خلاصه

شبکه های اجتماعی مبتنی بر مکان (LBSNs) با افزایش استفاده از دستگاه های هوشمند به سرعت در چین غالب شده اند که طیف وسیعی از فرصت ها را برای تجزیه و تحلیل رفتار شهری از نظر استفاده از LBSN ها فراهم کرده است. در یک LBSN، کاربران با به اشتراک گذاشتن موقعیت مکانی خود (که به آن “موقعیت جغرافیایی” نیز گفته می شود) در قالب یک توییت (که به عنوان “check-in” نیز نامیده می شود) معاشرت می کنند، که حاوی اطلاعات در قالب است، اما محدود نیست. به، متن، صوت، ویدئو و غیره که مکان بازدید شده، الگوهای حرکتی و فعالیت های انجام شده (مانند غذا خوردن، زندگی، کار یا اوقات فراغت) را ضبط می کند. درک فعالیت‌ها و رفتار کاربر در فضا و زمان با استفاده از مجموعه داده‌های LBSN را می‌توان با آرشیو کردن فعالیت‌های روزانه، الگوهای حرکتی و الگوهای رفتار رسانه‌های اجتماعی به دست آورد، بنابراین روال روزانه کاربر را نشان می‌دهد. تحقیقات کنونی که رفتار فعالیت‌های شهری را مشاهده و تحلیل می‌کند، اغلب با اشتراک‌گذاری داوطلبانه موقعیت جغرافیایی و فعالیت انجام‌شده در فضا و زمان پشتیبانی می‌شود. هدف از این تحقیق مشاهده روندهای مکانی-زمانی و جهتی و تفاوت های توزیع فعالیت های شهری در سطح شهر و منطقه با استفاده از داده های LBSN بود. چگالی برآورد شد، و روند مکانی-زمانی فعالیت‌ها با استفاده از تخمین چگالی هسته (KDE) مشاهده شد. برای تحلیل رگرسیون فضایی، از تحلیل رگرسیون وزن‌دار جغرافیایی (GWR) برای مشاهده رابطه بین فعالیت‌های مختلف در منطقه مورد مطالعه استفاده شد. در نهایت، برای تجزیه و تحلیل جهت، برای مشاهده جهت گیری و جهت اصلی، و روند حرکت و گسترش مکانی-زمانی، تجزیه و تحلیل بیضی انحراف استاندارد (SDE) استفاده شد. نتایج این مطالعه نشان می دهد که زنان در مقایسه با مردان تمایل بیشتری به استفاده از رسانه های اجتماعی داشتند. با این حال، فعالیت های کاربران مرد در روزهای هفته و آخر هفته در مقایسه با کاربران زن متفاوت بود. نتایج تجزیه و تحلیل جهت در سطح منطقه منعکس کننده تغییر در مسیر و پویایی مکانی-زمانی فعالیت ها است. تجزیه و تحلیل جهت در سطح منطقه ساختار فضایی خوب آن را در مقایسه با کل سطح شهر نشان می دهد. بنابراین، LBSN را می توان به عنوان یک منبع مکمل و قابل اعتماد از داده های بزرگ رسانه های اجتماعی برای مشاهده فعالیت ها و رفتار شهری در یک شهر در فضا و زمان در نظر گرفت. فعالیت های کاربران مرد در روزهای هفته و آخر هفته در مقایسه با کاربران زن متفاوت بود. نتایج تجزیه و تحلیل جهت در سطح منطقه منعکس کننده تغییر در مسیر و پویایی مکانی-زمانی فعالیت ها است. تجزیه و تحلیل جهت در سطح منطقه ساختار فضایی خوب آن را در مقایسه با کل سطح شهر نشان می دهد. بنابراین، LBSN را می توان به عنوان یک منبع مکمل و قابل اعتماد از داده های بزرگ رسانه های اجتماعی برای مشاهده فعالیت ها و رفتار شهری در یک شهر در فضا و زمان در نظر گرفت. فعالیت های کاربران مرد در روزهای هفته و آخر هفته در مقایسه با کاربران زن متفاوت بود. نتایج تجزیه و تحلیل جهت در سطح منطقه منعکس کننده تغییر در مسیر و پویایی مکانی-زمانی فعالیت ها است. تجزیه و تحلیل جهت در سطح منطقه ساختار فضایی خوب آن را در مقایسه با کل سطح شهر نشان می دهد. بنابراین، LBSN را می توان به عنوان یک منبع مکمل و قابل اعتماد از داده های بزرگ رسانه های اجتماعی برای مشاهده فعالیت ها و رفتار شهری در یک شهر در فضا و زمان در نظر گرفت. تجزیه و تحلیل جهت در سطح منطقه ساختار فضایی خوب آن را در مقایسه با کل سطح شهر نشان می دهد. بنابراین، LBSN را می توان به عنوان یک منبع مکمل و قابل اعتماد از داده های بزرگ رسانه های اجتماعی برای مشاهده فعالیت ها و رفتار شهری در یک شهر در فضا و زمان در نظر گرفت. تجزیه و تحلیل جهت در سطح منطقه ساختار فضایی خوب آن را در مقایسه با کل سطح شهر نشان می دهد. بنابراین، LBSN را می توان به عنوان یک منبع مکمل و قابل اعتماد از داده های بزرگ رسانه های اجتماعی برای مشاهده فعالیت ها و رفتار شهری در یک شهر در فضا و زمان در نظر گرفت.

کلید واژه ها:

داده های موقعیت جغرافیایی ؛ رسانه های اجتماعی ؛ LBSN ; رفتار فعالیت ها ; شانگهای ؛ KDE ; GWR ; SDE

1. معرفی

محبوبیت رسانه‌های اجتماعی در سراسر جهان به‌طور چشمگیری افزایش یافته است و حجم عظیمی از داده‌های بزرگ رسانه‌های اجتماعی را با ارتباط یک بافت فضایی (دینامیک‌های انسانی و رفتارهای حرکتی در بافت شهری) به بررسی‌ها و پست‌ها تولید کرده‌اند. از نظر تاریخی، برای مطالعه رفتار فعالیت‌های شهری، روش‌های سنتی (یعنی نظرسنجی، سرشماری) [ 1 ، 2 ] اتخاذ شد، اما این روش‌ها گران‌تر و پرزحمت‌تر هستند و اغلب منجر به پراکندگی داده‌ها می‌شوند که به نوبه خود نیازمند زمان پردازش طولانی‌تری است. با توجه به این محدودیت‌ها، روش‌های سنتی برای مطالعه رفتار فعالیت‌های شهری کارایی کمتری دارند.

برای رفتار فعالیت‌های شهری، معیارها و شاخص‌های دقیق همراه با روش‌شناسی فضایی بدون ابهام مورد نیاز است، زیرا رفتار فعالیت‌های شهری با ابعاد چندگانه مرتبط است: توپوگرافی‌های شهری و محیطی و فعالیت انسانی. کلان داده [ 3 ، 4 ] (به عنوان مثال، شبکه های اجتماعی مبتنی بر مکان (LBSN) و نقاط مورد علاقه (POI)) – که با حجم بالای داده مشخص می شود، شامل مکان های جغرافیایی و به راحتی منبع باز هستند- فرصتی را برای فضایی فراهم می کنند. روش شناسی بدون ابهام برای اندازه گیری رفتار فعالیت های انسانی در LBSN ها، کاربران می توانند موقعیت جغرافیایی و فعالیت انجام شده خود را بر اساس نوع محل و دسته بندی محل برگزاری به عنوان ورود اعلام کنند [ 5]. این پدیده بررسی رسانه های اجتماعی مبتنی بر موقعیت جغرافیایی، حجم عظیمی از داده ها را تولید می کند که به آن داده های بزرگ رسانه های اجتماعی نیز گفته می شود [ 6 ]. صرف نظر از محدودیت‌های اساسی (یعنی سوگیری‌ها در جنسیت، نرخ‌های نمونه‌گیری پایین، و سوگیری در مکان و نوع محل برگزاری) تحقیق در مورد ورود انسان و رفتار فعالیت‌های شهری [ 7 ]، داده‌های ورود LBSN می‌تواند رفتار فعالیت‌های شهری را در فضا و زمان داده های LBSN، از جمله موقعیت جغرافیایی، موقعیت مکانی، و نوع محل برگزاری، در مقایسه با روش های سنتی فوق الذکر هنگام مشاهده و تجزیه و تحلیل رفتار فعالیت های شهری، با هزینه بسیار کمتری در دسترس هستند.

توسعه LBSN ها به دلیل ادغام تلفن های هوشمند به سرعت پیشرفت کرده است، که امکان اشتراک گذاری سریع اطلاعات در مورد اینکه کاربران چه چیزی، کجا، چرا و با چه کسانی اطلاعات را به اشتراک می گذارند را می دهد. اشتراک‌گذاری مکان فعلی کاربران و توانایی آن‌ها برای کشف مکان‌های دوستانشان، نگرانی‌هایی را در رابطه با حریم خصوصی کاربر ایجاد کرده است [ 8 ، 9 ]. با این حال، حریم خصوصی LBSN در درجه اول به بازیگران قانونگذار و تجارت محور درگیر در اشتراک داده بستگی دارد. اگرچه حفظ حریم خصوصی یک موضوع فردی است، برخی از داده های شخصی به طور ناخواسته یا خواسته توسط کاربر به اشتراک گذاشته می شود [ 10 ، 11 ]. گاهی اوقات، داده ها به طور عمدی یا داوطلبانه توسط کاربران عمومی می شوند [ 12]. بنابراین، داده های LBSN ابعاد جدیدی را برای مشاهده رفتار فعالیت های شهری ارائه می دهد و می تواند برای ایجاد روش های تحلیل جدید و همچنین نمایش رفتار فعالیت های شهری مفید باشد. مطالعات مختلفی [ 13 ، 14 ، 15 ] برای بررسی دموگرافیک و بافت فضایی کاربران و شناسایی عواملی که کاربران مختلف (زن و مرد) را به استفاده از رسانه های اجتماعی سوق می دهد، انجام شد. این مطالعات برخی از انگیزه‌هایی را که می‌توانند بر تغییر رفتار استفاده از شبکه‌های رسانه‌های اجتماعی بین کاربران (زن و مرد) تأثیر بگذارند، برجسته کردند. اسمیت [ 16 ] نشان داد که زنان در مقایسه با مردان تمایل بیشتری به استفاده از رسانه های اجتماعی برای افزایش سطح ارتباط با خانواده خود دارند. Muscanell و Guadagno [ 17] نشان داد که کاربران مرد تمایل بیشتری به استفاده از رسانه های اجتماعی برای ایجاد روابط جدید دارند، در حالی که کاربران زن تمایل بیشتری به استفاده از آن برای حفظ رابطه دارند.

از نظر رسانه های اجتماعی در رابطه با فعالیت های مختلف شهری، رفتار (الگوهای استفاده و انگیزه) کمی متفاوت بین جنس ها مشاهده می شود. هوانگ و چوی [ 18 ] رفتار آنلاین دانشجویان کالج در Weibo و انگیزه های استفاده از طریق جنسیت را بررسی کردند و پیشنهاد کردند که Weibo به عنوان ابزاری برای جستجوی اطلاعات در مورد نگرانی ها و مزایای اجتماعی عمل می کند. سلیم و همکاران [ 19] مکان‌های برجسته استفاده را کاوش کرد و روشی را برای تعیین تأثیر مکان، با توانایی دستیابی به موقعیت جغرافیایی با استفاده از داده‌های LBSN معرفی کرد. آنها یک الگوریتم کارآمد حافظه را پیشنهاد کردند که در یک فرآیند کارآمد و مقیاس‌پذیر برای جمع‌آوری مجموعه‌های متنوعی از مکان‌ها با گستره جغرافیایی وسیع ارائه می‌شد. تحقیقات مبتنی بر شواهد رسانه‌های اجتماعی نشان داد که تأثیرات مثبتی در مشارکت بالقوه یک کاربر مرد هنگام جستجوی اطلاعات مفید مرتبط با سرگرمی و بیان مشاهده می‌شود. با این حال، اثرات مثبت مشاهده شده در کاربران زن برای ملاقات با افراد جدید و سرگرمی است [ 20 ].

از نظر تاریخی، تحقیقات مبتنی بر جغرافیای شهری و رفتار فعالیت‌های مرتبط با مجموعه داده Weibo در مقایسه با فیس‌بوک و توییتر محدود بوده است. با این حال، این تحقیق از سال 2015 در چین شروع به افزایش کرد و عمدتاً بر ویژگی‌های افراد در نقاط دیدنی متمرکز شد، به عنوان مثال، تجزیه و تحلیل توزیع مکانی و زمانی و همبستگی مکانی گردشگران با ویژگی‌های مختلف در منطقه دیدنی [ 21 ]. پژوهش ادراک شهری نگرش های مثبت و منفی مردم نسبت به سبک شهری را با استفاده از روش تحلیل معنایی بررسی کرد [ 22 ]. برای تعادل کار و زندگی، رابطه بین خانه و محل کار در فضا و زمان ورود و طبقه بندی کاربری زمین آزمایش شد [ 23 ]]؛ تعادل کار و زندگی و سناریوی رفت و آمد با روش خوشه بندی فضایی [ 24 ] تجزیه و تحلیل شد. تحقیقات در مورد فضاها و نقاط داغ شهر (گروهی) عمدتاً بر ساختار داخلی و پویایی الگوهای کاربری اراضی شهری [ 25 ]، ویژگی‌های ساکنان شهر (گروهی)، تغییرات مکانی و زمانی [ 26 ، 27 ] و نقاط داغ در شهر متمرکز شده است. [ 28 ]. مطالعات مختلفی با استفاده از مجموعه داده های LBSN برای مشاهده رفتار ورود و فعالیت های انسانی در حوزه هایی مانند حریم خصوصی [ 11 ، 29 ، 30 ]، تفاوت های جنسی [ 31 ]، فضاهای جغرافیایی [ 32 ]، احساسات شهری [ 33 ] انجام شد.]، انتخاب مکان فعالیت، فضای سبز شهری [ 34 ] و الگوهای سبک زندگی [ 35 ، 36 ]. مطالعات دیگر [ 37 ، 38 ، 39 ، 40 ، 41 ، 42 ] بر روی مشاهده الگوهای تحرک انسان و تجزیه و تحلیل داده های ورود به سیستم برای پیش بینی مکان و برچسب گذاری مکان در شهر با استفاده از مجموعه داده های LBSN متمرکز شدند. لی و چن [ 43 ] مشخصات، ویژگی‌ها و فعالیت‌های کاربر را در قالب همبستگی‌ها و نمودارهای اجتماعی برای مطالعه و درک بهتر انگیزه‌های کاربر برای اشتراک‌گذاری موقعیت مکانی واقعی‌شان تجزیه و تحلیل کردند. ابراهیم پور و همکاران [ 44] تحلیل فعلی رویکردهای جمع چند منبعی را بررسی و مقایسه کرد. این نظرسنجی با در نظر گرفتن رویکردهای ویدئویی، مکانی-زمانی و رسانه های اجتماعی برای تجزیه و تحلیل جمعیت، اصول تحلیل جمعیت را ارائه کرد. واکامیا و همکاران [ 45 ] یک سیستم تجسم فضایی جدید بر اساس مجموعه داده توییتر برای کشف توجه و علاقه فضایی جمعی کاربران نه در مکان‌های مختلف، بلکه نسبت به مکان‌های مختلف برای پاسخ به سؤالات زیر پیشنهاد کرد: وقتی کاربران به موارد خاصی اشاره می‌کنند به طور جمعی درباره چه چیزی صحبت می‌کنند. مکان های جغرافیایی؟ کاربران در یک مکان خاص معمولاً وقتی به مکان جغرافیایی دیگری مراجعه می کنند در مورد چه چیزی صحبت می کنند؟

تحقیقات مبتنی بر فضا و رفتار فعالیت شهری در دهه 1960 آغاز شد [ 46 ، 47 ]، که عمدتاً بر روی جمعیت پراکنده فضایی [ 48 ، 49 ] و جغرافیا در طول زمان برای درک بهتر انسان از نظر رفتار و کاربری زمین و روابط آنها در طول زمان این تحقیق در مورد فضای فعالیت شهری و رفتار، تحقیق ما را در مورد رفتار فعالیت های شهری با استفاده از داده های LBSN تشویق کرد. مطالعات کنونی بر اساس فعالیت‌های روزانه شهری در فضا و زمان [ 50 ، 51 ] مشاهده شده است، به عنوان مثال، فضای زندگی، به عنوان محل سکونت (ساختار فضایی فضای زندگی و مکانیسم تنوع [ 52 ، 53 ]).])؛ فضای کاری که به آن حرفه ای گفته می شود. و فضای فراغت، که به عنوان ورزش و اوقات فراغت شناخته می شود (بر تکامل ویژگی های زمان-فضای فراغت [ 54 ] و انتخاب فضای فراغت عمومی و مسیر فعالیت [ 55 ، 56 تمرکز دارد]]). بنابراین، در راستای تحقیقات ذکر شده در بالا، مجموعه داده LBSN نه تنها زندگی روزمره، الگوهای فعالیت و رفتار استفاده از رسانه‌های اجتماعی کاربران را مستند می‌کند، بلکه الگوها و پویایی‌های مکانی-زمانی را نیز ارائه می‌کند که با روال‌های روزمره و رفتار کاربران مرتبط است. . مجموعه داده LBSN همچنین شهرنشینی سریع فعلی شهر را منعکس می کند. در این راستا، هدف ما بررسی اطلاعات مکانی-زمانی مربوط به چک-این ها برای شناسایی و تعیین رفتار فعالیت های شهری بود. فرضیه ساده این است که مردم اغلب احتمالاً از یک روال معمول روزانه پیروی می کنند: به عنوان مثال، به سر کار بروند، در یک رستوران ترجیحی غذا بخورند، و به خرید بروند و به خانه برگردند.

ما داده‌های LBSN را برای مشاهده رفتار فعالیت‌های شهری در فضا و زمان با استفاده از Sina Weibo (معروف به “Weibo” [ 57 ])، معروف‌ترین میکروبلاگ چینی که نسخه چینی و جایگزین فیس‌بوک است که توسط Sina Corporation راه‌اندازی شده در نظر گرفته می‌شود، بررسی کردیم [ 58 ] در سال 2009. در سه ماهه سوم سال 2017، Weibo دارای 376 میلیون کاربر فعال ماهانه (MAU) و 172 میلیون کاربر فعال روزانه (DAU) بود که 93 درصد از کاربران فعال از دستگاه های تلفن همراه برای دسترسی به Weibo استفاده می کردند [ 59 ، 60 ]. این تعداد زیادی از کاربران در سراسر جهان به دلیل اشتراک‌گذاری سریع اطلاعات و ویژگی‌های ورود به سیستم [ 61 ] جذب شدند.]. بنابراین، اگر داده‌های کافی برای مشاهده رفتارهای متمایز فعالیت‌های انسانی داشته باشیم، می‌توان این دانش را برای مطالعه رفتار فعالیت‌های روزانه انسان تحلیل کرد. با این حال، دیگران [ 62 ، 63 ، 64 ، 65 ] مجموعه داده های LBSN را برای بررسی چک-in های روزانه، رفتار فعالیت ها و الگوهای تحرک افراد در شهرهای مختلف بررسی کردند. بیشتر ادبیات موجود به جای Weibo بر فیس بوک و توییتر متمرکز شده است. بنابراین، یافته‌های ما با تمرکز بر محبوب‌ترین سایت شبکه اجتماعی محلی چین، Weibo، این شکاف تحقیقاتی را پر می‌کند. مطالعات قبلی [ 18 ، 20] رفتار فعالیت های مبتنی بر جنسیت را در Weibo تجزیه و تحلیل کرد و پیشنهاد کرد که کاربران زن تمایل بیشتری به استفاده از Weibo برای ارائه اطلاعات مفید به دیگران دارند. انگیزه دیگر تحقیق ما این بود که مطالعات موجود رفتار فعالیت های شهری مبتنی بر جنسیت را در استفاده از سینا ویبو، به ویژه در شانگهای، چین، به طور کامل تجزیه و تحلیل نکرده اند. مشارکت های مطالعه ما به شرح زیر است:

ما از یک رویکرد عملی برای مطالعه رفتار فعالیت‌های شهری مبتنی بر جنسیت در شانگهای، چین، با استفاده از پست‌های دارای برچسب جغرافیایی از Weibo استفاده کردیم.
ما تراکم فعالیت‌های شهری را بررسی کردیم تا توزیع مکانی-زمانی فعالیت‌ها را با استفاده از تخمین تراکم هسته تخمین چگالی هسته (KDE) بررسی کنیم. روش رگرسیون وزن‌دار جغرافیایی رگرسیون وزن‌دار جغرافیایی (GWR) برای مشاهده رابطه جنسیتی بین ورود و فعالیت‌های مرتبط، و تحلیل استاندارد بیضی انحرافی استاندارد (SDE) برای مشاهده روندهای جهت‌گیری فضایی فعالیت‌ها در منطقه مطالعه

انگیزه استفاده از Weibo ممکن است بین کاربران مرد و زن متفاوت باشد، زیرا در شانگهای، 48.3٪ از جمعیت مرد و 51.7٪ زن هستند. با این حال، آمار نشان می دهد که 50.10٪ از کاربران Weibo مرد و 49.90٪ زن هستند [ 66 ] و به دلیل در دسترس نبودن فیس بوک و توییتر، یکی از محبوب ترین پلت فرم های رسانه های اجتماعی در چین محسوب می شود. طبق آمار [ 67 ]، 72٪ از کل کاربران Sina Weibo بین 20 تا 35 سال سن دارند که در میان آنها اکثر کاربران در 20 سالگی هستند [ 18 ].]. از این رو، با تجزیه و تحلیل اطلاعات مکانی-زمانی مجموعه داده Weibo، می توانیم رفتار فعالیت های شهری را بررسی کنیم. این خط از تحقیقات می تواند با در نظر گرفتن داده های LBSN (منبع داده های بزرگ رسانه های اجتماعی) به عنوان مکمل به جای جایگزینی منابع داده سنتی در هنگام تصمیم گیری های سیاستی [ 68 ] مرتبط با برنامه ریزی شهری، به بهبود درک ما از رفتار فعالیت های شهری کمک کند [ 69 ]. ] و توابع شهر [ 70 ].

بقیه مقاله به شرح زیر سازماندهی شده است: بخش 2 حوزه مطالعه و مجموعه داده را تعریف می کند. بخش 3 روش شناسی را تشریح می کند. بخش 4 نتایج تجربی را ارائه می دهد. در نهایت، بخش 5 مقاله را با پیشنهادی برای تحقیقات آتی به پایان می‌رساند.

2. منطقه مطالعه و داده ها

2.1. منطقه مطالعه

شانگهای، چین (30°40′-31°53′ شمالی و 120°52′-122°12′ شرقی [ 71 ]) در لبه شرقی دلتای رودخانه یانگ تسه واقع شده است که مساحت کل آن 8359 کیلومتر مربع است ^. . در سال 2015، شانگهای دارای تولید ناخالص داخلی 366 میلیارد دلار بود [ 72 ] ، درآمد سرانه 7333 دلار ، با درآمد سرانه قابل تصرف 7788 دلار برای ساکنان شهری و 3412 دلار درآمد سرانه برای ساکنان روستایی [ 73 ].]. شانگهای، مرکز بین‌المللی تجارت، گردشگری و مد دارای جمعیتی در حدود 24.15 میلیون نفر، مساحت زمین کشاورزی 317926 هکتار، مساحت زمین ساختمانی 301709.27 هکتار و مساحت زمین بلااستفاده 193564.46 هکتار است که بسیار متراکم و متراکم محسوب می‌شود. جامعه پرجمعیت

در سال 2016، دولت شانگهای، شانگهای را به 16 بخش در سطح شهرستان تقسیم کرد که شامل 15 منطقه (باوشان، چانگنینگ، فنگ شیان، هونگکو، هوانگ پو، جیادینگ، جینگان، جینشان، مینهنگ، منطقه جدید پودونگ، پوتوئو، چینگپو، ژو جیانگ، سون جیانگ است. و یانگپو) و یک شهرستان، چونگمینگ [ 74 ]، با 106 شهرک، 2 شهرستان، و 106 منطقه فرعی در بخش سطح شهرستان. 4463 جامعه و 1571 روستای اداری در تقسیمات سطح روستا. از نظر تاریخی، Huangpu West، و اکنون Puxi ( شکل 1 )، شامل هفت ناحیه (Changning، Hongkou، Huangpu، Jingan، Putuo، Xuhui، و Yangpu) است که به عنوان مرکز شهر شانگهای نامیده می شود [ 75 ].] و نواحی باوشان و مینهنگ به عنوان ناحیه حومه شهر متصل به مرکز شهر در نظر گرفته می شوند.

2.2. منبع اطلاعات

2.2.1. داده های ورود

در مطالعه فعلی، ما از مجموعه داده Weibo در طول ژانویه تا دسامبر 2017 از شانگهای، چین استفاده کردیم، زیرا حاوی اطلاعاتی مانند شناسه کاربری منحصر به فرد، زمان و تاریخ ورود، موقعیت جغرافیایی (طول و عرض جغرافیایی)، نوع مکان، محل برگزاری است. دسته، و جنسیت، که از طریق وب یا برنامه های تلفن همراه جمع آوری شدند [ 76 ]. در مجموع 921581 رکورد ناشناس از ورود با برچسب جغرافیایی مربوط به منطقه مورد مطالعه به دست آمد. بنابراین، مجموعه داده LBSN می‌تواند الگوهای فعالیت روزانه و رفتارهای استفاده از رسانه‌های اجتماعی را بایگانی کند و روندهای مکانی و زمانی زندگی روزمره را ارائه دهد [ 77 ]. نمونه ای از ورود معمولی Weibo در جدول 1 نشان داده شده است .

2.2.2. داده های POI

در چین، دسته‌های نقاط مورد علاقه (POI) بر اساس کاربری زمین طبقه‌بندی می‌شوند. با این حال، داده‌های POI دارای مزایای زیر نسبت به داده‌های ورود و استفاده از زمین هستند: داده‌های POI انعطاف‌پذیری بیشتری دارند زیرا داده‌های نقطه‌ای به راحتی به مقیاس‌های دلخواه تبدیل می‌شوند. در داده های POI، ترجیحات و تعاملات اجتماعی کاربر را می توان با تعاملات اجتماعی به جای انواع کاربری زمین مشخص کرد. و داده های POI دارای دانه بندی آماری بسیار دقیق تری هستند.

مجموعه داده POI مورد استفاده در مطالعه حاضر از یک پلت فرم نقشه برداری مبتنی بر وب، “AutoNavi” به دست آمده است. در مجموع، 123658 POI به دست آمده است، و ما نقاط را در 10 دسته فعالیت ( جدول 2 ) بر اساس موقعیت جغرافیایی و نوع مکان های بازدید شده (اما نه محدود به) به دست آمده از ورود به Weibo دسته بندی کردیم. حدود 95.6% از ورودها با اطلاعات دسته مرتبط بودند. بقیه اعلام حضورها بدون مطابقت معتبر با دسته‌ها، نامعتبر در نظر گرفته شدند.

3. روش شناسی

ما مجموعه داده موقعیت جغرافیایی مبتنی بر Weibo (ژانویه تا دسامبر 2017) را از شانگهای، چین که حاوی اطلاعاتی مانند شناسه منحصر به فرد کاربر، جنسیت، زمان، روز، نوع مکان، دسته مکان و موقعیت جغرافیایی است، تجزیه و تحلیل کردیم. شکل 2 چارچوب تجزیه و تحلیل فعالیت ها را نشان می دهد که در آن روش تجزیه و تحلیل داده های LBSN شامل دو مرحله است: جمع آوری، ذخیره سازی و تجزیه و تحلیل داده های LBSN. دانلود داده های Weibo وظیفه اصلی در مرحله جمع آوری و ذخیره داده ها بود که با استفاده از یک رابط برنامه نویسی برنامه کاربردی Weibo مبتنی بر پایتون (API) یک رابط باز Sina Weibo [ 78 ] به دست آمد.]، که منجر به فایل‌های جداگانه با فرمت نشانه‌گذاری شی جاوا اسکریپت (JSON) شد. با این حال، JSON به عنوان یک قالب داده استاندارد استفاده می شود و به عنوان یک زبان برنامه نویسی غالب با در دسترس بودن ماژول های عمومی (خواندن و نوشتن) در نظر گرفته می شود [ 79 ، 80 ]. سپس تمام اعلامیه‌های دانلود شده در چندین فایل JSON به یک فایل با فرمت مقادیر جدا شده با کاما (CSV) تبدیل شدند تا بررسی‌ها را بر اساس مکان و زمان فهرست کند.

با این حال، در مرحله تجزیه و تحلیل داده ها، وظیفه حیاتی استخراج و بررسی ویژگی های داده های LBSN است. در طول پیش پردازش داده ها، سوابق نامعتبر با در نظر گرفتن چهار معیار حذف شدند:

(1): در دسترس بودن کامل اطلاعات، به عنوان مثال، شناسه کاربر، تاریخ، زمان، جنسیت، نوع محل برگزاری، دسته بندی مکان، و مکان (طول و عرض جغرافیایی). اطلاعات گمشده ورود با مقایسه اطلاعات با POI، و شناسایی دقیق مکان ورود با شباهت بالا، یکسان سازی قالب استاندارد و ادغام مجدد اطلاعات اضافه شد.
(2): موقعیت جغرافیایی سوابق در منطقه مورد مطالعه در مورد مکان POI.
(3): محدوده رکوردها در تاریخ تعیین شده و زمان مقرر برای داده های نمونه برداری شده.
(4): هر کاربر دو بار در ماه چک این می کند. داده‌های چندتایی یا تکراری را با زمان، مکان یکسان و محتوای مشابه حذف کردیم و مشخص کردیم که مکان اعلام حضور که توسط یک کاربر در همان روز انجام می‌شود به‌عنوان یک اعلام حضور محاسبه می‌شود.

از 921581 پرونده ثبت نام ناشناس، 887008 سوابق ورود به فعالیت ها پس از پیش پردازش برای نویز داده ها، سوابق ناقص و کاربران نامعتبر و جعلی مرتبط با انجمن POI و منطقه مورد مطالعه به دست آمد. توزیع ورودها بر اساس ماه و جنسیت در شکل 3 نشان داده شده است . در نهایت، در مرحله بینش داده‌ها، ویژگی‌های مربوط به داده‌های ورود LBSN را با در نظر گرفتن موقعیت جغرافیایی، زمان، نوع مکان، دسته‌بندی مکان و جنسیت استخراج و بیشتر بررسی کردیم.

3.1. تخمین چگالی هسته

در مطالعه حاضر، برای تخمین تابع چگالی و مشاهده الگوهای فضایی فعالیت‌ها، از تخمین چگالی هسته (KDE) [ 81 ، 82 ، 83 ] قبل از تشخیص وضعیت کانون‌های فعالیت استفاده شد. KDE یک ابزار فضایی محبوب است [ 41 , 42 , 84 , 85] برای بررسی جنبه‌های متعدد (مانند رفتار استفاده، تعیین مرز، ارتباط فعالیت‌ها و الگوهای تحرک) داده‌های LBSN و ویژگی‌های داده، که نسبت به مقصد و زمان مکان است، استفاده می‌شود. KDE به محققان کمک می کند تا توزیع پراکنده فعالیت ها و مقاصد را مشاهده و تجزیه و تحلیل کنند و توزیع فضایی در جوامع را بر اساس محله ها بررسی کنند. برای رویدادهای توزیع شده در زمان، از KDE می توان برای شناسایی چگالی دقیق رویدادها [ 86 ] استفاده کرد تا سطح ظریف تری ایجاد کند که تراکم رویدادها را بهتر نشان دهد.

برای محاسبه چگالی دقیق فعالیت‌ها در مکان a، اجازه دهید f _KD یک تابع چگالی در موقعیت جغرافیایی a باشد و A مجموعه‌ای از فعالیت‌های مربوط به داده‌های ورود است:

A = {a ¹ ،……، a ⁿ }

(1)

که در آن مکان جغرافیایی فعالیت 1 < i < n : a ⁱ = <x,y> ، جایی که i فردی است و t زمان است.

(2)

(3)

که در آن a موقعیت جغرافیایی یک فعالیت در مجموعه داده A با پهنای باند h است. برای تولید چگالی خوب در اطراف مجموعه داده A در نقطه a ⁱ ، فرض کردیم که مقدار پهنای باند h به چگالی تخمینی f _KD بستگی دارد . با این حال، در برآورد چگالی، پهنای باند (بزرگتر/کوچکتر) به عنوان یک پارامتر حیاتی در نظر گرفته می شود. چگالی بسیار ظریف با پهنای باند بزرگ تولید می شود، در حالی که تغییرات ناگهانی با پهنای باند کوچک رخ می دهد [ 87 ]. بنابراین تنظیم مداوم پهنای باند در مقایسه با سطح چگالی منجر به دستیابی به پهنای باند بهینه می شود. تخمین چگالی بعدی f _KDبه پهنای باند h وابسته است. برای ساخت تخمین چگالی و محاسبه مقدار پهنای باند h ، از رویکرد داده محور برای log-احتمال استفاده شد که به شرح زیر است:

(4)

که در آن a _t نشان دهنده رویدادها و a ⁱ نقاط داده در مجموعه داده A هستند.

3.2. رگرسیون وزنی جغرافیایی (GWR)

برای مشاهده رگرسیون فضایی برای تخمین پارامترهای محلی با در نظر گرفتن ناایستایی فضایی، از تحلیل GWR استفاده شد که به شرح زیر است:

(5)

در جایی که موقعیت جغرافیایی مشاهدات به صورت (ui , v _i ) نشان داده می شود، مقدار قطع به صورت β ₀ (ui _، v _i₎ ، متغیر k ام مشاهده i برای پارامتر تخمین زده شده به صورت β _k بیان می شود. (u _i ، v _i )، و عبارت خطا به صورت ε _i نشان داده می شود .

با این حال، ضرایب برآورد شده ممکن است در فضا متفاوت باشند، و مشاهده i در نزدیکی داده‌های مشاهده‌شده در مقایسه با داده‌های فراتر از i از β _k (ui ، v _i₎ موثرتر است، که به صورت زیر نمایش داده می‌شود:

(6)

که در آن ماتریس توزیع شده مورب، ماتریس وزنی، به صورت W(u _i ، v _i ) نمایش داده می شود. برای مشاهده همسایه i، GWR تا حدی به پهنای باند تخمینی وابسته است، که در آن پهنای باند برای منطقه ای با تعداد ورود بیشتر در مقایسه با مناطق کوچکی که تعداد ورود کمتری دارند، بزرگ است. حداقل معیار اطلاعات Akaike (AIC) برای مدل GWR [ 88 ] برای محاسبه پهنای باند مناسب استفاده شد.

3.3. بیضی انحراف استاندارد (SDE)

در مطالعه حاضر، ما از یک تکنیک تحلیل جهتی فضایی به نام بیضی انحراف استاندارد (SDE) استفاده کردیم که یک ابزار محبوب سیستم اطلاعات جغرافیایی (GIS) است و توزیع دو متغیره ویژگی‌ها (گرایش مرکزی، پراکندگی و روندهای جهتی) را توصیف می‌کند. اولین بار توسط Lefever پیشنهاد شد [ 89]. پارامترهای SDE شامل مرکز بیضی، محور (اصلی و فرعی) بیضی و زاویه جهت بیضی (همچنین به عنوان آزیموت نامیده می شود). از معادله (7) برای محاسبه محور (بزرگ و مینور) SDE استفاده می شود و روابط نسبی محور (بزرگ و فرعی) بیضی نشان دهنده درجه مسطح شدن است. معادله (8) جهت روند زاویه جهت گیری را محاسبه می کند و معادله (9) انحراف معیار محور (اصلی و فرعی) بیضی را برای SDE محاسبه می کند. محور اصلی بیضی برای SDE به عنوان جهت پیشرو برای مشاهده روند انحراف مشخص شده است [ 89 ]]، و ناحیه توزیع شده فضایی برای توزیع چک‌های تشکیل‌شده برای محور (اصلی و فرعی) بیضی. مرکز بیضی SDE ( ) به صورت زیر محاسبه می شود:

(7)

جایی که موقعیت جغرافیایی برای فعالیت ها i و تعداد کل فعالیت ها n است . x _i و y _i مختصات مرکز هندسی فعالیت ها برای نشان دادن مکان مکانی ورود هستند. وزن مربوطه است؛ انحراف مختصات را از موقعیت مکانی هر جسم به مرکز بیضی SDE نشان دهید ( ). زاویه جهت گیری SDE به صورت زیر محاسبه می شود:

(8)

انحراف معیار بیضی و در جهات x و y به صورت زیر محاسبه می شود:

(9)

در مطالعه حاضر، ما SDE ها را برای فعالیت های مختلف برای مشاهده جهت گیری و جهت مکانی و رفتار فعالیت های زمانی برای روندها محاسبه کردیم.

4. نتایج و بحث

4.1. تنوع چگالی و توزیع فعالیت ها

در مطالعه حاضر، ما از مجموعه داده بررسی مبتنی بر موقعیت جغرافیایی، که از Weibo به دست آمده است، استفاده کردیم و تراکم فعالیت ها را با استفاده از KDE تجزیه و تحلیل کردیم. شکل 4 توزیع کلی فعالیت های چک در شانگهای را نشان می دهد. مقدار قابل توجهی از چک-این ها در شانگهای مربوط به فعالیت های مربوط به غذا و نوشیدنی (28٪)، اقامت (16٪) و حرفه ای و دیگران (13٪) بود. به طور کلی، زمان بیشتری در خانه سپری می شد تا در مکان های غذا و نوشیدنی (مانند رستوران ها، کافی شاپ ها). تعداد بالای چک‌این در مراکز غذا و نوشیدنی ممکن است به این دلیل باشد که دسترسی رایگان به اینترنت را فراهم می‌کنند.

شکل 5 توزیع فعالیت‌ها را در روزهای هفته و آخر هفته نشان می‌دهد که نشان می‌دهد توزیع فعالیت‌های مربوط به آموزش و یادگیری، بیمارستان و مراقبت‌های بهداشتی، و حرفه‌ای و غیره در طول روزهای هفته بالا و در آخر هفته‌ها در مقایسه با فعالیت‌های مرتبط با غذا و نوشیدنی بسیار کم بوده است. ، سکونت، فروش و خدمات، خرید، ورزش و اوقات فراغت، گردشگری و سفر و حمل و نقل.

شکل 6 تراکم هسته فعالیت ها را در شانگهای نشان می دهد. تراکم ورود برای آموزش و یادگیری، بیمارستان، مراقبت های بهداشتی، و ورزش و اوقات فراغت نسبتا کم بود و در منطقه مورد مطالعه پراکنده بود.

تراکم ثبت نام برای فروش و خدمات و گردشگری در مرکز شهر متراکم بود و تراکم کم در بین بقیه منطقه مورد مطالعه پراکنده بود. تراکم بالای ورود به سفر و حمل و نقل در کنار ایستگاه های مترو و راه آهن و فرودگاه مشاهده شد، اما به دلیل شبکه حمل و نقل سریع اتوبوس شانگهای (BRT) در شهر نزدیک بزرگراه ها پراکنده شد. با این حال، تراکم ورود حرفه‌ای در مرکز شهر بالا بود، اما غذا و نوشیدنی، اقامت و خرید در مرکز شهر و همچنین در مناطق حومه شهر (منطقه‌های بائوشان و مینهنگ) متراکم بود. از این رو، شکل 6نشان می دهد که غذا و نوشیدنی، سکونت و خرید به طور مستقیم با این فرض ساده مرتبط هستند که غذا و نوشیدنی و امکانات خرید بیشتری در نزدیکی مناطق مسکونی وجود دارد که منجر به تراکم بالای این فعالیت ها در تقریباً یک الگو شده است. به طور کلی، تعداد فزاینده ای از مردم ترجیح می دهند در نزدیکی جوامعی زندگی کنند که دسترسی آسانی به خدمات دارند، مانند حمل و نقل، سلامتی، سرگرمی.

برای بررسی رفتار فعالیت‌ها، داده‌ها را بر اساس جنسیت در روزهای هفته و آخر هفته در شانگهای تجزیه و تحلیل کردیم. شکل 7توزیع فعالیت‌های مربوط به بررسی‌های جنسیتی را در شانگهای در طول روزهای هفته و آخر هفته ارائه می‌کند. کاربران زن هنگام انجام فعالیت‌های مرتبط با غذا و نوشیدنی، بیمارستان و مراقبت‌های بهداشتی، اقامت، خرید و گردشگری بیشتر از Weibo استفاده می‌کردند. با این حال، مردان تمایل بیشتری به استفاده از Weibo هنگام انجام فعالیت‌های مربوط به آموزش و یادگیری، حرفه‌ای و غیره، فروش و خدمات، و سفر و حمل‌ونقل داشتند. با این حال، مشاهده کردیم که در طول روزهای هفته، مردان تمایل بیشتری به استفاده از Weibo هنگام انجام فعالیت‌های مربوط به آموزش و یادگیری، حرفه‌ای و غیره، و مسافرت و حمل‌ونقل داشتند، در حالی که زنان تمایل بیشتری به استفاده از Weibo هنگام انجام فعالیت‌های مرتبط با غذا و غذا داشتند. نوشیدنی، بیمارستان و مراقبت های بهداشتی، اقامت، فروش و خدمات، خرید، و گردشگری. مشاهده کردیم که در تعطیلات آخر هفته،

شکل 8 a روند فعالیت های هفتگی را نشان می دهد. روند غذا و نوشیدنی و سکونت از جمعه ها شروع شد و تا یکشنبه ادامه داشت، در حالی که روند برای حرفه ای ها از جمعه شروع به کاهش کرد و تا روز یکشنبه کاهش یافت. با این حال، شکل 8 b,c روند فعالیت‌های هفتگی مبتنی بر جنسیت را نشان می‌دهد، که در آن روند فعالیت‌های کاربران مرد برای غذا و نوشیدنی، محل سکونت، و فروش و خدمات در طول روزهای هفته ثابت بود، اما در آخر هفته تمایل به افزایش داشت، اما روند فعالیت‌های حرفه‌ای و سایرین در تعطیلات آخر هفته تمایل به کاهش داشتند. با این حال، برای کاربران زن، روند فعالیت‌ها برای غذا و نوشیدنی، اقامت، خرید و گردشگری در تعطیلات آخر هفته نسبت به روزهای هفته افزایش یافته است.

شکل 9 توزیع فعالیت‌های ناحیه را توسط مردان و زنان در شانگهای نشان می‌دهد، جایی که توزیع چک-این افراد حرفه‌ای و دیگران در نواحی مرکز شهر نسبتاً بالا بود. توزیع چک در غذا و نوشیدنی در مناطق Changning و Huangpu در مقایسه با سایر مناطق بالا بود. نواحی حومه شهر (باوشان و مینهنگ) دارای توزیع بالایی از بررسی های مربوط به غذا و نوشیدنی و محل سکونت در مقایسه با مناطق مرکز شهر بودند. تفاوت های قابل توجه بر اساس جنسیت در منطقه Pudong New Area مشاهده شد.

در شانگهای، برای مشاهده فعالیت‌ها بر اساس روند ورود، روند زمانی فعالیت‌ها براساس جنسیت را اندازه‌گیری کردیم. در شکل 10 a-c، روند افزایش فعالیت ها را می توان از 05:30 تا 09:30 و 13:00 تا 22:30 مشاهده کرد، به ویژه برای غذا و نوشیدنی، محل سکونت، و حرفه ای و دیگران. با این حال، در شکل 10 a,b، یک روند کاهشی فعالیت برای حرفه ای و دیگران پس از ساعت 20:00 مشاهده شده است. روند افزایشی فعالیت‌ها برای کاربران زن و مرد مربوط به فعالیت‌های غذا و نوشیدنی و محل سکونت بعد از ساعت 15:00 مشاهده می‌شود.

شکل 11 تراکم هسته چک‌این‌های مربوط به فعالیت‌ها در نواحی شانگهای را نشان می‌دهد، جایی که مناطق حومه شهر (بائوشان و مینهنگ) دارای توزیع بالایی از بررسی‌های مربوط به غذا و نوشیدنی و محل اقامت در مقایسه با مناطق مرکز شهر بودند. پشتیبانی از نتایج شکل 9 .

در نهایت، نتایج داده‌های LBSN در بخش فعلی نشان داد که مرکز شهر دارای تنوع فعالیت‌های نسبتاً بالایی در مقایسه با مناطق حومه شهر است. با این حال، تنوع تراکم بالایی از فعالیت های مربوط به غذا و نوشیدنی و محل سکونت در مناطق حومه شهر (باوشان و مینهنگ) مشاهده شد. تنوع تراکم بالایی از فعالیت ها در نزدیکی مرزهای منطقه یافت شد.

4.2. تحلیل رگرسیون فضایی

نتایج GWR برای فعالیت های انجام شده در شانگهای توسط مردان و زنان در طول روزهای هفته و آخر هفته در جدول 3 ارائه شده است. تمامی متغیرهای انتخاب شده در سطح 1 درصد معنی دار بودند. مقادیر ضریب تعیین ( R2 ) ^0.9993 و 0.9975 بود، که نشان می دهد متغیرهای انتخاب شده می توانند 99.9٪ و 99.7٪ از تغییرات در ورود در روزهای هفته و تعطیلات آخر هفته را توضیح دهند، با پهنای باند مکانی – زمانی بهینه برای 0.956 و 0.956 روز هفته. به ترتیب آخر هفته ها روند تغییرات فعالیت‌ها برای مردان و زنان در طول روزهای هفته به دلیل تعداد مراجعه بیشتر توسط زنان نسبت به مردان متفاوت است ( شکل 12).). روند تغییرات فعالیت‌های مردان و زنان در طول تعطیلات آخر هفته تقریباً یکسان است، زیرا تعداد مراجعه‌های مردان نسبت به روزهای هفته افزایش یافته است.

شکل 12 میانگین تمایلات تغییر فضایی برآورد پارامترها را نشان می دهد که عوامل محوری و تمرکز در این مطالعه بودند. ما همچنین به صورت دستی صفر را به عنوان آستانه تعیین می کنیم تا بین تأثیرات مثبت و منفی گرایشات عمومی و تفاوت های ظریف ورود توسط مردان و زنان تمایز قائل شویم. تأثیر چک-این توسط زنان در شانگهای بیشتر از 0.5 باقیمانده استاندارد شده (StdResid) در مقایسه با مردان بود. هر چه StdResid بیشتر باشد، تعداد مراجعه زنان بیشتر است.

جدول 4 نتایج GWR را برای فعالیت های انجام شده در شانگهای توسط مردان و زنان ارائه می دهد. تمامی متغیرهای انتخاب شده در سطح 1 درصد معنی دار بودند. مقادیر R ² 0.9950 و 0.9283 بود که نشان می‌دهد متغیرهای انتخابی 99.5% و 92.8% از تغییرات را در بررسی ورود برای مردان و زنان در شانگهای با پهنای باند مکانی – زمانی بهینه به ترتیب 0.389 و 0.389 توضیح می‌دهند. روند تنوع فعالیت‌های مردان و زنان برای اکثر فعالیت‌ها به دلیل تعداد بیشتر مراجعه‌کنندگان توسط زنان در شانگهای کاملاً متفاوت بود.

شکل 13 و شکل 14 میانگین تمایلات تغییر فضایی تخمین پارامترها را برای ورود توسط مردان و زنان نشان می دهد. اثرات اعلام حضور در زنان شانگهای بیشتر از 0.5 StdResid است. با این حال، تأثیر ورود زنان در شانگهای به دلیل تعداد بالای ورود در طول روزهای هفته، عمدتاً از 0.5 StdResid در مقایسه با مردان بیشتر بود. همچنین مشاهده کردیم که چک‌این‌های زنان بیشتر در شانگهای در مقایسه با مردان پراکنده بود.

جدول 5 نتایج GWR را برای فعالیت های انجام شده در شانگهای در روزهای هفته و آخر هفته نشان می دهد. تمامی متغیرهای انتخاب شده در سطح 1 درصد معنی دار بودند. مقادیر R ² 0.9311 و 0.9277 بود، که نشان می‌دهد متغیرهای انتخابی 93.1% و 92.7% از تغییرات را در بررسی‌ها در شانگهای در طول روزهای هفته و آخر هفته با پهنای باند مکانی – زمانی بهینه به ترتیب 0.3895 و 0.3895 و 0.3895 را توضیح می‌دهند. روند تغییرات در طول روزهای هفته کاملاً متفاوت بود به دلیل تعداد بیشتر مراجعه توسط زنان نسبت به مردان. روند تغییرات در طول تعطیلات آخر هفته برای مردان و زنان در شانگهای تقریباً یکسان بود، زیرا تعداد بازدیدهای مردان در مرکز شهر در مقایسه با روزهای هفته بیشتر بود.

شکل 15 و شکل 16 میانگین تمایلات تغییر فضایی تخمین پارامترها را برای ورود در طی روزهای هفته و آخر هفته نشان می دهد. اثرات اعلام حضور در روزهای هفته در شانگهای بیشتر از 0.5 StdResid بود و در مقایسه با آخر هفته ها پراکنده تر بود. تأثیر ورود در تعطیلات آخر هفته در شانگهای بیشتر از 0.5 StdResid و بیشتر به سمت مرکز شهر در مقایسه با روزهای هفته بود.

در نهایت، از نتایج ذکر شده در بالا، به طور کلی، مناطق شهری از جمله مرکز شهر تأثیرات مثبتی بر دفعات ورود در آخر هفته داشتند، در حالی که مناطق حومه شهر عمدتاً تأثیرات نامطلوبی داشتند.

4.3. تحلیل جهتی فضایی

تغییر الگوی فضایی کلی فعالیت‌ها در سراسر شانگهای از طریق تجزیه و تحلیل بیضی انحراف استاندارد (SDE) تعیین شد. شکل 17 تغییر الگوی فضایی کلی فعالیت‌ها را در شانگهای نشان می‌دهد، جایی که محور اصلی جهت و محور فرعی محدوده توزیع داده‌ها را نشان می‌دهد. خط سیر مرکز حرکت خطی فعالیت ها را در جهت عقربه های ساعت به سمت شمال شرقی نشان می دهد، همچنین جهت گیری و جهت ظاهری فعالیت ها در منطقه مورد مطالعه را نشان می دهد. جدول 6ویژگی های SDE را در مورد محورهای اصلی و فرعی، آزیموت و تملق برای فعالیت ها در شانگهای ارائه می دهد. برای آموزش و یادگیری، بیمارستان و مراقبت های بهداشتی، و محل اقامت، آزیموت بین 41 درجه و 45 درجه گذاشته شد. آموزش و یادگیری با مساحت 1136.73 کیلومتر ^مربع و محور فرعی 18.13 کیلومتر. و Residence با مساحت 1024.20 کیلومتر ^مربع و محور فرعی 16.67 کیلومتر، خروج از مرکز بزرگتر SDE را ایجاد کردند. خارج از مرکز بزرگتر SDE نشان می دهد که بررسی های مربوط به آموزش و یادگیری و اقامت بیشتر در شهر پراکنده است و بیشتر مناطق حومه شهر (باوشان و مینهنگ) را پوشش می دهد. برای غذا و نوشیدنی با مساحت 658.63 کیلومتر ^مربع ، حرفه ای و غیره با مساحت 752.76 کیلومتر ^مربع ، فروش و خدمات با مساحت 940.70 کیلومتر^{منطقه 2} ، خرید با منطقه 757.61 کیلومتر ^مربع ، ورزش و اوقات فراغت با منطقه 822.73 کیلومتر ^مربع ، و گردشگری با منطقه 828.02 کیلومتر ^مربع ، ما یک تغییر جهت عقربه های ساعت به سمت (مرکز شهر) شمال شرقی مشاهده کردیم، جایی که آزیموت بین 53 درجه قرار دارد. و 64 درجه با این حال، شکل 13 نشان می دهد که برای سفر و حمل و نقل، یک جابجایی قابل توجه در جهت عقربه های ساعت با گریز از مرکز بزرگ به سمت مرکز شهر با آزیموت 79 درجه، مساحت 1133.65 کیلومتر ^مربع و محور فرعی 17.11 کیلومتر رخ داده است.

شکل 18 SDE های ناحیه را برای الگوی فضایی کلی فعالیت های 10 ناحیه در شانگهای نشان می دهد. SDE های نواحی به دلیل تفاوت در اندازه و ساختار با کل منطقه مورد مطالعه تفاوت معنی داری داشتند. شکل 18 و جدول 7 نشان می دهد که الگوی فضایی کلی و حرکت خطی برای فعالیت ها تقریباً در مناطق Changning، Hongkou، Putuo، Xuhui و Yangpu یکسان بوده است. تفاوت های زیادی برای سفر و حمل و نقل در مقایسه با سایر فعالیت ها مشاهده شد. با این حال، در ناحیه یانگپو، رفتار کاملاً متفاوتی مشاهده شد، با یک حرکت خطی در جهت عقربه های ساعت به سمت شمال شرقی توسط یک آزیموت چرخشی 131 درجه ( جدول 7 ).

در بائوشان، که یک منطقه حومه شهر در نظر گرفته می شود، برای غذا و نوشیدنی، اقامت، خرید، و ورزش و اوقات فراغت، آزیموت بین 33 درجه و 38 درجه با یک حرکت خطی ظاهری به سمت جهت عقربه های ساعت قرار دارد و بیشتر مناطق حومه شهر را پوشش می دهد. برای بیمارستان و مراقبت های بهداشتی، حرفه ای و دیگران، و گردشگری، آزیموت بین 40 درجه و 44 درجه گذاشته شد. برای آموزش و یادگیری و سفر و حمل و نقل، آزیموت بین 52 درجه و 55 درجه با یک حرکت خطی به سمت شمال شرقی در جهت عقربه های ساعت و به سمت مرکز شهر قرار گرفت.

در Huangpu، برای آموزش و یادگیری، غذا و نوشیدنی، بیمارستان و مراقبت های بهداشتی، حرفه ای و دیگران، فروش و خدمات، خرید، ورزش و اوقات فراغت و گردشگری، آزیموت بین 1 درجه و 24 درجه با یک حرکت خطی به سمت شمال قرار گرفت. شرق در جهت عقربه های ساعت با این حال، برای اقامت و سفر و حمل و نقل، تغییر ظاهری در آزیموت بین 174 درجه تا 177 درجه به سمت جنوب شرقی مشاهده شد که نشان دهنده تغییر در این فعالیت ها به دور از مرکز شهر است. در Jingan، برای آموزش و یادگیری، حرفه ای و دیگران، فروش و خدمات، خرید، گردشگری، و سفر و حمل و نقل، آزیموت بین 173 درجه تا 180 درجه با حرکت خطی به سمت جنوب شرقی در جهت عقربه های ساعت قرار دارد. با این حال، برای غذا و نوشیدنی، بیمارستان و مراقبت های بهداشتی، اقامت، و ورزش و اوقات فراغت،

در Minhang که یک منطقه حومه شهر نیز محسوب می شود، آزیموت بین 140 درجه و 173 درجه با یک حرکت خطی به سمت جنوب شرقی در جهت عقربه های ساعت به سمت مناطق حومه شهر و دور از مرکز شهر قرار گرفت. در منطقه جدید پودونگ، که مرکز تجاری شانگهای در نظر گرفته می شود، برای غذا و نوشیدنی، بیمارستان و مراقبت های بهداشتی، حرفه ای و دیگران، محل سکونت، فروش و خدمات، و خرید، آزیموت بین 21 درجه تا 31 درجه با یک حرکت خطی به سمت قرار گرفت. شمال شرقی در جهت عقربه های ساعت. برای ورزش و اوقات فراغت، آزیموت با یک پیشروی خطی به سمت شمال شرقی در جهت عقربه های ساعت در مقایسه با فعالیت های ذکر شده در بالا به 55 درجه تغییر کرد. با این حال، برای آموزش و یادگیری و سفر و حمل و نقل،

به طور خلاصه، از آنجایی که داده‌های ورود به سیستم برای تعیین حرکت فعالیت‌ها از یک مقصد به مقصد دیگر خام و نادقیق هستند، این داده‌ها نمی‌توانند دقیقاً ماهیت دقیق پیشرفت کاربران در بین مناطق را نشان دهند. ترکیب داده های LBSN و POI می تواند به درک بهتر گرایش مرکزی، پراکندگی و روندهای جهت دار رفتار فعالیت های انسانی در سطح شهر و منطقه کمک کند.

5. نتیجه گیری ها

در این مطالعه، ما یک بررسی فضایی-زمانی از تفاوت‌های جنسی در رفتار فعالیت‌های انسانی برای بررسی الگوهای ورود ساعتی و روزانه، و همچنین در روزهای هفته و آخر هفته انجام دادیم. نتایج نشان داد که تقریباً در تمام مناطق شانگهای، زنان بیشتر از مردان در طول روزهای هفته از رسانه های اجتماعی استفاده می کنند. با این حال، در طول تعطیلات آخر هفته، تقریباً یک روند ثبت نام برای مردان و زنان مشاهده شد. مرکز شهر در نزدیکی متروها و بزرگراه‌ها دارای تراکم بالایی از بررسی‌ها بود.

در تکمیل تحقیقات قبلی در مورد رفتار ورود، ما داده های LBSN را به عنوان مکمل به جای جایگزینی برای منابع داده سنتی برای مشاهده، به عنوان مثال، تحرک انسان، تجزیه و تحلیل فعالیت، تعریف مرز شهر، و مسائل اجتماعی در یک شهر در نظر گرفتیم. علاوه بر این، در مقایسه با سایر منابع داده سنتی، مجموعه داده LBSN دارای مزایایی است، از جمله هزینه کم و دقت فضایی بالا، و برخی از معایب، از جمله تعصب جنسی، فراوانی پایین نمونه‌گیری، و تعصب نوع مکان. پویایی مکانی-زمانی SDE بر اساس مقیاس شهر و منطقه رفتارهای انسانی متفاوتی را نشان داد. در مقیاس شهر، ما یک روند رفتاری فعالیت را به سمت مرکز شهر در جهت شمال شرقی مشاهده کردیم. با این حال، روند رفتار فعالیت ها در مقیاس منطقه به طور قابل توجهی با مقیاس شهر متفاوت بود. به طور کلی، نرخ حرکت و جهت SDE برای ولسوالی های مختلف برای فعالیت های مختلف متفاوت بود، که ممکن است به توزیع فضایی بررسی ها مربوط باشد. بر اساس نتایج مطالعه حاضر، مجموعه داده LBSN یک منبع جدید از داده های بزرگ است که پتانسیل ارائه یک چشم انداز جدید را به عنوان مکملی برای مشاهده رفتار فعالیت های انسانی و تفاوت های جنسی در فضا و زمان دارد. یافته‌ها می‌تواند به سیاست‌گذاران کمک کند تا با برجسته کردن نقاط ورود به شهر، سیاست‌های مربوط به عرضه خدمات (مانند حمل‌ونقل، سلامت، سرگرمی) را تعریف کنند. که ممکن است مربوط به توزیع مکانی چک-این ها باشد. بر اساس نتایج مطالعه حاضر، مجموعه داده LBSN یک منبع جدید از داده های بزرگ است که پتانسیل ارائه یک چشم انداز جدید را به عنوان مکملی برای مشاهده رفتار فعالیت های انسانی و تفاوت های جنسی در فضا و زمان دارد. یافته‌ها می‌تواند به سیاست‌گذاران کمک کند تا با برجسته کردن نقاط ورود به شهر، سیاست‌های مربوط به عرضه خدمات (مانند حمل‌ونقل، سلامت، سرگرمی) را تعریف کنند. که ممکن است مربوط به توزیع مکانی چک-این ها باشد. بر اساس نتایج مطالعه حاضر، مجموعه داده LBSN یک منبع جدید از داده های بزرگ است که پتانسیل ارائه یک چشم انداز جدید را به عنوان مکملی برای مشاهده رفتار فعالیت های انسانی و تفاوت های جنسی در فضا و زمان دارد. یافته‌ها می‌تواند به سیاست‌گذاران کمک کند تا با برجسته کردن نقاط ورود به شهر، سیاست‌های مربوط به عرضه خدمات (مانند حمل‌ونقل، سلامت، سرگرمی) را تعریف کنند.

ما فقط بر تجزیه و تحلیل الگوهای پویایی مکانی و زمانی فعالیت‌های انسانی با استفاده از داده‌های LBSN تمرکز کردیم. نتایج نشان داد که فعالیت‌های مختلف دارای ویژگی‌های تغییر متفاوتی در جهات مختلف در مقیاس‌های مختلف هستند که می‌تواند به ارزیابی روند توسعه شهری شهر کمک کند. مطالعات بیشتر می‌تواند تأثیر تغییر در رفتار فعالیت‌های انسانی و الگوهای پویای مکانی-زمانی شهرنشینی را برای درک بهتر توسعه شهر تحلیل کند. عوامل موثر بر تغییر رفتار فعالیت های شهری در فضا و زمان قابل بررسی است.

منابع

ادواردز، آ. هاسلی، دبلیو. ویلیامز، ام. اسلون، ال. ویلیامز، ام. تحقیقات اجتماعی دیجیتال، رسانه های اجتماعی و تخیل جامعه شناختی: رحم جایگزین، افزایش و جهت گیری مجدد. بین المللی J. Soc. Res. روش. 2013 ، 16 ، 245-260. [ Google Scholar ] [ CrossRef ]
برایمن، الف. روشهای تحقیق اجتماعی . انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2016. [ Google Scholar ]
ارل، تی. ختک، دبلیو. بوهلر، پی. مبانی کلان داده ؛ Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 2016. [ Google Scholar ]
گندمی، ع. Haider, M. Beyond the hype: Big data مفاهیم، روش ها و تجزیه و تحلیل. بین المللی J. Inf. مدیریت 2015 ، 35 ، 137-144. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لو، EH-C. چن، سی.-ای. Tseng، VS توصیه سفر شخصی شده با محدودیت‌های متعدد توسط رفتارهای بررسی کاربر معدن. در مجموعه مقالات بیستمین کنفرانس بین المللی پیشرفت در سیستم های اطلاعات جغرافیایی، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، 6-9 نوامبر 2012. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2012; ص 209-218. [ Google Scholar ]
استیگلیتز، اس. میربابایی، م. راس، بی. Neuberger, C. تجزیه و تحلیل رسانه های اجتماعی – چالش ها در کشف موضوع، جمع آوری داده ها و آماده سازی داده ها. بین المللی J. Inf. مدیریت 2018 ، 39 ، 156-168. [ Google Scholar ] [ CrossRef ]
تسو، M.-H. چالش ها و فرصت ها را در نقشه برداری رسانه های اجتماعی و کلان داده ها تحقیق کنید. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 70-74. [ Google Scholar ] [ CrossRef ]
فورینی، م. تامانینی، وی. حریم خصوصی مکان و فراداده های عمومی در سیستم عامل های رسانه های اجتماعی: نگرش ها، رفتارها و نظرات. چندتایی. ابزارهای کاربردی 2015 ، 74 ، 9795-9825. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، HX; زو، اچ جی. Du، SG; لیانگ، XH; Shen, XM نشت حریم خصوصی اشتراک‌گذاری موقعیت مکانی در شبکه‌های اجتماعی تلفن همراه: حملات و دفاع. IEEE Trans. ایمن قابل اعتماد محاسبه کنید. 2018 ، 15 ، 646-660. [ Google Scholar ] [ CrossRef ]
کومار، اس. ساراواناکومار، ک. دیپا، ک. در مورد حریم خصوصی و امنیت در رسانه های اجتماعی – یک مطالعه جامع. Procedia Comput. علمی 2016 ، 78 ، 114-119. [ Google Scholar ]
ویسنته، CR; فرنی، دی. بتینی، سی. جنسن، CS حریم خصوصی مرتبط با موقعیت مکانی در شبکه های جغرافیایی اجتماعی. محاسبات اینترنتی IEEE. 2011 ، 15 ، 20-27. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Fuchs, C. Social Media: A Critical Introduction ; Sage: لندن، بریتانیا، 2017. [ Google Scholar ]
ژانگ، ال. پنتینا، I. انگیزه ها و الگوهای استفاده از weibo. روان سایبری. رفتار Soc. شبکه 2012 ، 15 ، 312-317. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
پنتینا، آی. بسمانوا، او. Zhang, L. یک مطالعه فراملی در مورد انگیزه های کاربران توییتر و نیات مستمر. جی. مارک. اشتراک. 2016 ، 22 ، 36-55. [ Google Scholar ] [ CrossRef ]
کیم، اچ.-اس. بررسی انگیزه استفاده از sns و رفتار ارتباطی. J. Korea Acad. قفس صنعتی. Soc. 2012 ، 13 ، 548-553. [ Google Scholar ]
اسمیت، الف. چرا آمریکایی ها از رسانه های اجتماعی استفاده می کنند؟ پیو اینترنت ام. پروژه زندگی 2011 ، 1-11. [ Google Scholar ]
Muscanell، NL; Guadagno، RE دوستان جدیدی پیدا کنید یا قدیمی ها را حفظ کنید: تفاوت های جنسیتی و شخصیتی در استفاده از شبکه های اجتماعی. محاسبه کنید. هوم رفتار 2012 ، 28 ، 107-112. [ Google Scholar ] [ CrossRef ]
هوانگ، اچ اس. چوی، EK بررسی تفاوت‌های جنسی در انگیزه‌های استفاده از sina weibo. Ksii Trans. اینترنت Inf. سیستم 2016 ، 10 ، 1429-1441. [ Google Scholar ]
سلیم، کارشناسی ارشد؛ کومار، آر. کالدرز، تی. Xie، X. پدرسن، تأثیر مکان یابی سل در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات دهمین کنفرانس بین المللی ACM در جستجوی وب و داده کاوی، کمبریج، بریتانیا، 6 تا 10 فوریه 2017. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2017؛ صص 621-630. [ Google Scholar ]
چون، ام.-اچ. مشارکت عاطفی/شناختی و رضایت با توجه به انگیزه های استفاده از خدمات شبکه های اجتماعی. مدیریت Inf. سیستم Rev. 2012 , 31 , 21-39. [ Google Scholar ]
او، X. لی، ز. لی، کیو. چن، ز. She, Y. در مورد ویژگی‌های مکانی-زمانی گردشگران در مناطق دیدنی بر اساس ردپای دیجیتال – مطالعه موردی گردشگران در zhangjiajie. جی. نات. علمی هنجار هونان. دانشگاه 2018 ، 41 ، 11-17. [ Google Scholar ]
ژنگ، ی. جیژن، ال. بینگرونگ، ال. حداقل، سی. درک و ارزیابی ویژگی‌های منظر شهری با استفاده از تحلیل معنایی در میکروبلاگ در منطقه شهری اصلی شهرداری چونگ کینگ. Prog. Geogr. 2017 ، 36 ، 1058-1066. [ Google Scholar ]
ژائو، پی. کائو، ی. تجزیه و تحلیل مقایسه ای تعادل شغل-مسکن با داده های پوند: مطالعه موردی پکن. Beijing Da Xue Xue Bao 2018 ، 54 ، 1290-1302. [ Google Scholar ]
خو، ی. شاو، اس ال. ژائو، ZL; یین، ال. لو، اف. چن، جی. نیش، ZX; لی، QQ داستان دیگری از دو شهر: درک فضای فعالیت انسانی با استفاده از داده‌های موقعیت مکانی تلفن همراه ردیابی شده فعال. ان صبح. دانشیار Geogr. 2016 ، 106 ، 489-502. [ Google Scholar ]
لی، سی سی; ژانگ، ا. Qi، QW; سو، اچ ام. وانگ، JH تجزیه و 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 ]
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 ] [ PubMed ]
هائو، جی. ژو، جی. ژونگ، آر. ظهور کلان داده‌ها در مورد مطالعات شهری و شیوه‌های برنامه‌ریزی در چین: بررسی و موضوعات تحقیقاتی باز. J. Urban Manag. 2015 ، 4 ، 92-124. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هوانگ، ی. لیو، ز. نگوین، پی. جستجوی رویداد مبتنی بر مکان در متون اجتماعی. در مجموعه مقالات کنفرانس بین المللی محاسبات، شبکه و ارتباطات 2015 (ICNC)، گاردن گرو، کالیفرنیا، ایالات متحده آمریکا، 16 تا 19 فوریه 2015؛ IEEE: Piscataway, NJ, USA, 2015; صص 668-672. [ Google Scholar ]
بنسون، وی. ساریداکیس، جی. تنناکون، ح. افشای اطلاعات کاربران رسانه های اجتماعی: آیا کنترل بر اطلاعات شخصی، آگاهی کاربر و اطلاعیه های امنیتی اهمیت دارد؟ Inf. تکنولوژی مردم 2015 ، 28 ، 426-441. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
استراتر، ک. ریشتر، اچ. بررسی حریم خصوصی و افشا در یک جامعه شبکه های اجتماعی. در مجموعه مقالات سومین سمپوزیوم در مورد حریم خصوصی و امنیت قابل استفاده، پیتسبورگ، PA، ایالات متحده آمریکا، 18 تا 20 ژوئیه 2007 . ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2007; صص 157-158. [ Google Scholar ]
استفانون، MA; هوانگ، YC; Lackaff، D. مذاکره تعلق اجتماعی: آنلاین، آفلاین، و بین. در مجموعه مقالات HICSS، Kauai، HI، ایالات متحده آمریکا، 4-7 ژانویه 2011. صص 1-10. [ Google Scholar ]
بوید، دی.م. الیسون، NB سایت های شبکه اجتماعی: تعریف، تاریخچه و بورس تحصیلی. جی. کامپیوتر. واسطه اشتراک. 2007 ، 13 ، 210-230. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
رسچ، بی. سوما، ا. ساگل، جی. زیل، پ. Exner، J.-P. احساسات شهری – استخراج احساسات جغرافیایی معنایی از حسگرهای فنی، حسگرهای انسانی و داده‌های جمع‌سپاری. در حال پیشرفت در خدمات مبتنی بر مکان 2014 ; Springer: برلین/هایدلبرگ، آلمان، 2015; صص 199-212. [ Google Scholar ]
الله، اچ. Wan، WG; Haidery، SA; خان، NU; ابراهیم پور، ز. Luo, TH تجزیه و تحلیل الگوهای مکانی-زمانی در فضاهای سبز برای مطالعات شهری با استفاده از داده های رسانه های اجتماعی مبتنی بر مکان. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 506. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
حسن، س. اوکوسوری، اس وی؛ Zhan, X. درک تأثیر اجتماعی در انتخاب مکان فعالیت و الگوهای سبک زندگی با استفاده از داده‌های موقعیت جغرافیایی از رسانه‌های اجتماعی. جلو. Ict 2016 ، 3 ، 10. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
یوان، ی. وانگ، ایکس. بررسی اثربخشی رسانه‌های اجتماعی مبتنی بر مکان در مدل‌سازی فضای فعالیت کاربر: مطالعه موردی weibo. ترانس. Gis 2018 ، 22 ، 930-957. [ Google Scholar ] [ CrossRef ]
هامفریس، ال. شبکه های اجتماعی موبایل و فضای عمومی شهری. شبکه رسانه های جدید 2010 ، 12 ، 763-778. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
روشه، اس. علم اطلاعات جغرافیایی i: چرا یک شهر هوشمند باید از نظر فضایی فعال شود؟ Prog. هوم Geogr. 2014 ، 38 ، 703-711. [ Google Scholar ] [ CrossRef ]
اسکلاتو، اس. نولاس، ا. لامبیوت، آر. Mascolo، C. ویژگی های اجتماعی- فضایی شبکه های اجتماعی مبتنی بر مکان آنلاین. ICWSM 2011 ، 11 ، 329-336. [ Google Scholar ]
رضوان، م. محمود، س. وانگگن، دبلیو. علی، اس. تجزیه و تحلیل داده های رسانه های اجتماعی مبتنی بر مکان برای مشاهده رفتار ورود و ریتم شهر در شانگهای. در مجموعه مقالات چهارمین کنفرانس بین المللی شهر هوشمند و پایدار، ICSSC 2017، شانگهای، چین، 5 تا 6 ژوئن 2017; موسسه مهندسین برق و الکترونیک شرکت: شانگهای، چین، 2018. صص 5-8. [ Google Scholar ]
رضوان، م. Wan, W. تجزیه و تحلیل داده های بزرگ برای مشاهده رفتار ورود با استفاده از داده های رسانه های اجتماعی مبتنی بر مکان. اطلاعات 2018 ، 9 ، 257. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
رضوان، م. Wan، WG; سروانتس، او. Gwiazdzinski، L. استفاده از داده‌های رسانه‌های اجتماعی مبتنی بر مکان برای مشاهده رفتار ثبت نام و تفاوت جنسی: وارد کردن داده‌های weibo به بازی. ISPRS Int. J. Geo Inf. 2018 ، 7 ، 196. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لی، ن. چن، جی. تجزیه و تحلیل یک شبکه اجتماعی مبتنی بر مکان. در مجموعه مقالات کنفرانس بین المللی علوم و مهندسی محاسبات، 2009. CSE’09، ونکوور، BC، کانادا، 29-31 اوت 2009; IEEE: Piscataway, NJ, USA, 2009; صص 263-270. [ Google Scholar ]
ابراهیم پور، ز. Wan، WG; سروانتس، او. لو، تی. Ullah, H. مقایسه رویکردهای اصلی برای استخراج ویژگی‌های رفتاری از تحلیل جریان جمعیت. ISPRS Int. J. Geo Inf. 2019 ، 8 ، 440. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
واکامیا، س. جاتوت، ا. کاوایی، ی. Akiyama، T. تجزیه و تحلیل توجه فضایی جمعی جهانی و جفتی برای تشخیص رویدادهای جغرافیایی-اجتماعی در میکروبلاگ ها. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی همکار در وب جهانی، مونترال، QC، کانادا، 11-15 مه 2016 ؛ کمیته راهبری کنفرانس های بین المللی وب جهانی: ژنو، سوئیس، 2016; صص 263-266. [ Google Scholar ]
کالن، IG جغرافیای انسانی، علم منطقه ای، و مطالعه رفتار فردی. محیط زیست طرح. A 1976 , 8 , 397-409. [ Google Scholar ] [ CrossRef ]
Hägerstrand، T. تأملاتی در مورد “در مورد مردم در علم منطقه ای چطور؟”. در مقالات انجمن علمی منطقه ای ; Springer: برلین/هایدلبرگ، آلمان، 1989; صص 1-6. [ Google Scholar ]
نیلسون، ال. گیل، جی. امضای رشد شهری ارگانیک. در ریاضیات مورفولوژی شهری ; Springer: برلین/هایدلبرگ، آلمان، 2019؛ صص 93-121. [ Google Scholar ]
اندرسون، JE توابع تراکم شهری با خط مکعب. J. شهری اقتصاد. 1982 ، 12 ، 155-167. [ Google Scholar ] [ CrossRef ]
ژائو، ک. تارکوما، اس. لیو، اس. Vo, H. داده کاوی تحرک انسانی شهری: یک مرور کلی. در مجموعه مقالات کنفرانس بین المللی IEEE در سال 2016 درباره داده های بزرگ (داده های بزرگ)، واشنگتن، دی سی، ایالات متحده آمریکا، 5 تا 8 دسامبر 2016؛ IEEE: Piscataway, NJ, USA, 2016; صفحات 1911-1920. [ Google Scholar ]
ویجینگ، ز. De, W. مطالعه فضای شهری بر اساس ویژگی های زمانی رفتار ساکنان. Prog. Geogr. 2018 ، 37 ، 1106-1118. [ Google Scholar ]
چونشان، ز. رنز، ال. Dandan، D. تکامل و مکانیسم ساختار فضایی مسکونی از سال 2000 تا 2010 در گوانگژو. Geogr. Res. 2015 ، 34 ، 1109-1124. [ Google Scholar ]
ژیان، اف. Yizhi، X. ویژگی های فضای مسکونی منطقه توسعه و مکانیسم شکل گیری: بررسی منطقه توسعه اقتصادی-فناوری پکن. Prog. Geogr. 2017 ، 36 ، 99-111. [ Google Scholar ]
نام، تی. پاردو، TA مفهوم شهر هوشمند با ابعاد فناوری، مردم و نهادها. در مجموعه مقالات دوازدهمین کنفرانس بین المللی تحقیقاتی سالانه دولت دیجیتال: نوآوری دولت دیجیتال در زمان های چالش برانگیز، کالج پارک، MD، ایالات متحده، 12 تا 15 ژوئن 2011. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; صص 282-291. [ Google Scholar ]
Frändberg، L. مسیرها در زمان-فضای فراملی: نشان دهنده زندگی نامه های تحرک جوانان سوئدی. Geogr. ان سر. بهم Geogr. 2008 ، 90 ، 17-28. [ Google Scholar ] [ CrossRef ]
جانسون، ای جی؛ Glover، TD درک فضای عمومی شهری در یک زمینه اوقات فراغت. لیس. علمی 2013 ، 35 ، 190-197. [ Google Scholar ] [ CrossRef ]
Weibo. در دسترس آنلاین: https://www.weibo.com (در 2 ژانویه 2020 قابل دسترسی است).
شرکت سینا در دسترس آنلاین: https://www.sina.com.cn/ (در 2 ژانویه 2020 قابل دسترسی است).
گزارش مالی سینا ویبو سه ماهه چهارم 2017. موجود به صورت آنلاین: https://ir.weibo.com/financial-information/Quarterly-results (در تاریخ 13 فوریه 2018 قابل دسترسی است).
چهل و یکمین گزارش آماری توسعه اینترنت در چین ؛ مرکز اطلاعات شبکه اینترنتی چین (CNNIC): پکن، چین، 2018؛ ص 48-49.
لیو، YQ; ژانگ، FZ; وو، فلوریدا؛ لیو، ی. Li، ZG رفاه ذهنی مهاجران در گوانگژو، چین: تأثیرات محیط اجتماعی و فیزیکی. شهرها 2017 ، 60 ، 333-342. [ Google Scholar ] [ CrossRef ]
حسن، س. ژان، ایکس. Ukkusuri، SV درک فعالیت های انسانی شهری و الگوهای تحرک با استفاده از داده های مکان محور در مقیاس بزرگ از رسانه های اجتماعی آنلاین. در مجموعه مقالات دومین کارگاه بین المللی ACM SIGKDD در محاسبات شهری، شیکاگو، IL، ایالات متحده آمریکا، 11-14 اوت 2013. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2013; پ. 6. [ Google Scholar ]
بائو، ام. یانگ، ن. ژو، ال. لائو، ی. ژانگ، ی. تیان، ی. تحلیل فضایی داده‌های ورود به ویبو: مطالعه موردی ووهان. در ژئو انفورماتیک در مدیریت منابع و اکوسیستم پایدار ؛ Springer: برلین/هایدلبرگ، آلمان، 2013; صص 480-491. [ Google Scholar ]
پرئوتیوک-پیترو، دی. Cohn, T. Mining User Behaviours: A Study of Check-in Patterns in Location Based Networks. در مجموعه مقالات پنجمین کنفرانس سالانه علوم وب ACM، پاریس، فرانسه، 2 تا 3 مه 2013. ACM: نیویورک، نیویورک، ایالات متحده آمریکا؛ صص 306-315. [ Google Scholar ]
عباسی، ع. رشیدی، ط. مغربی، م. Waller, ST استفاده از رسانه های اجتماعی مبتنی بر مکان در روش های بررسی سفر: آوردن داده های توییتر به Play. در مجموعه مقالات هشتمین کارگاه بین المللی ACM SIGSPATIAL در مورد شبکه های اجتماعی مبتنی بر مکان، واشنگتن، دی سی، ایالات متحده آمریکا، 3 نوامبر 2015. ACM: نیویورک، نیویورک، ایالات متحده آمریکا؛ پ. 1. [ Google Scholar ]
سابرینا. تجزیه و تحلیل دموگرافیک کاربر Sina Weibo در سال 2013. موجود به صورت آنلاین: https://www.chinainternetwatch.com/5568/what-weibo-can-tell-you-about-chinese-netizens-part-1/ (در 21 دسامبر 2019 قابل دسترسی است) .
گزارش آماری توسعه اینترنت در چین در دسترس آنلاین: https://cnnic.com.cn/IDR/ReportDownloads/201411/P020141102574314897888.pdf (در 17 مارس 2019 قابل دسترسی است).
او، دبلیو. وانگ، FK; Akula، V. مدیریت دانش استخراج شده از داده های بزرگ رسانه های اجتماعی برای تصمیم گیری تجاری. جی. دانش. مدیریت 2017 ، 21 ، 275-294. [ Google Scholar ] [ CrossRef ]
گائو، ایکس. یو، دبلیو. رانگ، ی. Zhang، S. تحلیل رسانه های اجتماعی مبتنی بر هستی شناسی برای برنامه ریزی شهری. در مجموعه مقالات کنفرانس نرم افزار و برنامه های کاربردی کامپیوتر (COMPSAC)، 41 سالانه IEEE، تورین، ایتالیا، 4 تا 8 ژوئیه 2017. IEEE: Piscataway، نیوجرسی، ایالات متحده آمریکا، 2017؛ صص 888-896. [ Google Scholar ]
شلتون، تی. پورتویس، ا. Zook, M. رسانه های اجتماعی و شهر: بازاندیشی نابرابری اجتماعی- فضایی شهری با استفاده از اطلاعات جغرافیایی تولید شده توسط کاربر. Landsc. طرح شهری. 2015 ، 142 ، 198-211. [ Google Scholar ] [ CrossRef ]
لی، جی اچ. نیش، دبلیو. وانگ، تی. قریشی، س. آلاتالو، جی.ام. بای، Y. همبستگی بین محرک‌های اجتماعی-اقتصادی و شاخص‌های گسترش شهری: شواهدی از منطقه شهری شانگهای، چین. Sustainability 2017 , 9 , 1199. [ Google Scholar ] [ CrossRef ][ Green Version ]
Gu، XK; تائو، سی. دای، ب. دسترسی فضایی به پارک های کشور در شانگهای، چین. شهری برای. سبز شهری. 2017 ، 27 ، 373-382. [ Google Scholar ] [ CrossRef ]
جیانگ، ی. شی، ایکس. ژانگ، اس. جی، جی. تأثیر آستانه سرمایه‌گذاری سرمایه انسانی در سطح بالا بر شکاف درآمد شهری و روستایی چین. چین کشاورزی اقتصاد Rev. 2011 , 3 , 297-320. [ Google Scholar ] [ CrossRef ]
Xiong، X. جین، سی. چن، اچ. Luo, L. استفاده از روش منطقه پروگزیمال فیوژن و روش گرانشی برای شناسایی مناطق با کمبود پزشک. PLoS ONE 2016 , 11 , e0163504. [ Google Scholar ] [ CrossRef ]
شن، جی. کی، جی. شانگهای: توسعه شهری و ادغام منطقه ای از طریق پروژه های بزرگ. در توسعه و برنامه ریزی در هفت شهر بزرگ ساحلی در جنوب و شرق چین . Springer: برلین/هایدلبرگ، آلمان، 2017; صص 119-151. [ Google Scholar ]
Campagna, M. اطلاعات جغرافیایی رسانه‌های اجتماعی: چرا اجتماعی زمانی که فضایی می‌شود خاص است. در کتاب راهنمای اروپایی اطلاعات جغرافیایی جمع‌سپاری شده ; Capineri, C., Haklay, M., Eds. Ubiquity Press: لندن، انگلستان، 2016; صص 45-54. [ Google Scholar ]
وانگ، ی. وانگ، تی. بله، X. ژو، جی. لی، جی. استفاده از رسانه های اجتماعی برای واکنش اضطراری و پایداری شهری: مطالعه موردی طوفان باران پکن در سال 2012. پایداری 2015 ، 8 ، 25. [ Google Scholar ] [ CrossRef ]
Weibo Api. در دسترس آنلاین: https://open.weibo.com/wiki/API (در 9 دسامبر 2019 قابل دسترسی است).
فرناندس، آر. D’Souza، R. تجزیه و تحلیل داده های توییتر محصول از طریق نظر کاوی. در مجموعه مقالات کنفرانس هند (INDICON)، سالانه IEEE 2016، بنگلور، هند، 16 تا 18 دسامبر 2016؛ IEEE: Piscataway, NJ, USA, 2016; صص 1-5. [ Google Scholar ]
باترینکا، بی. Treleaven، PC تجزیه و تحلیل رسانه های اجتماعی: بررسی تکنیک ها، ابزارها و پلتفرم ها. Ai Soc. 2015 ، 30 ، 89-116. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سیلورمن، الگوریتم BW به عنوان 176: تخمین چگالی هسته با استفاده از تبدیل سریع فوریه. JR Stat. Soc. سر. C Appl. آمار 1982 ، 31 ، 93-99. [ Google Scholar ] [ CrossRef ]
بومن، AW یک روش جایگزین برای اعتبارسنجی متقابل برای هموارسازی تخمین‌های چگالی. Biometrika 1984 ، 71 ، 353-360. [ Google Scholar ] [ CrossRef ]
سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها . Routledge: Abingdon-on-Thames، انگلستان، 2018. [ Google Scholar ]
وو، سی. بله، X. رن، اف. وان، ی. نینگ، پی. Du، Q. تجزیه و تحلیل داده های فضایی و رسانه های اجتماعی قیمت مسکن در شنژن، چین. PLoS ONE 2016 , 11 , e0164553. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لیچمن، ام. اسمیت، پی. مدل‌سازی داده‌های مکان انسان با مخلوطی از تراکم هسته. در مجموعه مقالات بیستمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی—KDD ’14، نیویورک، نیویورک، ایالات متحده آمریکا، 24-27 اوت 2014 . ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2014; صص 35-44. [ Google Scholar ]
زی، ز. Yan, J. تخمین تراکم هسته حوادث ترافیکی در فضای شبکه. محاسبه کنید. محیط زیست سیستم شهری 2008 ، 32 ، 396-406. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وانگ، ی. روش تجزیه و تحلیل داده های مکانی ; انتشارات علمی: پکن، چین، 2007. [ Google Scholar ]
Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون وزنی جغرافیایی . John Wiley & Sons, Limited West Atrium: West Sussex, UK, 2003. [ Google Scholar ]
Lefever، DW اندازه گیری غلظت جغرافیایی با استفاده از بیضی انحراف استاندارد. صبح. جی. سوسیول. 1926 ، 32 ، 88-94. [ Google Scholar ] [ CrossRef ]