خلاصه

هدف این مطالعه تجزیه و تحلیل و مقایسه الگوهای رفتار گردشگران و ساکنان از داده‌های شبکه اجتماعی مبتنی بر مکان (LBSN) در شانگهای، چین با استفاده از تکنیک‌های مختلف تحلیل مکانی-زمانی در دسته‌های مکان مختلف است. این مقاله کاربردهای داده های شبکه اجتماعی مبتنی بر مکان را با کاوش در الگوهای ورود در یک دوره شش ماهه ارائه می کند. ما اطلاعات موقعیت جغرافیایی را از یکی از معروف ترین میکروبلاگ های چینی به نام Sina-Weibo (Weibo) به دست آوردیم. داده های استخراج شده به فرمت سیستم های اطلاعات جغرافیایی (GIS) ترجمه شده و با کمک تجزیه و تحلیل آماری زمانی و تخمین تراکم هسته مقایسه می شوند. طبقه بندی مکان با استفاده از اطلاعات مربوط به ماهیت مکان های فیزیکی انجام می شود. یافته‌ها نشان می‌دهد که فعالیت‌های فضایی گردشگران در مقایسه با ساکنان به‌ویژه در مرکز شهر متمرکزتر است، در حالی که ساکنان از مناطق حومه شهر نیز بازدید می‌کردند و فعالیت‌های زمانی گردشگران به‌طور قابل‌توجهی متفاوت بود در حالی که فعالیت‌های ساکنان رفتار نسبتاً پایداری را نشان می‌داد. این نتایج را می توان در مدیریت مقصد، برنامه ریزی شهری و توسعه شهر هوشمند به کار برد.

کلید واژه ها:

LBSN ; KDE ; ویبو _ گردشگری ؛ GIS

 

چکیده گرافیکی

1. معرفی

الگوهای استخراج و به دست آوردن بینش های مفید از داده های مکانی-زمانی یک موضوع تحقیقاتی مهم در سال های اخیر بوده است. با توجه به کاربردهای بالقوه فراوان شبکه های اجتماعی مبتنی بر مکان (LBSN) امروزه، اطلاعات حاصل بسیار ارزشمندتر شده است، به ویژه از نقطه نظر عملی. حوزه های کاربردی مانند گردشگری شهری با احیای بافت شهری و توسعه فرهنگی و همچنین بهبود اقتصاد محلی و سرزندگی شهری مرتبط هستند [ 1 ، 2 ]. با این حال، ممکن است چندین چالش داشته باشد، به عنوان مثال ثبات تعامل اجتماعی بین گردشگران و ساکنان [ 3 ]. تعداد بیش از حد فعالیت های توریستی می تواند بر جذابیت مکان های مختلف شهری هم برای گردشگران و هم برای ساکنان تأثیر بگذارد.4 ]، که ممکن است منجر به فراتر رفتن از سطح تحمل ساکنین شود و مشکلات متعددی را ایجاد کند [ 5]. ساکنان چندین شهر با سرزنش گردشگران به خاطر مزاحمت هایی مانند خاک، سر و صدا و کافه ها، بارها یا حمل و نقل عمومی شلوغ، همین تصورات را گزارش کردند [ 6 ]. بنابراین، تحلیل هر از چندگاهی فعالیت ها و رفتار گردشگران برای مقابله با این گونه مشکلات و برنامه ریزی بهتر برای چنین مواقعی ضروری است.
تحلیل مکانی و زمانی گردشگران عمدتاً شامل حرکت، تعاملات و همچنین انواع فعالیت‌هایی است که در فضاهای شهری در داخل شهر انجام می‌دهند، مانند مکان‌هایی که در چه زمانی بازدید می‌شوند [ 7 ، 8 ]. مطالعات زیادی در مورد این موضوع انجام شده است، اما بیشتر بر روی الگوهای حرکت، توزیع فضایی، و تجزیه و تحلیل عوامل مؤثر بر رفتار گردشگران متمرکز شده است (به عنوان مثال، [ 9 ، 10 ، 11 ]]. با این حال، تعاملات بین گردشگران و ساکنان را می توان با ترکیب و مقایسه الگوهای مکانی و زمانی هر دو گروه، که بینش های مفیدی برای درک بهتر رفتار آنها، بهبود جاذبه ها، حمل و نقل، خدمات و استراتژی های بازاریابی یک شهر، بر اساس حقایق واقعی از داده های کاربران [ 12 ]. جدای از آن، درک ویژگی های مکان های مختلف در یک شهر ممکن است به شناخت الگوهای فعالیت گردشگران و ساکنان داخل شهر کمک کند [ 13 ].
مطالعات اخیر که الگوهای مکانی-زمانی را مقایسه می‌کنند بر اساس بررسی‌های انجام شده از مکان‌های گردشگری نسبتاً محدود است [ 4 ، 13 ، 14 ، 15 ، 16 .]، تجزیه و تحلیل فعالیت های مختلف انجام شده توسط گردشگران و ساکنان را دشوار می کند. چندین مشکل مربوط به جریان شلوغ، درگیری ها و ازدحام توسط این مطالعات مشخص شده است. با این حال، مطالعه و مقایسه فعالیت‌های گردشگران و ساکنان در انواع مکان‌ها ممکن است به آشکار کردن الگوهای متعددی از نظر امور مربوط به گردشگری در یک شهر کمک کند. علاوه بر این، با بررسی الگوهایی برای زمان و مکان‌هایی که گردشگران و ساکنان در مکان‌های مختلف با آن‌ها مواجه شده‌اند، همراه با ماهیت مکان‌ها، می‌تواند به طور بالقوه رقابت را برای مناطق شهری بین هر دو گروه تغییر دهد و رفتارهای اجتنابی و مدیریت جمعیت را بهبود بخشد. چنین تحلیل هایی می تواند با نشان دادن الگوهای ترجیحات گردشگران و ساکنان سودمند باشد.
اهداف مطالعه حاضر شامل: (1) تحلیل زمانی گردشگران و ساکنان شانگهای در زمان‌های مختلف (شامل دوره‌های روزانه، هفتگی و ماهانه، از 1 ژانویه تا 30 ژوئن 2017) است. (2) طبقه بندی مکان ها با ورود گردشگران و ساکنان؛ و (3) تجزیه و تحلیل و مقایسه الگوهای فضایی برای یافتن تمرکز گردشگران و ساکنان شهر شانگهای، و شناسایی اینکه کدام بخش از شانگهای تحت تأثیر فعالیت های آنها قرار گرفته است. این تحقیق در یکی از پیشرفته ترین شهرهای چین، شانگهای انجام می شود. شانگهای را می توان به عنوان یک شهر معمولی در زمینه گردشگری شهری در نظر گرفت. یافتن اطلاعات دقیق مربوط به گردشگر در چین دشوار است (به عنوان مثال، [ 17 ]). با این حال، چندین مطالعه قبلی (به عنوان مثال، [ 18 ، 19]) از Weibo که یکی از محبوب ترین میکروبلاگ ها و بستر شبکه های آنلاین در چین است برای تجزیه و تحلیل رفتار گردشگران استفاده کرد. بنابراین، مطالعه حاضر سعی می‌کند از داده‌های ورود از Weibo برای متمایز کردن گردشگران و ساکنان در شانگهای و انجام تجزیه و تحلیل مکانی-زمانی برای هر دو گروه در شهر استفاده کند.
بقیه مقاله به شرح زیر سازماندهی شده است؛ بخش 2 کار مربوط به تجزیه و تحلیل داده های LBSN را از طریق تحقیق در مورد کاربردهای مهم آن در زمینه های مختلف، مقالات تحقیقاتی مرتبط با Weibo، چین و شانگهای، و الگوهای مکانی-زمانی گردشگران و ساکنان پوشش می دهد. بخش 3 شامل یک نمای کلی از طرح تحقیق برای مطالعه حاضر، شامل شرح مفصلی از روش های جمع آوری و آماده سازی داده ها، و تجزیه و تحلیل زمانی و مکانی است. نتایج به همراه تصاویری از یافته های ما در بخش 4 ارائه شده است و ما مطالعه خود را با بحث مختصری در مورد محدودیت ها و کارهای احتمالی آینده در بخش 5 به پایان می بریم .

2. کارهای مرتبط

افزایش تصاعدی در تحقیقات کلان داده در چند دهه اخیر مشاهده شده است و تحقیقات در زمینه داده های بزرگ در مقایسه با سایر زمینه های علوم کامپیوتر توجه فوق العاده بسیاری از محققان را به خود جلب کرده است. یکی از مهم ترین و تاثیرگذارترین منابع کلان داده، LBSN به دلیل محبوبیت و کاربرد گسترده آن در سراسر جهان است [ 20 ]. کاربران مکان‌ها، علایق و فعالیت‌های خود را در LBSN به اشتراک می‌گذارند و در نتیجه حجم عظیمی از داده‌ها را تولید می‌کنند که فرصت انجام انواع مختلف تحقیقات در زمینه‌های مختلف را فراهم می‌کند. استفاده از LBSN برای تجزیه و تحلیل توسط Lindqvist و همکاران مورد بحث قرار گرفته است. [ 21 ]، و به دنبال آن بسیاری از مطالعات، مانند الگوهای اجتماعی- فضایی، و مطالعات تجربی بر اساس داده های LBSN [ 20 ،22 ، 23 ]. برای مثال، داده‌های ورود 10000 کاربر از یک LBSN معروف به نام Foursquare توسط Preoţiuc-Pietro & Cohn [ 20 ] برای درک الگوهای فعالیت کاربر در دسته‌های مختلف استفاده شد. یک مجموعه داده حاوی داده‌های دو LBSN مختلف، یعنی Foursquare و Gowalla، توسط J.-D استفاده شد. Zhang & Chow [ 24 ] برای مشاهده الگوهای مشابه و ارائه توصیه های شخصی ژئو اجتماعی. الگوهای فعالیت در مکان های “غذا” توسط Alrumayyan و همکاران مورد مطالعه قرار گرفت. [ 25] در ریاض، عربستان سعودی با استفاده از داده های Foursquare برای بررسی محبوبیت مکان های مختلف مرتبط با غذا. داده های ورود بیش از 19000 کاربر Swarm (App of Foursquare) از نیویورک، سانفرانسیسکو و شهر هنگ کنگ توسط Lin و همکاران مورد مطالعه قرار گرفت. [ 26 ] برای تجزیه و تحلیل ترجیحات و ارتباطات کاربر در میان دسته‌های مختلف مکان در زمان‌های مختلف روز. لو و همکاران [ 27 ] از داده های LBSN و روش تراکم هسته برای مطالعه توزیع فضایی تصادفات جاده ای در شانگهای استفاده کرد.
بیشتر تحقیقات قبلی با استفاده از داده‌های LBSN مانند Foursquare، Twitter و غیره برای یافتن الگوهای مختلف از جمله تحرک انسانی، فعالیت، برنامه‌ریزی شهری و طبقه‌بندی مکان و غیره انجام شده است [ 28 ]. با این حال، Weibo، یکی از معروف ترین LBSN ها در چین، ثابت شده است که منبع کارآمد داده برای مطالعات مبتنی بر LBSN است. مطالعه موردی شانزن توسط گو و همکاران انجام شد. [ 29 ] برای تجزیه و تحلیل ورودها برای بررسی ویژگی‌های جذاب مکان‌های گردشگری با استفاده از داده‌های Weibo برای دوره زمانی 2012 تا 2014. داده‌های مشابه توسط لانگ و همکاران استفاده شد. [ 30 ] برای الگوهای تحرک و فعالیت انسانی، که چارچوبی را برای تجزیه و تحلیل رشد مرزهای شهری پکن پیشنهاد کرد. شی و همکاران [ 28] همچنین از داده‌های Weibo برای بررسی جمعیت گردشگری در شانگهای با تجزیه و تحلیل ورودها به منظور شناسایی محبوبیت مکان‌های گردشگری و ارتباط بین این مکان‌ها، با کمک تحلیل احساسات از نظرات کاربران استفاده کرد. الله و همکاران [ 31 ] از داده های Weibo برای تجزیه و تحلیل الگوهای مکانی-زمانی در فضاهای سبز برای مطالعات شهری استفاده کرد. رفتار ورود، همراه با تفاوت های جنسیتی، بر اساس داده های Weibo از اوایل سال 2016 توسط رضوان و همکاران ارائه شده است. [ 32 ، 33 ].
در عصر امروز، گردشگری شهری در مکان‌های مختلفی در سراسر شهر مانند پارک‌های موضوعی، مکان‌های تاریخی و موزه‌ها صورت می‌گیرد و همچنین به مراکز خرید، محله‌های محلی و بازارها و غیره گسترش می‌یابد [ 34 ]. شهرهای مدرن ماهیت چند منظوره دارند و کاربران مختلفی از جمله گردشگران و ساکنان از منابع مختلفی مانند حمل و نقل، اقامتگاه و رستوران ها استفاده می کنند. که مختص گردشگران نیستند [ 35 ]. در بیشتر موارد، گردشگران و ساکنان از هم جدا نیستند و به طور فزاینده‌ای مکان‌ها و امکانات مشابهی را در یک شهر به اشتراک می‌گذارند [ 36 ]] که با تجزیه و تحلیل و مقایسه الگوهای مکانی و زمانی هر دو گروه در شهر قابل مشاهده است. به منظور مقایسه بهتر الگوهای مکانی-زمانی، بحث در مورد الگوهای زمانی و مکانی و همچنین ماهیت مکان‌هایی که گردشگران و ساکنان ممکن است در آن‌ها تعامل داشته باشند، مهم است [ 37 ]. گو و همکاران [ 29 ] مناطق ساکن و غیر ساکن را از محل شناسه کاربری ثبت شده برای یافتن منشاء کاربران رسانه های اجتماعی شناسایی کرد. مطالعه ای بر روی کاربران در هشت شهر اروپایی که توسط García-Palomares و همکاران انجام شد. [ 14 ] ثابت کرد که تمرکز بالایی از فعالیت های توریستی در نقاط توریستی در مقایسه با فعالیت های ساکنان وجود دارد. وو و همکاران [ 38] با شناسایی هفت منطقه کلیدی مورد علاقه گردشگران، که عمدتاً در مرکز شهر هنگ کنگ متمرکز شده اند، تجزیه و تحلیل خاص تری انجام داد. پالدینو و همکاران [ 13 ] و کوتوس و همکاران. [ 4 ] همچنین تأیید کرد که گردشگران در مناطق مرکزی شهر فعال تر هستند، در حالی که ساکنان با مقایسه داده های گردشگران و ساکنان در مکان های اجتماعی مانند میادین، پارک ها و امکانات ورزشی فعال هستند. در گردشگری شهری، فعالیت‌های گردشگران و ساکنان نه تنها در فضا، بلکه در زمان نیز به طور نابرابر توزیع می‌شوند [ 37 ، 39 ]. لی و همکاران [ 40 ] توزیع نابرابر در روزها، هفته ها و تفاوت های مربوط به تعطیلات فعالیت های توریستی چینی در لیجیانگ را ارائه کرد. لیو و شی [ 41] همین نتایج را با انجام مطالعه در شهر هانگژو پیشنهاد کرد. به گفته لیو و همکاران. [ 42 ]، فعالیت‌های زمانی ساکنان در سطح جمعی منظم است، اما به‌دلیل تفاوت در برنامه و روال، در سطح فردی به‌طور اساسی متفاوت است. از سوی دیگر، گردشگران زمان بیشتری را در مناطق شهری سپری می‌کنند که برجستگی‌های گردشگری (از نظر امکانات و میراث) در آن متمرکز است، در حالی که ساکنان زمان بسیار کمتری را بر اساس برنامه روزانه، هفتگی و سالانه خود می‌گذرانند [ 8 ]. ابراهیم پور و همکاران [ 43 ] رویکردهای اصلی برای استخراج ویژگی‌های رفتار کاربران از تحلیل جریان جمعیت را بررسی کرد. فیستولا و همکاران 2019 [ 44] مطالعات مشابهی را برای برنامه ریزی شهری با تمرکز بر نیاز به چنین ابزارها و رویکردهایی برای دستیابی به هوشمندی شهری انجام داد.
با این حال، تا جایی که می‌دانیم، هیچ مطالعه جامعی برای منطقه شانگهای وجود ندارد که ویژگی‌های زمانی و مکانی را در ورود گردشگران و ساکنان ترکیب و مقایسه کند و فعالیت‌های کاربر را به کلاس‌های مکان مختلف در شهر شانگهای گسترش دهد. . هدف ما مطالعه نوسانات و مقایسه فعالیت‌های گردشگران و ساکنان در مقیاس‌های زمانی مختلف (به عنوان مثال، زمان روز، روز هفته، شش ماه؛ نشان دادن اعتبار داده‌های Weibo و رفتار زمانی) در ارتباط با نوع مکان‌ها است. برای یافتن الگوهای فضایی در این فعالیت ها برای هر دو گروه با استفاده از تخمین تراکم هسته (KDE).

3. طراحی تحقیق

3.1. منطقه مطالعه

این مطالعه در شانگهای، یکی از معروف‌ترین و توسعه‌یافته‌ترین شهرهای چین، واقع در لبه شرقی دلتای رودخانه یانگ تسه در بین 30*40′-31*53′ شمالی و 120*52′-122*12′ انجام شد. E با مساحت کل 8359 کیلومتر مربع. این یک مقصد شهری پراکنده و بسیار توسعه یافته با تعداد زیادی جاذبه های توریستی تاریخی و مدرن پراکنده (از جمله دیزنی لند معروف و دیگر جاذبه های گردشگری شناخته شده) است. در سال 2016، شانگهای به 16 منطقه و یک شهرستان تقسیم شده است. به ترتیب بائوشان، چانگینگ، فنگ شیان، هونگکو، هوانگپو، جیادینگ، جینگان، جینشان، مینهنگ، منطقه جدید پودونگ، پوتوئو، چینگپو، سونگجیانگ، یانگپو، ژوهوی و چونگمینگ [ 45 ] همانطور که در شکل 1 نشان داده شده است.
شانگهای به عنوان شهر اقتصادی چین، چین را به اقتصاد جهانی متصل می کند. مجموع تولید ناخالص داخلی (GDP) شانگهای در سال 2016، 2.7 تریلیون یوان چین، با میانگین 7.4 درصد افزایش نسبت به 5 سال گذشته بود و تولید ناخالص داخلی سرانه به 15290 دلار آمریکا (103100 یوان) رسید. شانگهای با میانگین جمعیت 3854 نفر در هر کیلومتر مربع در مناطق شهری، اولین شهر چین و پنجمین شهر در جهان از نظر جمعیت با حدود 0.66 میلیون نفر در سال است. جمعیت آن از 16.74 میلیون نفر به 23.02 میلیون نفر در دهه گذشته از 2000 تا 2010 رسیده است، با بیش از 24 میلیون نفر در پایان سال 2015، 37.53٪ افزایش یافته است [ 46 ].]. دلیل اصلی این رشد تعداد زیاد مهاجران و گردشگران است که 39 درصد از کل جمعیت شانگهای را در سال 2010 تشکیل می دادند. طرح جامع اخیر تأکید زیادی بر ارائه تسهیلات بیشتر در زمینه توسعه و مدیریت برای بهبود گردشگران و ساکنان دارد. شانگهای (طرح جامع شانگهای (2016-2035) [ 47 ]. شانگهای یک مقصد توریستی مشهور در جهان با جاذبه های مشهور بسیاری است، مانند مروارید شرقی، لوجیازوی، پارک قرن، باغ یو، معبد جینگ آن، جاده شرقی نانجینگ، و Bund [ 48 ] و غیره، بیشتر در مرکز شهر واقع شده اند، در حالی که بیش از 800 پارک در نقاط مختلف شهر وجود دارد.

3.2. جمع آوری و آماده سازی داده ها

الهام‌بخش اولیه در استفاده از LBSN، به اشتراک گذاشتن علایق و فعالیت‌ها، و در نتیجه ایجاد روابط اجتماعی جدید و نزدیک است که محققان را قادر می‌سازد الگوهایی را در فعالیت‌ها و ترجیحات کاربران از داده‌های بزرگ تولید شده توسط LBSN کشف کنند. منبع داده این تحقیق Weibo است که به عنوان یکی از بزرگترین و محبوب‌ترین میکروبلاگ‌ها در چین در نظر گرفته می‌شود که به کاربران اجازه می‌دهد از هر مکانی با استفاده از دستگاه‌های تلفن همراه خود، چک‌این کنند [ 19 ]. با توجه به مرکز داده Weibo [ 49]، تعداد کل کاربران فعال ماهانه در چین تا دسامبر 2018 به 462 میلیون نفر رسید که حدود یک سوم کل جمعیت آن است. Weibo یک رابط برنامه‌نویسی عمومی مبتنی بر پایتون (API) را برای جستجو و بارگیری سوابق ورود با برچسب جغرافیایی ارائه می‌کند که می‌تواند به عنوان منبعی برای تجزیه و تحلیل برای الگوهای مکانی-زمانی استفاده شود [ 18 ، 50 ]. ما در طول سال 2017 از Weibo API برای جمع‌آوری داده‌ها در مناطق خاصی از چین، به‌ویژه شهر شانگهای استفاده کردیم و در ابتدا تقریباً 3.5 میلیون بازدید از حدود 2 میلیون کاربر وجود داشت. داده‌های جمع‌آوری‌شده از Weibo در قالب استاندارد جاوا، یعنی Java Script Object Notation (JSON) بود که برای تجزیه و تحلیل از قبل پردازش شده بود.
مجموعه داده اولیه شامل چندین ویژگی مانند User_ID، جنسیت، مبدا ثبت نام، تاریخ/زمان ورود، تاریخ/زمان ایجاد حساب، Location_ID، و پیام‌های متنی و غیره بود، مجموعه داده ابتدا برای ناهنجاری‌ها، ویژگی‌های از دست رفته و ویژگی‌ها فیلتر شد. بی ربط به مطالعه ما برای اینکه مطالعه خود را به انواع مکان‌ها گسترش دهیم و تنها با در نظر گرفتن مقاصد مهم آن را مهم‌تر کنیم، مکان‌هایی را در نظر گرفتیم که بیش از 100 مراجعه در دوره شش ماهه مطالعه داشته باشند. ما بین ساکنین و گردشگران بر اساس مبدأ ثبت نامشان تفاوت قائل شدیم. مجموعه داده نهایی شامل 222525 ورود (102750 گردشگر و 119775 ساکن) در 722 مکان مختلف برای دوره زمانی شش ماهه (ژانویه تا ژوئن 2017) بود. نمونه مجموعه داده نهایی در نشان داده شده استجدول 1 .

3.3. روشهای تحلیل

ما تجزیه و تحلیل زمانی مجموعه داده را انجام دادیم تا الگوهای مختلف روزانه، هفتگی و ماهانه در فعالیت‌های گردشگران و ساکنان را بر اساس دفعات ورود آنها در بازه‌های زمانی مختلف بررسی کنیم. دسته‌بندی‌های مختلف مکان ورود برای بررسی اینکه کاربران در کجا از LBSN‌ها به طور فعال‌تری استفاده می‌کنند، مورد بررسی قرار گرفتند. طبقه‌بندی مکان با مقایسه طول/طول جغرافیایی و نام‌های مکان از مجموعه داده‌ها با ماهیت مکان‌های واقعی در سراسر شهر انجام شد که می‌تواند برای تجزیه و تحلیل بیشتر برای استخراج الگوهای مفید در هر دسته استفاده شود. این مطالعه شامل مکان‌های معروف و پربازدید می‌شود و بنابراین، دسته‌های مکان را برجسته می‌کند که حداکثر تعداد ورود گردشگران و ساکنان را نشان می‌دهد. چارچوب کلی روش تحقیق ما در شکل 2 نشان داده شده است.

ما از KDE برای تحلیل فضایی برای مشاهده و مقایسه داده‌های جغرافیایی برای گردشگران و ساکنان روی نقشه استفاده کردیم. ما ویژگی‌های نقشه را از OpenStreetMap جمع‌آوری کردیم و از فایل‌های Shape در ArcMap با یک پلت فرم برنامه‌نویسی داخلی پایتون برای تخمین چگالی در منطقه مورد مطالعه شانگهای و پس‌زمینه خاکستری استفاده کردیم تا چگالی را به وضوح روی نقشه برجسته کنیم. OpenStreetMap پلتفرم اطلاعات جغرافیایی برای ارائه محتوای بلادرنگ و تولید شده توسط کاربر مرتبط با نقشه جهانی، از جمله ویژگی های مختلف نقشه ها مانند جاده ها، کانال ها، خیابان ها و مناطق و غیره است که به صورت رایگان در دسترس است و یکی از موارد است. به طور گسترده توسط محققان برای تجزیه و تحلیل و تجسم داده های جغرافیایی-مکانی استفاده می شود [ 51]. KDE یک روش چند متغیره است که از نمونه‌گیری تصادفی داده‌ها برای تخمین چگالی استفاده می‌کند. ما می توانیم چگالی را همانطور که در رابطه (1) نشان داده شده است محاسبه کنیم:

f(ل)=1nساعت∑من=1nک(ل-Lمنساعت)

جایی که f(ل)(یعنی KDE) میانگین وزنی نقاط نزدیک است ل، ساعتپهنای باند (یا شعاع جستجو)، اندازه نمونه است n، و کتابع گاوسی در است ل-Lمن/ساعت. تابع هسته گاوسی ک()، یک روش کارآمد برای تخمین چگالی ارائه می دهد [ 52 ]. مقدار سطح در محل بزرگترین است Lمنو با افزایش فاصله از آن نقطه کاهش می یابد و در شعاع جستجو از نقطه به صفر می رسد. با اصول تنظیم پهنای باند، ما از پهنای باند پیش فرض (شعاع جستجو) از طریق ArcMap 10.6.1 برای محاسبه نتایج KDE استفاده کردیم.

4. نتایج و بحث

با پیشرفت‌های خدمات آنلاین، ارتباطات بی‌سیم، دستگاه‌های تلفن همراه و فناوری‌های اشتراک‌گذاری موقعیت مکانی، LBSN‌ها مانند Facebook، Foursquare، Tweeter و Weibo و غیره، توجه محققان را برای استفاده از حجم عظیمی از داده‌های تولید شده توسط این LBSN‌ها برای مطالعات خود جلب می‌کنند. . می توان از آن برای استخراج اطلاعات بسیار مفید برای گردشگری، برنامه ریزی شهری، مدیریت بحران و بلایا و سایر زمینه های مطالعاتی شامل داده های بزرگ با وضوح مکانی و زمانی بالا استفاده کرد. این بخش شامل نتایج و بحث تحقیق حاضر است.

4.1. توزیع کاربر و محل برگزاری

گردشگران و ساکنان بر اساس مبدا ثبت نام آنها از مجموعه داده Weibo طبقه بندی می شوند. تعداد کل ورودهای موجود در مجموعه داده ما 222525 است که 102750 مورد آن (تقریباً نیمی از تعداد کل را تشکیل می دهد) توسط گردشگران و 119775 از ساکنان انجام می شود. توزیع چک این گردشگران از استان های مختلف چین و کشورهای خارج از کشور به شرح زیر است.
در شکل 3 بالا مشاهده می شود که بیشتر ورودها توسط گردشگرانی از استان جیانگ سو و پس از آن ژجیانگ، پکن و آنهویی انجام شده است. ورود گردشگران از استان های شرقی (به عنوان مثال، جیانگ سو، ژجیانگ، و آنهویی) را می توان در ارقام بزرگ مشاهده کرد، در حالی که گردشگران از استان های نسبتاً توسعه نیافته غربی مانند چینگهای و تبت کمترین بازدید از گردشگران را داشتند. یکی از دلایل اصلی این امر [ 53 ] ممکن است به دلیل پیوندهای خانوادگی قوی و نزدیکی جغرافیایی نزدیک بین مناطق باشد. تعداد بیشتر گردشگران از مکان‌هایی مانند پکن و ژجیانگ ممکن است به دلیل سیاست‌های گردشگری، به‌ویژه طرح‌های بازدید فردی باشد [ 54 ]]. دلایل دیگر ممکن است شامل پذیرش و توزیع اینترنت کاربران Weibo در سراسر کشور باشد. تعداد نسبتاً بیشتر کاربران فعال Weibo در شرق و مرکز جنوب چین نسبت به میانگین کشور [ 49 ] ممکن است به دلیل نرخ رشد اقتصادی نابرابر و سطح توسعه اینترنت در این مناطق باشد [ 55 ]. به غیر از گردشگران چینی، تعداد قابل توجهی از ورودها توسط گردشگران کشورهای خارج از کشور (بیشتر از ایالات متحده، بریتانیا، ژاپن، استرالیا، فرانسه، کانادا، سنگاپور، و کره و غیره) به دلیل شانگهای ثبت شده است. به عنوان یکی از توسعه یافته ترین شهرها و همچنین قطب اقتصادی چین محسوب می شود.
مزیت استفاده از داده های LBSN ها، توانایی شناسایی محل انجام فعالیت های ورود است. هر ورود، طول و عرض جغرافیایی مکان واقعی را توسط LBSN (مانند Weibo) ثبت می کند [ 56]. هنگامی که در داده ها جستجو می شود، این طول و عرض جغرافیایی مکان دقیق را بر روی نقشه جغرافیایی نشان می دهد. از این مکان می توان برای جمع آوری اطلاعات در مورد ماهیت مکان بازدید شده استفاده کرد. ما مکان‌ها را در مجموعه داده‌های خود بر اساس ماهیت و فعالیت‌های انجام‌شده در این مکان‌ها طبقه‌بندی می‌کنیم. ما از کلی‌ترین نوع سلسله‌مراتب استفاده می‌کنیم که شامل 10 نوع مکان مختلف است – «آموزشی»، «سرگرمی»، «غذا»، «موقعیت عمومی»، «هتل»، «حرفه‌ای»، «مسکونی»، «خرید و خدمات»، « ورزش»، و «سفر»، بر اساس مکان‌های جغرافیایی/طول جغرافیایی و مکان‌های دنیای واقعی در شانگهای که در شکل 4 نشان داده شده است.
ما الگوهای استفاده مختلف را با اعمال توزیع دسته‌بندی یکسان برای کل داده‌های مجموعه داده خود از طریق ویژگی‌های مختلف دسته‌های تجویز شده همراه با گردشگران و ساکنان همانطور که در جدول 2 نشان داده شده است، بررسی می‌کنیم .
برای مقایسه بیشتر فعالیت‌های گردشگران و ساکنان، توزیع هر دو گروه را در دسته‌های مختلف در شکل 5 ارائه می‌کنیم.
شکل 5نشان می‌دهد که اکثر چک‌این‌ها از مکان‌های تفریحی مانند پارک‌های موضوعی و مکان‌های تاریخی و غیره توسط گردشگران و ساکنان انجام شده است، و به دنبال آن خرید و خدمات مطابق با رفتار معمول کاربران برای به اشتراک گذاشتن لحظات شاد و بازدید خود با افراد اجتماعی انجام شده است. شبکه ها به ویژه برای گردشگران به عنوان سرگرمی اصلی ترین فعالیت گردشگری است در حالی که خرید یکی از فعالیت های منظم ساکنان است. چک‌این‌ها از مکان‌های آموزشی، مسکونی، مسافرتی، ورزشی و غذایی توسط ساکنان به‌طور قابل‌توجهی بیشتر از گردشگران است، در حالی که در هتل‌ها، مکان‌های عمومی و بدیهی است مکان‌های تفریحی تعداد گردشگران بیشتری را در مقایسه با ساکنان نشان می‌دهند. این رفتار اعتبار مجموعه داده را نشان می دهد، با مطالعات قبلی تأیید می کند،

4.2. الگوهای زمانی

به منظور کسب دانش در مورد الگوهای زمانی و مقایسه رفتار گردشگران و ساکنان شانگهای، فرکانس های ورود هر دو گروه را با توجه به زمان در دوره های روزانه، هفتگی و شش ماهه مطابق شکل زیر تجزیه و تحلیل کردیم.
با نگاهی به توزیع روزانه ورود گردشگران و ساکنان، الگوهای زمانی قابل توجهی که در شکل 6 الف ارائه شده است، آشکار می شود. میانگین فراوانی ها نشان می دهد که فعالیت ساکنان نسبت به گردشگران از صبح زود شروع می شود، اما فعالیت گردشگران نسبتاً تا پاسی از شب ادامه دارد. واقعیت دیگر این است که ساکنان در طول روز پذیرش نسبتاً تدریجی و بالاتری دارند، اما گردشگران در اواخر روز فعال‌تر هستند و در حدود ساعت 11 صبح از ورود ساکنان فراتر می‌روند. شکل 6b رفتار مشابهی را هم برای گردشگران و هم برای ساکنان نشان می‌دهد، و الگوهای رایج در فعالیت‌های آن‌ها، یعنی ورود چک‌ها از جمعه‌ها شروع می‌شود و در آخر هفته بیشترین میزان را دارد و در بقیه هفته کمتر است. با این حال، در تعطیلات آخر هفته، تفاوت قابل توجهی بین ورود گردشگران و ساکنان وجود دارد، زیرا ساکنان در روزهای شنبه فعال‌تر هستند اما گردشگران در یکشنبه‌ها فعالیت بیشتری نشان می‌دهند. به طور کلی تعداد بیشتری از ورود در تعطیلات آخر هفته ممکن است به این دلیل باشد که فعالیت‌های اوقات فراغت و گردشگری بیش از روال‌ها و فعالیت‌های روزانه ارزش حفظ کردن و اشتراک‌گذاری بیشتری دارند [ 41 ]. یک مقایسه واضح را می توان در شکل 6 مشاهده کردج الگوهای مختلف جالبی مانند قله‌ها در دفعات ورود گردشگران در اوایل ژانویه و به دنبال آن کاهش فوری در پایان ماه را نشان می‌دهد که ممکن است به دلیل انواع مختلف جشن‌های مربوط به جشنواره بهار چین باشد. از طرفی در ماه آوریل در فعالیت های ساکنان شانگهای سنبله های غیرمعمولی مشاهده می شود که می تواند به این دلیل باشد که بهترین زمان سال از نظر آب و هوا (بهار)، جشنواره ها (جشنواره گیلاس آوریل) و تعطیلات است. تعطیلات چینگ مینگ جی) اما مهمتر از همه، زیرا دو مورد از مشهورترین و مهم ترین رویدادها در آوریل 2017 برگزار شد، از جمله مسابقات قهرمانی جهانی فرمول 1 و جشنواره فیلم شانگهای [ 28 ]]. در پرتو مطالعات قبلی، ما نشان دادیم که الگوی زمانی فعالیت‌های ساکنان نسبت به فعالیت‌های گردشگران در شانگهای کمتر متفاوت است (اما به شدت تحت‌تاثیر رویدادهای بزرگ قرار می‌گیرد) که با در نظر گرفتن این الگوها در طول زمان بسیار متغیرتر و اغلب پایدارتر هستند. روز، هفته و شش ماه به صورت فواصل زمانی.

4.3. الگوهای فضایی

در این بخش، تحلیل فضایی را با استفاده از تخمین تراکم کل ورودها بررسی می‌کنیم و با استفاده از داده‌های موقعیت جغرافیایی Weibo روی نقشه شانگهای، فعالیت‌های گردشگران و ساکنان را مقایسه می‌کنیم. برای این منظور، از نقشه، از جمله ویژگی‌های آن از OpenStreetMap استفاده کردیم، زیرا حاوی جدیدترین به‌روزرسانی‌های ویژگی‌های نقشه است [ 57 ]. تخمین تراکم بررسی‌های کلی همه کاربران در مجموعه داده در شکل 7 ارائه شده است .
نواحی چوننگنینگ، هونگکو، هوانگپو، جینگان، خوهوی و یانگپو. که در مجموع مرکز شهر (یا مرکز شهر) شانگهای نامیده می‌شوند، غلظت‌های بالاتری از پذیرش‌ها همراه با برخی از بخش‌های Baoshan، Jiading، Songjiang، Minhang و Pudong New Area را نشان می‌دهند. مانند هر شهر شهری مدرن در جهان، منطقه مرکزی شهر شانگهای دارای نقاط دیدنی، مراکز خرید و ساختمان‌های اداری بسیاری است و خیابان‌های زیادی مملو از رستوران‌ها، هتل‌ها، دانشگاه‌ها، معابد و بازارها (به عنوان مثال The Bund، میدان مردم، نانجینگ) جاده، استراحتگاه دیزنی شانگهای و غیره) به همین دلیل است که تعداد زیادی از بازدیدکنندگان را به خود جذب می کند. این مناطق علایق بسیاری از افراد را برآورده می کند، بنابراین بازدیدکنندگان بیشتر وقت و فعالیت خود را در این مناطق می گذرانند.58 ]. به طور مشابه، پارک جنگلی ملی و پارک فیلم شانگهای در منطقه سونگ‌جیانگ دارای نقشه‌های حرارتی بالایی هستند، علاوه بر این، شهر باستانی نانشیانگ نیز یک نقشه حرارتی با تراکم بالا را دور از مرکز شهر شانگهای نشان می‌دهد. مناطق حومه شهر، مناطق کم تراکم شانگهای هستند که حداقل چک این ها توسط کاربران انجام می شود. Heatmap هایی که در شانگهای برای کاربران Weibo یافتیم، مشابه مواردی است که قبلا توسط Rizwan و همکاران ذکر شد. [ 59 ]، که داده‌های ورود از Weibo را برای تفاوت‌های جنسیتی مورد مطالعه قرار داد.
برای برجسته کردن تفاوت بین فعالیت گردشگران و ساکنان در مناطق مختلف شانگهای، تراکم برای هر دو گروه محاسبه و به طور جداگانه در شکل 8 ارائه شده است. به این ترتیب به راحتی می توان مناطقی از شهر شانگهای را با فعالیت های بیشتر و کمتر متمرکز توسط گردشگران و همچنین ساکنان مشاهده کرد.
شکل 8توزیع فضایی را نشان می دهد و به وضوح تفاوت بین رفتار گردشگران و ساکنان را نشان می دهد که نشان دهنده فعالیت های آنها در شانگهای است. می توان مشاهده کرد که فعالیت گردشگران بسیار متراکم تر از ساکنان است. گردشگران در نواحی مرکز شهر، فرودگاه‌ها و ایستگاه‌های راه‌آهن و به میزان بسیار کمتری در مناطق مختلف در مناطق جدید جیادینگ، سونگ‌جیانگ و پودونگ بسیار فعال بودند، در حالی که ساکنان در همان مناطق فعال بودند، اما نشان می‌دهند که سطح بالایی نیز دارند. غلظت با شعاع بزرگتر این شکل همچنین نشان می‌دهد که منطقه مرکز شهر هم در بین گردشگران و هم ساکنان محبوب‌ترین منطقه است، در حالی که ساکنان نیز دوست دارند از مکان‌های متنوع‌تری مانند پارک‌های طبیعی، و شهر باستانی نانشیانگ و غیره دیدن کنند. دلیل این امر ممکن است این باشد که بیشتر جاذبه‌های گردشگری، رستوران‌های محبوب، خريد كردن، و امکانات کلوپ شبانه در منطقه مرکز شهر هماهنگ شده است. با این حال، فعالیت‌های فضایی گردشگران بیشتر از فعالیت‌های ساکنان متمرکز بود که با مطالعات تحقیقاتی قبلی مطابقت دارد.14 ، 15 ]. به طور خاص، می توان مشاهده کرد که گردشگران در مناطق مرکزی مرکز شهر متمرکز شده اند و ساکنان از مناطق حومه شهر نیز بازدید کردند. مقایسه بین تراکم گردشگران و ساکنان، همپوشانی زیادی را بین مناطق مورد علاقه آنها در شانگهای نشان می دهد، که فرصت های زیادی را برای تعامل بین آنها فراهم می کند.

5. نتیجه گیری ها

در این مقاله، الگوهای مکانی-زمانی در فعالیت‌های گردشگران و ساکنان مکان‌های مختلف در شانگهای را در یک دوره شش ماهه تحلیل و مقایسه کردیم. ما به LBSN فعلی و ادبیات گردشگری کمک کردیم. الف) مقایسه الگوهای فعالیت گردشگران و ساکنان در یک مطالعه، در حالی که اکثر مطالعات قبلی به تنهایی بر فعالیت های توریستی متمرکز بودند (به عنوان مثال، [ 9 ، 11 ]). ب) طبقه بندی و گسترش تجزیه و تحلیل به کلاس های مکان مختلف، در حالی که بیشتر مطالعات فقط مناطق گردشگری خاص را در نظر می گیرند (به عنوان مثال، [ 14 ، 29 ]). و ج) بررسی الگوهای مکانی و زمانی در فعالیت‌ها برای گردشگران و ساکنان، در حالی که بیشتر مطالعات حرکت گردشگران را در یک شهر در نظر می‌گیرند (به عنوان مثال، [ 28 ]، 60 ]).
نتایج نشان داد که فعالیت‌های گردشگران در شانگهای از نظر فضایی به‌ویژه در نواحی مرکزی شهر متمرکز است، در حالی که الگوهای فضایی در فعالیت‌های ساکنان شانگهای پراکنده‌تر بوده و به مناطق حومه شهر نیز کشیده شده است. نتایج زمانی نشان داد که فعالیت گردشگران به طور قابل توجهی در طول روز و بین هفته ها و ماه ها متفاوت است. با این حال، الگوهای زمانی در فعالیت های ساکنان نسبتا پایدار است. از منظر مکان بازدید، فراوانی ورود گردشگران از ساکنان در سرگرمی‌ها، خرید، هتل‌ها و مکان‌های عمومی بیشتر است. جاذبه های توریستی معروف در مرکز شهر شانگهای، مانند The Bund و Disney Resort شانگهای، تمرکز بالایی را در فعالیت های گردشگران نشان می دهد. سایر مناطق جذاب شهری مانند شهر باستانی Nanxiang، و پارک جنگلی ملی و غیره، دور از مرکز شهر توسط ساکنان ترجیح داده می‌شوند. بنابراین بیشترین برخورد ساکنان و گردشگران در این مناطق رخ می دهد. این نتایج مهم است و می تواند توسط صنایع گردشگری برای بهبود مدیریت و بازاریابی استفاده شود. اطلاعات مربوط به مناطقی که بیشتر گردشگران را جذب می کنند ممکن است به توسعه و تنظیم استراتژی ها، امکانات و خدمات بازاریابی کمک کند. این تحقیق همچنین بینش هایی در مورد ازدحام بیش از حد احتمالی در مناطق خاص ارائه می دهد. این نتایج همچنین می‌تواند از سیاست‌گذاری و برنامه‌ریزی برای ایجاد گردشگری پایدارتر در شهر حمایت کند. بیشتر برخوردهای ساکنان و گردشگران احتمالا در این مناطق اتفاق می افتد. این نتایج مهم است و می تواند توسط صنایع گردشگری برای بهبود مدیریت و بازاریابی استفاده شود. اطلاعات مربوط به مناطقی که بیشتر گردشگران را جذب می کنند ممکن است به توسعه و تنظیم استراتژی ها، امکانات و خدمات بازاریابی کمک کند. این تحقیق همچنین بینش هایی در مورد ازدحام بیش از حد احتمالی در مناطق خاص ارائه می دهد. این نتایج همچنین می‌تواند از سیاست‌گذاری و برنامه‌ریزی برای ایجاد گردشگری پایدارتر در شهر حمایت کند. بیشتر برخوردهای ساکنان و گردشگران احتمالا در این مناطق اتفاق می افتد. این نتایج مهم است و می تواند توسط صنایع گردشگری برای بهبود مدیریت و بازاریابی استفاده شود. اطلاعات مربوط به مناطقی که بیشتر گردشگران را جذب می کنند ممکن است به توسعه و تنظیم استراتژی ها، امکانات و خدمات بازاریابی کمک کند. این تحقیق همچنین بینش هایی در مورد ازدحام بیش از حد احتمالی در مناطق خاص ارائه می دهد. این نتایج همچنین می‌تواند از سیاست‌گذاری و برنامه‌ریزی برای ایجاد گردشگری پایدارتر در شهر حمایت کند. این تحقیق همچنین بینش هایی در مورد ازدحام بیش از حد احتمالی در مناطق خاص ارائه می دهد. این نتایج همچنین می‌تواند از سیاست‌گذاری و برنامه‌ریزی برای ایجاد گردشگری پایدارتر در شهر حمایت کند. این تحقیق همچنین بینش هایی در مورد ازدحام بیش از حد احتمالی در مناطق خاص ارائه می دهد. این نتایج همچنین می‌تواند از سیاست‌گذاری و برنامه‌ریزی برای ایجاد گردشگری پایدارتر در شهر حمایت کند.
این تحقیق با استفاده از سوابق ثبت نام Weibo انجام شده است که برای تجزیه و تحلیل مکانی-زمانی در شانگهای بسیار مفید است، زیرا داده های دارای برچسب زمانی و جغرافیایی Weibo ویژگی های دقیقی را برای متمایز کردن انواع مکان، گردشگران و ساکنان ارائه می دهد. با این حال، داده‌های ورود از Weibo همچنین محدودیت‌هایی را در تحلیل ما نشان می‌دهد، از جمله اینکه همه گردشگران ممکن است هنگام بازدید از شانگهای از Weibo استفاده نکنند و ساکنان همچنین ممکن است از پلت‌فرم‌های شبکه اجتماعی مبتنی بر مکان به غیر از Weibo استفاده کنند که به این معنی است که نتایج می‌توانند نشان دهنده زیر مجموعه هایی از گردشگران و ساکنان شانگهای است. بنابراین، قابلیت اطمینان و کیفیت داده‌های Weibo برای فضا-زمانی را می‌توان با غرق‌سازی نتایج آن با سایر مطالعات و منابع داده بهبود بخشید. در آینده سعی خواهیم کرد بر تجزیه و تحلیل انگیزه ها، ویژگی های مختلف،

منابع

  1. اشورث، جی. صفحه، S. تحقیقات گردشگری شهری: پیشرفت اخیر و پارادوکس های فعلی. تور. مدیریت 2011 ، 32 ، 1-15. [ Google Scholar ] [ CrossRef ]
  2. Łapko، A. گردشگری شهری در Szczecin و تأثیر آن بر عملکرد سیستم حمل و نقل شهری. Procedia-Soc. رفتار علمی 2014 ، 151 ، 207-214. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. ادواردز، دی. گریفین، تی. Hayllar، B. تحقیقات گردشگری شهری: توسعه یک دستور کار. ان تور. Res. 2008 ، 35 ، 1032-1052. [ Google Scholar ] [ CrossRef ]
  4. کوتوس، ج. رزژوسکی، م. Ewertowski، W. گردشگران در ساختارهای فضایی یک شهر بزرگ لهستانی: توسعه یک تکه کاری کنترل نشده یا کره های متحدالمرکز؟ تور. مدیریت 2015 ، 50 ، 98-110. [ Google Scholar ] [ CrossRef ]
  5. O’Reilly، AM ظرفیت حمل گردشگری: مفهوم و مسائل. تور. مدیریت 1986 ، 7 ، 254-258. [ Google Scholar ] [ CrossRef ]
  6. فولر، اچ. میشل، بی. «توریست بودن را متوقف کنید!» پویایی های جدید گردشگری شهری در برلین-کروزبرگ. بین المللی J. Urban Reg. Res. 2014 ، 38 ، 1304-1318. [ Google Scholar ] [ CrossRef ]
  7. لو، AA; هال، سی ام. ویلیامز، AM A Companion to Tourism ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2008. [ Google Scholar ]
  8. دکتر خیری، ND; اسماعیل، ح.ن. سید جعفر، رفتار گردشگری SMR از طریق مصرف در سایت میراث جهانی ملاکا. کر. تور مسائل. 2019 ، 22 ، 582-600. [ Google Scholar ] [ CrossRef ]
  9. بوجوسا، ا. ریرا، ا. Pons، PJ Sun-and-Beach Tourism و اهمیت حرکت های درون مقصدی در مقاصد بالغ. تور. Geogr. 2015 ، 17 ، 780-794. [ Google Scholar ] [ CrossRef ]
  10. لاو، جی. مک کرچر، ب. درک الگوهای حرکت گردشگران در یک مقصد: رویکرد GIS. تور. بیمارستان Res. 2006 ، 7 ، 39-49. [ Google Scholar ] [ CrossRef ]
  11. زولتان، جی. مک کرچر، ب. تحلیل تحرکات درون مقصدی و مشارکت فعالیت گردشگران از طریق مصرف کارت مقصد. تور. Geogr. 2015 ، 17 ، 19-35. [ Google Scholar ] [ CrossRef ]
  12. شوال، ن. ایزاکسون، ام. ردیابی گردشگران در عصر دیجیتال. ان تور. Res. 2007 ، 34 ، 141-159. [ Google Scholar ] [ CrossRef ]
  13. پالدینو، اس. بوجیک، آی. سوبولفسکی، اس. راتی، سی. گونزالس، MC مغناطیس شهری از طریق لنز عکاسی با برچسب جغرافیایی. EPJ Data Sci. 2015 ، 4 ، 5. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  14. García-Palomares, JC; گوتیرز، جی. Mínguez, C. شناسایی نقاط داغ توریستی بر اساس شبکه های اجتماعی: تحلیل مقایسه ای کلانشهرهای اروپایی با استفاده از خدمات اشتراک عکس و GIS. Appl. Geogr. 2015 ، 63 ، 408-417. [ Google Scholar ] [ CrossRef ]
  15. کادار، بی. Gede, M. گردشگران کجا می روند؟ تجسم و تجزیه و تحلیل توزیع فضایی عکاسی دارای برچسب جغرافیایی. کارتوگر. بین المللی جی. جئوگر. Inf. جئوویس. 2013 ، 48 ، 78-88. [ Google Scholar ] [ CrossRef ]
  16. لی، دی. ژو، ایکس. وانگ، ام. تجزیه و تحلیل و تجسم تعاملات فضایی بین گردشگران و افراد محلی: مطالعه فلیکر در ده شهر ایالات متحده. شهرها 2018 ، 74 ، 249-258. [ Google Scholar ] [ CrossRef ]
  17. مک کرچر، بی. شوال، ن. نگ، ای. Birenboim، A. رفتار بازدیدکنندگان اول و تکراری: ردیابی GPS و تجزیه و تحلیل GIS در هنگ کنگ. تور. Geogr. 2012 ، 14 ، 147-161. [ Google Scholar ] [ CrossRef ]
  18. وانگ، ی. وانگ، تی. تسو، M.-H. لی، اچ. جیانگ، دبلیو. Guo, F. نقشه‌برداری از الگوهای کاربری پویا شهری با رسانه‌های اجتماعی برچسب‌گذاری شده جغرافیایی جمع‌سپاری شده (Sina-Weibo) و مجموعه‌های نقاط تجاری مورد علاقه در پکن، چین. Sustainability 2016 , 8 , 1202. [ Google Scholar ] [ CrossRef ][ Green Version ]
  19. ژن، اف. کائو، ی. Qin، X. وانگ، ب. تعیین مرز تجمع شهری بر اساس داده‌های «بررسی» میکروبلاگ Sina Weibo: مطالعه موردی دلتای رودخانه یانگ تسه. شهرها 2017 ، 60 ، 180-191. [ Google Scholar ] [ CrossRef ]
  20. 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 4 مه 2013. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2013; صص 306-315. [ Google Scholar ]
  21. لیندکویست، جی. کرنشاو، جی. ویز، جی. هانگ، جی. زیمرمن، جی. من شهردار خانه من هستم: بررسی اینکه چرا مردم از برنامه اشتراک‌گذاری موقعیت مکانی چهار ضلعی استفاده می‌کنند. در مجموعه مقالات کنفرانس SIGCHI در مورد عوامل انسانی در سیستم های محاسباتی، ونکوور، BC، کانادا، 7-12 مه 2011. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2011; ص 2409-2418. [ Google Scholar ]
  22. نولاس، ا. اسکلاتو، اس. ماسکولو، سی. پونتیل، ام. مطالعه تجربی الگوهای فعالیت کاربر جغرافیایی در چهار ضلعی. در مجموعه مقالات پنجمین کنفرانس بین المللی AAAI در وبلاگ ها و رسانه های اجتماعی، بارسلون، اسپانیا، 17 تا 21 ژوئیه 2011. [ Google Scholar ]
  23. اسکلاتو، اس. نولاس، ا. لامبیوت، آر. Mascolo، C. ویژگی‌های اجتماعی- فضایی شبکه‌های اجتماعی مبتنی بر مکان آنلاین. در مجموعه مقالات پنجمین کنفرانس بین المللی AAAI در وبلاگ ها و رسانه های اجتماعی، بارسلون، اسپانیا، 17 تا 21 ژوئیه 2011. [ Google Scholar ]
  24. ژانگ، J.-D. چاو، سی.-ای. iGSLR: توصیه موقعیت جغرافیایی-اجتماعی شخصی شده: یک رویکرد تخمین تراکم هسته. در مجموعه مقالات بیست و یکمین کنفرانس بین‌المللی ACM SIGSPATIAL در مورد پیشرفت‌ها در سیستم‌های اطلاعات جغرافیایی، اورلاندو، فلوریدا، ایالات متحده آمریکا، 6-9 نوامبر 2013. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2013; صص 334-343. [ Google Scholar ]
  25. الرومایان، ن. باوازیر، اس. الجریاد، ر. الرزگان، م. تحلیل رفتارهای کاربر: بررسی نکات در چهار مربع. در پنجمین سمپوزیوم بین المللی کاربردهای داده کاوی ; Springer International Publishing AG: Cham, Switzerland, 2018; صص 153-168. [ Google Scholar ]
  26. لین، اس. زی، آر. Xie، Q. ژائو، اچ. Chen, Y. درک الگوهای فعالیت کاربر برنامه Swarm: یک مطالعه مبتنی بر داده. در مجموعه مقالات کنفرانس مشترک بین المللی ACM 2017 در مورد محاسبات فراگیر و همه جا حاضر و سمپوزیوم بین المللی ACM 2017 در مورد رایانه های پوشیدنی، Maui، HI، ایالات متحده آمریکا، 11-15 سپتامبر 2017؛ ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2017؛ صص 125-128. [ Google Scholar ]
  27. لو، BP; یائو، اس. وو، جی. تجزیه و تحلیل نقطه ای فضایی تصادفات جاده ای در شانگهای: یک روش تراکم هسته شبکه مبتنی بر GIS. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ژئوانفورماتیک 2011، شانگهای، چین، 24 تا 26 ژوئن 2011. IEEE: Piscataway, NJ, USA, 2011; صص 1-6. [ Google Scholar ]
  28. شی، بی. ژائو، جی. چن، پی.-جی. کاوش ازدحام گردشگری شهری در شانگهای از طریق داده های جغرافیایی Crowdsourcing. کر. تور مسائل. 2017 ، 20 ، 1186-1209. [ Google Scholar ] [ CrossRef ]
  29. گو، ز. ژانگ، ی. چن، ی. چانگ، ایکس. تجزیه و تحلیل ویژگی‌های جاذبه مقاصد گردشگری در یک شهر بزرگ بر اساس داده‌کاوی ورود – مطالعه موردی شنژن، چین. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 210. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. لانگ، ی. هان، اچ. تو، ی. شو، X. ارزیابی اثربخشی مرزهای رشد شهری با استفاده از سوابق تحرک و فعالیت انسانی. شهرها 2015 ، 46 ، 76-84. [ Google Scholar ] [ CrossRef ]
  31. الله، اچ. وان، دبلیو. Haidery، SA; خان، NU; ابراهیم پور، ز. لو، تی. تجزیه و تحلیل الگوهای فضایی-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 ]
  32. محمد، ر. ژائو، ی. لیو، اف. تجزیه و تحلیل فضایی-زمانی برای مشاهده رفتار ورود بر اساس جنسیت با استفاده از داده های بزرگ رسانه های اجتماعی: مطالعه موردی گوانگژو، چین. پایداری 2019 ، 11 ، 2822. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  33. رضوان، م. وان، دبلیو. سروانتس، او. Gwiazdzinski، L. استفاده از داده‌های رسانه اجتماعی مبتنی بر مکان برای مشاهده رفتار ورود و تفاوت جنسیت: آوردن داده‌های Weibo به بازی. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 196. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  34. Gospodini، A. طراحی شهری، مورفولوژی فضای شهری، گردشگری شهری: یک پارادایم جدید در حال ظهور در مورد رابطه آنها. یورو طرح. گل میخ. 2001 ، 9 ، 925-934. [ Google Scholar ] [ CrossRef ]
  35. ژنگ، دبلیو. هوانگ، ایکس. لی، ای. درک تحرک گردشگران با استفاده از GPS: مکان بعدی کجاست؟ تور. مدیریت 2017 ، 59 ، 267-280. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. اشورث، جی. آیا ما گردشگری شهری را درک می کنیم؟ جی. تور. بیمارستان 2012 ، 1 ، 1-2. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. سو، ایکس. اسپایرینگ، بی. دیجست، ام. تانگ، زی. تحلیل روندها در الگوهای رفتاری مکانی-زمانی گردشگران و ساکنان چینی در هنگ کنگ بر اساس داده‌های Weibo. کر. تور مسائل. 2019 ، 1-17. [ Google Scholar ] [ CrossRef ]
  38. Vu، HQ; لی، جی. قانون، ر. Ye, BH در حال بررسی رفتارهای سفر گردشگران ورودی به هنگ کنگ با استفاده از عکس های دارای برچسب جغرافیایی. تور. مدیریت 2015 ، 46 ، 222-232. [ Google Scholar ] [ CrossRef ]
  39. لو، آ. مک کرچر، بی. هندسه سفر: ملاحظات مقیاس های ماکرو و میکرو. در مجموعه مقالات نشست پیش از کنگره کمیسیون بین المللی اتحادیه جغرافیایی در مورد گردشگری، اوقات فراغت و تغییرات جهانی، دریاچه لوموند، بریتانیا، 13 تا 15 اوت 2004. [ Google Scholar ]
  40. لی، سی. ژائو، ی. سان، ایکس. سو، ایکس. ژنگ، اس. دونگ، آر. شی، ال. تحلیل مبتنی بر عکاسی از رفتار زمانی- فضایی گردشگران در شهر قدیمی لیجیانگ. بین المللی J. Sustain. توسعه دهنده محیط زیست جهانی 2011 ، 18 ، 523-529. [ Google Scholar ] [ CrossRef ]
  41. لیو، ی. شی، جی. چگونه قطار سریع السیر بین شهری بر ورود گردشگری تأثیر می گذارد: شواهدی از داده های ورود به شبکه های اجتماعی. کر. تور مسائل. 2019 ، 22 ، 1025–1042. [ Google Scholar ] [ CrossRef ]
  42. لیو، ایکس. کانگ، سی. گونگ، ال. لیو، ی. ترکیب الگوهای تعامل فضایی در طبقه بندی و درک کاربری زمین شهری. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 334-350. [ Google Scholar ] [ CrossRef ]
  43. ابراهیم پور، ز. وان، دبلیو. 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 ]
  44. فیستولا، ر. گارگیولو، سی. باتارا، آر. La Rocca، RA پایداری عملکردهای شهری: برخورد با فعالیت های گردشگری. پایداری 2019 ، 11 ، 1071. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  45. رضوان، م. محمود، س. وانگگن، دبلیو. علی، اس. تجزیه و تحلیل داده های رسانه 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. [ Google Scholar ]
  46. لیو، سی. چن، جی. لی، اچ. پیوند اقامت در محاصره مهاجران با اشتغال در چین شهری: مورد شانگهای. J. Urban. Aff. 2019 ، 41 ، 189-205. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. شیائو، ی. وانگ، دی. فانگ، جی. بررسی تفاوت‌ها در دسترسی به پارک از طریق داده‌های تلفن همراه: شواهدی از شانگهای، چین. Landsc. شهری. طرح. 2019 ، 181 ، 80-91. [ Google Scholar ] [ CrossRef ]
  48. مو، ن. یوان، آر. یانگ، تی. ژانگ، اچ. تانگ، جی جی. مککنن، تی. بررسی تغییرات مکانی-زمانی جریان گردشگری ورودی شهر: مورد شانگهای، چین. تور. مدیریت 2020 , 76 , 103955. [ Google Scholar ] [ CrossRef ]
  49. مرکز داده Weibo. در دسترس آنلاین: https://data.weibo.com/report/reportDetail?id=404 (در 4 مه 2019 قابل دسترسی است).
  50. ژانگ، دبلیو. درودر، بی. وانگ، جی. شن، دبلیو. Witlox، F. استفاده از رسانه‌های اجتماعی مبتنی بر مکان برای ترسیم الگوهای افراد در حال حرکت بین شهرها: مورد کاربران Weibo در دلتای رودخانه یانگ تسه. J. Urban. تکنولوژی 2016 ، 23 ، 91-111. [ Google Scholar ] [ CrossRef ]
  51. ژانگ، ی. لی، ایکس. وانگ، آ. بائو، تی. تیان، S. تراکم و تنوع شبکه‌های جاده‌ای OpenStreetMap در چین. J. Urban. مدیریت 2015 ، 4 ، 135-146. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. لیچمن، ام. اسمیت، پی. مدل‌سازی داده‌های مکان انسانی با ترکیبی از تراکم هسته. در مجموعه مقالات بیستمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، نیویورک، نیویورک، ایالات متحده آمریکا، 24 تا 27 اوت 2014. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2014; صص 35-44. [ Google Scholar ]
  53. ژانگ، مقر; Qu, H. روند سفرهای خارجی چین به هنگ کنگ و پیامدهای آنها. J. Vacat. علامت گذاری. 1996 ، 2 ، 373-381. [ Google Scholar ] [ CrossRef ]
  54. خو، X. رید، ام. آلودگی درک شده و گردشگری ورودی برای شانگهای: رویکرد VAR پانل. کر. تور مسائل. 2019 ، 22 ، 601–614. [ Google Scholar ] [ CrossRef ]
  55. CNNIC، گزارش آماری توسعه اینترنت در چین. در دسترس آنلاین: https://cnnic.com.cn/IDR/ReportDownloads/201807/P020180711391069195909.pdf (در 4 مه 2019 قابل دسترسی است).
  56. حسن، س. ژان، ایکس. Ukkusuri، SV درک فعالیت های انسانی شهری و الگوهای تحرک با استفاده از داده های مبتنی بر مکان 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 اوت 2013. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، 2013; پ. 6. [ Google Scholar ]
  57. هوانگ، اچ. گارتنر، جی. روندها و چالش های کنونی در خدمات مبتنی بر مکان. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 199. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  58. Tsui، KWH; یوئن، AC-L. Fung، MKY حفظ رقابت پذیری هاب هوانوردی: شواهد تجربی بازدیدکنندگان از چین از طریق هنگ کنگ با حمل و نقل هوایی. کر. تور مسائل. 2018 ، 21 ، 1260-1284. [ Google Scholar ] [ CrossRef ]
  59. رضوان، م. Wan, W. تجزیه و تحلیل کلان داده برای مشاهده رفتار ورود با استفاده از داده های رسانه اجتماعی مبتنی بر مکان. اطلاعات 2018 ، 9 ، 257. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  60. لینگ، دبلیو. شنگ کوان، سی. آنزه، ال. Xiao, L. مطالعه در مورد ساختار فضایی گردشگری کشاورزی شهری شانگهای. در مجموعه مقالات مجمع همکاری توسعه احیای روستایی چین و بلغارستان، شانگهای، چین، 23 آوریل 2018؛ پ. 157. [ Google Scholar ]
Ijgi 09 00070 g001 550
شکل 1. منطقه مطالعه.
Ijgi 09 00070 g002 550
شکل 2. چارچوب.
Ijgi 09 00070 g003 550
شکل 3. فراوانی ورود گردشگران از استان های مختلف.
Ijgi 09 00070 g004 550
شکل 4. ( الف ) توزیع مکان ها در دسته ها. ( ب ) تعداد مکان‌ها در هر دسته.
Ijgi 09 00070 g005 550
شکل 5. توزیع گردشگران و ساکنان به دسته های مکان.
Ijgi 09 00070 g006 550
شکل 6. ( الف ) دفعات ورود روزانه. ( ب ) دفعات ورود هفتگی. ج ) تعداد دفعات ورود گردشگران و ساکنان به مدت شش ماه.
Ijgi 09 00070 g007 550
شکل 7. تخمین چگالی کرنل بررسی‌های کلی در شانگهای.
Ijgi 09 00070 g008 550
شکل 8. نقشه های حرارتی تخمین چگالی هسته برای فعالیت ورود گردشگران و ساکنان در شانگهای.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید