درک الگوهای مکانی مکانی همگرایی و واگرایی انسان با استفاده از داده های موقعیت مکانی تلفن همراه

بررسی الگوهای تحرک انسانی می تواند به محققان و آژانس ها کمک کند تا نیروهای محرک جنبش انسانی را با مزایای بالقوه برای برنامه ریزی شهری و مدیریت ترافیک درک کنند. پیشرفت های اخیر در فن آوری های آگاه از مکان ، بسیاری از منابع داده جدید (به عنوان مثال ، داده های تلفن همراه و رسانه های اجتماعی) را برای مطالعه منظم رفتاری در فضا-زمان انسان ارائه داده است. اگرچه مطالعات موجود از این مجموعه داده های جدید برای توصیف الگوهای تحرک انسان از جنبه های مختلف ، مانند پیش بینی تحرک انسان و نظارت بر پویایی شهری استفاده کرده است ، اما مطالعات کمی بر روی همگرایی انسان و الگوهای واگرایی در یک شهر متمرکز شده است. این مطالعه با هدف بررسی همگرایی مکانی و واگرایی مکانی انسان و تحولات آنها در طول زمان با استفاده از داده های موقعیت مکانی تلفن همراه در مقیاس بزرگ انجام می شود. با استفاده از یک مجموعه داده از شنژن ، چین ، ما روشی را برای شناسایی الگوهای مکانی مکانی همگرایی و واگرایی انسان تهیه کردیم. هشت الگوی مجزا استخراج شد و توزیع مکانی این الگوهای در زمینه مناطق عملکردی شهری مورد بحث قرار گرفته است. بنابراین ، این مطالعه به بررسی الگوهای همگرایی و واگرایی بشر شهری و روابط آنها با محیط کاربردی شهری می پردازد که برای توسعه سیاست های شهری ، برنامه ریزی شهری و مدیریت ترافیک مفید است.

1. معرفی

شهرها شامل جریان اطلاعات ، کالاها و مردم هستند. در میان این جریان های شهری ، حرکات انسانی مؤلفه های مهمی هستند که پالس شهرها را هدایت می کنند. بررسی جریان مردم و پویایی فضایی مکانی آنها همیشه کار مهمی برای طیف گسترده ای از رشته ها بوده است ، به عنوان مثال ، Giscience ، حمل و نقل ، اپیدمیولوژی و غیره. و تکنیک های جمع آوری داده ها [1،2،3]. با این حال ، پیشرفت های اخیر در فن آوری های آگاه از مکان ، منابع جدید داده ها ، به عنوان مثال ، تلفن های همراه ، کارت های هوشمند و رسانه های اجتماعی را تولید کرده است که جزئیات حرکات افراد در زندگی روزمره آنها را نشان می دهد. در نتیجه ، مطالعات به چالش های مختلف تحقیقاتی مربوط به نشاط شهری [3،4،5] ، پیش بینی تحرک [6،7] و مدل سازی حمل و نقل [8،9] پرداخته اند. این مطالعات درک ما از الگوهای تحرک انسانی را در زمینه های شهری تقویت کرده است. در این مطالعه ، ما تلاش می کنیم تا تحقیقات را در این زمینه بهبود بخشیم و بر تجزیه و تحلیل الگوهای مکانی مکانی همگرایی و واگرایی انسان در شهرها متمرکز شویم.

برای پرداختن به این دو سؤال ، این مطالعه از یک مجموعه داده تلفن همراه در مقیاس بزرگ جمع آوری شده در شنژن ، چین ، در یک روز هفته برای بررسی الگوهای مکانی مکانی همگرایی و واگرایی انسان استفاده می کند. برخلاف سوابق جزئیات تماس (CDR) که فقط در طول ارتباط واقعی ردپاهای فردی را ضبط می کنند [10،11] ، مجموعه داده های تلفن همراه مورد استفاده در این مطالعه افراد را به طور مرتب با گذشت زمان (تقریباً یک بار) در سطح برج تلفن همراه دنبال می کند ، که ما را قادر می سازد ، که ما را قادر می سازد. بررسی الگوهای همگرایی و واگرایی انسان با وضوح مکانی نسبتاً ریز و منظم. این الگوهای شناسایی شده نشان دهنده ویژگی های اساسی الگوهای سفر انسان در مکان های مختلف در داخل شهر است و پیامدهایی برای برنامه ریزی حمل و نقل ، پاسخ اضطراری و کنترل اپیدمی دارد.

2. بررسی ادبیات

توسعه فن آوری های اطلاعاتی و ارتباطی پیامدهای عمیقی برای جامعه شناسی انسانی و تحرک بدنی دارد و امکان جمع آوری مجموعه های زیادی از داده های ژورژنی از دستگاه های مبتنی بر مکان ، مانند تلفن های همراه را فراهم می کند که فرصت های جدیدی را برای درک الگوهای تحرک انسانی و رابطه آنها ایجاد می کندبا محیط های عملکردی شهری [12،13،14].

تحرک انسان از نزدیک با حمل و نقل و برنامه ریزی شهری ارتباط دارد و یک موضوع مهم تحقیق در مطالعات شهری است. به عنوان مثال ، خانه و محل کار یک فرد را می توان از داده های تلفن همراه شناسایی کرد و ماتریس جریان مبداء مبدا برای بررسی الگوهای رفت و آمد می تواند ساخته شود [15،16،17]. سرعت ترافیک در زمان واقعی و زمان سفر را می توان با استفاده از یک سیستم مبتنی بر تلفن همراه اندازه گیری کرد [18]. علاوه بر این ، دینامیک شهری در زمان واقعی می تواند با استفاده از داده های تلفن همراه برای نظارت بر توزیع های مکانی مکانی انسانی و بینش در مورد شدت زمان واقعی فعالیت های انسانی در مناطق مختلف شهری ضبط شود [4،19،20،21]. نقاط مهم تحرک و مناطق متراکم با تجزیه و تحلیل مسیرها و تراکم کاربران تلفن همراه در محیط های شهری قابل تشخیص است [22،23،24،25].

گوو و همکاران.[26] جزئیات وانت و کشویی را از داده های مسیر تاکسی استخراج کرد و یک روش خوشه بندی سلسله مراتبی را برای نقشه برداری جریان های انسانی با ریشه ها و مقصد مشابه ارائه داد. مناطق سینک منبع تحرک انسانی نیز می توانند بر اساس تغییرات زمانی در مکان های وانت و کشویی شناسایی شوند [27]. شبکه های تحرک همچنین می توانند از حرکات انسانی ایجاد شوند و این نشان دهنده تعامل مکانی مناطق و جوامع مختلف شهری است ، یا مناطقی که دارای اتصالات نزدیک هستند ، می توانند برای ارزیابی و بهینه سازی برنامه ریزی شهری مورد استفاده قرار گیرند [28،29].

بین تحرک انسان و محیط عملکردی رابطه محکمی وجود دارد [27،30]. توزیع مکانی مناطق مختلف عملکردی شهری (به عنوان مثال ، مسکونی ، صنعتی یا تجاری) مکان های فعالیت های انسانی مانند زندگی ، کار ، خرید و اوقات فراغت را تعیین می کند. جدایی مکانی این مناطق کاربردی و خواسته های فعالیت های انسانی منجر به جریان انسان در فضای شهری می شود. تفاوت های عملکردی مرتبط با انواع مختلف کاربری اراضی به عنوان الگوهای مختلف تحرک انسانی ظاهر می شود. بنابراین ، از اطلاعات استفاده از زمین می توان برای برآورد تقاضای سفر در مناطق مختلف شهری استفاده کرد (به عنوان مثال ، یک مدل تعامل با استفاده از زمین) [31]. تنوع جمعیت زمانی منعکس کننده عملکرد اساسی محل است. بنابراین ، برخی از مطالعات با استفاده از داده های سنجش انسانی و روش های یادگیری ماشین برای طبقه بندی آن بردارها و استنباط اطلاعات استفاده از اراضی شهری ، بردارهای ویژگی زمانی برای فعالیت های انسانی در سطح سلول شبکه ایجاد کرده اند. [32،33،34]. با افزایش ناهمگونی استفاده از زمین ، دقت طبقه بندی کاهش می یابد ، اما اطلاعات اضافی (به عنوان مثال ، الگوهای تعامل مکانی و نقاط مورد علاقه) می توانند برای شناسایی مناطق مختلف عملکردی و بهبود دقت درج شوند [35،36].

این مطالعات پتانسیل قدرتمند داده های بزرگ در حال ظهور در تحقیقات در مورد الگوهای تحرک انسان و روابط بین الگوهای تحرک انسان و محیط عملکردی شهری را نشان می دهد. این مطالعه با بررسی الگوهای مکانی مکانی همگرایی و واگرایی انسان در یک محیط شهر ، به این دانش دانش می افزاید.

3. منطقه مطالعه و مجموعه داده

حوزه مورد مطالعه این تحقیق شنژن است که در جنوب چین واقع شده است. شنژن طی 30 سال گذشته توسعه سریع مرتبط با سیاست های اصلاحات را تجربه کرده است و این منطقه تعداد زیادی از کارگران مهاجر را به دنبال فرصت های شغلی جذب کرده است. مساحت کلنگن تقریباً در سال 1996 کیلومتر مربع در سال 1996 است و جمعیت بیش از 15 میلیون نفر است که نشان دهنده بالاترین تراکم جمعیت در شهرهای چین است [37].

مجموعه داده موقعیت مکانی تلفن همراه که در این مطالعه مورد استفاده قرار می گیرد توسط یک شرکت تلفن همراه جمع آوری شده است که تقریباً 60 ٪ از کل بازار تلفن همراه در شنژن را شامل می شود. این شرکت 16 میلیون کاربر تلفن همراه را در طی یک روز کاری واحد پوشش می دهد و مکان های برج تلفن همراه را که هر تلفن همراه به آن متصل می شود ، به طور تقریبی در هر ساعت ثبت می کند. بنابراین ، هر تلفن همراه هر روز 24 رکورد حاوی شناسه کاربر ، زمان ضبط و طول و عرض جغرافیایی برج تلفن همراه دارد. شناسه کاربر قبل از انتشار مجموعه داده برای اهداف تحقیق برای محافظت از حریم خصوصی رمزگذاری شد. جدول 1 نمونه ای از سوابق تلفن همراه کاربر یک روز را نشان می دهد. در کل ، 5940 برج تلفن همراه (CPT) با شماره شناسه برج منحصر به فرد از مجموعه داده استخراج شدند. شکل 1 تراکم هسته مکانی برج های تلفن همراه را نشان می دهد.

مجموعه داده های دیگر مورد استفاده در این مطالعه شامل داده های منطقه عملکردی شهری ، که از برنامه جامع شهر شنژن (2010-2020) تولید شده است [38]. این مجموعه داده شامل ده نوع منطقه کاربردی است: اداری (آژانس های دولتی) ، تجاری ، صنعتی ، مسکونی ، آموزش ، حمل و نقل ، گردشگری (مکان های منظره و پارک) ، ورزش ، آب و موارد دیگر (از جمله کشاورزی ، درختچه ها ، زمین لخت و غیره). شکل 2 توزیع مکانی مناطق عملکردی شهری را نشان می دهد.

4. روش شناسی

روش مورد استفاده برای شناسایی الگوهای مکانی مکانی همگرایی و واگرایی انسان شامل سه مرحله اصلی بود. اول ، ما جریان خالص را از مسیرهای فضا-زمان انسان در هر شکاف زمانی استخراج کردیم تا همگرایی و واگرایی انسان را نشان دهیم. سپس ، ما NetFlow را طبق قوانین كمك طبقه بندی كردیم و هر سلول شبکه را طبقه بندی كردیم تا همگرایی انسان و شدت واگرایی را نشان دهد. سرانجام ، یک ماتریس سری زمانی بر اساس کلاس های NetFlow ساخته شد و سلولهای شبکه با توجه به الگوهای زمانی آنها به خوشه ها گروه بندی شدند.

4. 1استخراج شاخص های همگرایی و واگرایی انسان

با استفاده از مفهوم جغرافیای زمان [39] ، ما با اتصال سوابق موقعیت مکانی به ترتیب زمانی ، مسیر فضا-زمان هر تلفن همراه را ساختیم. همانطور که در شکل 3 نشان داده شده است ، مسیر تلفن همراه می تواند به شرح زیر باشد:

t r = [p 1 (x 1 ، y 1 ، t 1 ، i d 1) ، ⋯ ، p i (x i ، y i ، t i ، i d i) ، ⋯ ، p n (x n ، y n ، t n ، i d n)]]

جایی که x_i , y_iو شناسه_iنمایانگر طول ، عرض جغرافیایی و برج نقطه رکورد P_iبه ترتیب ، و t_iزمان وقوع به روزرسانی نقطه را نشان می دهد. برای نقاط فضا-زمان مجاور با مکان های مختلف رکورد ، می توانیم حرکتی را از شناسه برج تلفن همراه استخراج کنیم_iبه شناسه_{i +1}در طول دوره t_iبه T_{i +1}.

[P I (X I ، Y I ، T I ، I D I) ، P I + 1 (X I + 1 ، Y I + 1 ، T I + 1 ، I D I + 1)] ، I D I ≠ I D I + 1

جدول 1 نشان می دهد که پنجره زمانی سوابق موقعیت مکانی تقریباً در هر ساعت به روز شده است ، به عنوان مثال ، اولین نقطه بین ساعت 00:00 و 01:00 و دوم بین ساعت 01:00 و 02:00 ثبت شد. حرکتی را می توان بین ساعت 00:00 تا 02:00 استخراج کرد و پنجره زمان از 00: 00-02: 00 شکاف زمانی در نظر گرفته می شود₁بشربنابراین ، ما می توانیم یک حرکت را برای هر دو ساعت مجاور استخراج کنیم و روز را می توان به 23 شکاف زمان تقسیم کرد ،_jبا اشاره به پنجره زمان (j - 1): 00 - (j + 1): 00.< Pan> زمان وقوع به روزرسانی نقطه را نشان می دهد. برای نقاط فضا-زمان مجاور با مکان های مختلف رکورد ، می توانیم حرکتی را از شناسه برج تلفن همراه استخراج کنیم

به شناسه

در طول دوره t_pq , T_jبه T_pq[P I (X I ، Y I ، T I ، I D I) ، P I + 1 (X I + 1 ، Y I + 1 ، T I + 1 ، I D I + 1)] ، I D I ≠ I D I + 1_jجدول 1 نشان می دهد که پنجره زمانی سوابق موقعیت مکانی تقریباً در هر ساعت به روز شده است ، به عنوان مثال ، اولین نقطه بین ساعت 00:00 و 01:00 و دوم بین ساعت 01:00 و 02:00 ثبت شد. حرکتی را می توان بین ساعت 00:00 تا 02:00 استخراج کرد و پنجره زمان از 00: 00-02: 00 شکاف زمانی در نظر گرفته می شود

بشربنابراین ، ما می توانیم یک حرکت را برای هر دو ساعت مجاور استخراج کنیم و روز را می توان به 23 شکاف زمان تقسیم کرد ،_jبا اشاره به پنجره زمان (j - 1): 00 - (j + 1): 00. زمان وقوع به روزرسانی نقطه را نشان می دهد. برای نقاط فضا-زمان مجاور با مکان های مختلف رکورد ، می توانیم حرکتی را از شناسه برج تلفن همراه استخراج کنیم

به شناسه

در طول دوره t_{i, j}به T_j[P I (X I ، Y I ، T I ، I D I) ، P I + 1 (X I + 1 ، Y I + 1 ، T I + 1 ، I D I + 1)] ، I D I ≠ I D I + 1< n_{i, j} >جدول 1 نشان می دهد که پنجره زمانی سوابق موقعیت مکانی تقریباً در هر ساعت به روز شده است ، به عنوان مثال ، اولین نقطه بین ساعت 00:00 و 01:00 و دوم بین ساعت 01:00 و 02:00 ثبت شد. حرکتی را می توان بین ساعت 00:00 تا 02:00 استخراج کرد و پنجره زمان از 00: 00-02: 00 شکاف زمانی در نظر گرفته می شود

بشربنابراین ، ما می توانیم یک حرکت را برای هر دو ساعت مجاور استخراج کنیم و روز را می توان به 23 شکاف زمان تقسیم کرد ،₁با اشاره به پنجره زمان (j - 1): 00 - (j + 1): 00.₂یک مسئله این است که ممکن است سوئیچ های سیگنال بین CPT وجود داشته باشد ، که ممکن است به طور نادرست به عنوان حرکات تعبیر شود ، به ویژه در مناطقی که دارای تراکم برج بالا هستند [40،41]. ما چند ضلعی های Thiessen را برای نشان دادن منطقه خدمات یک برج تلفن همراه در مراحل اولیه این مطالعه اتخاذ کردیم. دریافتیم که برخی از برج های تلفن همراه بسیار نزدیک به یکدیگر قرار دارند. به طور کلی ، 396 برج سلولی بسیار نزدیک به برج های اطراف هستند و فاصله بین برج ها می تواند کمتر از 10 متر باشد. به عنوان مثال ، دو برج سلولی ممکن است در همان ساختمان مرتفع واقع شود. این برج های تلفن همراه نزدیک می توانند باعث پرش مکرر سیگنال بین برج ها شوند. ما تصمیم گرفتیم از سلولهای شبکه معمولی برای جمع کردن برج های تلفن همراه بسیار نزدیک استفاده کنیم و از این طریق تأثیر سوئیچ های سیگنال را کاهش دهیم. ما شهر را با استفاده از اندازه های مختلف شبکه از 100 متر × 100 متر در 2 کیلومتر × 2 کیلومتر با افزایش 100 متر تقسیم کردیم و دریافتیم که سلولهای شبکه 500 متر 500 متر از برج های تلفن همراه 90. 2 ٪ از فعالیتهای مهم انسانی را به خود اختصاص داده است. مناطقی که در سلولهای شبکه کمتر از 500 متر × 500 متر بسیار بزرگتر از درصد بودند. علاوه بر این ، ما دریافتیم که حرکات درون سلولهای شبکه به صورت خطی افزایش می یابد و حرکات بین سلولهای شبکه با اندازه شبکه به صورت خطی کاهش می یابد. سلولهای شبکه 500 متر × 500 متر تقریباً 16 ٪ از حرکات را نادیده گرفتند. اگرچه سلول های شبکه 600 متر × 600 متر 98 ٪ از مناطق مهم فعالیت انسانی را پوشش می دهند ، اما تقریباً 20 ٪ از حرکات را نادیده گرفتند. بنابراین ، ما سلولهای شبکه 500 متر 500 متر را به عنوان واحد تجزیه و تحلیل انتخاب کردیم. این قطعنامه مقیاس نسبتاً خوبی را برای مطالعه تحرک انسان فراهم کرده است. سلولهای شبکه ای که حاوی CPT نیستند ، از این امر حذف شدند زیرا حرکات انسانی نمی تواند بین سلولهای شبکه بدون برج تلفن همراه محاسبه شود. در کل ، 2801 سلول شبکه به عنوان واحدهای اصلی تجزیه و تحلیل استفاده شد و هر یک با یک شناسه شبکه منحصر به فرد برچسب گذاری شد.₉ما با نادیده گرفتن حرکاتی که منشاء و CPT های مقصد در یک سلول شبکه بودند ، حرکات بین CPT ها را برای ایجاد حرکات بین سلول های شبکه فیلتر کردیم. بنابراین ، ما یک ماتریس جریان مبتنی بر سلول شبکه را استخراج کردیم (P ، Q ، F₁با اشاره به پنجره زمان (j - 1): 00 - (j + 1): 00.₂یک مسئله این است که ممکن است سوئیچ های سیگنال بین CPT وجود داشته باشد ، که ممکن است به طور نادرست به عنوان حرکات تعبیر شود ، به ویژه در مناطقی که دارای تراکم برج بالا هستند [40،41]. ما چند ضلعی های Thiessen را برای نشان دادن منطقه خدمات یک برج تلفن همراه در مراحل اولیه این مطالعه اتخاذ کردیم. دریافتیم که برخی از برج های تلفن همراه بسیار نزدیک به یکدیگر قرار دارند. به طور کلی ، 396 برج سلولی بسیار نزدیک به برج های اطراف هستند و فاصله بین برج ها می تواند کمتر از 10 متر باشد. به عنوان مثال ، دو برج سلولی ممکن است در همان ساختمان مرتفع واقع شود. این برج های تلفن همراه نزدیک می توانند باعث پرش مکرر سیگنال بین برج ها شوند. ما تصمیم گرفتیم از سلولهای شبکه معمولی برای جمع کردن برج های تلفن همراه بسیار نزدیک استفاده کنیم و از این طریق تأثیر سوئیچ های سیگنال را کاهش دهیم. ما شهر را با استفاده از اندازه های مختلف شبکه از 100 متر × 100 متر در 2 کیلومتر × 2 کیلومتر با افزایش 100 متر تقسیم کردیم و دریافتیم که سلولهای شبکه 500 متر 500 متر از برج های تلفن همراه 90. 2 ٪ از فعالیتهای مهم انسانی را به خود اختصاص داده است. مناطقی که در سلولهای شبکه کمتر از 500 متر × 500 متر بسیار بزرگتر از درصد بودند. علاوه بر این ، ما دریافتیم که حرکات درون سلولهای شبکه به صورت خطی افزایش می یابد و حرکات بین سلولهای شبکه با اندازه شبکه به صورت خطی کاهش می یابد. سلولهای شبکه 500 متر × 500 متر تقریباً 16 ٪ از حرکات را نادیده گرفتند. اگرچه سلول های شبکه 600 متر × 600 متر 98 ٪ از مناطق مهم فعالیت انسانی را پوشش می دهند ، اما تقریباً 20 ٪ از حرکات را نادیده گرفتند. بنابراین ، ما سلولهای شبکه 500 متر 500 متر را به عنوان واحد تجزیه و تحلیل انتخاب کردیم. این قطعنامه مقیاس نسبتاً خوبی را برای مطالعه تحرک انسان فراهم کرده است. سلولهای شبکه ای که حاوی CPT نیستند ، از این امر حذف شدند زیرا حرکات انسانی نمی تواند بین سلولهای شبکه بدون برج تلفن همراه محاسبه شود. در کل ، 2801 سلول شبکه به عنوان واحدهای اصلی تجزیه و تحلیل استفاده شد و هر یک با یک شناسه شبکه منحصر به فرد برچسب گذاری شد.₉شکاف زمان را نشان می دهد. برای هر سلول شبکه P ، جریان و جریان در طی یک شکاف زمانی به شرح زیر محاسبه می شود._{i, j}Netflow به عنوان شاخص همگرایی و واگرایی انسان در یک سلول شبکه در طول شکاف T استفاده شد< l_{i, j} >بشردر مقایسه با فعالیت تماس CDR ها ، که نشان دهنده شدت فعالیت است ، NetFlow نشان دهنده تفاوت در جریان و خروج است ، که نشان دهنده تغییر تعداد افراد در یک سلول در یک شکاف زمانی است [42]. یک شبکه مثبت مثبت نشان می دهد که تعداد افراد در سلول شبکه در طول شکاف زمانی افزایش یافته است ، یعنی همگرایی و یک netflow منفی نشان دهنده کاهش تعداد افراد ، یعنی واگرایی است._j .

4. 2طبقه بندی همگرایی و واگرایی انسان با استفاده از قوانین کمی

این مطالعه همگرایی و واگرایی انسان و شدت های مختلف آنها را در طی یک روز مورد بررسی قرار داده است. ما مقادیر Netflow را از همه شکاف های زمان جمع کردیم و سپس آنها را در کلاس های مختلف ، جایی که n گروه بندی کردیم

نمایانگر Netflow of Grid Cell I در طول شکاف t_iبشرNetflow Set n =_jاز کل منطقه مورد مطالعه شامل 23 × 2801 مقادیر ، با توزیع نشان داده شده در شکل 4a. بیشتر مقادیر Netflow (4 /95 ٪) بین 1000 تا 1000 بود که نشان می دهد تعداد کمی از مکان ها دارای نت های بسیار بزرگی هستند. علاوه بر این ، این شهر می تواند یک سیستم نسبتاً همگن در نظر گرفته شود._jNetflow سپس به ترتیب صعودی طبقه بندی شد و توسط Quantiles به ده کلاس گروه بندی شد و بردار Quantile q = [q را تولید کرد

، q

،… ، q

] ، جایی که q

، q₃،… ، q₈مقادیر Netflow 9 نقطه شکست را در مقدار 10 ٪ ، 20 ٪ ،… و 90 ٪ به ترتیب نشان می دهد (شکل 4B). در این مقاله ، ما بردار کمی از نقاط شکست q = [317 ، 128 ، 53 ، - 18 ، −1 ، 15 ، 51 ، 122 ، 314] تولید کردیم. ما از Q برای طبقه بندی هر n استفاده می کنیم₁₀از n به گروه های مختلف و اختصاص دادن آن یک برچسب سطح برای نشان دادن شدت همگرایی یا واگرایی همانطور که در جدول 2 نشان داده شده است 2 نشان داده شده است. هرچه قدرت همگرایی یا پراکندگی بیشتر باشد ، مقدار سطح مطلق بزرگتر است. در کلاس های 5 و 6 ، همگرایی و واگرایی نسبتاً اندک هستند ، و ما هر دو را در یک سطح 0. در نظر می گیریم. پس از طبقه بندی ، ما مجموعه مربوط به L = را تولید می کنیم₁₂، که نشان دهنده شدت تحرک انسانی سلول شبکه I در شکاف زمان t است₁₅4. 3تجزیه و تحلیل خوشه ای از الگوهای زمانی همگرایی و واگرایی انسان₁₀ما L را به یک ماتریس سری زمانی ، V ، تبدیل کردیم تا الگوهای مکانی مکانی همگرایی و واگرایی انسان را استخراج کنیم:₁₈جایی که v₈نمایانگر ردیف I-th ماتریس است که نشان دهنده تغییر در سلول شبکه I در طول روز است. 2801 ردیف در ماتریس وجود دارد. سعادت₈ستون j-th ماتریس را نشان می دهد ، که نشان دهنده سطح در سلولهای 2801 شبکه در شکاف زمان t است₈، بنابراین 23 شکاف زمان وجود دارد. در جدول 3 نمونه هایی از ماتریس ارائه شده است. ویژگی های زمانی V شامل پویایی مکانی مکانی تحرک انسان در مناطق مختلف شهر است. به عنوان مثال ، مناطق مسکونی و تجاری یا محل کار واقع در مرکز شهر یا در حومه شهر ممکن است الگوهای زمانی متفاوتی داشته باشند.₂₁در تجزیه و تحلیل خوشه ای ، هدف اصلی ما استخراج این سلولهای شبکه با سطح مشابه تغییر در تحرک انسان است ، بنابراین ما روی خوشه بندی ردیف ها در ماتریس تمرکز می کنیم. همانطور که در معادله (6) نشان داده شده است ، شباهت بین هر دو ردیف بر اساس فاصله اقلیدسی محاسبه می شود. یک الگوریتم خوشه بندی X-Means برای خوشه ای از ماتریس سری زمانی با توجه به خصوصیات زمانی اتخاذ شد. این الگوریتم یک روش بهبود یافته بر اساس K-Means است و می تواند به طور خودکار تعداد خوشه ها را با استفاده از معیارهای اطلاعات بیزی برای غلبه بر اشکالاتی از K-Means در انتخاب تعداد خوشه ها تعیین کند. همچنین با استفاده از یک روش K D-Tree برای پرداختن به تعداد گسترده سوابق ، محاسبه را تسریع می کند [43]. علاوه بر این ، این یک روش خوشه بندی بدون نظارت است که برای مجموعه داده های متغیر چند بعدی مناسب است. از ابزار مشهور داده کاوی Weka برای اجرای الگوریتم X-Means استفاده شد [44]. بر اساس این الگوریتم ، هشت خوشه از V با استفاده از خوشه بندی X-Means استخراج شد ، و آنها به عنوان C 1 ، C 2 ،… ، C 8 مشخص شدند. در مورد ویژگی های هر خوشه در بخش 5. 2 بحث کنید.

5. نتایج و بحث

5. 1همگرایی و واگرایی در هر شکاف زمانی

شکل 5 همگرایی و واگرایی انسان را برای شکاف های زمانی انتخاب شده نشان می دهد. مناطقی که افراد در شکافهای مختلف زمانی همگرا شده و واگرا می شوند ، به وضوح قابل تشخیص هستند. تغییرات در شدت تحرک انسان نیز می تواند مشاهده شود. سطح اکثر سلولهای شبکه در نیمه شب نزدیک به صفر است (t₆) گذشته از چند منطقه در مراکز شهری. با رسیدن طلوع آفتاب ، تحرک انسان به دلیل اوج رفت و آمد صبح افزایش می یابد (t₈) و سپس با شروع کار خود کاهش می یابد (t₆) گذشته از چند منطقه در مراکز شهری. با رسیدن طلوع آفتاب ، تحرک انسان به دلیل اوج رفت و آمد صبح افزایش می یابد (t₁₈) به دلیل فعالیت های مربوط به ناهار ، به ویژه در مناطق شمالی شهر. سپس ، دوباره در ساعت کار بعد از ظهر کاهش می یابد (t₁₉) تا سطح زیر ساعت کاری صبح (t₂₃).

). رفت و آمد عصر (t₆) گذشته از چند منطقه در مراکز شهری. با رسیدن طلوع آفتاب ، تحرک انسان به دلیل اوج رفت و آمد صبح افزایش می یابد (t₁₀، با بیشتر سلولهای شبکه که همگرایی بالایی دارند در طول t₁₇در حالی که مردم به مکانهایی که واگرایی در T نشان می دهند ، جریان می یابند₁₁) گذشته از چند منطقه در مراکز شهری. با رسیدن طلوع آفتاب ، تحرک انسان به دلیل اوج رفت و آمد صبح افزایش می یابد (t₁₄.

). این الگوهای یک دینامیک معمولی روز شهری که مربوط به الگوهای فعالیت انسانی است ، نشان می دهد و پتانسیل داده های تلفن همراه برای مطالعه تحرک انسانی را نشان می دهد. از این داده ها می توان برای درک الگوهای تحرک کل در مقیاس های فضایی و زمانی دقیق تر استفاده کرد.

5. 2. الگوهای زمانی همگرایی و واگرایی انسان₇) گذشته از چند منطقه در مراکز شهری. با رسیدن طلوع آفتاب ، تحرک انسان به دلیل اوج رفت و آمد صبح افزایش می یابد (t₉سلولهای شبکه در C 1 شدت بالای همگرایی انسان را در بیشتر شکافهای زمان نشان می دهند ، در حالی که سلول های C 8 در بیشتر روز واگرایی را نشان می دهند ، به جز در هنگام مسافرت صبح (T₁₇.

-

) هنگامی که سلول ها همگرایی با شدت بالا را نشان می دهند. سلولهای شبکه در C 2 همگرایی از t نشان می دهند

-

به دنبال واگرایی با شدت زیاد از t

تا نیمه شب (T₇C 3 و C 4 از الگوهای تحرک مشابهی برخوردار هستند ، با واگرایی که عمدتا از T رخ می دهد₈-

و همگرایی بعد از t₁₉بشرتفاوت عمده بین این خوشه ها در این است که شدت تحرک در C 4 به طور قابل توجهی بالاتر از C 3 است. C 3 همچنین یک الگوی واگرایی همگرایی واضح از T نشان می دهد₆) گذشته از چند منطقه در مراکز شهری. با رسیدن طلوع آفتاب ، تحرک انسان به دلیل اوج رفت و آمد صبح افزایش می یابد (t₉خوشه C 5 یک الگوی همگرایی متمایز را در طول مسافرت های صبح و عصر نشان می دهد ، که تقریباً دو شکاف زمان به طول می انجامد و واگرایی در شکافهای زمانی باقی مانده روز را نشان می دهد.

ج 7 الگوی تحرکی انسان مخالف را با C3 نشان می دهد ، با همگرایی که عمدتا از t رخ می دهد₁₁C 3 و C 4 از الگوهای تحرک مشابهی برخوردار هستند ، با واگرایی که عمدتا از T رخ می دهد₁₄و واگرایی بعد از t

در مقایسه با سایر خوشه ها ، هیچ الگوی زمانی ظاهری در سلولهای شبکه C 6 وجود ندارد و شدت تحرک به طور کلی کم است.

توزیع مکانی و شدت تحرک این الگوهای همگرایی و واگرایی انسان با توزیع مکانی انواع مختلف کاربری اراضی (به عنوان مثال ، مسکونی ، صنعتی ، تجاری و غیره) و ویژگی های اجتماعی و اقتصادی زمینه های جغرافیایی همراه است [4،45،466].

5. 3. توزیع مکانی خوشه های مشتق شده

ما همچنین توزیع مکانی خوشه های شناسایی شده را با ترکیب مناطق کاربردی مورد تجزیه و تحلیل قرار دادیم تا درک بهتری از همگرایی و واگرایی انسان در متن شهری بدست آوریم. برای ساده سازی نقشه ها ، از سلولهای توخالی برای نشان دادن سلولهای شبکه استفاده شد. علاوه بر این ، ما میانگین درصد کاربردهای مختلف زمین را در هر خوشه محاسبه کردیم. ما ابتدا نسبت هر کاربری اراضی را در هر سلول شبکه محاسبه کردیم. سپس ، برای سلولهای شبکه متعلق به یک خوشه خاص ، ما نسبت متوسط هر کاربری اراضی را محاسبه کردیم. در جدول 4 میانگین درصد انواع مختلف کاربری اراضی در هر خوشه ذکر شده است.

شکل 7 توزیع مکانی C 1 و C 8 را نشان می دهد. این خلاف واقع است که برخی از مناطق در بیشتر شکافهای زمانی به همگرایی (C 1) یا واگرایی (C 8) ادامه می دهند (شکل 6). بیشتر سلولهای شبکه در این خوشه ها در امتداد جاده های اصلی شنژن قرار دارند و میانگین درصد استفاده از زمین حمل و نقل در هر سلول شبکه در دو خوشه 15. 2 و 18. 4 ٪ است که در سایر خوشه ها بالاتر از مقادیر است (جدول 4)بشرسلولهای C 1 تمایل دارند که در مرز بین مناطق صنعتی و مسکونی قرار بگیرند ، با استفاده از زمین های صنعتی و مسکونی به ترتیب 31. 3 ٪ و 30. 3 ٪ از کلیه کاربری اراضی در سلول ها (جدول 4). سلول های C 8 به طور عمده در امتداد جاده ها در مناطق صنعتی و مرکز شهر توزیع می شوند و به ترتیب 41. 7 ٪ و 5 /16 ٪ از کاربری اراضی در سلول ها به ترتیب 41. 7 ٪ و 5 /16 ٪ را تشکیل می دهند. بنابراین ، تعداد زیادی از افراد در طول مسافرت صبح به این مناطق جریان می یابند (t

و t

). این مناطق شامل برخی از اتصالات مهم ترافیک داخل شهری و همچنین چندین مرکز حمل و نقل بین شهری متصل به شهرهای مجاور ، به عنوان مثال ، چندین تقاطع پر سرعت ، دو ایستگاه راه آهن و بندر آینده (که به هنگ کنگ متصل می شود). بنابراین ، این احتمال وجود دارد که الگوهای تحرک انسان در C 1 و C 8 مربوط به حمل و نقل شهری باشد. یک توضیح احتمالی برای همگرایی مداوم و واگرایی این است که مجموعه داده ما شامل تعامل با شهرهای اطراف نمی شود و از خروج از شهر و ورود از شهرهای دیگر از طریق این سلولهای شبکه غفلت می کند. بنابراین ، Netflow مثبت یا منفی مداوم در طول روز وجود دارد. این نشان می دهد که این مناطق ممکن است قطب اصلی باشد که از نزدیک با مناطق خارج از شهر وصل شده اند. این مشاهدات مرجعی را برای برنامه ریزان شهری برای یافتن و بهینه سازی ترانزیت عمومی اتوبوس شهری فراهم می کند تا افراد به راحتی از این مکان ها منتقل شوند. بنابراین ، به احتمال زیاد C 1 و C 8 اغلب در امتداد جاده های اصلی شهری قرار دارند.

شکل 8 توزیع مکانی سلولهای شبکه در خوشه های C 2 و C 5 را نشان می دهد. C 2 سلولهای شبکه C 2 در مناطق اصلی تجاری و صنعتی در شهر ، یعنی مکان های شغلی متمرکز قرار دارند که در هنگام مسافرت صبحگاهی افراد زیادی را به خود جلب می کند. میانگین استفاده از اراضی تجاری در این خوشه 11. 6 ٪ است که حداکثر در بین همه خوشه ها است (جدول 4). مناطق تجاری همچنین شامل بسیاری از مراکز خرید ، رستوران ها ، موسسات مالی و مکانهای تفریحی (کافه ها ، کارائوکه ، سرگرمی و غیره) است. بنابراین ، این مکان ها همچنین افراد زیادی را برای خرید ، وعده های غذایی ، سرگرمی و سایر فعالیت ها در طول روز جذب می کنند ، با واگرایی با شدت زیاد پس از T

بشرسلولهای شبکه در C 5 عمدتاً در نزدیکی مناطق تجاری کوچک و محل های کار در مناطق مسکونی واقع شده اند و مصارف تجاری ، صنعتی و مسکونی به ترتیب در این خوشه به ترتیب 3. 4 ٪ ، 31. 1 ٪ و 40. 1 ٪ است (جدول 4). کاربری اراضی در مناطق مسکونی مختلط است و شامل مراکز خرید ، رستوران ها و اماکن تفریحی است. بنابراین ، تحرک انسان در این مکان ها یک الگوی ثابت را نشان نمی دهد و شدت تحرک انسان کم است. به عنوان مثال ، این مکانها در مواقع صبح مردم را برای کار جذب می کنند ، در حالی که افرادی که در مناطق مسکونی زندگی می کنند به طور همزمان به محل های کار واگیز می شوند. بنابراین ، همگرایی و واگرایی هر دو در زمان رفت و آمد صبح رخ می دهد (t

-

). الگوی همگرایی و واگرایی در C2 احتمالاً در مناطق تجاری اصلی شهری رخ می دهد، در حالی که تمایل دارد در نزدیکی مناطق تجاری و محل کار در مناطق مسکونی در C5 رخ دهد.

شکل 9 توزیع فضایی خوشه های C 3 و C 4 را نشان می دهد. سلول های شبکه در هر دو خوشه عمدتاً در مناطق مسکونی شهری قرار دارند. سلول های C 3 عمدتا در قسمت شمالی شهر قرار دارند در حالی که سلول های C 4 در قسمت جنوبی شهر قرار دارند. همانطور که در جدول 4 نشان داده شده است، زمین مسکونی در C 3 و C 4 غالب است و به ترتیب 50. 4% و 67. 6% از کاربری اراضی در خوشه ها را تشکیل می دهد. همانطور که در بخش 5. 2 بحث شد، برخی از تفاوت های حرکتی انسانی نیز بین خوشه ها وجود دارد. به عنوان مثال، واگرایی در C 4 بیشتر از C 3 در طول صبح طول می کشد (شکل 6). تفاوت های خوشه ای ممکن است ناشی از تفاوت بین توسعه اقتصادی و فضای تحرک انسانی در بخش های شمالی و جنوبی منطقه باشد. منطقه جنوبی هسته مرکزی منطقه تجاری شهری در شنژن است و اقتصاد در منطقه جنوبی توسعه یافته تر از منطقه شمالی است. تراکم جمعیت جنوب نیز بیشتر از منطقه شمالی است. اقتصاد توسعه یافته تر و تراکم جمعیت بالا ممکن است دلایل اساسی برای تفاوت الگوی خوشه ای باشد. با این حال، بسیاری از کارگران مهاجر در بخش شمالی شنژن زندگی می کنند و تمایل دارند در نزدیکی محل کار خود زندگی کنند تا در زمان رفت و آمد صرفه جویی کنند [47]. این فاصله رفت و آمد کوتاه همچنین باعث می شود که آن ها ظهر برای ناهار به خانه بازگردند یا برای فعالیت ها استراحت کوتاهی داشته باشند، که ممکن است به تفاوت های الگوی همگرایی-واگرایی بین T کمک کند.

و تی