خلاصه

رشد سریع شرکت های شبکه حمل و نقل (TNC) بازار سنتی تاکسی را در بسیاری از شهرهای مدرن در سراسر جهان تغییر داده است. هدف این مطالعه بررسی تغییرات مکانی-زمانی محیط ساخته شده در تاکسی های سنتی (TTs) و TNC است. با توجه به ناهمگونی توزیع سواری در جنبه‌های مکانی و زمانی، ما یک مدل رگرسیون وزن‌دار جغرافیایی و زمانی (GTWR) را پیاده‌سازی کردیم که با فناوری محاسبات موازی بهبود یافته بود تا به‌طور کارآمدی اثرات عوامل تأثیرگذار محلی بر توزیع ماهیانه سواری برای هر دو حالت ارزیابی شود. در هر منطقه تاکسی یک مطالعه موردی در شهر نیویورک (NYC) با استفاده از 659 میلیون نقطه پیک آپ ثبت شده توسط TT و TNC از سال 2015 تا 2017 اجرا شد. چهارده عامل تأثیرگذار از چهار گروه، از جمله آب و هوا، کاربری زمین، اجتماعی-اقتصادی و حمل و نقل به عنوان متغیرهای مستقل انتخاب شده اند. نتایج مدل‌سازی نشان می‌دهد که مدل GTWR مبتنی بر موازی بهبود یافته می‌تواند به نتایج برازش بهتری نسبت به مدل حداقل مربعات معمولی (OLS) دست یابد و برای مجموعه‌های داده بزرگ کارآمدتر است. ضرایب متغیرهای تأثیرگذار بیشتر نشان می دهد که TNC برای مسافران در هوای برفی راحت تر شده است، در حالی که TT در مکان های نزدیک به حمل و نقل عمومی متمرکزتر است. علاوه بر این، ویژگی‌های اجتماعی-اقتصادی مهم‌ترین عواملی هستند که باعث تفاوت الگوهای مکانی و زمانی می‌شوند. به عنوان مثال، مسافران با تحصیلات/درآمد بالاتر تمایل بیشتری به انتخاب TT در غرب نیویورک دارند، در حالی که مالکیت وسیله نقلیه باعث ارتقای سودمندی TNC در وسط نیویورک می شود.

کلید واژه ها:

رگرسیون وزنی جغرافیایی و زمانی ; تاکسی ؛ اوبر ؛ تحلیل فضایی و زمانی

1. معرفی

با محبوبیت استفاده از تلفن همراه، شرکت های شبکه حمل و نقل (TNC) که خدمات مبتنی بر برنامه را ارائه می دهند، مانند Uber، DiDi و Lyft، ادعا می کنند که ثبات و راحتی را با فرآیندهای همتا به همتا (p2p) فراهم می کنند که مسافران و مسافران را به هم متصل می کند. رانندگان خصوصی به صورت آنلاین و در زمان واقعی [ 1 ]. به عنوان یک شکل در حال ظهور حمل و نقل مبتنی بر فناوری شبکه و تلفن همراه، تجزیه و تحلیل سواری TNC به یک موضوع داغ در تحقیقات حمل و نقل شهری تبدیل شده است. شواهد زیادی نشان داده است که توسعه سریع TNC تأثیر زیادی بر تاکسی سنتی (TT) داشته است و صنعت تاکسی را به زیان های قابل توجهی از نظر سهم بازار، درآمد، نیروی کار و تسهیلات سوق داده است [2] .]. این امر به ویژه در شهرهای بزرگ مدرن مانند شهر نیویورک (NYC) مشهود است، جایی که بار تاکسی سالانه از 145 میلیون در سال 2015 به 113 میلیون در سال 2017 کاهش یافته است که در عرض سه سال نزدیک به 23 درصد کاهش یافته است. در مقابل، سواری توسط TNC ها از 37 میلیون به 110 میلیون افزایش یافت. کاهش سهم صنعت تاکسیرانی از بازار به ناچار باعث کاهش درآمد رانندگان تاکسی و فشرده شدن مقیاس تاکسیرانی و مشکلات اقتصادی و حتی ورشکستگی شرکت‌های تاکسیرانی خواهد شد. در ماه مه 2013، اگرچه قیمت پلاک خودروهای زرد در نیویورک به نصف کاهش یافته بود، مجوز بسیاری از خودروهای شرکت تاکسیرانی به دلیل عدم وجود رانندگان جدید بیکار بود [3 ] .
با این وجود، بسیاری از محققان اصرار دارند که اعلام مرگ اجتناب ناپذیر صنعت تاکسی بر اساس موفقیت فعلی TNC زود است. به عنوان مثال، وانگ و همکاران. گزارش داد که موفقیت شرکت های TNC در یک استراتژی تهاجمی اما ناپایدار یارانه قیمت نهفته است [ 4 ]. مطالعه کرامر و کروگر [ 5 ] مشاهده کردند که بیشتر سفرها در TNC در دوره های اوج ترافیک روزانه متمرکز می شوند. با توجه به دوره‌های خارج از پیک، تاکسی‌های سنتی هنوز سهم زیادی از حمل و نقل را به خود اختصاص می‌دهند و بنابراین نمی‌توان آنها را جایگزین کرد. علاوه بر این، طبق نتایج آماری [ 6 ]، میانگین ساعات کار در هفته رانندگان اوبر تقریباً نصف بسیاری از رانندگان تاکسی در ایالات متحده بود.
صرف نظر از این بحث ها، قابل انکار نیست که صنعت تاکسیرانی در حال حاضر با چالش و رقابت بزرگی از سوی TNC در بسیاری از جنبه ها مواجه است. بنابراین، تجزیه و تحلیل تمایز این دو حالت، مانند ویژگی های مسافران هدف و الگوی سفر، به درک بهتر روابط رقابتی بین آنها کمک می کند. با این حال، از آنجایی که همه این تمایزات در یک شهر یکنواخت نیستند و توسط عوامل مختلفی هدایت می‌شوند، مدل‌های آماری جهانی که به طور گسترده مورد استفاده قرار می‌گیرند محدود شده‌اند تا اهمیت ناهمگنی مکانی-زمانی و خودهمبستگی را در بر گیرند. تجزیه و تحلیل مکانی-زمانی بین سواری تاکسی/TNC و محیط ساخته شده هنوز یک موضوع باز است.
این مقاله نتایج تحقیق ما را با استفاده از یک مدل بهبود یافته GTWR بر اساس محاسبات موازی برای بررسی موثر روابط مکانی-زمانی بین TT/TNC و محیط ساخته شده در نیویورک ارائه می‌کند، جایی که حدود 659 میلیون سفر از سال 2015 تا 2017 رخ داده است. بقیه این مقاله به شرح زیر مرتب شده است. بخش 2 بررسی مختصری از پیشرفت تحقیقات مربوطه را ارائه می دهد و بخش 3 جزئیات مدل GTWR مبتنی بر موازی اتخاذ شده در این مطالعه را ارائه می دهد. بخش 4 مجموعه داده مرتبط را معرفی می کند و نحوه پردازش داده ها را شرح می دهد. بخش 5 عمدتاً دقت و یافته های مدل را تحلیل می کند. بخش 6الگوهای فضایی و زمانی بین تاکسی و TNC را مورد بحث قرار می دهد. بخش آخر به تفصیل نتایج این مقاله و همچنین جهت گیری های تحقیقاتی آتی را بیان می کند.

2. ادبیات مرتبط

تاکسی ها از لحاظ تاریخی سهم و پوشش جغرافیایی بسیار کمتری از حمل و نقل شهری نسبت به سایر روش های حمل و نقل مانند اتوبوس و مترو داشته اند. بنابراین، مطالعات کمتر گسترده تری در مورد تاکسی ها نسبت به سایر روش های حمل و نقل وجود دارد. به طور کلی، محققان دریافته اند که تاکسی ها هم مکمل و هم جایگزین حمل و نقل عمومی هستند [ 2 ]. تاکسی‌ها علیرغم سهم کمی که در حمل‌ونقل شهری دارند، با ارائه خدمات جابه‌جایی و کارکرد تمام روز که در سایر روش‌های حمل‌ونقل در دسترس نیستند، شکاف مهمی را پر می‌کنند. مهمتر از همه، با رواج دستگاه‌های جمع‌آوری خودکار GPS، ویژگی‌های مکانی و زمانی سواری و مسیر توسط تاکسی‌ها مرجع ارزشمندی برای استخراج الگوهای سفر شهروندان و بهینه‌سازی ترافیک فراهم می‌کند [7] .]. بنابراین، تجزیه و تحلیل مکانی – زمانی تاکسی ها در سال های اخیر به یک کانون تحقیقاتی تبدیل شده است.
تحقیقات اولیه در مورد تاکسی ها عمدتاً بر مؤلفه های تقاضای بازار بر اساس ویژگی های ذاتی صنعت تاکسی مانند قیمت، انعام، هزینه های نیروی کار و سایر عوامل متمرکز بود [8 ] . از آنجا که اندازه گیری هزینه، زمان انتظار و راحتی معمولاً از تحقیقات یا بخش های مربوطه گرفته می شود، این داده ها مغرضانه و فاقد عینیت هستند. با دستگاه‌های GPS که توسط تاکسی‌ها حمل می‌شود، داده‌های مکانی و زمانی تاکسی‌ها را می‌توان در زمان واقعی ردیابی و جمع‌آوری کرد. این داده ها دارای مزیت ویژگی های مکانی-زمانی نسبت به داده های قبلی هستند و می توانند با عوامل جغرافیایی خارجی، مانند کاربری زمین [ 9 ] و آب و هوا [ 10 ، 11] ادغام شوند.]. به عنوان مثال، لیو و همکاران. از داده‌های GPS از تاکسی‌ها و عوامل کاربری زمین شهری برای شناسایی “مناطق منبع-غرق” در شانگهای استفاده کرد [ 12 ]. با این وجود، مطالعات قبلی عمدتاً از روش حداقل مربعات معمولی (OLS) استفاده کردند [ 13 ، 14 ]. در مدل OLS، مکان‌های جمع‌آوری وانت (PU) و خروج (DO) تاکسی‌ها به‌عنوان متغیرهای وابسته استفاده می‌شوند و عوامل تأثیرگذار مربوطه، مانند آب‌وهوا و کاربری زمین، به‌عنوان متغیر مستقل انتخاب می‌شوند. با توجه به خود همبستگی فضایی و ناهمگونی در توزیع مکان‌های PU و DO برای TT و TNC وجود دارد، پیش‌شرط مدل OLS که مشاهدات باید مستقل از یکدیگر باشند دشوار است.
برای پرداختن به این موضوع، Fotheringham و همکاران. یک مدل رگرسیون محلی به نام رگرسیون وزن‌دار جغرافیایی (GWR) [ 15 ] پیشنهاد کرد که دقت نتایج رگرسیون را با ساخت یک ماتریس وزن فضایی محلی برای تخمین تغییرات در فضا بهبود می‌بخشد. علاوه بر این، مدل GWR چارچوب رگرسیون سنتی را با اجازه دادن به تخمین پارامترها برای تغییر در فضا گسترش می‌دهد و بنابراین قادر به گرفتن اثرات محلی است. مدل GWR به طور گسترده در تجزیه و تحلیل سواری حمل و نقل استفاده شده است [ 16 ، 17 ]. به عنوان مثال، بر اساس داده های تاکسی نیویورک، Qian و همکاران. [ 18] از مدل GWR برای تحلیل رابطه بین مکان تاکسی و عوامل محیطی شهری استفاده کرد. نتایج نشان می دهد که مدل GWR می تواند دقت و تفسیر مدل بهتری را نسبت به مدل OLS ارائه دهد. یکی از مشکلات باقی مانده این است که مدل GWR فقط ضرایب متغیر مرتبط را در بعد فضایی به دست می آورد. در حالی که با مجموعه داده‌های سری زمانی سروکار داریم، این داده‌ها اغلب باید بر اساس مُهر زمانی‌شان تجمیع یا جدا شوند، در نتیجه این واقعیت نادیده گرفته می‌شود که توزیع تاکسی‌ها یا TNC‌ها با مقیاس‌های زمانی مختلف متفاوت است. اخیراً، محققان بسیاری از استراتژی‌های بهبود یافته را برای توضیح تغییرات زمانی و مکانی ارائه کرده‌اند، مانند مدل‌های GWR-TS [ 19 ] و اثر مختلط خطی (LME) + GWR [ 20] .]؛ با این حال، این مدل‌ها عموماً بر اساس رگرسیون حداقل مربعات دو مرحله‌ای [ 21 ] هستند، ابتدا اثر زمانی را با استفاده از مدل LME برازش می‌دهند و سپس اثرات ناهمگنی فضایی را با مدل GWR ارزیابی می‌کنند. این مدل ها نمی توانند به طور همزمان اثرات زمانی و مکانی را در نظر بگیرند.
برای مدلسازی همزمان اثرات زمانی و مکانی، هوانگ و همکاران. یک مدل بهبود یافته مبتنی بر GWR، به نام رگرسیون وزنی جغرافیایی و زمانی (GTWR) [ 22 ]، که تصور می شود وزن دهی مکانی و زمانی همزمان را طراحی می کند، پیشنهاد کرد. بنابراین، مدل GTWR می تواند تغییرات پیوسته را برای هر مکان در هر زمان منعکس کند. اجرای اولیه مدل GTWR برای برآورد قیمت خانه انجام شد و نتایج نشان داد که دقت مدل GTWR نسبت به مدل‌های OLS و GWR برتری دارد. اخیراً مدل GTWR در بسیاری از زمینه ها مانند کیفیت هوا [ 23 ] و تحقیقات زیست محیطی [ 24] گسترش یافته است.]. علاوه بر این، برخی از محققان طرح های بهبود یافته GTWR را به طور متوالی مطرح کرده اند. به عنوان مثال، وو و همکاران. یک مدل بهبود یافته، معروف به مدل خودرگرسیون جغرافیایی و زمانی (GTWAR) برای تخمین خودهمبستگی های فضایی [ 25 ] و Du et al. یک مدل رگرسیون وزن‌دار جغرافیایی و دایره‌ای-زمانی (GcTWR) برای افزایش چرخه فصلی داده‌های مشاهده‌شده بلندمدت [ 26 ] پیشنهاد کرد.
تحقیقات فوق به طور کامل نشان می دهد که مدل GTWR دارای مزایای زیادی در مدل سازی مکانی-زمانی است. ما و همکاران مدل GTWR را برای حمل و نقل عمومی اعمال کرد و به نتایج مدلسازی خوبی دست یافت [ 27 ]. ژانگ و همکاران همچنین مدل GTWR را برای تحلیل سواری تاکسی پذیرفت و به نتیجه مشابهی دست یافت [ 28]. با این وجود، با توجه به اینکه غیرایستایی مکانی و زمانی تاکسی ها نسبت به سایر روش های حمل و نقل مانند اتوبوس هایی که مسیرهای از پیش تعیین شده دارند، پیچیده تر است، مطالعات قبلی عموماً به تاکسی ها یا TNC به طور جداگانه محدود شده است و مطالعات کمی تفاوت بین تاکسی ها را در نظر گرفته است. و TNC. تحقیقات در مورد TNC نسبتاً کمیاب است، اگرچه ساختار داده آن شبیه به تاکسی است. بنابراین، استفاده از مدل GTWR برای تجزیه و تحلیل همزمان تاکسی ها و TNC هنوز یک مسئله حل نشده است.

3. روش شناسی

در این قسمت به طور خلاصه چارچوب اصلی مدل GTWR و نحوه تعیین پارامترهای مدل GTWR را بررسی می کنیم. سپس، ما یک طرح محاسباتی موازی برای بهبود کارایی مدل GTWR و اعمال مدل برای مدل‌سازی سواری پیشنهاد می‌کنیم.

3.1. چارچوب اصلی مدل GTWR

مدل مبتنی بر GWR یک الگوریتم رگرسیون ضریب متغیر مکانی مبتنی بر محلی است که مدل OLS را با اتخاذ پارامترهای محلی برای تخمین زدن گسترش می‌دهد. این می تواند به طور قابل توجهی دقت تخمین داده های مکانی را بهبود بخشد، به ویژه برای مناطقی با غیر ایستایی فضایی پیچیده. بر این اساس، هوانگ و همکاران. [ 22 ] یک مدل GTWR با تمرکز بر تعریف تابع هسته مکانی-زمانی و بهینه‌سازی پهنای باند مکانی-زمانی پیشنهاد کرد که می‌تواند به طور همزمان مسائل غیرایستایی مکانی و زمانی را برطرف کند. با فرض اینکه مشاهده تاکسی سواری به عنوان نشان داده شده است Yمن، جایی که i ( I = 1, 2,…, n ) یک واحد فضایی مانند منطقه تحلیل ترافیک (TAZ) را نشان می دهد، بنابراین مدل GTWR را می توان به صورت ریاضی به صورت زیر بیان کرد:

Yمن=β0(تومن،vمن،تیمن)+∑کβک(تومن،vمن،تیمن)ایکسکمن+εمن،

جایی که (تومن،vمن،تیمن)مختصات مرکز TAZ i را در یک مکان مکانی نشان می دهد(تومن،vمن)در زمان تیمن; β0مقدار رهگیری است. βک(تومن،vمن،تیمن)شیب هر متغیر مستقل را نشان می دهد ایکسکمن; و εمنخطای تصادفی است متغیرها ایکسکمنبه عوامل مؤثری که ارتباط بین سواری و عوامل محیطی شهری را بهبود می بخشد، مانند آب و هوا، کاربری زمین، شرایط اجتماعی-اقتصادی و حمل و نقل اشاره می کند.

برای یک مجموعه داده معین، معمولاً از روش حداقل مربعات با وزن محلی برای تخمین فاصله استفاده می‌شود β0، و همچنین دامنه ها βکبرای هر متغیر مدل‌های GTWR فرض می‌کنند که هر چه در سیستم مختصات فضا-زمان به نقطه i نزدیک‌تر باشد، وزن اندازه‌گیری‌ها در پیش‌بینی بیشتر است. βکخواهد بود. بنابراین، ضرایب از β^=(β0،β1،..،βک)تیمی توان تخمین زد:

β^(تومن،vمن،تیمن)=[ایکستیدبلیو(تومن،vمن،تیمن)ایکس]-1ایکستیدبلیو(تومن،vمن،تیمن)Y،

جایی که ایکسماتریس n ×( k+1 ) متغیرهای ورودی است .Yبردار n بعدی متغیرهای خروجی است . ماتریس وزن فضا-زمان دبلیو(تومن،vمن،تیمن)یک ماتریس وزنی n × n برای اندازه گیری اهمیت نقطه i به نقطه تخمینی j برای فضا و زمان است. تابع گاوسی یکی از متداول ترین تابع های وزنی است:

دبلیومنj=انقضا(-دمنj2ساعت2)،

جایی که دمنjنشان‌دهنده فاصله زمانی بین نقاط i و j و ساعتیک پارامتر غیر منفی است که کاهش نفوذ را با فاصله نشان می دهد. با ترکیب فاصله زمانی d T با فاصله مکانی d S ، فاصله زمانی مکانی را می توان به صورت زیر بیان کرد:

داستی=دس⊗دتی،

که در آن ‘⊗’ می تواند نشان دهنده انواع مختلف عملگرها باشد. در این مطالعه، ‘+’ به عنوان عملگر ترکیبی برای محاسبه فاصله زمانی کل انتخاب شد. با توجه به اثرات مقیاس مختلف فضا و زمان، یک سیستم مختصات بیضی شکل برای اندازه‌گیری فاصله مکانی-زمانی بین هر نقطه پس‌رونده و نقاط اطراف ساخته شد [ 29 ]. بنابراین فاصله زمانی بین تاکسی سواران را می توان به صورت ترکیب وزنی خطی که در زیر نشان داده شده است بیان کرد:

(دمنjاستی)2=λ[(تومن-توj)2+(vمن-vj)2]+μ(تیمن-تیj)2،

جایی که تیمنو تیjزمان مشاهده شده نقطه i و j را نشان می دهد . λو μوزن هایی برای متعادل کردن تأثیرات واحدهای مختلف بین تغییرپذیری مکان و زمان هستند. ماتریس وزن با استفاده از توابع واپاشی فاصله گاوسی و فاصله اقلیدسی ساخته شده است:

دبلیومنj=انقضا[-(دمنjاستی)2ساعتاستی2]=انقضا{-[(تومن-توj)2+(vمن-vj)2]+τ(تیمن-تیj)2ساعتس2}

جایی که پارامتر τمخفف پارامتر غیر منفی ضریب مقیاس محاسبه شده توسط μ/ λ( λ ≠ 0). ساعتاستییک پارامتر مثبت به نام پهنای باند فضایی و زمانی است. بنابراین، اگر پهنای باند مکانی-زمانی و ضریب مقیاس تعیین شود، ماتریس وزن دبلیو(تومن،vمن،تیمن)و β^(تومن،vمن،تیمن)می توان به دست آورد.

پارامترهای تنظیم از ساعتاستیو τمی توان با استفاده از یک فرآیند اعتبار سنجی متقابل (CV) از طریق کمینه سازی بر حسب معیار اطلاعات اصلاح شده Akaike ( AIC c ) [ 30 ] به شرح زیر به دست آورد:

CVRSS(ساعت)=∑من[yمن-y≠1(ساعت)]2،
آمنسیج(ساعت)=nورود به سیستم(آراساس(ساعت)n)+nورود به سیستم(2π)+n(n+تیr(اچ(ساعت))n-2-تیr(اچ(ساعت)))،

جایی که y≠1(ساعتس)مقدار پیش بینی شده را نشان می دهد yمناز مدل GTWR با پهنای باند h . بنابراین، انتخاب h بهینه را می توان از طریق رسم CV ( h ) در برابر پارامتر h بدست آورد . در رابطه (8)، RSS مجموع باقیمانده مربع ها و است تیr(اچ(ساعت))رد ماتریس کلاه H ( h ) است.

3.2. پیاده سازی GTWR برای تحلیل سواری

شکل 1نمودار جریانی از پیاده سازی با استفاده از GTWR برای تجزیه و تحلیل سواری ارائه می دهد. قبل از ساخت مدل GTWR برای تحلیل سواری تاکسی، ابتدا باید واحد فضایی مشاهده شده و وضوح زمانی مشخص شود. واحد فضایی به طور کلی مربوط به گستره جغرافیایی منطقه مورد مطالعه است که می تواند بر اساس مناطق اداری یا یک سلول منظم تقسیم شود. با توجه به محدودیت داده‌های TNC به‌دست‌آمده از نیویورک، واحد فضایی اتخاذ شده در این مطالعه بر اساس TAZ به جای مناطق جدول‌بندی کد پستی (ZCTA) بود. از نظر تفکیک زمانی، قطعنامه های مختلفی مانند مقیاس سالانه، ماهانه، روزانه و ساعتی را می توان اتخاذ کرد. از آنجایی که مجموعه داده ای که ما اتخاذ کردیم از سال 2015 تا 2017 بود، ماه حداقل واحد زمان مناسب برای کاهش هزینه محاسبات در نظر گرفته شد. با استفاده از همان مجموعه داده،
برای ارزیابی کمی تغییرات مکانی-زمانی سواری برای تاکسی ها و TNC، سه متغیر شامل سواری برای دو نوع TT (زرد + سبز)، سواری TNC و نسبت TNC (PoT = TNC/(TT+TNC)) ، به عنوان متغیرهای وابسته انتخاب شدند. با توجه به متغیرهای مستقل، ما چهار گروه از متغیرهای توضیحی را از چندین مجموعه داده باز استخراج کردیم. جزئیات بیشتر در مورد پردازش داده های خام را می توان در بخش 4 یافت .

هنگام استفاده از مدل GTWR برای تحلیل سواری تاکسی باید چندین جنبه تنظیم شود. اولا، در مقایسه با تابع هسته ثابت، تابع هسته تطبیقی ​​می تواند پهنای باند را با توجه به چگالی نقاط داده تنظیم کند. بنابراین، ممکن است راه معقول تری برای به دست آوردن وزنه ها باشد دبلیومنjبرای تیزی نامنظم TAZ ها. برای سادگی، از q-نزدیک ترین همسایه ها بر اساس تابع دو مربعی اصلاح شده زیر استفاده می کنیم:

دبلیومنj={[1-(دمنj/ساعتمن)2]2،اگر دمنj<ساعتمن0،در غیر این صورت،

جایی که ساعتمنمخفف پهنای باند مختلف است که q نزدیکترین همسایه هایی را که باید در تخمین رگرسیون در مکان i در نظر گرفته شود را بیان می کند . بنابراین، پارامتر تنظیم پهنای باند ثابت h ST با تعداد نزدیکترین نقاط همسایگی q جایگزین می شود . توجه داشته باشید که q باید به q ≥ 40 محدود شود ، در غیر این صورت مدل دچار مشکل برازش بیش از حد خواهد شد [ 25 ].

محاسبه مدل GTWR فشرده است زیرا هر نمونه از یک نوع پهنای باند تطبیقی ​​استفاده می کند که منجر به ترکیبی از مقادیر ممکن (t*(n-1) n ) می شود که باید برای پهنای باند بهینه محاسبه شوند [ 15]]. زمان محاسبات به طور تصاعدی با افزایش تعداد نمونه‌ها و مُهرهای زمانی افزایش می‌یابد، مثلاً با استفاده از داده‌های مبتنی بر شبکه به عنوان واحد فضایی یا ساخت مدل GTWR روزانه بر اساس داده‌های چند ساله. یک رویکرد مدلسازی بهینه برای کاهش مصرف محاسبات مورد نیاز است. به طور خاص، ما از محاسبات موازی برای شکستن حلقه‌های محاسباتی انتخاب پارامتر بهینه به بخش‌های مستقل با مقادیر مختلف q و τ استفاده کردیم. این بخش ها را می توان به طور همزمان توسط چندین پردازنده که از طریق حافظه مشترک ارتباط برقرار می کنند، اجرا کرد که نتایج آن پس از تکمیل به عنوان بخشی از الگوریتم کلی ترکیب می شود. بنابراین، مقادیر بهینه q و τ را می توان کارآمد یافت. طبق اصل GTWR، توان محاسباتی اصلی با تکرار برای به دست آوردن هر دو پارامتر تنظیم مصرف می شود. از آنجایی که فرآیند یافتن پارامترهای تنظیم بهینه برای هر تکرار مستقل است، برای برنامه ریزی موازی مناسب است. الگوریتم GTWR اتخاذ شده در این مطالعه بر اساس Matlab برنامه ریزی شده است® که تابعی به نام fminbnd را برای بدست آوردن مقادیر بهینه q و τ فراهم می کند . فرآیند محاسبات موازی را می توان از طریق یک فرآیند حلقه، یعنی parfor [ 31 ] تحقق بخشید. پلتفرم مقایسه کارایی مبتنی بر یک CPU Inter ® i7-4790 است که دارای چهار هسته برای محاسبات موازی است. شکل 2 نمودار جریان مدل GTWR را با استفاده از محاسبات موازی نشان می دهد. برای تأیید استحکام نتایج، نسبت‌های مختلف نمونه‌های آموزشی به‌طور تصادفی برای مدل GTWR انتخاب شدند، در حالی که نمونه‌های باقی‌مانده برای تأیید استفاده شدند.

4. آماده سازی داده ها

4.1. منطقه مطالعه

منطقه مورد مطالعه نیویورک از پنج ناحیه شامل برانکس، بروکلین، استاتن آیلند، کوئینز و منهتن تشکیل شده است. همانطور که در شکل 3 نشان داده شده است، نیویورک به 263 منطقه تاکسی شامل سه منطقه فرودگاهی، 55 منطقه زرد (فقط تاکسی های زرد مجاز به جابجایی مسافران هستند) در منهتن، و 205 منطقه شهرداری تقسیم شده است، که در آن هر دو نوع تاکسی مجاز هستند عمل کنند. TNC در همه مناطق مجاز است. تحقیقات محققین قبلی [ 32 ] گزارش کردند که 95 درصد از مسافران زرد رنگ در منطقه منهتن متمرکز شده اند، که نشان می دهد عدم تعادل آشکار از نظر توزیع فضایی وجود دارد و بر نیاز به ایجاد مدل GTWR تأکید می کند.

4.2. تاکسی ها و داده های TNC

داده های خام از 2015 تا 2017 از کمیسیون تاکسی و لیموزین نیویورک (TLC، موجود در https://www.nyc.gov/html/tlc/html/about/trip_record_data.shtml ) دانلود شده است.). این بخش از سال 2009 تا 2018 سه نوع داده شامل دو نوع تاکسی سنتی (زرد و سبز) و داده های TNC را در قالب CSV ارائه کرد. هر رکورد سفر در تاکسی‌ها شامل مهرهای زمانی و مکان‌های PU و DO، تعداد مسافران، زمان سفر، مسافت سفر و ویژگی‌های قیمت بود. با این حال، به جای نقاط تحویل (PU) و Drop-Off (DO)، داده های سفر TNC که از سال 2015 عمومی بود، تنها مناطق تاکسی را به دلیل حفاظت از حریم خصوصی ارائه می کرد. در حال حاضر، نیویورک دارای سه حالت تاکسی معمولی است، از جمله: (1) تاکسی زرد در هر نقطه از مرز شهر خدمت می کند. (2) تاکسی های سبز (تاکسی بورو) که فقط در مناطق دورافتاده شهر به جز دو فرودگاه خدمت می کنند. (3) TNC به اندازه تاکسی های زرد خدمت می کند. میز 1در مورد آمار خلاصه سه نوع تاکسی به ترتیب جزئیات بیشتری ارائه می دهد. تعداد کل PU های ثبت شده توسط خودروهای زرد 390 میلیون، تعداد کل PU های ثبت شده توسط TNC ها 212 میلیون و تعداد کل PU های ثبت شده توسط خودروهای سبز تنها 57 میلیون بوده است.
با توجه به محدودیت امنیت داده، داده‌های TNC دانلود شده فقط شامل مهر زمانی PU و DO و شناسه TAZ که هر دو مختصات در آن قرار داشتند، بود. بنابراین، برای اطمینان از وحدت مرجع مکانی، منطقه تاکسی تعریف شده توسط TLC به عنوان واحد فضایی پایه اتخاذ شد و تعداد ماه به عنوان واحد زمانی انتخاب شد.
پس از تعیین واحد مکانی-زمانی، یعنی هر مشاهده نشان دهنده تعداد کل سواری در یک منطقه تاکسی در یک ماه خاص، متغیرهای وابسته سوارکاری ماهانه بر اساس تجمع مکانی و زمانی هر سفر استخراج شد. ابتدا داده های خام به پایگاه داده فضایی PostGIS وارد شدند. فرآیند پاکسازی داده‌ها برای حذف داده‌های غیرقابل دسترس (مانند مختصات از دست رفته و مُهرهای زمانی از دست رفته) استفاده شد. سپس، تمام موقعیت‌های جغرافیایی PU یا شناسه منطقه تاکسی در 263 TAZ تجمیع شدند. دوم، ما سفرها در همان ماه را به عنوان سواری ماهانه برای هر TAZ محاسبه می کنیم.
شکل 4 نمونه های آماری PU را برای سه نوع سفر در 36 ماه نشان می دهد. سواری که توسط تاکسی های سبز اداره می شد کم بود و با گذشت زمان اندکی کاهش یافت. سواری تاکسی های زرد با نرخ تقریباً 12 درصد در سال کاهش یافته است. در همین حال، تغییرات فصلی نیز مشاهده شد، یعنی در هر سال دو دوره اوج از اسفند تا اردیبهشت و از شهریور تا آبان وجود داشت. برعکس، تعداد سواران TNC ها بسیار سریع رشد کرد، به خصوص در جولای 2017، تعداد سواران ماهانه TNC ابتدا از تاکسی های زرد فراتر رفت. در نهایت، ما 9120 مشاهدات معتبر به دست آوردیم، 348 مشاهده به دلیل عدم سابقه سفر حذف شدند. طبق ادبیات [ 18]، ما تبدیل ورود به سیستم را برای سه متغیر وابسته انجام دادیم تا تأثیر توزیع غیر نرمال را حذف کنیم.

4.3. عوامل تاثیرگذار

بسیاری از ادبیات قبلی گزارش کرده اند که توزیع مکانی – زمانی تاکسی ها می تواند تحت تأثیر طیفی از عوامل خارجی قرار گیرد. در این مورد، ما چهار گروه از متغیرهای توضیحی را از مجموعه داده‌های باز چندگانه، از جمله آب و هوا، کاربری زمین، اجتماعی-اقتصادی، و شرایط حمل و نقل استخراج کردیم. جدول 2 تعاریف همه عوامل و همچنین آمار خلاصه آنها را فهرست می کند. به طور خاص، متغیرهای مربوط به آب و هوا از وب سایت NOAA ( https://www.ncdc.noaa.gov ) دانلود شدند، به طور خاص از ایستگاه نیویورک به شماره USW00094728. چهار مشاهدات روزانه زمینی از آب و هوا، به عنوان مثال، عمق برف، حداکثر و حداقل دما، و میانگین سرعت باد، با محاسبه مقدار میانگین آنها برای هر ماه انتخاب شدند. گروه دوم داده های مربوط به کاربری زمین از MapPLUTO دانلود شد که توسط دپارتمان برنامه ریزی شهر نیویورک نگهداری می شود. با توجه به مطالعه موردی در [ 18]، در هر منطقه تاکسی سه عامل یعنی منطقه مسکونی، تجاری و منطقه سازنده را استخراج کردیم. گروه سوم شامل پنج عامل مرتبط با حمل و نقل است، از جمله طول جاده و خط دوچرخه و تعداد ایستگاه های اتوبوس، ایستگاه های مترو و مناطق پارک دوچرخه (به نام CityRacks). آخرین گروه عوامل مرتبط با اقتصادی-اجتماعی است که از پایگاه ژئودیتابیس نیویورک به دست آمده است که شامل هشت متغیر مربوط به جمعیت شناسی، اشتغال، درآمد، مالکیت وسیله نقلیه، تحصیلات و رفت و آمد است. ذکر این نکته ضروری است که حداقل مقادیر برای این عوامل در جدول 2 آمده استهمه صفر هستند، زیرا نمونه‌های با مقدار پیش‌فرض صفر متعلق به پارک مرکزی است که داده‌های تاکسی سواری دارد اما داده‌های اجتماعی-اقتصادی مربوطه را ندارد. تبدیل ورود به سیستم همچنین برای عوامل از SE1 به SE6 برای محاسبه تفاوت در اندازه بین TAZها اعمال شد.

5. برآورد مدل و عملکرد

5.1. انتخاب متغیرهای مستقل

چند خطی بودن متغیرهای مستقل باعث سوگیری می شود و اعتبار نتایج مدل سازی را تحت تأثیر قرار می دهد. برای حذف هم خطی بین عوامل، ضریب همبستگی پیرسون عوامل را در این تحقیق محاسبه می‌کنیم. بر اساس پیشنهاد کیان [ 18 ]، اگر ضرایب همبستگی زوجی عوامل بیشتر از 0.7 باشد، حداکثر می توان یکی از متغیرها را در مدل گنجاند.
جدول 3نتایج آزمون را بین هر دو عامل نشان می دهد. اکثر ضرایب همبستگی زوجی زیر 0.7 بودند. با این حال، برای گروه مربوط به آب و هوا، هر چهار عامل (W1-W4) همبستگی بالایی دارند، بنابراین فقط یکی از آنها باید حفظ شود. در همین حال، برای عوامل اجتماعی-اقتصادی، تراکم ساکنان دارای حداقل مدرک لیسانس (SE1) با تراکم ساکنان شاغل (SE2، 0.92)، درآمد بالا (SE3، 0.99)، سن بزرگسالان (SE5، 0.84)، و کارکنان (SE6، 0.84)، بنابراین این عوامل (SE2، SE3، SE5 و SE6) باید حذف شوند. علاوه بر این، با توجه به وضعیت پیچیده جریان در فرودگاه، ما یک عامل ساختگی اضافه می کنیم تا مشخص کنیم که آیا TAZ دارای فرودگاه است یا خیر. در این مطالعه، سه TAZ حاوی فرودگاه JFK، EWR و LGA روی 1 و بقیه روی 0 تنظیم شدند. در نتیجه، پانزده عامل شامل سیزده متغیر مستقل،

5.2. مقایسه دقت مدل

مدل OLS ابتدا برای بررسی عوامل مهمی که بر سه متغیر وابسته تأثیر می‌گذارند کالیبره شده است و نتایج در جدول 4 ارائه شده است . ضرایب تخمینی و احتمال t را برای هر متغیر مستقل و شاخص های برازش خوب مدل را نشان می دهد. بسیاری از عوامل در سطح 0.01 معنی دار هستند، که نشان می دهد این عوامل به میزان زیادی با سواری برای سه مدل مرتبط هستند. با این حال، چندین عامل از نظر آماری معنادار نیستند، از جمله W1، T2، و AP برای مدل TT، T2 برای مدل TNC و LU2 برای مدل PoT. مقادیر ضریب تورم واریانس (VIF) اکثر عوامل در محدوده معقول (<7.5) قرار دارند، که نشان می دهد آن عوامل به خوبی انتخاب شده اند تا از مشکل چند خطی اجتناب شود [33 ]].
با توجه به R 2 تنظیم شده80.67٪، 67.29٪ از تغییرات را می توان برای سواری TT و TNC، و 73.33٪ برای تغییر نسبت TNC توضیح داد. بر اساس مقادیر ضرایب، اکثر عوامل در مطالعه ما یک رابطه شهودی با تاکسی و سواری TNC نشان می‌دهند، به عنوان مثال، سه عامل شامل تعداد روزهای برفی (W1)، طول جاده‌ها (T1) و زمان رفت‌وآمد (TNC) SE7)، با تنوع سواری در هر دو حالت همبستگی منفی دارند. علاوه بر این، هشت عامل شامل LU2، LU3، T3، T4، T5، SE4، SE8 و AP تأثیر مثبتی بر افزایش TT و TNC سواری دارند. علاوه بر این، چهار عامل باقی مانده همبستگی های متفاوتی را در دو مدل نشان می دهند. برای مثال، ضریب زمان (T) با سواری TT (721–) همبستگی منفی دارد اما با TNC (2.545) همبستگی مثبت دارد.شکل 2 .
با این حال، برای عواملی که از نظر مکان و زمان همگن هستند، توضیح مدل OLS دشوار است. به عنوان مثال، علامت منفی LU1 در مدل‌های سواری TT و TNC نشان می‌دهد که درصد پایین استفاده از زمین مسکونی در یک TAZ ممکن است تعداد نقاط PU را افزایش دهد. این وضعیت برخلاف درک شهودی ما است. یک دلیل احتمالی این است که سفرهای تاکسی نامتقارن هستند [ 34 ] و بیشتر برای سفر به مناطق مسکونی استفاده می‌شوند تا سفر از آن‌ها. در نتیجه، ما تحقیقات بیشتری را با استفاده از مدل‌های GTWR انجام می‌دهیم.
مدل GTWR برای به دست آوردن ضرایب نیاز به تخمین هر نمونه به طور مستقل دارد و در نتیجه ضرایب حجیمی به دست می آید که بسته به زمان و مکان متفاوت است. جدول 5 توزیع هر عامل را به ترتیب برای سه متغیر وابسته نشان می دهد. پارامتر بهینه q روی 400 و تنظیم شده است τ350 (واحد: متر/ماه) از طریق یک فرآیند CV از طریق کمینه سازی بر حسب R2 است . همانطور که در جدول 5 نشان داده شده است، R 2 تنظیم شده استبرای مدل TT 0.9787 و برای مدل TNC 0.9403 و برای مدل PoT 0.9329 است که مربوط به 0.1723 (21٪)، 0.2679 (39٪) و 0.20 (27٪) در میزان تغییرات توضیح داده شده در مقایسه با مدل های OLS است. علاوه بر این، بهبودهای قابل توجهی نیز برای دو شاخص مجموع مجذور باقیمانده (RSS) و ریشه میانگین مربعات خطا (RMSE) به دست آمده است. بدیهی است که با پرداختن به اثر ناهمگونی‌های مکانی-زمانی، کاهش مقادیر RSS و RMSE برتری مدل GTWR را نسبت به مدل جهانی OLS در قدرت توضیحی و خوبی برازش مدل بر اساس داده‌های مشابه اثبات می‌کند. .
علاوه بر این، مدل GTWR همچنین درک عمیقی از نحوه تغییر عوامل تأثیرگذار در سطح محلی ارائه می دهد. از ضرایب مدل رگرسیون می توان برای تحلیل کمی رابطه بین عوامل تأثیرگذار و متغیر وابسته استفاده کرد. به طور خاص، اگر علامت یک ضریب منفی باشد، بین عامل و متغیر وابسته همبستگی منفی وجود دارد که نشان دهنده روند حذف است. در غیر این صورت، عامل و متغیر وابسته دارای همبستگی مثبت هستند که نشان دهنده یک رابطه تقویت کننده متقابل است. با توجه به خلاصه سه ستونی، یعنی چارک پایین (LQ)، میانه (MED) و چارک بالایی (UQ)، مشاهده کردیم که مقادیر میانه W1، T1 و SE7 با هر دو همبستگی منفی دارند. سواری TT و TNC، که به این معنی است که هوای برفی، جاده‌های با تراکم بالا، و زمان رفت و آمد طولانی احتمالا باعث کاهش تاکسی سواری می شود. واضح است که رانندگان تاکسی تمایل کمتری به فعالیت در روزهای برفی یا ازدحام ترافیکی ناشی از جاده‌های پر تراکم دارند که در نتیجه تعداد سواران کاهش می‌یابد. در همین حال، از آنجایی که TAZ های طولانی رفت و آمد عمدتاً دور از شهر مرکزی قرار دارند، ضرایب همبستگی با توزیع فضایی واقعی تاکسی / سواری TNC که با افزایش فاصله از منطقه مرکزی کاهش می یابد، مطابقت دارد.
تخمین پارامتر برای تعداد ایستگاه‌های مترو (T2) همیشه در مدل‌های TT و TNC مثبت است، که نشان می‌دهد افزایش ایستگاه‌های مترو سفرهای TT و TNC بیشتری ایجاد می‌کند. همبستگی مثبت از دو جنبه قابل تبیین است. اول، ایستگاه‌های مترو معمولاً شلوغ هستند، بنابراین حجم زیادی از مسافران وجود دارد که باعث جذب و ایجاد سفرهای TT و TNC بیشتر می‌شود. ثانیاً، TT و TNC ممکن است به طور گسترده برای سفرهای آخرین مایل زمانی که مسافران از مترو پیاده می‌شوند و با TT/TNC به مقصد نهایی رفت و آمد می‌کنند، استفاده شوند. به جز این دو عامل ذکر شده در بالا، سایر عوامل نابرابری متوسطی را نشان می‌دهند، که نشان می‌دهد این عوامل تأثیرگذار ممکن است مثبت یا منفی باشند که در مکان و زمان به طور قابل توجهی متفاوت هستند.

6. بحث

6.1. اثرات زمانی عوامل موثر برای سوارکاری TT و TNC

برای تأثیر زمانی عوامل مؤثر بر سواری TT و TNC، ماه را به عنوان فاصله زمانی در نظر می گیریم و از میانه مقادیر ضرایب دو مدل GTWR، یعنی TT و TNC برای رسم تغییرات زمانی متناظر برای هر عامل تأثیرگذار به ترتیب استفاده می کنیم. با توجه به شکل 5 ، یافته های جالبی را می توان خلاصه کرد.
اولاً، روند آب و هوای برفی (W1) در کشتی سواری TT در حدود 0 ثابت است، که نشان می دهد سواری TT کمتر تحت تأثیر آب و هوای بارش برف قرار می گیرد. در همین حال، مقدار اولیه TNC در ابتدای سال 2015 همبستگی منفی دارد، که نشان می‌دهد هوای بارش برف باعث کاهش سواری TNC می‌شود، که با مطالعه قبلی به طور متقابل قابل تأیید است [35 ] . با این حال، مقادیر ضرایب هوای برفی در TNC از ژوئن 2015 تا دسامبر 2016 به طور چشمگیری افزایش یافت و با TT رقابتی شد. رشد سریع ضریب آب و هوا ممکن است به این واقعیت کمک کند که افزایش قیمت، که توسط شرکت های TNC برای بهبود رقابت در بازار و کیفیت خدمات ایجاد شده است، در واقع افزایش عرضه را تشویق می کند.
در مرحله دوم، برای سه عامل مرتبط با کاربری زمین، ضریب کاربری مسکونی (LU1) با تاکسی ها همبستگی منفی اما با TNC مثبت نشان می دهد. این الگو با مدل OLS سازگار است زیرا متغیر مستقلی که ما انتخاب کردیم نقاط PU به جای نقاط DO است. از آنجایی که توزیع فضایی PU برای تاکسی نامتقارن است، به عنوان مثال، سفرهایی که مناطق مسکونی را هدف قرار می دهند بزرگتر از سفرهایی هستند که از مناطق مسکونی سرچشمه می گیرند [ 34]]، ضرایب LU1 برای TT منفی است. در مقابل، ضرایب همان عامل برای TNC یک همبستگی مثبت را نشان می دهد زیرا TNC ها به مناطق بیرونی به طور گسترده تری خدمت می کنند، جایی که استفاده از زمین مسکونی رایج تر است. دلیل احتمالی دیگر ممکن است این باشد که TNC می‌تواند خدمات شخصی‌سازی‌شده‌تری را بر اساس مکان فعلی کاربر ارائه دهد، نه اینکه به تجربه و عادات خود راننده تاکسی برای سوار کردن مسافران تکیه کند. برای ضریب کاربری تجاری (LU2) و عامل کاربری زمین سازنده (LU3، عمدتاً به فرودگاه، ایستگاه‌های قطار و منطقه حمل‌ونقل خارجی اشاره دارد)، روند زمانی دو حالت هر دو همبستگی مثبت معنی‌داری را نشان می‌دهند، اما ضریب برای TNC در بیشتر مواقع بیشتر از TT است.
ثالثاً، برای عوامل مرتبط با حمل و نقل، می توان مشاهده کرد که به جز تراکم جاده، بقیه عوامل نقاط مورد علاقه (POI) در دو مدل همبستگی مثبت دارند. این تغییرات زمانی نشان می‌دهد که تاکسی‌ها و TNC در نیویورک اثرات تبلیغاتی متقابلی با سایر روش‌های حمل‌ونقل مانند اتوبوس، مترو و دوچرخه دارند که نشان‌دهنده نقش کلیدی TT و TNC در برآوردن نیاز آخرین مایل سفر است. علاوه بر این، ما دریافتیم که TT نسبت به TNC که در آن TAZ ها ایستگاه های مترو (T2) و CityRacks (T5) بیشتری دارند، جذاب تر است، اما در TAZ هایی که ایستگاه های اتوبوس بیشتر و تراکم خطوط دوچرخه (T4) بیشتری دارند، جذابیت کمتری دارد. یکی از دلایل احتمالی رخ دادن این الگو این است که TT ترجیح می دهد برای مسافران در POI منتظر بماند، در حالی که ایستگاه های مترو و CityRacks اغلب در نزدیکی POI وجود دارند. برعکس با ایستگاه های اتوبوس اتفاق می افتد،
گروه آخر عوامل مرتبط با اقتصاد اجتماعی است که در مورد ما تفاوت آشکاری بین TT و TNC دارد. به طور خاص، روند زمانی فاکتور مدرک لیسانس (SE1) نشان می دهد که TT برای مسافران دارای تحصیلات عالی جذاب تر است و این در سال های اخیر آشکارتر شده است. ما فرض می کنیم که این پدیده به این دلیل است که مسافران با تحصیلات عالی ممکن است شانس بیشتری برای کسب درآمد بیشتر داشته باشند (0.98 با SE3 در جدول 2 مرتبط است )، و آنها بیشتر از تاکسی استفاده خواهند کرد. از سوی دیگر، رشد سریع TNC به دلیل تراکم بالای مالکیت وسیله نقلیه (SE4) به دلیل این واقعیت که پلتفرم‌های TNC به مردم اجازه می‌دهند تا از یک ادعا (ماشین شخصی خود) برای کسب درآمد استفاده کنند، نقش دارد [36 ]]. بر اساس روند زمانی زمان رفت و آمد (SE7) و نرخ استفاده از حمل و نقل عمومی (SE8)، همبستگی منفی با SE7 استنباط می‌کند که برای آن دسته از TAZهایی که از مرکز شهر دور هستند و زمان رفت و آمد طولانی دارند، هر دو حالت تاکسی برای رسیدن به آن کافی نیستند. نیازهای سفر این مناطق را پوشش می دهد و حمل و نقل عمومی ممکن است در مقایسه با هزینه گران تاکسی و TNC انتخاب بهتری باشد. در همین حال، ضرایب مثبت عامل SE8 برای TT بیشتر تأیید می‌کند که TTها در شهرهای مرکزی مانند منهتن، جایی که شبکه حمل‌ونقل عمومی بسیار توسعه‌یافته اثرات تجمعی بر TTها دارد، شایع‌ترین هستند.

6.2. اثرات فضایی عوامل تأثیرگذار برای سوارکاری TT و TNC

مزیت مهم دیگر مدل GTWR این است که ضرایب تخمینی محلی که روابط محلی را نشان می‌دهند، می‌توانند نگاشت شوند و بنابراین امکان تحلیل بصری را فراهم می‌کنند. ذکر این نکته مهم است که، مشابه مدل GWR، بسیاری از ضرایب GTWR ممکن است ناچیز باشند، که منجر به مشکل در توضیح ناهمگنی در منطقه مورد مطالعه می شود. با این حال، زمانی که آمار معنی‌داری ارزیابی می‌شود و پارامترهای ناچیز حذف می‌شوند، تفسیر الگوهای مکانی-زمانی بسیار آسان‌تر می‌شود. در این مطالعه، ما راه حل آزمایش چندگانه ارائه شده توسط داسیلوا و فاثرینگهام [ 37] را به کار بردیم] برای آزمایش اهمیت برآوردهای پارامترهای محلی در GTWR برای جلوگیری از کشفیات نادرست بیش از حد. علاوه بر این، از آنجایی که تعداد تخمین‌های پارامتر محلی به‌دست‌آمده توسط GTWR در هر مکان با تعداد زمان معتبر مطابقت دارد، لازم است ارزیابی شود که آیا اکثر پارامترهای مهم برای نشان دادن اهمیت عامل در TAZ به عنوان یک کل کافی هستند یا خیر. . در این مطالعه، ما به سادگی یک عامل تأثیرگذار در یک TAZ را زمانی معنادار تعریف کردیم که تعداد ضرایب معنی‌دار آن برای همه زمان‌ها بیشتر از 90 درصد باشد. بنابراین، می‌توانیم از مقدار میانه ضرایب قابل توجه از مدل GTWR برای تولید یک نقشه تغییرات مکانی برای هر TAZ استفاده کنیم.
با در نظر گرفتن ضرایب مدل PoT به عنوان مثال، شکل 6 توزیع فضایی ضرایب را برای عوامل موثر بر آب و هوا و کاربری زمین با استفاده از رنگ های مدرج به عنوان سبک رندر نشان می دهد. شکل 6 الف نشان می دهد که توزیع فضایی ضرایب برای آب و هوای برفی در جنوب منهتن، مرکز استانن آیلند و فرودگاه JFK مثبت است، که به طور طبیعی نشان دهنده این واقعیت است که سفرهای TNC در این TAZ ها جمع می شوند تا کرایه های بالاتری ایجاد کنند. از سفرهای کوتاه و مکرر در مرکز شهر یا سفرهای طولانی مدت از فرودگاه در روزهای برفی ناشی می شود.
برای عوامل مرتبط با کاربری زمین، شکل 6b-d توزیع فضایی ضرایب کاربری زمین را به ترتیب برای مقاصد مسکونی، تجاری و تولیدی تجسم کنید. به طور کلی، اکثر TAZها در کوئینز و استاتن آیلند به طور قابل توجهی برای افزایش سواری TNC مثبت هستند، در حالی که TAZها در منهتن، برونکس و بروکلین عمدتاً ضرایب منفی را نشان می دهند. بر اساس گزارش‌های آمار آنلاین که حدود 85 درصد از تاکسی‌های PU در منهتن رخ داده‌اند (بیشتر آن‌ها توسط تاکسی‌های زرد ساخته شده‌اند)، جای تعجب نیست که TT مزایای خود را در بخش‌های بیرونی که در آن تعداد زیادی سفر TNC ایجاد شده است، از دست داده است. از سال 2015 تا 2017. با این حال، اگرچه انتظار می‌رود مناطق کاربری بیشتری سفرهای بیشتری را به همراه داشته باشد، اما دریافتیم که الگوهای کاربری زمین متنوع هستند. مثلا، مشاهده شده است که عامل کاربری زمین مسکونی اثرات مثبت بیشتری بر افزایش سواری TNC در کوئینز جنوبی دارد، در حالی که در کوئینز شرقی، استفاده از زمین برای اهداف تجاری و تولیدی نقش حیاتی تری برای رشد سفرهای TNC ایفا می کند. این یافته ها با تحلیل قبلی گزارش شده توسط پولسن و همکاران مطابقت دارد. [38 ].
توزیع فضایی برای پنج عامل مرتبط با حمل و نقل در شکل 7 a-e ارائه شده است. توزیع فضایی ضرایب تراکم جاده در شکل 7 a نشان می دهد که در حالی که جاده های با تراکم بالا اثرات مثبتی بر سهم سواری TNC به طور کلی دارند (T1, 0.11) مانند بروکلین و استاتن آیلند، آنها همچنین اثرات منفی در مرکز شهر نشان می دهند. منهتن و کوئینز به طور معمول، TAZها با توزیع بالاتری از سایر POI حمل و نقل، مانند اتوبوس، مترو، و دوچرخه، با تراکم مسافر بیشتر مرتبط هستند و ممکن است تاکسی/TNC سواری بیشتری تولید کنند. شکل 7b نشان می دهد که در میانه نیویورک، جایی که سیستم مترو بسیار توسعه یافته بود، به نظر می رسد تعداد ایستگاه های مترو همبستگی مثبتی برای افزایش نسبت TNC دارد. با توجه به ضلع شرقی نیویورک، به ویژه برای مناطق نزدیک به مرز، همبستگی منفی مشاهده شد، که این را به عنوان الگوی دیگری از تجربه رشد TNC ها به دلیل کمبود ایستگاه های مترو نشان می دهد. شکل 7 ج نشان می‌دهد که دلایل افزایش سفرهای TNC در استاتن آیلند را می‌توان به دو جنبه نسبت داد: (1) ایستگاه‌های اتوبوس در این مناطق حجم زیادی از مسافران با نیاز سفر را وارد می‌کنند. (2) فقدان ایستگاه های مترو و غلظت کم TT در این مناطق باعث می شود که این مسافران تنها به TNC متکی باشند و در نهایت منجر به افزایش سهم بازار TNC شود.
برای عوامل مرتبط با اجتماعی-اقتصادی، شکل 8 a-d توزیع فضایی ضرایب را به ترتیب برای SE1، SE4، SE7 و SE8 به تصویر می کشد. تغییرات زمانی SE1 در شکل 4 نشان می دهد که TAZ ها با افرادی که سطوح تحصیلات نسبتاً بالاتری دریافت کرده اند ممکن است بیشتر از TT استفاده کنند. برعکس، مناطقی با خودروهای شخصی بیشتر (SE4) ممکن است سفرهای TNC بیشتری ایجاد کنند. با مقایسه شکل 8الف، ب، الگوی ثابتی را مشاهده کردیم که توزیع فضایی ضریب برای مقطع کارشناسی برخلاف توزیع مالکیت وسیله نقلیه است. به طور خاص، ما متوجه شدیم که ضرایب بسیار مثبت تحصیلی عمدتاً در TAZهای دور افتاده مانند ایست کوئینز و استیتن آیلند جنوبی توزیع شده است. از آنجایی که TT به ندرت به این مناطق می رسد و حمل و نقل عمومی ناکافی است، احتمال استقبال از TNC توسط افراد با تحصیلات/درآمد بالا به طور قابل توجهی افزایش می یابد. در همین حال، در TAZ های پرترافیک مانند منهتن، به دلیل انعطاف پذیری بهتر توسط TNC، ضریب مثبت است. از شکل 8 قابل مشاهده استb که بیشترین مقدار ضرایب برای مالکیت وسیله نقلیه در مرکز نیویورک مشاهده شد. این نشان می دهد که تراکم بیشتر خودروهای شخصی در این مناطق ممکن است سفرهای TNC بیشتری ایجاد کند. اگرچه همبستگی به طور کلی مثبت است، TAZها در شرق کوئینز همبستگی منفی دارند. توضیح احتمالی این است که سوار شدن بر تاکسی از این مکان ها دشوار و پرهزینه است [ 18 ]. در نتیجه، افراد ممکن است از وسایل نقلیه شخصی خود استفاده کنند. در نهایت، توزیع فضایی ضرایب برای میانگین زمان رفت و آمد و استفاده از حمل و نقل عمومی در شکل 8 زیر نشان داده شده است.ج، د. الگوی فضایی ضرایب برای زمان رفت و آمد (SE7) بیشترین مقدار را در اطراف مرکز منهتن می گیرد، که نشان می دهد که رفت و آمد طولانی باعث افزایش کاربرد TNC و در نتیجه کاهش تاکسی سواری می شود. با این حال، با توجه به این واقعیت که حمل و نقل عمومی (SE8) در غرب توسعه یافته تر از شرق است، ضرایب برای SE8 ویژگی های توزیع فضایی مخالف را به عنوان زمان رفت و آمد نشان می دهند. دلایل مثبت تر بودن SE8 برای TNC ها در غرب نیویورک می تواند از دو جنبه باشد: حجم عظیمی از مسافران که توسط شبکه حمل و نقل عمومی توسعه یافته در شهر مرکزی آورده شده است، و عدم وجود TT در مناطق دورافتاده مانند Staten Island.

6.3. کارایی مدل GTWR مبتنی بر موازی

برای آزمایش کارایی مدل GTWR مبتنی بر موازی، مجموعه نمونه با نسبت های مختلف را به طور تصادفی انتخاب کردیم و سپس زمان محاسبه مدل پایه GTWR و مدل بهبود یافته را مجدداً کدگذاری کردیم. همین فرآیند 10 بار تکرار شد تا از اقدامات نویزدار به دلیل سایر فرآیندهایی که می‌توانستند همزمان اجرا شوند، جلوگیری شود. جدول 6مقایسه میانگین زمان محاسبه هر دو مدل را نشان می دهد. با بهبود محاسبات موازی، مشاهده کردیم که زمان محاسبه 49٪ به 61٪ بر اساس یک CPU چهار هسته ای کاهش یافت. علاوه بر این، ما دریافتیم که سطح نمونه‌برداری 10 درصد می‌تواند استحکام الگوریتم برای مدل‌سازی را در مورد ما تضمین کند. با این حال، نمونه گیری تصادفی یک استراتژی ساده است و ممکن است باعث حذف برخی از اطلاعات ارزشمند شود، بنابراین ثبات نتیجه مدل را تضعیف می کند. یک رویکرد بهتر، استفاده از روش‌های از پیش تعریف‌شده سیستماتیک یا مصنوعی، بر اساس ویژگی‌های متغیر با زمان (مثلاً چرخه‌ها و فصلی) برای بهبود استحکام الگوریتم است. علاوه بر این، با محبوبیت فناوری محاسبات ابری، معرفی محاسبات توزیع شده یا محاسبات ابری به مدل GTWR نیز یک جهت بهبود موثر است [ 39]].

7. نتیجه گیری

توسعه سریع TNC در واقع مکمل مفیدی برای صنعت تاکسی سنتی در مراحل اولیه توسعه بوده است، اما رشد تقاضای شهری برای تاکسی نسبتاً پایدار بوده است. در نتیجه، رابطه بین این دو حالت ناگزیر رقابتی متقابل خواهد بود و این رابطه رقابتی ناپایداری در زمان و مکان را نشان خواهد داد. در پاسخ به این مشکل، NYC را به عنوان مطالعه موردی انتخاب می‌کنیم تا نشان دهیم که مدل GTWR می‌تواند ابزار مؤثری برای تحلیل ناهمگنی مکانی-زمانی باشد. علاوه بر این، اثرات عوامل تأثیرگذار برای TT و TNC را می توان به صورت کمی در مدت زمانی ارزیابی کرد، و تغییرات مکانی را نیز می توان با ضرایب در واحدهای فضایی مختلف (به عنوان مثال، مبتنی بر تقسیم اداری یا مبتنی بر شبکه) تجزیه و تحلیل کرد.
این مطالعه GTWR را با OLS مقایسه می کند در حالی که روابط بین محیط ساخته شده و سواری PU را بررسی می کند. ضرایب جهانی مدل‌های OLS هنگام برخورد با مشکل فضایی ناقص هستند. از سوی دیگر، مدل GTWR عملکرد بهتری نسبت به مدل OLS نشان می‌دهد، به‌ویژه در این واقعیت که مدل GTWR می‌تواند به حذف سوگیری بالقوه از ناهمگونی مکانی-زمانی کمک کند و آمار رگرسیون محلی را در هر مکان ارائه دهد. با تجسم توزیع مقادیر میانه ضرایب برای هر عامل، تغییرات مکانی و زمانی عوامل می‌تواند بهتر تفسیر شود. مطالعه ما نشان می‌دهد که روابط بین سوارکاری و عامل تأثیرگذار محیط ساخته‌شده در مکان و زمان در نیویورک متفاوت است. علاوه بر این، اثرات عوامل موثر بر TT و TNC در هر دو شرایط مکانی و زمانی به طور قابل توجهی متفاوت است. به عنوان مثال، نتایج مدل نشان می دهد که سیاست قیمت گذاری افزایشی TNC تأثیر قابل توجهی بر افزایش سفرهای TNC در شرایط برفی، به ویژه در منهتن غربی دارد. در حالی که TT ها همیشه در مرکز شهر منهتن غالب بوده اند، سهم TNC در محله های مجاور به دلیل در دسترس بودن جایگزین های حمل و نقل مانند مترو، اتوبوس و ماشین های شخصی که احتمالاً با زمان رفت و آمد (SE7) مرتبط است، به طور قابل توجهی افزایش یافته است. در همین حال، افزایش TNC ها در مکان های دورافتاده نیز مشاهده می شود که با تراکم کاربری های متعدد زمین، جمعیت تحصیل کرده و سطوح استفاده از حمل و نقل عمومی همبستگی مثبت دارند. در مقایسه با اشباع فعلی تقاضا در شهر مرکزی، رقابت آتی بین TT و TNC ممکن است در مناطق دورافتاده، مانند کوئینز شرقی، که به اندازه کافی توسط حمل و نقل عمومی پوشش داده نمی شود، متمرکز شود. ما معتقدیم که این یافته‌های تغییرات فضایی تقاضای تاکسی می‌تواند دستورالعمل‌های علمی مفیدی را برای صنعت تاکسی‌سازی و TNC ارائه کند تا منابع موجود خود را بهینه کنند و در نتیجه کارایی را بهبود بخشند. علاوه بر این، مراحل مدل‌سازی اساسی که در این مقاله توضیح داده شده‌اند، مانند تجمیع داده‌ها، انتخاب عامل، بهینه‌سازی پارامتر، تحلیل مدل‌سازی، و ارائه بصری، می‌توانند در زمینه‌های تحقیقاتی دیگر برای مدل‌سازی مکانی-زمانی نیز اعمال شوند. به عنوان مثال، با توجه به شیوع اخیر بیماری کروناویروس 2019 (COVID-19)،
چالش‌های متعددی در هنگام استفاده از مدل‌های GTWR برای بررسی تغییرات دقیق در روابط بین تاکسی‌ها و تحقیقات محیط ساخته شده باقی می‌ماند. از آنجایی که تنوع در محیط های حمل و نقل در شهرهای مختلف بسیار زیاد است، نتیجه GTWR فقط می تواند برای شهرهای خاص تطبیق داده شود. در مطالعه بعدی، مدل GTWR را برای مقایسه و ارزیابی در شهرهای بزرگ دیگر اعمال خواهیم کرد. این مدل با انواع مختلفی از عوامل تأثیرگذار، مانند POI، جریان جمعیت در زمان واقعی، و داده‌های اینترنت اشیا ترکیب می‌شود که به بهبود تفسیر چگونگی منتج شدن فضاها و زمان‌های شهری در تقاضای تاکسی کمک می‌کند.
ما همچنین متوجه شدیم که استفاده از یک CPU چهار هسته ای ممکن است برای ارزیابی کامل عملکرد مدل GTWR مبتنی بر موازی پیشنهادی کافی نباشد. در واقع، بهینه‌سازی عملکرد محاسباتی برای مدل‌های مبتنی بر GWR همیشه یک گلوگاه فنی است که کاربرد گسترده مدل‌سازی مکانی-زمانی، به‌ویژه در مواجهه با مجموعه داده‌های مکانی و زمانی عظیم را آزار می‌دهد. در این مطالعه، مهمترین چیزی که بر روی آن تمرکز می کنیم، استفاده از مدل GTWR برای ارزیابی رابطه بین تاکسی سواری و عوامل موثر بر محیط ساخته شده است. با توجه به محدودیت طول این مقاله، ما فقط یک ایده فنی ساده از طراحی مدل GTWR مبتنی بر موازی ارائه می کنیم و آن را با یک مطالعه موردی در مقیاس کوچک (کمتر از 10000 نمونه) انجام می دهیم. بهره وری استفاده فعلی از یک CPU چهار هسته ای در حال حاضر نیازهای این مطالعه را برآورده می کند. طبق برخی ادبیات [بازده محاسبات موازی با عوامل بسیاری مانند ساختار الگوریتم، انتخاب نرم افزار و اندازه داده ها مرتبط است و در برخی موارد محاسبات حتی از محاسبات سریالی کارایی کمتری دارد. بنابراین، ارزیابی کارایی مدل GTWR مبتنی بر موازی می‌تواند یک مشکل فنی پیچیده باشد که معتقدیم انجام آن در آینده ضروری است.
مسئله دیگری که باید در نظر گرفته شود این است که مدل GTWR از حداقل مربعات محلی آماری برای تخمین ضریب متغیرها استفاده می کند. بنابراین دقت مدل به استقلال نمونه های مشاهده شده بستگی دارد. زمانی که بین نمونه داده ها خود همبستگی قوی وجود داشته باشد و این خود همبستگی به خوبی در نظر گرفته نشود، باعث ایجاد مشکل اضافه برازش شده و نتایج توضیحی نهایی مدل را تحت تأثیر قرار می دهد. از این نظر، مدل GTWAR که می‌تواند همبستگی مکانی هر متغیر را تخمین بزند، ممکن است راه‌حل بهتری باشد. با این حال، مدل GTWAR پیچیدگی محاسباتی الگوریتم را افزایش می دهد. بنابراین، اینکه آیا این مدل برای تجزیه و تحلیل حمل و نقل ضروری است یا خیر، نیاز به ارزیابی بیشتر دارد. با توجه به بعد زمانی، تغییر فصلی ممکن است در نظر گرفته شود. تعداد تاکسی های بیشتری در تابستان نسبت به زمستان وجود دارد، اگرچه در مطالعه ما از عوامل آب و هوا برای انعکاس تغییرات فصلی استفاده می کنیم. مدل GcTWR پیشنهاد شده در [26 ] ممکن است یک راه جایگزین برای بهبود مدل عمومی GTWR باشد. سوال این است که تعریف بازه فصلی مدل GcTWR به صورت دستی از پیش تنظیم شده است. در شرایط واقعی، تناوب متفاوت است. اتخاذ یک روش تطبیقی ​​خاص برای شناسایی خودکار بازه فصلی توزیع حمل و نقل مشکل دیگری است که باید با دقت مورد توجه قرار گیرد.

منابع

  1. والستن، اس. اثرات رقابتی اقتصاد اشتراک‌گذاری: تاکسی‌ها چگونه تغییر می‌کنند. تکنولوژی موسسه سیاست گذاری 2015 ، 22 ، 1-22. [ Google Scholar ]
  2. رایل، ال. شاهین، س. چان، ن. دای، دی. خدمات سواری بر اساس برنامه Cervero، R. بر اساس تقاضا: مقایسه سفرهای تاکسی و سواری و ویژگی های کاربر در مرکز حمل و نقل دانشگاه سانفرانسیسکو کالیفرنیا (UCTC) . دانشگاه کالیفرنیا: برکلی، کالیفرنیا، ایالات متحده آمریکا، 2014. [ Google Scholar ]
  3. نه، YM چگونه صنعت تاکسی می تواند از جزر و مد منابع سواری جان سالم به در ببرد؟ شواهد از شنژن، چین. ترانسپ Res. قسمت C Emerg. تکنولوژی 2017 ، 79 ، 242-256. [ Google Scholar ] [ CrossRef ]
  4. وانگ، ایکس. او، اف. یانگ، اچ. استراتژی های قیمت گذاری گائو، HO برای یک پلت فرم تاکسی. ترانسپ Res. بخش E Logist. ترانسپ Rev. 2016 , 93 , 212-231. [ Google Scholar ] [ CrossRef ]
  5. کرامر، جی. کروگر، AB تغییر مخرب در تجارت تاکسی: مورد اوبر. صبح. اقتصاد Rev. 2016 , 106 , 177-182. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. هال، JV; کروگر، AB تحلیلی از بازار کار برای شرکای راننده اوبر در ایالات متحده. ILR Rev. 2018 , 71 , 705–732. [ Google Scholar ] [ CrossRef ]
  7. لی، ام. دونگ، ال. شن، ز. لانگ، دبلیو. Ye, X. بررسی تعامل تاکسی و سواری مترو برای شهرنشینی پایدار. Sustainability 2017 , 9 , 242. [ Google Scholar ] [ CrossRef ][ Green Version ]
  8. چن، سی. وارلی، دی. Chen, J. چه چیزی بر سواری ترانزیت تأثیر می گذارد؟ تجزیه و تحلیل پویا شامل عوامل متعدد، تاخیرها و رفتار نامتقارن. مطالعه شهری. 2011 ، 48 ، 1893-1908. [ Google Scholar ] [ CrossRef ]
  9. یانگ، ز. فرانتس، ام ال. زو، اس. محمودی، ج. نصری، ع. Zhang, L. تجزیه و تحلیل تقاضای تاکسی دی سی واشینگتن با استفاده از جی پی اس و داده های کاربری زمین. J. Transp. Geogr. 2018 ، 66 ، 35-44. [ Google Scholar ] [ CrossRef ]
  10. کاسترو، PS; ژانگ، دی. چن، سی. لی، اس. Pan, G. از ردیابی GPS تاکسی تا پویایی اجتماعی و جامعه: یک نظرسنجی. کامپیوتر ACM. Surv. (CSUR) 2013 ، 46 ، 17. [ Google Scholar ] [ CrossRef ]
  11. Chiou، Y.-C.; جو، R.-C.; یانگ، سی.-اچ. عوامل موثر بر نرخ استفاده از حمل و نقل عمومی: رگرسیون وزنی جغرافیایی. ترانسپ Res. بخش A سیاست سیاست. 2015 ، 78 ، 161-177. [ Google Scholar ] [ CrossRef ]
  12. لیو، ی. وانگ، اف. شیائو، ی. گائو، جنوب، کاربری‌های زمین شهری و ترافیک «مناطق منبع غرق»: شواهدی از داده‌های تاکسی با GPS فعال در شانگهای. Landsc. طرح شهری. 2012 ، 106 ، 73-87. [ Google Scholar ] [ CrossRef ]
  13. سادوسکی، ن. نلسون، ای. تأثیر خدمات حمل و نقل بر استفاده از حمل و نقل عمومی: تحلیل رگرسیون ناپیوستگی. 2017. مجموعه مقالات کاری گروه اقتصاد. 13. در دسترس آنلاین: https://digitalcommons.bowdoin.edu/econpapers/13 (در 26 مه 2017 قابل دسترسی است).
  14. Hochmair، HH تحلیل الگوی فضایی و زمانی سفرهای تاکسی در شهر نیویورک. ترانسپ Res. ضبط J. Transp. Res. هیئت 2016 ، 2542 ، 45-56. [ Google Scholar ] [ CrossRef ]
  15. Fotheringham، AS; کرسپو، آر. یائو، جی. رگرسیون وزنی جغرافیایی و زمانی (gtwr). Geogr. مقعدی 2015 ، 47 ، 431-452. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. چاو، L.-F. ژائو، اف. لیو، ایکس. لی، ام.-تی. Ubaka، I. مدل سواری ترانزیت بر اساس رگرسیون وزن‌دار جغرافیایی. ترانسپ Res. ضبط 2006 ، 1972 ، 105-114. [ Google Scholar ] [ CrossRef ]
  17. Cardozo، OD; García-Palomares, JC; Gutiérrez, J. کاربرد رگرسیون وزن‌دار جغرافیایی برای پیش‌بینی مستقیم سواری حمل و نقل در سطح ایستگاه. Appl. Geogr. 2012 ، 34 ، 548-558. [ Google Scholar ] [ CrossRef ]
  18. کیان، ایکس. Ukkusuri، SV بررسی تنوع فضایی سواری تاکسی شهری با استفاده از رگرسیون وزن‌دار جغرافیایی. در مجموعه مقالات نود و چهارمین نشست سالانه هیئت تحقیقات حمل و نقل، واشنگتن دی سی، ایالات متحده آمریکا، 11 تا 15 ژانویه 2015. [ Google Scholar ]
  19. Fotheringham، AS; کرسپو، آر. یائو، جی. کاوش، مدل‌سازی و پیش‌بینی تغییرات مکانی-زمانی قیمت مسکن. ان Reg. علمی 2015 ، 54 ، 417-436. [ Google Scholar ] [ CrossRef ]
  20. وو، جی. یائو، اف. لی، دبلیو. تخمین سنجش از راه دور مبتنی بر Si، M. Viirs pm2 سطح زمین. 5 غلظت در پکن-تیانجین-هبی: یک مدل آماری فضایی و زمانی سنسور از راه دور محیط. 2016 ، 184 ، 316-328. [ Google Scholar ] [ CrossRef ]
  21. تیلور، بی.دی. میلر، دی. ایسکی، ح. فینک، سی. تجزیه و تحلیل عوامل تعیین کننده سواری ترانزیت با استفاده از رگرسیون حداقل مربعات دو مرحله ای در نمونه ملی مناطق شهری . مرکز حمل و نقل دانشگاه کالیفرنیا: برکلی، کالیفرنیا، ایالات متحده آمریکا، 2003. [ Google Scholar ]
  22. هوانگ، بی. وو، بی. Barry, M. رگرسیون وزن‌دار جغرافیایی و زمانی برای مدل‌سازی تغییرات مکانی-زمانی قیمت مسکن. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 383-401. [ Google Scholar ] [ CrossRef ]
  23. او، س. Huang، B. نقشه برداری ماهواره ای از زمین با وضوح بالا روزانه pm 2.5 در چین از طریق مدل سازی رگرسیون فضا-زمان. سنسور از راه دور محیط. 2018 ، 206 ، 72-83. [ Google Scholar ] [ CrossRef ]
  24. چو، اچ.-ج. کنگ، اس.-جی. چانگ، سی.-اچ. نقشه برداری کیفیت آب مکانی-زمانی از تصاویر ماهواره ای با استفاده از رگرسیون وزنی جغرافیایی و زمانی. بین المللی J. Appl. زمین Obs. Geoinf. 2018 ، 65 ، 1-11. [ Google Scholar ] [ CrossRef ]
  25. وو، بی. لی، آر. Huang, B. یک مدل خودرگرسیون وزن‌دار جغرافیایی و زمانی با کاربرد در قیمت مسکن. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1186-1204. [ Google Scholar ] [ CrossRef ]
  26. دو، ز. وو، اس. ژانگ، اف. لیو، آر. ژو، ی. گسترش رگرسیون وزنی جغرافیایی و زمانی برای محاسبه ناهمگنی مکانی و زمانی و تغییرات فصلی در دریاهای ساحلی. Ecol. آگاه کردن. 2018 ، 43 ، 185-199. [ Google Scholar ] [ CrossRef ]
  27. ما، ایکس. ژانگ، جی. دینگ، سی. وانگ، ی. یک مدل رگرسیون وزن‌دار جغرافیایی و زمانی برای بررسی تأثیر فضای زمانی محیط ساخته شده بر سواری حمل‌ونقل. محاسبه کنید. محیط زیست سیستم شهری 2018 ، 70 ، 113-124. [ Google Scholar ] [ CrossRef ]
  28. ژانگ، ایکس. هوانگ، بی. زو، اس. تأثیر فضای زمانی محیط شهری بر تاکسی سواری با استفاده از رگرسیون وزنی جغرافیایی و زمانی. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 23. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  29. لیو، ی. جی، ی. شی، ز. گائو، L. تأثیر محیط ساخته شده بر سواری مترو کودکان مدرسه: اکتشاف با استفاده از مدل‌های رگرسیون پواسون وزن‌دار جغرافیایی. Sustainability 2018 , 10 , 4684. [ Google Scholar ] [ CrossRef ][ Green Version ]
  30. پروجیا، ام. انتخاب مدل و استنتاج چند مدلی: رویکرد نظری-اطلاعات عملی (ویرایش دوم).(بررسی های تلگرافیک)(بررسی کتاب). جی. وایلدل. مدیریت 2002 ، 67 ، 175-196. [ Google Scholar ]
  31. شارما، جی. Martin, J. Matlab ® : زبانی برای محاسبات موازی. بین المللی J. برنامه موازی. 2009 ، 37 ، 3-36. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. Yazici، MA; کامگا، سی. Singhal, A. مدلی مبتنی بر داده های بزرگ برای تصمیم گیری رانندگان تاکسی در فرودگاه نیویورک در شهر نیویورک. در مجموعه مقالات کنفرانس بین المللی IEEE 2013 در مورد داده های بزرگ، سیلیکون ولی، کالیفرنیا، ایالات متحده، 6 تا 9 اکتبر 2013. صص 37-44. [ Google Scholar ]
  33. نتر، ج. کاتنر، MH; Nachtsheim، CJ; Wasserman, W. مدل های آماری خطی کاربردی ; McGraw-Hill Irwin: نیویورک، نیویورک، ایالات متحده آمریکا، 1996. [ Google Scholar ]
  34. کینگ، دی. پیترز، جی آر. تاکسی‌های Daus، MW برای بهبود تحرک شهری: آیا فرصتی را از دست می‌دهیم؟ در مجموعه مقالات نود و یکمین نشست سالانه هیئت تحقیقات حمل و نقل، واشنگتن دی سی، ایالات متحده آمریکا، 22 تا 26 ژانویه 2012. [ Google Scholar ]
  35. کامگا، سی. Yazici، MA; Singhal, A. Hailing in the Rain: تغییرات زمانی و مرتبط با آب و هوا در تاکسی سواری و تعادل تقاضا و عرضه تاکسی. در مجموعه مقالات نود و دومین نشست سالانه هیئت تحقیقات حمل و نقل، واشنگتن دی سی، ایالات متحده آمریکا، 13 تا 17 ژانویه 2013. [ Google Scholar ]
  36. دیویدوف، جی. وضعیت رانندگان اوبر: رویکردی هدفمند. طول. قانون کار استخدام. مرتبط. جی. فورتکام. (2017) 2016 . پیش رو. [ Google Scholar ] [ CrossRef ]
  37. دا سیلوا، آر. Fotheringham، AS مسئله آزمایش چندگانه در رگرسیون وزن‌دار جغرافیایی. Geogr. مقعدی 2016 ، 48 ، 233-247. [ Google Scholar ] [ CrossRef ]
  38. پولسن، LK; دکرز، دی. واگنار، ن. اسنایدرز، دبلیو. لوینسکی، بی. Mukkamala، RR; Vatrapu، R. Green cabs در مقابل Uber در شهر نیویورک. در مجموعه مقالات کنگره بین المللی IEEE در سال 2016 در مورد داده های بزرگ (کنگره BigData)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 27 ژوئن تا 2 ژوئیه 2016؛ صص 222-229. [ Google Scholar ]
  39. لی، ز. Fotheringham، AS; لی، دبلیو. اوشان، تی. رگرسیون وزن‌دار جغرافیایی سریع (fastgwr): یک الگوریتم مقیاس‌پذیر برای بررسی ناهمگونی فرآیند فضایی در میلیون‌ها مشاهده. بین المللی جی. جئوگر. Inf. علمی 2019 ، 33 ، 155-175. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00475 g001 550
شکل 1. نمودار جریان پیاده سازی با استفاده از GTWR برای تجزیه و تحلیل سواری.
Ijgi 09 00475 g002 550
شکل 2. نمودار جریان مدل GTWR با استفاده از محاسبات موازی.
Ijgi 09 00475 g003 550
شکل 3. مناطق تاکسی نیویورک (263 در مجموع، طبقه بندی شده در پنج شهرستان).
Ijgi 09 00475 g004 550
شکل 4. سواری ماهانه سه نوع تاکسی در نیویورک از سال 2015 تا 2017.
Ijgi 09 00475 g005 550
شکل 5. اثرات زمانی عامل تأثیرگذار برای سواری TT و TNC از 2015 تا 2017.
Ijgi 09 00475 g006 550
شکل 6. توزیع فضایی برای ضرایب عوامل آب و هوا و کاربری زمین برای PoT.
Ijgi 09 00475 g007a 550 Ijgi 09 00475 g007b 550
شکل 7. توزیع فضایی برای ضرایب عوامل انتقال برای PoT.
Ijgi 09 00475 g008 550
شکل 8. توزیع فضایی برای ضرایب عوامل مرتبط با اجتماعی-اقتصادی برای PoT.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید