین، مانند ساختمان ها و مناطق مسکونی، توسط دیوارها محصور شده اند و تنها از طریق یک یا چند ورودی قابل دسترسی هستند، این روش برای اکثر شهرهای چین به جای شهرهای دیگر با حالت مدیریت باز مناسب تر است.

منابع

  1. هو، ی. گائو، اس. یانوویچ، ک. یو، بی. لی، دبلیو. پراساد، اس. استخراج و درک مناطق شهری مورد علاقه با استفاده از عکس های دارای برچسب جغرافیایی. محاسبه کنید. محیط زیست سیستم شهری 2015 ، 54 ، 240-254. [ Google Scholar ] [ CrossRef ]
  2. ژو، تی. لیو، ایکس. کیان، ز. چن، اچ. تائو، F. به روز رسانی دینامیک و نظارت بر ورود AOI از طریق خوشه بندی مکانی-زمانی نقاط رها. پایداری 2019 ، 11 ، 6870. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  3. دو، ز. ژانگ، ایکس. لی، دبلیو. ژانگ، اف. لیو، آر. یک رویکرد مبتنی بر داده حمل و نقل چند وجهی برای شناسایی مناطق عملکردی شهری: اکتشاف بر اساس شهر هانگژو، چین. ترانس. GIS 2019 ، 1-19. [ Google Scholar ] [ CrossRef ]
  4. وانگ، جی. لین، ی. گلندینینگ، آ. Xu, Y. تغییرات کاربری زمین و تحول سیاست های زمین در فرآیندهای شهرنشینی چین. سیاست کاربری زمین 2018 ، 75 ، 375-387. [ Google Scholar ] [ CrossRef ]
  5. ژانگ، سی. سارجنت، آی. پان، X. لی، اچ. گاردینر، آ. هار، جی. اتکینسون، PM یک شبکه عصبی کانولوشن مبتنی بر شی (OCNN) برای طبقه‌بندی کاربری زمین شهری. سنسور از راه دور محیط. 2018 ، 216 ، 57-70. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. هوانگ، Q. هوانگ، جی. ژان، ی. کوی، دبلیو. یوان، ی. استفاده از شاخص‌های منظر و فرآیند تحلیل سلسله مراتبی (AHP) برای تعیین مقیاس فضایی بهینه الگوهای کاربری زمین شهری در ووهان، چین. علوم زمین آگاه کردن. 2018 ، 11 ، 567-578. [ Google Scholar ] [ CrossRef ]
  7. سیمواندا، م. مورایاما، Y. الگوهای فضایی و زمانی تغییر کاربری زمین شهری در شهر به سرعت در حال رشد لوزاکا، زامبیا: پیامدهایی برای توسعه شهری پایدار. حفظ کنید. جامعه شهرها 2018 ، 39 ، 262-274. [ Google Scholar ] [ CrossRef ]
  8. گائو، پی. وانگ، جی. ژانگ، اچ. انتخاب باند بدون نظارت مبتنی بر آنتروپی لی، زی بولتزمن برای طبقه بندی تصویر ابرطیفی. IEEE Geosci. سنسور از راه دور Lett. 2018 ، 16 ، 462-466. [ Google Scholar ] [ CrossRef ]
  9. لی، سی. ژانگ، ا. Qi، Q. سو، اچ. وانگ، جی. تحلیل فضایی-زمانی پویایی انسان در الگوهای کاربری زمین شهری با استفاده از داده های رسانه های اجتماعی بر اساس جنسیت. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 358. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  10. هوانگ، بی. ژو، ی. لی، ز. آهنگ، ی. کای، جی. Tu، W. ارزیابی و توصیف سرزندگی شهری با استفاده از داده های بزرگ فضایی: شانگهای به عنوان مطالعه موردی. محیط زیست پلان B مقعد شهری. علوم شهر 2019 ، 1-17. [ Google Scholar ] [ CrossRef ]
  11. جین، سی. نارا، ع. یانگ، جی. Tsou، MH اندازه‌گیری تشابه بر روی داده‌های تحرک انسان با شاخص شباهت ساختاری وزن‌دار فضایی (SpSSIM). ترانس. GIS 2019 ، 1-19. [ Google Scholar ] [ CrossRef ]
  12. ژو، تی. شی، دبلیو. لیو، ایکس. تائو، اف. کیان، ز. ژانگ، آر. یک رویکرد جدید برای پایش آنلاین خودرو-هیل با استفاده از داده‌های بزرگ فضایی و زمانی. دسترسی IEEE 2019 ، 7 ، 128936–128947. [ Google Scholar ] [ CrossRef ]
  13. برویر، ام. مصطفی، ع. Aliaga، DG; آرکامبو، پی. ارپیکوم، اس. نیشیدا، جی. ژانگ، ایکس. پیروتن، ام. تلر، جی. دیوال ها، ب. تأثیر الگوی شهری بر جریان طغیان در دشت های سیلابی رودخانه های دشت. علمی کل محیط. 2018 ، 622 ، 446-458. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  14. ملگانی، ف. Bruzzone, L. طبقه بندی تصاویر سنجش از دور ابرطیفی با ماشین های بردار پشتیبان. IEEE Trans. Geosci. Remote Sens. 2004 ، 42 ، 1778-1790. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  15. یی، ک. زنگ، ی. Wu, B. نقشه برداری و ارزیابی فرآیند، الگو و پتانسیل رشد شهری در چین. Appl. Geogr. 2016 ، 71 ، 44-55. [ Google Scholar ] [ CrossRef ]
  16. یوان، Q. ژانگ، ال. شن، اچ. حذف نویز تصویر فراطیفی با استفاده از مدل تنوع کلی تطبیقی ​​طیفی-فضایی. IEEE Trans. Geosci. Remote Sens. 2012 , 50 , 3660–3677. [ Google Scholar ] [ CrossRef ]
  17. نخل.؛ Foody, GM انتخاب ویژگی برای طبقه بندی داده های فراطیفی توسط SVM. IEEE Trans. Geosci. Remote Sens. 2010 , 48 , 2297–2307. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. چنگ، جی. هان، جی. بررسی تشخیص اشیا در تصاویر سنجش از دور نوری. ISPRS J. Photogramm. 2016 ، 117 ، 11-28. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. لیو، بی. شیونگ، اچ. پاپادیمیتریو، اس. فو، ی. یائو، زی. یک مدل عامل احتمالی جغرافیایی عمومی برای توصیه نقطه مورد علاقه. IEEE Trans. بدانید. مهندسی داده 2015 ، 27 ، 1167-1179. [ Google Scholar ] [ CrossRef ]
  20. یو، ی. ژوانگ، ی. بله، AG; Xie، J.-Y. ما، سی.-ال. لی، Q.-Q. اندازه گیری استفاده ترکیبی مبتنی بر POI و روابط آنها با سرزندگی محله بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 658-675. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. Goodchild، MF; Li, L. اطمینان از کیفیت اطلاعات جغرافیایی داوطلبانه. تف کردن آمار 2012 ، 1 ، 110-120. [ Google Scholar ] [ CrossRef ]
  22. ژو، ال. شی، س. ژانگ، سی. لی، کیو. تائو، اچ. شناسایی توابع ساختمان از تراکم جمعیت فضایی و زمانی و تعامل افراد در بین ساختمان ها. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 247. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  23. شن، جی. لیو، ایکس. چن، ام. کشف الگوهای مکانی و زمانی از داده‌های خودروهای شناور مبتنی بر تاکسی: مطالعه موردی از نانجینگ. GIsci. Remote Sens. 2017 , 54 , 617–638. [ Google Scholar ] [ CrossRef ]
  24. لو، ام. لیانگ، جی. وانگ، ز. یوان، X. کاوش الگوهای OD منطقه علاقه مند بر اساس مسیرهای تاکسی. J. Vis. 2016 ، 19 ، 811-821. [ Google Scholar ] [ CrossRef ]
  25. وانگ، ام. Mu, L. نابرابری های فضایی دسترسی Uber: تجزیه و تحلیل اکتشافی در آتلانتا، ایالات متحده. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 67 ، 169-175. [ Google Scholar ] [ CrossRef ]
  26. Jasny، BR; Stone, R. پیش بینی و حدود آن. Science 2017 ، 355 ، 468-469. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  27. کنگ، ایکس. شیا، اف. فو، ز. یان، ایکس. تولبا، ع. Almakhadmeh, Z. TBI2Flow: پیش‌بینی بلندمدت جریان مسافر تاکسی مبتنی بر اینرسی رفتاری سفر. شبکه جهانی وب 2019 ، 1 تا 25. [ Google Scholar ] [ CrossRef ]
  28. براکمن، دی. هافناگل، ال. Geisel, T. قوانین مقیاس پذیری سفر انسان. Nature 2006 , 439 , 462. [ Google Scholar ] [ CrossRef ]
  29. گونزالس، ام سی؛ هیدالگو، کالیفرنیا؛ برعباسی، ع.-ل. درک الگوهای حرکتی فردی Nature 2008 , 453 , 779. [ Google Scholar ] [ CrossRef ]
  30. لیانگ، ایکس. ژنگ، ایکس. Lv، W. زو، تی. Xu، K. مقیاس حرکت انسان توسط تاکسی ها به صورت تصاعدی است. فیزیک A 2012 , 391 , 2135-2144. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
  32. گائو، ی. لیو، جی. خو، ی. مو، ال. لیو، ی. یک مدل فاکتورسازی ماتریس غیرمنفی محدودیت فضایی-زمانی برای کشف الگوهای تحرک درون شهری از سفرهای تاکسی. پایداری 2019 ، 11 ، 4214. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. Demissie, MG; Phithakkitnukoon، S. کاتان، ال. فرهان، الف. درک الگوهای تحرک انسانی در یک کشور در حال توسعه با استفاده از داده های تلفن همراه. اطلاعات علمی J. 2019 ، 18 ، 1-13. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. هوانگ، جی. لیو، ایکس. ژائو، پی. ژانگ، جی. کوان، ام.-پی. تعاملات بین استفاده از اتوبوس، مترو و تاکسی قبل و بعد از جشنواره بهار چین. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 445. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  35. جیانگ، اس. گوان، دبلیو. او، ز. یانگ، ال. اندازه گیری دسترسی تاکسی با استفاده از روش مبتنی بر شبکه با داده های مسیر. Sustainability 2018 , 10 , 3187. [ Google Scholar ] [ CrossRef ][ Green Version ]
  36. پان، جی. چی، جی. وو، زی. ژانگ، دی. Li, S. طبقه بندی کاربری زمین با استفاده از ردیابی GPS تاکسی. IEEE Trans. هوشمند ترانسپ سیستم 2012 ، 14 ، 113-123. [ Google Scholar ] [ CrossRef ]
  37. Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
  38. استر، ام. کریگل، اچ.-پی. ساندر، جی. Xu, X. یک الگوریتم مبتنی بر چگالی برای کشف خوشه ها در پایگاه داده های فضایی بزرگ با نویز. در مجموعه مقالات دومین کنفرانس بین المللی کشف دانش و داده کاوی، پورتلند، OR، ایالات متحده آمریکا، 2 تا 4 اوت 1996. صص 226-231. [ Google Scholar ]
  39. ژنگ، ال. شیا، دی. ژائو، ایکس. تان، ال. لی، اچ. چن، ال. لیو، دبلیو. استخراج الگوی سفر فضایی-زمانی با استفاده از داده‌های عظیم مسیر تاکسی. فیزیک A 2018 , 501 , 24–41. [ Google Scholar ] [ CrossRef ]
  40. هارتیگان، جی. وانگ، الگوریتم MA AS 136: یک الگوریتم خوشه‌بندی k-means. JR Stat. Soc. سر. C (Appl. Stat.) 1979 ، 28 ، 100-108. [ Google Scholar ] [ CrossRef ]
  41. پارک، اچ.-اس. جون، سی.-اچ. یک الگوریتم ساده و سریع برای خوشه بندی K-medoids. سیستم خبره Appl. 2009 ، 36 ، 3336-3341. [ Google Scholar ] [ CrossRef ]
  42. رودریگز، آ. Laio، A. خوشه بندی با جستجوی سریع و یافتن قله های چگالی. Science 2014 ، 344 ، 1492-1496. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  43. گودمن، ا. Cheshire, J. نابرابری ها در سیستم اشتراک دوچرخه لندن بازبینی کردند: تأثیرات گسترش این طرح به مناطق فقیرتر اما سپس دو برابر شدن قیمت ها. J. Transp. Geogr. 2014 ، 41 ، 272-279. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. لاولیس، آر. گودمن، ا. آلدرد، آر. برکف، ن. عباس، ع. Woodcock, J. The Propensity to Cycle Tool: یک سیستم منبع باز آنلاین برای برنامه ریزی حمل و نقل پایدار. J. Transp. کاربری زمین 2016 ، 10 ، 505-528. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. لانگلی، پی. عدنان، ام. جمعیت شناسی جغرافیایی-زمانی توییتر. بین المللی جی. جئوگر. Inf. علمی 2015 ، 30 ، 369-389. [ Google Scholar ] [ CrossRef ]
  46. کمپینسکا، ک. لانگلی، پی. Shawe-Taylor، J. مناطق تعاملی در شهرها: ایجاد حس جریان در سراسر سیستم های شبکه ای. بین المللی جی. جئوگر. Inf. علمی 2018 ، 32 ، 1348–1367. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. باتی، ام. هوش مصنوعی و شهرهای هوشمند. محیط زیست طرح. B 2018 ، 45 ، 3-6. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00007 g001 550
شکل 1. منطقه مطالعه.
Ijgi 09 00007 g002 550
شکل 2. چارچوب این مقاله. افسانه: AOI، منطقه مورد علاقه.
Ijgi 09 00007 g003 550
شکل 3. بافر ورودی های بسته.
Ijgi 09 00007 g004 550
شکل 4. بافر ورودی های باز.
Ijgi 09 00007 g005 550
شکل 5. ساخت طیف ساعت-روز (HDS).
Ijgi 09 00007 g006 550
شکل 6. خوشه بندی نقاط سقوط در اطراف ورودی های بسته.
Ijgi 09 00007 g007 550
شکل 7. نمودار شماتیک نقاط سوار و تحویل مسافر.
Ijgi 09 00007 g008 550
شکل 8. توزیع نمونه های AOI.
Ijgi 09 00007 g009 550
شکل 9. HDS نمونه های AOI در برخی از مناطق مسکونی.
Ijgi 09 00007 g010 550
شکل 10. شش نوع طیف استاندارد ساعت-روز (SHDS) انواع مختلف AOI. افسانه: DP، نقاط سقوط. HDP، نقاط رها کردن تعطیلات؛ WDP، نقاط رها کردن روزهای هفته؛ PP، نقاط برداشت؛ HPP، نقاط تحویل تعطیلات؛ WPP، نقاط تحویل در روزهای هفته.
Ijgi 09 00007 g011 550
شکل 11. HDS انواع مختلف AOI (کل نقاط ریزش).
Ijgi 09 00007 g012 550
شکل 12. نمودار تشابه کسینوس.
Ijgi 09 00007 g013 550
شکل 13. خود همبستگی شباهت کسینوس. «M»، «R»، «S» و «H» به ترتیب نشان‌دهنده مراکز خرید، مناطق مسکونی، مدارس و بیمارستان‌ها هستند.
Ijgi 09 00007 g014 550
شکل 14. خود همبستگی ضریب همبستگی پیرسون.
Ijgi 09 00007 g015 550
شکل 15. خود همبستگی تابع هسته گاوسی.
Ijgi 09 00007 g016 550
شکل 16. روند دقت تابع هسته گاوسی.
Ijgi 09 00007 g017 550
شکل 17. تداخل متقابل بین AOIهای مجاور.
Ijgi 09 00007 g018 550
شکل 18. AOI با وضعیت غیر طبیعی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید