نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

خلاصه

این مطالعه از مجموعه داده تلفن همراه در مقیاس بزرگ برای برآورد تقاضای بالقوه سفرهای دوچرخه در یک شهر استفاده می کند. این مطالعه با شناسایی دو نقطه لنگر مهم (نقطه لنگر در شب و نقطه لنگر در روز) از مسیرهای منفرد تلفن همراه، یک روش تقسیم‌بندی مسیر مبتنی بر نقطه لنگر را برای تقسیم مسیرهای تلفن همراه به بخش‌های زنجیره سفر پیشنهاد می‌کند. با انتخاب بخش های زنجیره سفر که به طور بالقوه می توانند توسط دوچرخه ها سرویس شوند، دو نشانگر ( ورودی و خروجی) در سطح برج تلفن همراه برای تخمین تقاضای بالقوه سفرهای دوچرخه ورودی و خروجی در مکان‌های مختلف شهر و زمان‌های مختلف روز تولید می‌شوند. یک مدل تخصیص مکان پوشش حداکثر برای پیشنهاد مکان ایستگاه های اشتراک دوچرخه بر اساس کل تقاضای تولید شده در هر برج تلفن همراه استفاده می شود. دو معیار برای درک بیشتر ویژگی‌های مکان‌های پیشنهادی ایستگاه دوچرخه معرفی شده‌اند: (1) دسترسی. و (2) روابط پویا بین سفرهای ورودی و خروجی. اندازه‌گیری دسترس‌پذیری نشان می‌دهد که ایستگاه‌ها چقدر می‌توانند به کاربران دوچرخه برای رسیدن به سایر مقاصد فعالیت بالقوه خدمات ارائه دهند. روابط پویا منعکس کننده عدم تقارن الگوهای سفر انسان در زمان های مختلف روز است.
کلید واژه ها: 

داده های تلفن همراه ؛ نقطه لنگر ؛ تقسیم بندی مسیر ; اشتراک دوچرخه ؛ زنجیره سفر ; مکان – تخصیص ; تقاضای سفر

 

1. معرفی

سیستم های اشتراک دوچرخه در چند دهه گذشته توجه فزاینده ای را به خود جلب کرده اند. بسیاری از شهرهای سراسر جهان استفاده از دوچرخه را برای کاهش مشکلات شهری مرتبط با سلامت عمومی، تراکم ترافیک، مصرف انرژی و آلودگی هوا ترویج می کنند. سیستم های اشتراک دوچرخه خدمات کوتاه مدت اجاره دوچرخه را به افراد برای سفرهای نقطه به نقطه ارائه می دهند. یک سیستم اشتراک گذاری دوچرخه موفق می تواند مردم را تشویق به استفاده از دوچرخه برای سفرهای مسافت کوتاه کند و فشار ترافیک را در مناطق شلوغ شهری کاهش دهد. متأسفانه، تعیین اینکه سرمایه‌گذاری‌ها و منابع باید در هنگام پیاده‌سازی این سیستم‌های اشتراک دوچرخه به کجا اختصاص داده شود، آسان نیست. در میان عوامل مختلفی که می توان در نظر گرفت، دانستن اینکه خواسته ها کجا هستند و چه زمانی رخ می دهند، از اهمیت اولیه برخوردار است.
بررسی های سفر و داده های سرشماری به طور گسترده در مطالعات گذشته استفاده شده است [ 1 ، 2 ، 3] برای برآورد تقاضای استفاده از دوچرخه، و ارائه پشتیبانی تصمیم برای مکان یابی امکانات دوچرخه سواری جدید مانند ایستگاه های اشتراک دوچرخه. با این حال، جمع آوری چنین داده هایی می تواند پرهزینه و زمان بر باشد. علاوه بر این، مقدار اطلاعاتی که می توان با روش های مرسوم جمع آوری کرد تا حد زیادی توسط منابع موجود محدود می شود. پیشرفت‌های اخیر فناوری‌های آگاه از مکان، بسیاری از منابع داده جدید (به عنوان مثال، داده‌های کارت هوشمند و داده‌های تلفن همراه) را برای درک نحوه حرکت افراد در زندگی روزمره خود فراهم کرده است. این مجموعه داده‌های جدید ما را قادر می‌سازد تا اطلاعات دقیق و به موقع در مورد الگوهای سفر انسان به دست آوریم. با این حال، مطالعات کمی از این منابع داده برای برآورد تقاضای بالقوه سفرهای دوچرخه استفاده کرده اند، که به عنوان اطلاعات ارزشمندی برای برنامه ریزی یک سیستم اشتراک دوچرخه عمل می کند.
در سال های اخیر، محققان از داده های تلفن همراه برای مطالعه الگوهای تحرک انسان و استفاده مردم از فضای شهری استفاده کرده اند. در میان این مطالعات، تلاش‌های قابل‌توجهی به کشف نقاط لنگر فعالیت افراد (به عنوان مثال، خانه و محل کار) و همچنین الگوهای حرکتی در این مکان‌ها اختصاص یافته است [ 4 ، 5 ، 6 ، 7 ، 8 ، 9 ]. چنین اطلاعاتی نشان می‌دهد که مردم چگونه سفرهای خود را در میان مقاصد فعالیت مهم سازماندهی می‌کنند و زنجیره سفرهای روزانه افراد را روشن می‌کند [ 10 ، 11 ، 12]]. این نقاط لنگر فعالیت و زنجیره سفر را می توان برای تخمین تقاضای سفر مربوط به حالت های مختلف حمل و نقل (مثلاً دوچرخه سواری) در یک شهر استفاده کرد. از این رو، این مطالعه از یک مجموعه داده تلفن همراه ردیابی شده استفاده می کند که در شنژن، چین جمع آوری شده است تا تقاضای بالقوه سفرهای دوچرخه در شهر را برآورد کند. مشارکت های اصلی این مطالعه به شرح زیر است:

  • با شناسایی دو نقطه لنگر مهم (نقطه لنگر شبانه [ NTA ]، و نقطه لنگر در روز [ DTA ]) از مسیرهای منفرد تلفن همراه، ما یک روش تقسیم‌بندی مسیر مبتنی بر نقطه لنگر را برای تقسیم مسیرهای تلفن همراه به بخش‌های زنجیره سفر معنی‌دار معرفی می‌کنیم. . با انتخاب بخش های زنجیره سفر که در محدوده خاصی از مسافت سفر در امتداد شبکه جاده قرار دارند، دو شاخص ( ورودی و خروجی) در سطح برج تلفن همراه برای برآورد تقاضای بالقوه سفرهای دوچرخه ورودی و خروجی در مکان‌های مختلف شهر و زمان‌های مختلف روز تولید می‌شوند. این دو شاخص شدت و ریتم روزانه سفرهای مسافت کوتاه افراد را با وضوح فضایی نسبتاً خوب منعکس می‌کنند و می‌توانند بیشتر برای پیشنهاد مکان ایستگاه‌های اشتراک‌گذاری دوچرخه استفاده شوند.
  • بر اساس کل تقاضا (یعنی مجموع ورودی و خروجی ) تولید شده در هر دکل تلفن همراه، حداکثر پوششمدل تخصیص مکان برای پیشنهاد مکان ایستگاه های اشتراک دوچرخه در چهار سناریو مختلف (مثلاً 300، 600، 900، و 1200 ایستگاه دوچرخه) استفاده می شود. دو معیار برای درک بیشتر ویژگی‌های مکان‌های ایستگاه دوچرخه پیشنهادی معرفی شده‌اند: (1) دسترسی. و (2) روابط پویا بین سفرهای ورودی و خروجی. اندازه‌گیری دسترس‌پذیری نشان می‌دهد که ایستگاه‌ها چقدر می‌توانند به کاربران دوچرخه برای رسیدن به سایر مقاصد فعالیت بالقوه خدمات ارائه دهند. روابط پویا بین سفرهای ورودی و خروجی منعکس کننده عدم تقارن الگوهای سفر انسان در هر ایستگاه دوچرخه در طول زمان است که به عنوان اطلاعات مفیدی برای عملکرد یک سیستم اشتراک دوچرخه (به عنوان مثال، توزیع و توزیع مجدد دوچرخه ها در بین ایستگاه های دوچرخه) عمل می کند.

2. بررسی ادبیات

2.1. سیستم های اشتراک دوچرخه

سیستم های اشتراک دوچرخه در سال های اخیر مورد توجه فزاینده ای قرار گرفته اند. بر اساس گزارشی [ 13 ] که توسط مؤسسه سیاست حمل و نقل و توسعه (ITDP) در سال 2013 ارائه شد، بیش از 600 شهر (نمونه‌هایی از این سیستم‌های اشتراک‌گذاری دوچرخه عبارتند از Vélib در پاریس، فرانسه ( http://www.velib.paris/ دوچرخه سواری در بارسلونا، اسپانیا ( https://www.bicing.cat/ )، Call-a-Bike در آلمان ( http://www.callabike.de/ )، کرایه دوچرخه در لندن، بریتانیا، و Ecobici در مکزیکو سیتی، مکزیک ( https://www.ecobici.df.gob.mx/)) در سرتاسر جهان سیستم های اشتراک دوچرخه خود را ایجاد کرده اند و هر ساله تعداد بیشتری شروع به کار می کنند. تکامل سیستم های اشتراک دوچرخه در 50 سال گذشته را می توان به سه نسل طبقه بندی کرد [ 14 ، 15]]. اولین نسل از سیستم های اشتراک دوچرخه، که به نام سیستم دوچرخه رایگان نیز شناخته می شود، در سال 1965 در آمستردام هلند پیاده سازی شد. این سیستم برای استفاده عمومی بدون پرداخت هزینه ارائه شد و قفل دوچرخه ها باز می شد تا کاربران بتوانند در هر زمان آنها را رها کنند. جایی که آنها می خواستند با این حال، سیستم اشتراک دوچرخه از مشکلاتی مانند سرقت و خرابکاری رنج می برد و در مدت کوتاهی از بین رفت. نسل دوم سیستم های اشتراک دوچرخه، معروف به سیستم سپرده سکه، برای اولین بار در ناکسکوف، دانمارک در سال 1993 تأسیس شد (که پس از آن یک برنامه اشتراک دوچرخه بزرگتر در کپنهاگ در سال 1995 راه اندازی شد). کاربران می‌توانند دوچرخه‌ها را در مکان‌های خاصی با سپرده سکه تحویل بگیرند و برگردانند. نسل سوم سیستم های اشتراک دوچرخه که به سیستم مبتنی بر فناوری اطلاعات معروف است، اولین بار در سال 1996 در انگلستان معرفی شد.15 ]. برخی از محققان همچنین چشم اندازی از نسل چهارم سیستم های اشتراک دوچرخه ارائه کردند [ 16 ، 17 ]، که فناوری های پیشرفته تری مانند توزیع بهبود یافته، سهولت نصب، ردیابی، کمک پدال و مکانیسم ضد سرقت را در خود جای می دهد.

2.2. پیش بینی تقاضای سفر با دوچرخه

برای ایجاد یک سیستم اشتراک گذاری دوچرخه موفق، برنامه ریزان باید درک خوبی از تقاضای سفر بالقوه در رابطه با عواملی مانند توپوگرافی زمین، اتصال شبکه های حمل و نقل، تنوع کاربری زمین، آب و هوا و ایمنی به دست آورند [1 ، 18 ، 19 ] . به گفته پورتر، ساهربیر و شوارتز [ 20]، مطالعات قبلی معمولاً چهار دسته کلی از روش‌ها را برای برآورد تقاضای سفر با دوچرخه اتخاذ می‌کردند که عبارتند از روش‌های سطح کل، نظرسنجی‌های نگرشی، مدل‌های انتخاب گسسته، و مدل‌های سفر منطقه‌ای (مانند مدل‌های تقاضای سفر چهار مرحله‌ای). اکثر این روش ها بر اطلاعات دقیق الگوهای فعالیت انسانی (مثلاً نظرسنجی) یا بسیاری از فرضیات در مورد رفتار سفر انسان (مثلاً مدل های انتخاب گسسته) متکی هستند. به عنوان مثال، Landis [ 21 ] یک مدل امتیاز پنهان (LDS) را بر اساس یک مدل گرانشی احتمالی برای تخمین مقدار سفرهای دوچرخه‌ای که در هر بخش جاده اتفاق می‌افتد، پیشنهاد کرد. کلارک [ 22 ] از یک مدل تقاضای سفر چهار مرحله ای برای تخمین طول و زمان سفر در بند، اورگان برای شناسایی سفرهایی که می تواند توسط دوچرخه انجام شود، استفاده کرد. Rybarzcyk و Wu [23 ] شاخص سطح خدمات دوچرخه و شاخص پتانسیل تقاضا را برای تجزیه و تحلیل روابط فضایی بین عرضه و تقاضای دوچرخه معرفی کرد. تقاضای سفرهای دوچرخه بر اساس توزیع جمعیت و مکان پارک ها، مناطق تفریحی، مدارس و مشاغل برآورد شد. واردام، تنگ و صفحه [ 24] یک مدل انتخاب حالت ایجاد کرد که داده‌های ترجیحی آشکار (با انتخاب‌های حالت واقعی افراد) و داده‌های ترجیحی بیان‌شده (با فرضیه‌هایی در مورد انتخاب‌های فردی در میان گزینه‌های مختلف) را برای پیش‌بینی روندهای آینده در دوچرخه‌سواری مسافران در بریتانیای کبیر ترکیب می‌کرد. اگرچه بررسی‌های سفر و مدل‌های تقاضای سفر منطقه‌ای برای تخمین تقاضای بالقوه سفرهای دوچرخه‌سواری ارزشمند هستند، اما معمولاً شامل تلاش‌ها و منابع مالی فوق‌العاده برای جمع‌آوری داده‌ها می‌شوند. علاوه بر این، بسیاری از مدل‌های تقاضای سفر از «ساختارهای منطقه‌ای بسیار بزرگ برای تصمیم‌گیری در مورد اندازه و مکان ایستگاه‌های اشتراک‌گذاری دوچرخه استفاده می‌کنند» (ص. 56) [13 ]]. داده‌های جدید و روش‌های تحلیلی برای به دست آوردن درک بهتری از تقاضای سفر انسانی و کمک به تصمیم‌گیری بهتر در برنامه‌ریزی حمل‌ونقل مورد نیاز است.

2.3. داده های تلفن همراه برای تجزیه و تحلیل رفتار سفر

پیشرفت‌های اخیر فناوری‌های آگاه از مکان، منابع داده جدید بسیاری را برای درک مکان و مکان افراد در فضا و زمان ایجاد کرده است. این مجموعه داده‌های جدید، مطالعات فعالیت‌های انسانی را «با هزینه کم و در مقیاسی بی‌سابقه» امکان‌پذیر می‌سازد [ 7 ]. به عنوان مثال، بسیاری از مطالعات از داده های تلفن همراه برای توصیف و پیش بینی الگوهای تحرک انسان استفاده کرده اند [ 25 ، 26 ، 27 ، 28 ، 29 ، 30 ]، و برای درک بهتر جنبه های مختلف پویایی شهری [ 31 ، 32 ، 33 ، 34]]. در میان این مطالعات، تلاش های قابل توجهی برای کشف استفاده مردم از فضای شهری و ریتم های روزانه جریان های شهری انجام شده است. با این حال، تحقیقات محدودی در مورد برآورد تقاضای بالقوه سفرهای دوچرخه از داده‌های تلفن همراه انجام شده است.
در چند سال گذشته، مطالعاتی انجام شد که از داده‌های تلفن همراه برای درک بهتر رفتار سفر انسان، به ویژه الگوهای حرکتی که با مکان‌های اصلی فعالیت افراد (مثلاً خانه و محل کار) مرتبط بود، استفاده کردند. مثلاً اقبال و همکاران. [ 35 ] از سوابق جزئیات تماس (CDRs) در داکا، بنگلادش برای تولید ماتریس‌های مبدا-مقصد گذرا (OD) برج به برج استفاده کرد. به طور مشابه، الکساندر و همکاران. [ 36 ] از CDR های جمع آوری شده در منطقه شهری بوستون در یک دوره دو ماهه برای تخمین سفرهای OD بر اساس اهداف (مثلاً سفرهای کاری خانگی، سایر سفرهای خانگی، و سفرهای غیر خانگی) استفاده کرد. دونگ و همکاران [ 37 ] از CDRها برای پیشنهاد تقسیم منطقه ترافیکی در مناطق شهری برای کمک به پیش‌بینی تقاضای سفر استفاده کرد. وانگ و همکاران [38 ] از داده های تلفن همراه جمع آوری شده در منطقه سانفرانسیسکو و بوستون برای ارزیابی الگوهای استفاده از جاده های شهری استفاده کرد. واضح است که داده‌های تلفن همراه را می‌توان برای کشف تقاضای سفر انسانی مرتبط با حالت‌های مختلف حمل‌ونقل و انواع فعالیت در بافت‌های مختلف شهری مورد استفاده قرار داد.

2.4. ایستگاه های دوچرخه و مدل های مکان-تخصیص

یکی از مهمترین وظایف برنامه ریزی یک سیستم اشتراک دوچرخه، تعیین محل ایستگاه های دوچرخه است. ایستگاه‌های اشتراک‌گذاری دوچرخه با قرارگیری مناسب تضمین می‌کند که این سیستم تقاضای فعلی را برآورده می‌کند و استفاده مردم از دوچرخه را در آینده تحریک می‌کند. بسیاری از مطالعات افکار خود را در مورد محل قرارگیری ایستگاه های دوچرخه در سناریوهای خاص بیان کرده اند. به عنوان مثال، لارسن، پترسون و ال جنیدی [ 3 ] یک شاخص اولویت بندی محاسبه شده در سطح سلول شبکه را پیشنهاد کردند تا نشان دهد که چگونه سرمایه گذاری های زیرساختی دوچرخه سواری را اولویت بندی کنیم. شاخص اولویت بندی از چندین شاخص از جمله OD سفرهای واقعی با دوچرخه، OD سفرهای کوتاه با ماشین، ترجیحات مسیر دوچرخه سواران، و غلظت تصادفات دوچرخه جمع آوری شد. مارتینز و همکاران [ 39] یک الگوریتم اکتشافی را پیشنهاد کرد که شامل یک برنامه خطی عدد صحیح مختلط (MILP) و یک مسئله تخصیص مکان p-متوسط ​​برای بهینه‌سازی مکان ایستگاه‌های اشتراک‌گذاری دوچرخه در لیسبون، پرتغال بود. مکان ایستگاه های دوچرخه بر اساس فهرستی از عوامل مرتبط با تقاضای کاربر، سرمایه گذاری مورد نیاز و هزینه های عملیاتی تعیین شد. گارسیا-پالومارس، گوتیرز و لاتوره [ 40 ] از جمعیت و تعداد مشاغل در سطح ساختمان برای برآورد تقاضای بالقوه سفرهای دوچرخه در مرکز مادرید استفاده کردند. نویسندگان دو مدل تخصیص مکان با توابع هدف متفاوت (به عنوان مثال، به حداقل رساندن امپدانس و به حداکثر رساندن پوشش) برای پیشنهاد مکان‌های تسهیلات ایستگاه‌های اشتراک دوچرخه اتخاذ کردند.
برخی از مطالعات مدل‌های تخصیص مکان را برای پیشنهاد مکان‌های بهینه ایستگاه‌های دوچرخه در رابطه با توزیع تقاضای بالقوه اتخاذ کردند. هدف این مدل‌های تخصیص مکان، تعیین تعداد و/یا مکان‌های تأسیسات برای دستیابی به برخی از اهداف از پیش تعریف‌شده و در عین حال برآورده کردن الزامات در نقاط تقاضا است [ 41 ]. مدل های تخصیص مکان می تواند بسته به اهداف خاص متفاوت باشد. برای مثال، مسئله p-median و مسئله p-center دو شکل معمولی از مدل‌های تخصیص مکان هستند [ 42 ، 43]. هدف از مسئله p-median، مکان یابی امکانات p برای به حداقل رساندن کل هزینه سفر وزنی از نقاط تقاضا به امکانات است. هدف مرکز p ارائه تسهیلات p برای به حداقل رساندن حداکثر فاصله از یک نقطه تقاضا تا نزدیکترین مرکز آن است. تورگاس و همکاران [ 44 ] مسئله پوشش مجموعه مکان را با هدف تعیین حداقل تعداد امکانات به گونه‌ای معرفی کرد که تمام نقاط تقاضا در فاصله حداکثر خدمات مشخص شده از یک مرکز قرار گیرند. بر اساس این مدل، چرچ و رول [ 45 ] مشکل مکان پوشش حداکثری (MCLP) را فرموله کردند، که جمعیت (یا تقاضا) را در فاصله خدماتی تسهیلات با مکان یابی تعداد ثابتی از امکانات به حداکثر می رساند.

3. منطقه مطالعه و مجموعه داده

شنژن یک مرکز مالی و فناوری بزرگ در جنوب چین است ( شکل 1 الف را ببینید). این شهر در شمال هنگ کنگ واقع شده و مساحتی بالغ بر 2050 کیلومتر مربع را پوشش می دهد . جمعیت آن تا سال 2014 15 میلیون نفر برآورد شده است [ 46 ]. همانطور که در شکل 1 نشان داده شده استب، این شهر دارای شش ناحیه اداری و چهار ناحیه مدیریتی جدید است (گوانگمینگ و لونگهوا دو ناحیه مدیریتی جدید تابع منطقه بائوآن هستند؛ و پینگشان و داپنگ دو ناحیه مدیریتی جدید تابع منطقه لونگانگ هستند). شنژن در سال 1979 به عنوان اولین منطقه ویژه اقتصادی چین (SEZ) یک روستای کوچک بود. بخش‌های جنوبی و شمالی شنژن ویژگی‌های اجتماعی-اقتصادی و جمعیتی بسیار متفاوتی دارند. چهار منطقه در بخش جنوبی شنژن (یعنی نانشان، فوتین، لوهو و یانتیان) معمولاً به نام گوان نی شناخته می شوند.که از نظر مالی، فناوری، آموزشی و گردشگری مناطق بسیار توسعه یافته ای هستند. شش منطقه دیگر معمولاً به نام Guan Wai شناخته می شوند که صنعت اصلی آن تولید است. بر اساس یک بررسی سفر اخیر [ 47 ]، سفرهای غیرموتوری درصد زیادی از کل سفرها در شنژن (پیاده روی: 50.0٪؛ و دوچرخه/موتور: 6.2٪) را تشکیل می دهند. دولت شهر دوچرخه سواری را به عنوان یک روش حمل و نقل موثر می داند و در نظر دارد تا امکانات مربوطه را در چند سال آینده بهبود بخشد. بنابراین مطالعه این که چنین امکاناتی (مثلاً ایستگاه های اشتراک دوچرخه) باید در کجا ساخته شوند تا به بهترین شکل نیازهای سفر مردم را برآورده کنند، مهم است.
این مطالعه از یک مجموعه داده تلفن همراه ردیابی شده استفاده می‌کند (مجموعه داده تلفن همراه مورد استفاده در این مطالعه از طریق همکاری تحقیقاتی با مؤسسه‌های فناوری پیشرفته شنژن، آکادمی علوم چین به دست آمد و این تحقیق توسط هیئت بررسی نهادی (IRB) تأیید شد) جمع‌آوری شد. در یک روز هفته (23 مارس 2012) در شنژن، چین. مجموعه داده قبل از اینکه در اختیار این تحقیق قرار گیرد توسط شرکت مخابراتی تلفن همراه ناشناس شده بود. از این رو، مجموعه داده فقط شامل شناسه‌های منحصربه‌فرد دلخواه برای مشترکین تلفن همراه است که هویت آنها را آشکار نمی‌کند (به عنوان مثال، شماره تلفن). تعداد مشترکین تلفن همراه نمونه برداری شده در هر منطقه اداری با توزیع جمعیت ثبت شده توسط داده های سرشماری [ 47 ] مطابقت دارد ، با ضریب همبستگی پیرسون 0.99 [9 ]. توجه داشته باشید که ما مشترکین تلفن همراه با رویداد روشن یا خاموش را در طول دوره مطالعه حذف کرده‌ایم، زیرا زمانی که تلفن‌های همراه از شبکه تلفن همراه جدا می‌شوند، استنباط مکان آنها دشوار است. مجموعه داده باقی مانده پس از فیلتر کردن این افراد، 5.8 میلیون تلفن همراه را پوشش می دهد که مکان آنها تقریباً هر ساعت یک بار به عنوان ایکس،�مختصات برج تلفن همراه در خدمت مجموعه داده شامل رکوردهای مکان برای پنجره زمانی 23:00 تا 24:00 نیست. بنابراین، هر تلفن همراه فردی، 23 مشاهده در روز مطالعه دارد ( جدول 1 ). پیکربندی فضایی دکل‌های تلفن همراه می‌تواند در بخش‌های مختلف منطقه مورد مطالعه متفاوت باشد. تراکم دکل های تلفن همراه به طور کلی در مناطق شهری پرجمعیت بیشتر است. میانگین نزدیک‌ترین فاصله بین دکل‌های تلفن همراه در این مجموعه داده 0.19 کیلومتر است.

4. روش شناسی

این بخش ابتدا نحوه تولید نقاط لنگر فعالیت مهم را از مسیرهای منفرد تلفن همراه معرفی می کند. سپس، یک روش تقسیم‌بندی مسیر مبتنی بر نقطه لنگر برای تقسیم مسیرهای تلفن همراه به بخش‌های زنجیره سفر پیشنهاد می‌شود. سپس این بخش های زنجیره سفر برای استخراج تقاضای بالقوه سفرهای دوچرخه مورد تجزیه و تحلیل قرار می گیرند. ما از یک مدل تخصیص مکان پوشش حداکثر برای پیشنهاد مکان ایستگاه های اشتراک دوچرخه استفاده می کنیم. از آنجایی که هدف این مدل تعیین تعداد ثابتی از امکانات است به طوری که تقاضای کل در یک قطع امپدانس مشخص (به عنوان مثال، شعاع سرویس) تسهیلات به حداکثر برسد، می‌توان از آن برای ارائه پیشنهادات معقول در مورد محل قرار دادن بهترین ایستگاه‌های اشتراک دوچرخه استفاده کرد. نیازهای سفر مردم را برآورده کند. سرانجام،

4.1. استخراج نقطه لنگر و بخش بندی مسیر

همانطور که در جدول 1 ، خط سیر تلفن همراه یک فرد نشان داده شده استتیرا می توان به صورت زیر نشان داد:

تی={پ1(ایکس1،�1،تی1)،پ2(ایکس2،�2،تی2)،…،پمن(ایکسمن،�من،تیمن)}

جایی که پمننشان دهنده i ام ( من=1، 2،…،23) رکورد موقعیت مکانی تلفن همراه؛ ایکسمنو �منمختصات برج تلفن همراه در خدمت را مشخص کنید. و تیمننمایانگر پنجره زمانی یک ساعته است که مکان در آن ثبت شده است.

نقاط لنگر فعالیت به طور مکرر در مطالعات گذشته [ 48 ، 49 ] برای نشان دادن مکان‌های فعالیت اصلی یک فرد مانند خانه، محل کار، رستوران‌های مورد علاقه، و غیره استفاده شده است . یکی از چالش‌های استفاده از داده‌های تلفن همراه برای تعیین نقاط لنگر فعالیت یک فرد این است که رکورد موقعیت مکانی تلفن همراه یک فرد می‌تواند به دلیل تعادل بار تلفن همراه [50] یا تغییر قدرت سیگنال [51] بین دکل‌های تلفن همراه مجاور جابجا شود . از این رو، لازم است این مسائل را هنگام تخمین نقاط لنگر فعالیت فردی در نظر بگیریم.
در این مقاله، نقطه لنگر فعالیت (AAP) را به عنوان مجموعه‌ای از برج‌های تلفن همراه معرفی می‌کنیم که از نظر جغرافیایی متمرکز هستند و یک فرد مدت زمان مشخصی را در آن سپری می‌کند. برای استخراج AAPها برای یک مسیر تلفن همراه تی، ابتدا فرکانس (یعنی تعداد پنجره های زمانی) هر برج تلفن همراه منحصر به فرد را محاسبه می کنیم که توسط تی. سپس پربازدیدترین برج تلفن همراه را انتخاب می‌کنیم و تمام دکل‌های تلفن همراه را که در فاصله 0.5 کیلومتری برج انتخابی قرار دارند در یک خوشه گروه‌بندی می‌کنیم. سپس برج پربازدید بعدی را انتخاب می کنیم و همان فرآیند گروه بندی را انجام می دهیم. این فرآیند تا زمانی که همه برج های تلفن همراه وارد شوند، تکرار می شود تیپردازش می شوند. در نهایت، تعداد رکوردهای مکان تلفن همراه (یعنی مشاهدات) اختصاص داده شده به هر خوشه را محاسبه می کنیم. هر خوشه ای با دو یا چند مکان تلفن همراه به عنوان AAP شناسایی می شود . خوشه های باقی مانده (یعنی برج های تلفن همراه جدا شده) به عنوان دکل های تلفن همراه تصادفی تعریف می شوند .
توجه داشته باشید که به دو دلیل آستانه ثابت 0.5 کیلومتر را انتخاب می کنیم. اولا، اگرچه ما می دانیم که تراکم برج های تلفن همراه می تواند در یک شهر متفاوت باشد، انتخاب یک آستانه ثابت ما را قادر می سازد تا به طور مداوم مسیرهای تلفن همراه را در یک شهر ارزیابی کنیم. دوم، از آنجایی که میانگین نزدیک‌ترین فاصله بین دکل‌های تلفن همراه 0.19 کیلومتر است، انتخاب 0.5 کیلومتر به مشکل سوئیچ‌های سیگنال در میان دکل‌های تلفن همراه نزدیک می‌پردازد و حرکات فردی را که بین خوشه‌های فعالیت مختلف (یعنی AAPها) رخ می‌دهد، حفظ می‌کند .
شکل 2 نمونه ای از خط سیر تلفن همراه یک فرد را در یک سیستم فضا-زمان سه بعدی ارائه شده توسط هاگرستراند [ 52 ] نشان می دهد. مکان‌های برج تلفن همراه این فرد به چهار دسته تقسیم می‌شوند که شامل سه AAP (خوشه‌های A، B و C) و یک برج تلفن همراه تصادفی (خوشه D) است. خطوط قرمز نشان دهنده حرکات رخ داده در داخل خوشه ها (یعنی حرکات درون خوشه ای) و خطوط سبز نشان دهنده حرکات بین خوشه ای است.
توجه داشته باشید که حرکات درون خوشه‌ای می‌تواند ناشی از مسائل مربوط به سوئیچ‌های سیگنال تلفن همراه یا حرکات فردی باشد که فاصله بسیار کمی دارند (یعنی در فاصله قابل پیاده‌روی). این حرکات درون خوشه ای برای ایجاد تقاضای بالقوه سفرهای دوچرخه استفاده نمی شود. بنابراین، ما برج تلفن همراه را در هر خوشه ادغام می کنیم تیبرای استخراج یک مسیر تعمیم یافته تلفن همراه تی“. ما برج تلفن همراه را با بالاترین فرکانس در هر خوشه به عنوان نماینده دکل تلفن همراه انتخاب می کنیم. همانطور که در شکل 3 نشان داده شده است ، با توجه به یک مسیر تلفن همراه تیچهار برج تلفن همراه نماینده (A، B، C و D) که با چهار خوشه مطابقت دارند برای استخراج مسیر تعمیم یافته تلفن همراه استفاده می‌شوند. تی“. مسیرهای تعمیم یافته تلفن همراه در مجموعه داده تلفن همراه برای استخراج بخش های زنجیره سفر جداگانه استفاده می شود.

4.2. تقسیم بندی مسیر بر اساس تحلیل زنجیره سفر

زنجیره سفر اغلب یک سفر با توقف های میانی احتمالی، بین نقاط لنگر فعالیت یک فرد (مانند خانه و محل کار) را توصیف می کند. رفتار زنجیره ای سفر نشان دهنده پیچیدگی الگوهای سفر انسان است و عامل مهمی است که انتخاب حالت فردی را هدایت می کند [ 53 ]. در این مطالعه، ما دو نقطه لنگر فعالیت مهم – نقطه لنگر در شب ( NTA ) و نقطه لنگر در روز ( DTA ) – را به عنوان مکان تقریبی خانه و محل کار تخمین می زنیم. این دو نقطه لنگر برای تقسیم مسیرهای منفرد تلفن همراه به بخش های زنجیره سفر استفاده می شود.
طبق [ 54 ]، ساعات خواب و کار عادی برای مردم در شنژن به ترتیب 00:00 تا 07:00 و 09:00-18:00 است. برای هر مسیر تلفن همراه تی“، مدت اقامت در دکل های تلفن همراه مختلف در طول این دو دوره زمانی برای شناسایی افراد NTA و DTA استفاده می شود . با در نظر گرفتن روال روزانه مردم در بیشتر شهرهای بزرگ چین، رویکرد پیشنهادی در [ 55 ] را برای استخراج دو نقطه لنگر فعالیت اتخاذ می کنیم. به طور خاص، ما NTA را به عنوان دکل تلفن همراه نماینده با حداقل چهار ساعت اقامت بین ساعت 00:00 تا 07:00 و DTA را به عنوان برجی با حداقل 6 ساعت اقامت بین ساعت 09:00 تا 18:00 تعریف می کنیم. بر اساس این قانون، ما قادر به تخمین NTA و DTA هستیمبرای 99٪ و 85٪ از افراد در مجموعه داده، به ترتیب. بر اساس تجزیه و تحلیل ما، 55٪ از افراد NTA و DTA استخراج شده اند که مربوط به برج های تلفن همراه متفاوت است. 30٪ هر دو NTA و DTA استخراج شده اند که مطابق با همان برج تلفن همراه است. 14% فقط NTA استخراج کرده اند. و 1% باقیمانده نه NTA و نه DTA استخراج نشده است. در این مطالعه، افراد با هیچ یک از دو نقطه لنگر استخراج شده در هنگام ایجاد تقاضای بالقوه سفرهای دوچرخه در نظر گرفته نمی شوند.
سپس از NTA و DTA برای تقسیم مسیرهای تلفن همراه به بخش های زنجیره سفر استفاده می کنیم. برای یک مسیر تی“، هر بخش زنجیره سفر پس از پارتیشن به لیستی از رکوردهای متوالی تلفن همراه اشاره دارد که در NTA یا DTA منشا گرفته و به پایان می رسد . جدول 2 چهار نوع بخش زنجیره سفر مشتق شده در این مطالعه را نشان می دهد. ND به بخش های زنجیره سفر اشاره دارد که از NTA شروع شده و در DTA به پایان می رسد . مکان‌های InTransit به دیگر دکل‌های تلفن همراه که توسط بخش زنجیره سفر عبور می‌کنند اشاره دارد . این مکان‌های InTransit می‌توانند به ایستگاه‌های میانی سفر یا برج‌های تلفن همراه تصادفی که توسط مجموعه داده تلفن همراه ضبط شده‌اند اشاره کنند. به طور مشابه، NN به بخش های زنجیره سفر اشاره دارد که هم شروع شده و هم در آن پایان می یابدNTA _ DD قسمت هایی را نشان می دهد که هم در DTA شروع شده و هم به پایان می رسند . توجه داشته باشید که مکان‌های InTransit همیشه در بخش‌های زنجیره سفر ND یا DN وجود ندارند . به عنوان مثال، یک فرد می تواند در طول یک پنجره زمانی معین یک ساعته در NTA و در پنجره زمانی بعدی در DTA قرار گیرد.

4.3. تقاضای بالقوه سفرهای دوچرخه را ایجاد کنید

طبق بررسی اخیر سفر در شنژن [ 47 ]، میانگین مسافت سفر برای پیاده روی و دوچرخه سواری در این شهر به ترتیب 1.6 کیلومتر و 4.8 کیلومتر است. با این حال، در نظرسنجی اشاره شده است که به دلیل توسعه نیافتگی امکانات دوچرخه سواری، میانگین مسافت پیاده روی در شنژن به طور کلی بیشتر از سایر شهرهای داخلی و خارجی (معمولاً 1 کیلومتر) است. از این رو، ما 1 کیلومتر را به عنوان یک فاصله پیاده روی معقول در نظر می گیریم و از 1 کیلومتر و 5 کیلومتر به عنوان آستانه فضایی برای فیلتر کردن بخش های زنجیره سفر استفاده می کنیم.
برای هر بخش زنجیره سفر، ابتدا برد آن را محاسبه می‌کنیم که به عنوان حداکثر فاصله (یعنی کوتاه‌ترین فاصله مسیر در امتداد شبکه جاده‌ای) بین تمام جفت‌های دکل تلفن همراه که توسط این بخش طی می‌شود، تعریف می‌شود. بخش های زنجیره سفر با برد بین 1 کیلومتر تا 5 کیلومتر برای ایجاد تقاضای بالقوه استفاده می شود. ما از این استراتژی فیلتر کردن استفاده می‌کنیم تا آن بخش‌های زنجیره سفر را که در فاصله پیاده‌روی معقول یا فراتر از مسافت عادی سفر دوچرخه‌ها قرار دارند، حذف کنیم. دلیل استفاده از محدوده برای فیلتر کردن هر بخش این است که یک فرد ممکن است در طول یک بخش زنجیره سفر، توقف های میانی داشته باشد. اگر فاصله: (1) بین مبدا و مقصد این بخش زنجیره سفر. یا (2) بین یک توقف میانی (یعنیمکان InTransit ) و مبدأ (یا مقصد) فراتر از مسافت عادی سفر برای دوچرخه سواری است، بعید است که فرد برای این سفر خاص از دوچرخه استفاده کند.
از آنجایی که مسیرهای منفرد تلفن همراه در سطح برج تلفن همراه ثبت شد، بنابراین تقاضای بالقوه توسط دکل های تلفن همراه مجزا جمع می شود. در این مطالعه دو نوع اساسی تقاضا، من��ل��پو �توتی�ل��پ، در هر دکل تلفن همراه استخراج می شوند پدر دوره های زمانی مختلف روز مطالعه:

من��ل��پ=(من1پ،من2پ،من3پ،…،من22پ)
�توتی�ل��پ=(�1پ،�2پ،�3پ،…،�22پ)
تی�تیآل_من��ل��پ=∑من=122منمنپ
تی�تیآل_�توتی�ل��پ=∑من=122�منپ
همانطور که در معادلات (2) و (3) نشان داده شده است، منمنپو �منپبه حجم سفرهای ورودی/خروجی در دکل تلفن همراه مراجعه کنید پدر یک بازه زمانی خاص منبه ترتیب (مثلا من=1نشان دهنده فاصله زمانی بین پنجره های زمانی است تی1(00:00-01:00) و تی2(01:00–02:00)). همانطور که در جدول 1 نشان داده شده است ، هر مسیر برج تلفن همراه 23 پنجره زمانی را در روز مطالعه پوشش می دهد. از این رو، هر یک از من��ل��پو �توتی�ل��پ22 مشاهده دارد. همانطور که در معادلات (4) و (5) نشان داده شده است، تی�تیآل_من��ل��پو تی�تیآل_�توتی�ل��پبه مجموع سفرهای ورودی/خروجی در دکل تلفن همراه مراجعه کنید پبه ترتیب برای کل روز این دو معیار به‌عنوان ورودی برای مدل تخصیص مکان پوشش حداکثر برای پیشنهاد مکان‌های ایستگاه‌های اشتراک دوچرخه استفاده می‌شوند.
در ادامه چگونگی را معرفی می کنیم من��ل��پو �توتی�ل��پاز بخش های زنجیره سفر استخراج می شوند. توجه داشته باشید که یک بخش زنجیره سفر تیاسرا می توان به عنوان مجموعه ای از مکان های برج تلفن همراه نشان داد:

تیاس={پ1(ایکس1،�1،تی1)،پ2(ایکس2،�2،تی2)،…،پمن(ایکسمن،�من،تیمن)}

جایی که پمننشان دهنده یک برج تلفن همراه منفرد در بازه زمانی i است ، ایکسمنو �مننشان دهنده (ایکس،�)مختصات از پمن، و تیمننمایانگر من پنجره زمانی یک ساعته است که در طی آن مکان تلفن همراه ضبط شده است. با مقایسه هر جفت برج تلفن همراه متوالی ( پمنو پمن+1) که در تیاس، یک واحد تقاضا را به آن اختصاص می دهیم �منپمن(یعنی یک واحد خروجی به دکل تلفن همراه پمندر فاصله زمانی من) و یک واحد تقاضا به منمنپمن+1(یعنی یک واحد ورودی به دکل تلفن همراه پمن+1در فاصله زمانی من) اگر پمنو پمن+1به دکل های تلفن همراه نماینده مختلف مراجعه کنید:

ایکسمن≠ایکسمن+1 �� �من≠�من+1
ما این روش را تا زمانی تکرار می کنیم که تمام بخش های زنجیره سفر ( ND، NN، DN، DD ) پردازش شوند.

4.4. مکان های تأسیسات ایستگاه های دوچرخه را پیشنهاد دهید

این مطالعه از مدل تخصیص مکان پوشش حداکثر در ArcGIS 10.1 برای پیشنهاد مکان ایستگاه های اشتراک دوچرخه استفاده می کند. هدف این مدل قرار دادن تعداد ثابتی از امکانات (یعنی ایستگاه های دوچرخه) است به طوری که تقاضای کل در یک قطع امپدانس مشخص (یعنی شعاع سرویس) امکانات به حداکثر برسد. هنگام پیکربندی ماژول حداکثر پوشش ، برج های تلفن همراه منفرد در مجموعه داده تلفن همراه که به طور فعال ردیابی می شود (در مجموع 5928) هم به عنوان نقاط تقاضا و هم به عنوان مکان های نامزد تسهیلات استفاده می شود. وزن در هر نقطه تقاضا (یعنی دکل تلفن همراه )پبه عنوان مجموع محاسبه می شود تی�تیآل_من��ل��پو تی�تیآل_�توتی�ل��پ، از آنجایی که آنها به ترتیب با تعداد فعالیت های حمل و نقل در سفرهای بالقوه دوچرخه مطابقت دارند. این دو نوع فعالیت هر دو به عنوان تقاضای سفر هنگام برنامه ریزی ایستگاه های اشتراک دوچرخه در یک شهر در نظر گرفته می شوند [ 40 ]. قطع امپدانس در فاصله 500 متری (فاصله شبکه جاده ای) برای تقریبی شعاع سرویس ایستگاه های اشتراک دوچرخه انتخاب شده است که به عنوان یک فاصله پیاده روی معقول از مبدا/مقصد فعالیت تا نزدیک ترین ایستگاه های اشتراک دوچرخه برای سوار کردن و رها کردن دوچرخه عمل می کند. فعالیت ها. برای تعداد امکانات ( N ) که قرار است قرار گیرند، چهار سناریو مختلف تعریف می کنیم ( N = 300، N = 600، N = 900، N = 1200) و نتایج (مثلاً درصد تقاضای بالقوه قابل پوشش) را در بین چهار سناریو مقایسه کنید. پس از تعیین مکان تاسیسات (در هر یک از چهار سناریو)، مدل تخصیص مکان، نقاط تقاضا را به تسهیلات تخصیص می دهد. یک نقطه تقاضا که در داخل قطع امپدانس یک تاسیسات است به آن تاسیسات اختصاص داده می شود، در حالی که یک نقطه تقاضا که در محدوده قطع امپدانس دو یا چند تاسیسات قرار می گیرد به نزدیکترین تاسیسات آن اختصاص داده می شود. هر نقطه تقاضایی که خارج از قطع امپدانس همه امکانات باشد، توسط هیچ تسهیلاتی ارائه نمی شود.

4.5. خصوصیات ایستگاه های دوچرخه

در این مطالعه، دو اقدام برای ارزیابی ایستگاه های دوچرخه پس از تعیین مکان آنها معرفی شده است. ابتدا، ما یک معیار دسترسی را معرفی می‌کنیم تا ارزیابی کنیم که ایستگاه‌ها چقدر می‌توانند به کاربران دوچرخه برای رسیدن به سایر مقاصد فعالیت بالقوه خدمات ارائه دهند. سپس روابط پویا بین سفرهای ورودی و خروجی که به هر ایستگاه دوچرخه اختصاص داده شده است را بررسی می کنیم.
برای اندازه گیری این دو ویژگی ایستگاه های دوچرخه، ابتدا نقاط تقاضای اختصاص داده شده به هر ایستگاه دوچرخه را بازیابی می کنیم و کل تقاضای تخصیص یافته به هر ایستگاه را محاسبه می کنیم. به طور خاص، برای هر ایستگاه دوچرخه �، معرفی می کنیم من��ل��_سی�و �توتی�ل��_سی�برای نشان دادن مجموع سفرهای ورودی و خروجی که به ترتیب به ایستگاه اختصاص داده شده است:

من��ل��_سی�=(جی1�،جی2�،جی3�،…،جی22�)
�توتی�ل��_سی�=(ک1�،ک2�،ک3�،…،ک22�)
جیمن�و کمن�به تعداد سفرهای ورودی و خروجی که به آنها اختصاص داده شده است مراجعه کنید �در بازه زمانی من(به عنوان مثال، 1، 2، 3، …، 22)، به ترتیب:

جیمن�=∑متر=1�منمنمتر*سی�متر
کمن�=∑متر=1��منمتر*سی�متر

جایی که �تعداد کل نقاط تقاضا (یعنی دکل های تلفن همراه) در منطقه مورد مطالعه را نشان می دهد. سی�مترمقدار 1 را می گیرد اگر نقطه تقاضا باشد متربه ایستگاه دوچرخه اختصاص داده شده است �، و در غیر این صورت 0 است. توجه داشته باشید که:

تی�تیآل_من��ل��_سی�=∑من=122جیمن�
تی�تیآل_�توتی�ل��_سی�=∑من=122کمن�
با انجام این کار، می‌توانیم سفرهای ورودی و خروجی را از نقاط تقاضا به هر ایستگاه اشتراک دوچرخه در فواصل زمانی مختلف یک روز جمع کنیم.
مفهوم دسترسی به طور گسترده در مطالعات حمل و نقل برای توصیف اینکه چگونه یک مکان می تواند به سایر مقاصد فعالیت بالقوه برسد استفاده شده است [ 56 ]. به منظور نشان دادن دسترسی به هر ایستگاه دوچرخه، یک معیار مبتنی بر گرانش را اتخاذ می کنیم که در مطالعات قبلی [ 19 ، 40 ] برای تعیین کمیت دسترسی دوچرخه استفاده شده است. برای هر ایستگاه دوچرخه �، دسترسی آ�به صورت زیر محاسبه می شود:

آ�=∑ک=1�–1تی�تیآل_من��ل��_سیک*م�ک(دی�ک)�

جایی که �تعداد کل ایستگاه های دوچرخه را نشان می دهد (به عنوان مثال، 300، 600، 900، و 1200). م�کدر صورت فاصله شبکه جاده ای بین ایستگاه، مقادیر 1 را می گیرد �و ایستگاه ککمتر از 5 است کمتر، و در غیر این صورت 0 است. دی�کفاصله شبکه جاده ای بین ایستگاه است �و ایستگاه ک، و �مقدار 2 را می گیرد (که مقدار پیش فرض اندازه گیری مبتنی بر گرانش است) تا اثر فروپاشی فاصله را منعکس کند. توجه داشته باشید که استفاده می کنیم تی�تیآل_من��ل��_سیک(یعنی تعداد سفرهای ورودی اختصاص داده شده به هر ایستگاه) به منظور تقریبی مجموع فرصت ها (یعنی فعالیت ها) در ایستگاه ک.

در ادامه معرفی می کنیم �هتی�ل���برای منعکس کردن روابط پویا بین سفرهای ورودی و خروجی اختصاص داده شده به هر ایستگاه دوچرخه �:

�هتی�ل���=(نهتی1�،نهتی2�،نهتی3�،…،نهتی22�)
برای هر بازه زمانی خاص من، نهتیمن�به عنوان حجم خالص سفرها (یعنی خروجی – ورودی) محاسبه می شود که با تعداد کل سفرها عادی شده است:

نهتیمن�=کمن�–جیمن�کمن�+جیمن�
ارزش نهتیمن�از -1.0 تا 1.0 متغیر است. مقدار مثبت آن ایستگاه را نشان می دهد �در بازه زمانی به عنوان تولیدکننده سفر عمل می کندمن، در حالی که یک مقدار منفی نشان می دهد که ایستگاه به عنوان یک جاذبه سفر در آن بازه زمانی عمل می کند. ویژگی های زمانی �هتی�ل���نشان دهنده عدم تقارن الگوهای سفر انسان در زمان های مختلف روز است. به منظور ارزیابی ویژگی های زمانی �هتی�ل���این مطالعه از روش خوشه بندی k-means برای گروه بندی ایستگاه های دوچرخه استفاده می کند. نتایج خوشه‌بندی می‌تواند به ما در بررسی ویژگی‌های زمانی کمک کند �هتی�ل���مرتبط با ایستگاه های مختلف دوچرخه و توزیع جغرافیایی آنها.

5. نتایج تجزیه و تحلیل

5.1. آمار عمومی

با تجزیه و تحلیل مسیرهای تلفن همراه تعمیم یافته 5.8 میلیون نفر در مجموعه داده، می‌توانیم در مجموع 7086241 بخش زنجیره سفر را استخراج کنیم که برد آنها بین 1 کیلومتر تا 5 کیلومتر است. همانطور که در جدول 3 نشان داده شده است ، ما 1،636،494 بخش ND (24.3٪) و 1،480،342 بخش DN (22.0٪) داریم. درصد بخش‌های ND و DN به یکدیگر نزدیک هستند، که نشان‌دهنده منظم بودن الگوهای سفر انسان بین NTA و DTA در طول روز است. تعداد بخش‌های NN 3،159،753 (47.0%) است که نشان‌دهنده نسبت بزرگی از سفرها در اطراف NTA فردی است. ما همچنین 449652 را شناسایی می کنیمبخش های DD ، که تنها 6.7٪ از تعداد کل بخش های زنجیره سفر را تشکیل می دهند.
شکل 4 توزیع زمانی بخش های زنجیره سفر را بر اساس نوع نشان می دهد. همانطور که در شکل 4 الف نشان داده شده است، اکثر بخش های ND در ساعات شلوغ صبحگاهی رخ داده اند زیرا بخش های ND عمدتاً با فعالیت های رفت و آمد در این دوره زمانی مطابقت دارند (یعنی پنجره های زمانی 7، 8 و 9). ما همچنین یک اوج محلی را در پنجره زمانی 13 مشاهده می‌کنیم که احتمالاً توسط افرادی که در زمان استراحت ناهار از محل کار خود به خانه بازگشته‌اند توضیح داده می‌شود. الگوهای زمانی مشابهی برای بخش های DN مشاهده می شود ( شکل 4 C را ببینید). تعداد DNبخش ها در حوالی ساعات شلوغی بعدازظهر به اوج خود رسیدند، اما در طول شب به آرامی تحلیل رفتند. الگوهای شناسایی شده را می توان به طور بالقوه با دو دلیل توضیح داد. اول اینکه مردم زمان های مختلفی را برای ترک محل کار انتخاب کردند تا از ازدحام ترافیک جلوگیری کنند. دوم، برخی از افراد ممکن است نیاز به اضافه کاری داشته باشند و در اواخر عصر محل کار خود را ترک کنند. تمرکز بخش‌های DN در طول شب نشان می‌دهد که ساعات کار ایستگاه‌های اشتراک‌گذاری دوچرخه باید شامل این دوره‌های زمانی باشد تا نیازهای سفر مردم را برآورده کند. همانطور که در شکل 4 B نشان داده شده است، حجم بخش های NN در طول زمان نسبتا ثابت باقی می ماند. DD شکل عمدتاً در طول ساعات کاری معمولی متمرکز می‌شوند و حداکثر آن در فاصله زمانی 12 است (نگاه کنید بهشکل 4 D).

5.2. توزیع فضایی و زمانی تقاضای بالقوه

پویایی مکانی و زمانی تقاضاهای بالقوه به عنوان اطلاعات حیاتی برای برنامه ریزی و بهره برداری از ایستگاه های اشتراک دوچرخه عمل می کند. مانند �توتی�ل��پو من��ل��پدر سطح برج تلفن همراه تولید می‌شوند، ما از نقشه‌های چگالی هسته برای نشان دادن توزیع جغرافیایی تقاضای بالقوه در زمان‌های مختلف روز استفاده می‌کنیم. از آنجایی که ایستگاه اشتراک دوچرخه فقط به نقاط تقاضای نزدیک خدمات می‌دهد، باید از یک شعاع جستجوی کوچک برای تناسب با سطح چگالی استفاده شود تا الگوهای جغرافیایی تقاضا را منعکس کند. در این مطالعه، 1 کیلومتر را به عنوان شعاع جستجو برای تهیه نقشه های چگالی انتخاب می کنیم.
در این بخش، چندین بازه زمانی کلیدی برای نشان دادن توزیع های جغرافیایی انتخاب شده است �توتی�ل��پو من��ل��پ. به عنوان مثال، شکل 5 الف الگوی چگالی را نشان می دهد �توتی�ل��پدر فاصله زمانی 8 (یعنی 07:00-08:00 تا 08:00-09:00). مناطق با تراکم تقاضای بالا عمدتاً در جنوب Futian، جنوب غربی Bao’an، جنوب غربی Nanshan و Longhua مرکزی قرار دارند. این مناطق تعداد زیادی از سفرهای دوچرخه سواری را در اوایل صبح ایجاد کردند. با همپوشانی بیشتر نقشه تراکم با نقشه کاربری زمین، متوجه می‌شویم که این مناطق عمدتاً محله‌های مسکونی در شنژن هستند. به عنوان مثال، مناطق a، b، c، f و g مکان هایی با تعداد زیادی آپارتمان مسکونی هستند. مناطق d و e چندین “روستای شهری” (به عنوان مثال، روستای شانگشا و روستای هوانگانگ) در شنژن را پوشش می دهند. این «روستاهای شهری» معمولاً به مناطق پرجمعیت با جمعیت مهاجر زیاد اشاره دارند [ 57 ]. شکل 5 B الگوی چگالی را نشان می دهد �توتی�ل��پدر بازه زمانی 9 (یعنی 08:00-09:00 تا 09:00-10:00). مناطق خاصی در جنوب نانشان و جنوب فوتیان هنوز هم تعداد زیادی سفر ایجاد می کنند، در حالی که شدت سفر �توتی�ل��پدر قسمت شمالی شنژن نسبت به بازه زمانی قبلی کمتر شد. همانطور که در بالا مورد بحث قرار گرفت، مناطق شمالی (یعنی گوان وای) در شنژن عمدتاً مناطق صنعتی با تعداد زیادی کارگر مهاجر هستند، در حالی که مناطق در جنوب (یعنی گوان نی) فرصت های شغلی بیشتری را در رابطه با آموزش، فناوری ارائه می دهند. ، و تجارت. الگوهای شناسایی شده احتمالاً ناشی از تفاوت برنامه کاری بین Guan Nei و Guan Wai است.
شکل 5 C الگوی چگالی را نشان می دهد من��ل��پدر فاصله زمانی 8 (یعنی 07:00-08:00 تا 08:00-09:00). چندین منطقه با تراکم تقاضای بالا بر روی نقشه مشخص شده است. متوجه شدیم که پارک‌های صنعتی خاصی (مانند پارک فناوری فاکسکان، پارک صنعتی یانتیان) در نواحی شمالی تعداد زیادی از سفرها را در اوایل صبح به خود جلب کردند. با این حال، در جنوب شنژن، مناطق با تراکم تقاضای بالا عمدتاً مناطق تجاری و مراکز تجاری را پوشش می دهند. شکل 5 D الگوی چگالی را نشان می دهد من��ل��پدر بازه زمانی 9 (یعنی 08:00-09:00 تا 09:00-10:00). پارک‌های صنعتی در شمال در بازه زمانی 9 در مقایسه با بازه زمانی 8، سفرهای بسیار کمتری را جذب کردند. منطقه ای با بیشترین تراکم Huaqiang North است که بزرگترین مرکز تجاری در شنژن است و به دلیل تجارت سخت افزار کامپیوتر و محصولات الکترونیکی شناخته شده است.
شکل 5 E,F الگوهای جغرافیایی را نشان می دهد �توتی�ل��پو من��ل��پدر فاصله زمانی 18 (یعنی 17:00-18:00 تا 18:00-19:00)، به ترتیب. ما متوجه شدیم که مناطقی که در این بازه زمانی تعداد زیادی سفر ایجاد کرده اند (نگاه کنید به شکل 5 E) مقدار قابل توجهی از سفرها را در صبح نیز به خود جلب کرده اند ( شکل 5 C,D را ببینید). به طور مشابه، مناطقی که در اواخر بعد از ظهر سفرهای زیادی را به خود جلب کردند (نگاه کنید به شکل 5 F) همچنین تعداد زیادی سفر را در ساعات شلوغ صبحگاهی ایجاد کردند ( شکل 5 A,B را ببینید). نتایج تجزیه و تحلیل منعکس کننده نظم و ریتم الگوهای سفر انسان در شنژن است.
در ادامه الگوهای چگالی را بررسی می کنیم �توتی�ل��پو من��ل��پدر فاصله زمانی 15 (یعنی 14:00-15:00 تا 15:00-16:00). از آنجایی که ساعات شلوغی صبح و بعد از ظهر به دوره‌های زمانی اطلاق می‌شود که تعداد زیادی از بخش‌های ND و DN رخ داده است، ما این بازه زمانی خاص را برای درک بهتر پویایی تقاضای سفر مربوط به انواع دیگر بخش‌های زنجیره سفر (به عنوان مثال، NN ) انتخاب می‌کنیم. با مقایسه شکل 5 G و 5 H متوجه می شویم که الگوهای چگالی از �توتی�ل��پو من��ل��پدر فاصله زمانی 15 بسیار شبیه به یکدیگر هستند. مناطقی که سفرهای بیشتری ایجاد کردند تمایل به جذب سفرهای بیشتری در همان زمان داشتند. توجه داشته باشید که بخش قابل توجهی از تقاضای بالقوه در بازه زمانی 15 از بخش های NN استخراج شده است ( شکل 4 را ببینید ). بسیاری از مناطق با تراکم بالا از �توتی�ل��پو من��ل��پدر این فاصله زمانی با فعالیت های تفریحی و خرید همراه است. برای مثال، پارک‌های زیادی (مانند پارک Longhua، پارک Xixiang و پارک Tiezaishan) با تراکم بالای تقاضای بالقوه در این بازه زمانی پیدا می‌کنیم. این پارک ها برای عموم آزاد و رایگان هستند و امکانات ورزشی و تفریحی مختلفی را ارائه می دهند. مرکز فرهنگی و ورزشی نانشان که توسط دولت محلی تامین می شود، دارای چندین مدرسه هنری، مدارس ورزشی آماتور، مراکز فرهنگی و تئاتر است که انواع مختلفی از فعالیت های تفریحی را ارائه می دهند. منطقه تجاری دانگمن در لوهو تجارت، گردشگری، خرید و تفریح ​​را به عنوان وظایف اصلی خود ادغام می کند. به نظر می رسد تقاضای بالقوه در این دوره زمانی به شدت با فعالیت های اوقات فراغت مردم گره خورده است.

5.3. مکان های پیشنهادی ایستگاه های اشتراک دوچرخه

در این مطالعه، 5928 برج تلفن همراه منحصربه‌فرد در مجموعه داده‌ها هم به‌عنوان نقاط تقاضا و هم به عنوان مکان‌های تسهیلات نامزد استفاده می‌شوند. همانطور که در بخش 4.4 توضیح داده شد ، کل تقاضا (یعنی وزن) در هر دکل تلفن همراه پبه عنوان مجموع ورودی ها محاسبه می شود (یعنی تی�تیآل_من��ل��پ) و خروجی (یعنی تی�تیآل_�توتی�ل��پ) سفرها شکل 6 توزیع جغرافیایی این دکل های تلفن همراه و تراکم تقاضای کل (با استفاده از شعاع جستجوی 1 کیلومتر) را نشان می دهد. مناطق با تراکم بالای تقاضای کل عمدتاً در لونگهوای مرکزی، جنوب غربی بائوآن، جنوب نانشان، جنوب غربی لوهو و فوتین قرار دارند.
شکل 7 مکان ایستگاه های اشتراک دوچرخه را نشان می دهد که از مدل تخصیص مکان به دست آمده است. هنگامی که تعداد تأسیسات ( N ) برابر 300 باشد ( شکل 7 الف را ببینید)، اکثر ایستگاه های دوچرخه در اطراف مناطقی با تراکم تقاضای کل زیاد قرار دارند (مثلاً لونگهوای مرکزی، جنوب غربی بائوآن، جنوب غربی نانشان، جنوب غربی لوهو). ، و Futian). وقتی N روی 600 تنظیم می شود ( شکل 7 B را ببینید)، تراکم ایستگاه های دوچرخه در آن مناطق شروع به افزایش می کند. با افزایش N به 900 و 1200 ( شکل 7 را ببینیدC، D)، ایستگاه های دوچرخه به تدریج مناطق خاصی را در بخش شمالی شنژن پوشش می دهند (به عنوان مثال، مناطق Guangming، Longgang، و Pingshan). توجه داشته باشید که مدل تخصیص مکان چند ایستگاه دوچرخه را استخراج می کند که از اکثر ایستگاه های اشتراک دوچرخه دیگر تحت چهار سناریو ( N = 300، N = 600، N = 900 و N = 1200 ) جدا شده اند. این مکان های ایستگاه دوچرخه نباید در مرحله برنامه ریزی واقعی در نظر گرفته شوند.
جدول 4 درصدی از کل تقاضا را که می تواند توسط ایستگاه های اشتراک دوچرخه تحت چهار سناریو مختلف پوشش دهد، خلاصه می کند. راه حل N = 300 درصد قابل توجهی از تقاضای کل (40.2٪) را پوشش می دهد زیرا اکثر ایستگاه ها در مناطقی با تراکم تقاضا بسیار بالا قرار دارند. با افزایش N از 300 به 1200، درصد تقاضای تحت پوشش به تدریج از 40.2٪ به 84.6٪ افزایش می یابد که با افزودن ایستگاه های دوچرخه بیشتر، بازدهی کاهشی را نشان می دهد.

5.4. دسترسی به ایستگاه های دوچرخه

شکل 8 دسترسی به ایستگاه های دوچرخه را در چهار سناریو مختلف نشان می دهد. هنگامی که N = 300، ایستگاه های دوچرخه با دسترسی بالا عمدتاً در مناطقی قرار دارند (به عنوان مثال، لونگهوای مرکزی، جنوب غربی بائوآن، جنوب غربی نانشان، جنوب غربی لوهو، و فوتین) که در آن تراکم تقاضای کل زیاد است (نگاه کنید به ) . با تغییر N به 600، دسترسی کلی برای ایستگاه های دوچرخه در آن مناطق افزایش می یابد. با این حال، اکثر ایستگاه های دوچرخه در شمال شنژن هنوز دسترسی کم را تجربه می کنند. همانطور که N به 900 و 1200 تغییر می کند، ما یک افزایش جزئی در دسترسی به ایستگاه های دوچرخه در شمال شنژن مشاهده می کنیم، اما این روند واضح نیست.
شکل 9 میانگین دسترسی به ایستگاه های دوچرخه را بر اساس مناطق اداری نشان می دهد (داپنگ و یانتیان به دلیل تعداد بسیار کمی از ایستگاه های دوچرخه در این تحلیل خاص گنجانده نشده اند). به طور کلی، ایستگاه های دوچرخه در Futian بالاترین میانگین دسترسی را در هر چهار سناریو دارند و پس از آن Bao’an، Longhua، Luohu و Nanshan قرار دارند. ایستگاه‌های دوچرخه در گوانگ‌مینگ، لونگگانگ و پینگشان دسترسی نسبتاً کمی دارند. با افزایش N از 300 به 1200، ما شاهد افزایش کلی میانگین دسترسی برای ایستگاه های دوچرخه در اکثر مناطق هستیم. با این حال، با تغییر N از 900 به 1200، میانگین دسترسی در مناطق خاص (به عنوان مثال، Futian، Longhua، و Nanshan) ثابت می ماند یا حتی کاهش می یابد. این به این دلیل است که وقتی Nبسیار بزرگ می شود، ایستگاه های دوچرخه جدید اضافه شده به این مناطق تمایل دارند در مناطق حاشیه ای قرار بگیرند که تراکم تقاضا نسبتاً کم است. از یک طرف، مقاصد فعالیت بالقوه کمتری (یعنی فرصت ها) در اطراف این ایستگاه های دوچرخه وجود دارد که باعث دسترسی کم آنها می شود. از سوی دیگر، این ایستگاه‌های دوچرخه‌ای که به تازگی اضافه شده‌اند به دلیل سطح پایین فرصت‌های موجود، دسترسی به ایستگاه‌های دوچرخه‌سواری مجاور را به‌طور محسوسی بهبود نمی‌بخشند (به عنوان مثال، تی�تیآل_من��ل��_سی�). نتایج تجزیه و تحلیل نشان می‌دهد که در مناطقی که تقاضای بالقوه در مناطق خاصی متمرکز است، افزودن ایستگاه‌های دوچرخه بیشتر می‌تواند منجر به بهبود قابل‌توجه (دسترسی متوسط) در ابتدا شود، اما با بزرگ‌تر شدن 𝑁 بازدهی کاهشی را تجربه خواهد کرد. با این حال، برای مناطقی که تقاضای بالقوه نسبت به فضا یکنواخت‌تر است (مانند Longgang و Pingshan)، افزودن ایستگاه‌های دوچرخه‌سواری بیشتر، دسترسی کلی به ایستگاه‌ها را به شیوه‌ای سازگارتر افزایش می‌دهد.

5.5. روابط پویا بین سفرهای ورودی و خروجی در ایستگاه های دوچرخه

در این بخش از N = 1200 به عنوان مثال برای توضیح نحوه استفاده استفاده می کنیم�هتی�ل���می تواند برای درک بهتر رابطه بین سفرهای ورودی و خروجی اختصاص داده شده به ایستگاه های اشتراک دوچرخه استفاده شود. روش خوشه بندی k-means برای گروه بندی ایستگاه های دوچرخه به خوشه های مختلف بر اساس الگوهای زمانی استفاده می شود. �هتی�ل���. به منظور تعیین تعداد مناسب خوشه ها، ارزیابی می کنیم که چگونه کل واریانس درون خوشه ای با افزایش تعداد خوشه ها تغییر می کند. همانطور که در شکل 10 نشان داده شده است، هنگامی که تعداد خوشه ها از 1 به 40 تغییر می کند، کل واریانس درون خوشه ای به طور قابل توجهی در ابتدای منحنی کاهش می یابد و سپس با بزرگتر شدن تعداد خوشه ها به آرامی کاهش می یابد. در تجزیه و تحلیل خود، ما هفت را به عنوان اندازه خوشه برای انجام k-means انتخاب می کنیم زیرا افزایش بیشتر تعداد خوشه ها نتیجه را بهبود نمی بخشد.
شکل 11 مقادیر متوسط ​​(یعنی میانگین مرکز) را نشان می دهد �هتی�ل���از هفت خوشه (C1 تا C7). سفرهای ورودی و خروجی اختصاص داده شده به ایستگاه های دوچرخه در C1 در کل روز در تعادل هستند. ویژگی های این ایستگاه های دوچرخه را می توان به عنوان الگوهای استفاده ترکیبی توصیف کرد. ایستگاه‌های دوچرخه در C2 صبح‌ها به‌عنوان جاذبه‌های سفر و در اواخر بعد از ظهر و عصر به عنوان تولیدکننده سفر عمل می‌کنند. با این حال، تفاوت کلی بین سفرهای ورودی و خروجی در مقایسه با خوشه‌های C3 و C4 کمتر است. بنابراین، ایستگاه‌های دوچرخه در C2 را می‌توان به‌عنوان جذاب‌کننده ضعیف صبح توصیف کرد – تولیدکننده‌های اواخر بعد از ظهر و عصر . به طور مشابه، ایستگاه های دوچرخه در C6 را می توان به عنوان تولید کننده ضعیف صبح – اواخر بعد از ظهر و عصر جاذبه توصیف کرد . برای C3 و C4، مقادیر میانگین از �هتی�ل���تقریباً به 0.4 در صبح برسد که نشان دهنده تفاوت نسبتاً زیادی بین سفرهای ورودی و خروجی است. از این رو، ایستگاه‌های دوچرخه در C3 و C4 را می‌توان به‌عنوان یک تولیدکننده صبحگاهی قوی توصیف کرد – جاذبه‌ای در اواخر بعد از ظهر و عصر . تفاوت بین C3 و C4 در این است که اوج صبحگاهی C3 در بازه زمانی 7 (یعنی 06:00-07:00 تا 07:00-08:00) رخ می دهد و فقط دو ساعت طول می کشد. با این حال، اوج صبحگاهی C4 در بازه زمانی 8 رخ داد و ایستگاه‌های دوچرخه در این خوشه به‌عنوان تولیدکننده سفر در تمام طول صبح عمل می‌کنند. به همین ترتیب، ایستگاه‌های C5 و C7 را می‌توان به‌عنوان جاذبه‌ای قوی صبح توصیف کرد – بعد از ظهر و عصر تولیدکننده. مشابه تفاوت بین C3 و C4، ایستگاه های دوچرخه در C5 به عنوان جاذبه سفر در تمام طول صبح عمل می کنند. همچنین متوجه می‌شویم که ایستگاه‌های دوچرخه در خوشه‌های خاص (مثلاً C2، C3، C6، و C7) جهت مخالف دارند. �هتی�ل���در فاصله زمانی 12 و 13. طبق شکل 4 ، مقدار قابل توجهی از بخش های زنجیره سفر ND ، DN ، و DD در حوالی ظهر وجود دارد. این احتمال وجود دارد که افراد خاصی محل کار خود را برای فعالیت های خاص ترک کنند (مثلاً به رستوران رفتند یا به خانه بازگشتند)، و سپس به محل کار خود بازگشتند.
سپس توزیع فضایی هفت خوشه را بررسی می کنیم. همانطور که در شکل 12 نشان داده شده است ، ایستگاه های دوچرخه در C1 به طور گسترده در مناطق مختلف در شنژن پخش شده اند. ایستگاه‌های دوچرخه احتمالاً در مکان‌هایی با الگوهای کاربری مخلوط قرار دارند. سفرهای ورودی و خروجی اختصاص داده شده به این ایستگاه ها در طول روز با یکدیگر متعادل می شوند. C3، C4 و C6 مطابقت دارند تولید کننده صبح – اواخر بعدازظهر و جذب کننده عصر است. مشابه C1، ایستگاه های دوچرخه در C6 به طور گسترده در سراسر شنژن توزیع شده است. با این حال، ما متوجه می‌شویم که ایستگاه‌های دوچرخه در C3 و C4 یک تقسیم کلی شمال به جنوب دارند. ایستگاه‌های C3 عمدتاً در Guan Wai قرار دارند و ایستگاه‌های C4 عمدتاً در Guan Nei توزیع می‌شوند. همانطور که قبلاً توضیح داده شد، Guan Wai عمدتاً مناطق صنعتی را با کارگران مهاجر بسیار پوشش می دهد، در حالی که Guan Nei فرصت های شغلی متنوع تری مانند فناوری، تجارت، آموزش را ارائه می دهد. الگوهای مکانی و زمانی C3 و C4 نشان می دهد که مردم در گوان وای ساعات کاری سخت تری نسبت به مردم گوان نی دارند. از این رو، برنامه ریزان باید انتظار الگوهای مختلف استفاده از دوچرخه را بین ایستگاه های دوچرخه در C3 و C4 داشته باشند. به عنوان مثال، ایستگاه های دوچرخه در C3 به دوچرخه های رایگان بیشتری نسبت به اسکله های باز در صبح زود نیاز دارند.
C2، C5 و C7 مربوط به جاذبه صبحگاهی است – تولیدکننده اواخر بعد از ظهر و عصر . ایستگاه های دوچرخه در این دسته ها (به ویژه C5 و C7) باید به اندازه کافی اسکله دوچرخه رایگان در صبح و تعداد کافی دوچرخه در عصر داشته باشند. به طور مشابه، یک تقسیم شمال به جنوب از الگوهای توزیع C5 و C7 وجود دارد. ایستگاه های دوچرخه در C5 مراکز عمده اشتغال و تجاری در گوان نی را پوشش می دهند ( شکل 5 ج را ببینید). آنهایی که در C7 هستند عمدتا در Guan Wai واقع شده اند. به طور کلی، تفاوت الگوهای سفر مردم بین Guan Nei و Guan Wai باید به عنوان یک عامل مهم برای برنامه ریزی و عملکرد ایستگاه های دوچرخه در شنژن در نظر گرفته شود.
الگوهای زمانی جریان شبکهاز هفت خوشه و توزیع جغرافیایی آنها عدم تقارن الگوهای سفر انسان در شنژن را نشان می دهد. چنین اطلاعاتی می تواند برای تصمیم گیری ارزشمند باشد. به عنوان مثال، مکان‌های پیشنهادی با الگوهای «مخلوط» می‌توانند نامزدهای خوبی برای قرار دادن ایستگاه‌های اشتراک‌گذاری دوچرخه باشند، زیرا سفرهای ورودی و خروجی در طول روز با یکدیگر متعادل می‌شوند. برای سایر مکان‌های پیشنهادی که سفرهای ورودی و خروجی دارای عدم تعادل هستند، هزینه‌های بالقوه و استراتژی‌های تخصیص دوچرخه‌ها را می‌توان قبل از انتخاب ایستگاه‌های اشتراک دوچرخه ارزیابی کرد. علاوه بر این، هفت خوشه را می توان با سایر منابع داده همپوشانی کرد (به عنوان مثال،

6. نتیجه گیری

با استفاده از شنژن، چین به عنوان یک مطالعه موردی، این تحقیق نشان می‌دهد که چگونه می‌توان از داده‌های تلفن همراه در مقیاس بزرگ برای کشف تقاضای بالقوه سفرهای دوچرخه در یک شهر و ارائه پیشنهادهایی برای مکان‌های ایستگاه‌های اشتراک دوچرخه استفاده کرد. با شناسایی دو نقطه لنگر مهم (نقطه لنگر شبانه [ NTA ] و نقطه لنگر در روز [ DTA ]) از مسیرهای منفرد تلفن همراه، ما یک روش تقسیم‌بندی مسیر مبتنی بر نقطه لنگر را برای تقسیم مسیرهای تلفن همراه به بخش‌های زنجیره سفر پیشنهاد می‌کنیم. این بخش‌های زنجیره سفر به تورهایی اشاره دارند که در مکان‌های فعالیت اصلی افراد (مثلاً خانه و محل کار) شروع و به پایان می‌رسند و به عنوان عناصر اساسی برای تخمین سفرهای بالقوه با دوچرخه عمل می‌کنند. دو شاخص، ورودی وخروجی، در سطح برج تلفن همراه برای برآورد نیازهای بالقوه سفرهای ورودی و خروجی در نقاط مختلف شهر و زمان های مختلف در روز تولید می شوند. این دو شاخص شدت و ریتم روزانه سفرهای کوتاه مدت افراد را با وضوح فضایی نسبتاً خوب منعکس می کنند.
با اعمال یک مدل تخصیص مکان پوشش حداکثر، ما پیشنهاداتی را برای مکان ایستگاه های اشتراک دوچرخه در چهار سناریو مختلف ارائه می دهیم. راه حل با 300 ایستگاه دوچرخه ( N = 300 ) بخش قابل توجهی (40.2٪) از کل تقاضا در شهر را پوشش می دهد. با افزایش N از 300 به 1200، درصد تقاضای تحت پوشش از 40.2٪ به 84.6٪ افزایش می یابد. با این حال، میانگین دسترسی به ایستگاه‌های دوچرخه در مناطقی که تقاضاهای بالقوه در چند منطقه متمرکز است (به عنوان مثال، Futian، Longhua و Nanshan) با بزرگ‌تر شدن N بازدهی کاهشی دارد. ایستگاه‌های دوچرخه‌سواری در مناطقی که تقاضاهای بالقوه نسبت به فضا یکنواخت‌تر است (مثلاً Longgang و Pingshan) پیشرفت‌های ثابتی (دسترسی) دارند .بزرگتر می شود
یک الگوریتم k-means برای تشخیص روابط پویا بین سفرهای ورودی و خروجی اختصاص داده شده به ایستگاه های دوچرخه انجام می شود. هفت خوشه (C1 تا C7) برای نشان دادن ویژگی های منحصر به فرد این ایستگاه های دوچرخه (با استفاده از N = 1200 به عنوان مثال) مشتق شده اند. C1 به مکان های ایستگاه دوچرخه با الگوهای سفر مخلوط اشاره دارد. این مکان ها به دلیل تعادل سفرهای ورودی و خروجی در کل روز می توانند کاندیدهای خوبی برای قرار دادن ایستگاه های دوچرخه باشند. C3، C4 و C6 به‌عنوان تولیدکننده صبح – اواخر بعد از ظهر و عصر جاذبه شناخته می‌شوند ، به این معنی که در این ایستگاه‌ها، دوچرخه‌های بیشتری در صبح باید در دسترس باشند تا سفرهای خروجی را برآورده کنند. C2، C5 و C7 اشاره داردجذب کننده صبح – تولید کننده اواخر بعد از ظهر و عصر . این ایستگاه ها باید اسکله های بازتری در صبح داشته باشند تا سفرهای ورودی را جذب کنند. توجه داشته باشید که ایستگاه‌های C3 که عمدتاً در بخش شمالی شنژن (گوان وای) واقع شده‌اند، فقط در اوایل صبح به عنوان تولیدکننده سفر عمل می‌کنند. در حالی که آنهایی که در C4 هستند، که عمدتا در جنوب (Guan Nei) واقع شده‌اند، به عنوان تولیدکننده سفر در طول صبح خدمت می‌کنند. تفاوت مشابهی بین C5 و C7 مشاهده می شود. تفاوت زمانی الگوهای سفر انسان بین شمال و جنوب، که به طور بالقوه به صنعت محلی و ساختارهای اشتغال مرتبط است، باید به عنوان یک عامل مهم برای برنامه ریزی ایستگاه های اشتراک دوچرخه در شنژن در نظر گرفته شود.
جنبه های مختلفی از این مطالعه وجود دارد که می تواند در مطالعات آتی بیشتر تقویت شود. اول، تحقیق حاضر با استفاده از داده های تلفن همراه جمع آوری شده در یک روز هفته انجام شده است. تجزیه و تحلیل داده های تلفن همراه جمع آوری شده در روزهای هفته و آخر هفته برای به دست آوردن دید جامع تری از تقاضاهای بالقوه سفر با دوچرخه در یک شهر مفید خواهد بود. دوم، از آنجایی که نرخ نمونه‌گیری از این مجموعه داده تلفن همراه یک ساعت است، ممکن است مکان‌های InTransit تعریف‌شده در تجزیه و تحلیل ما، تمام توقف‌های میانی زنجیره سفرهای روزانه افراد را نشان ندهند. این بدان معناست که تحلیل فعلی ممکن است تقاضای بالقوه سفرهای دوچرخه را در برخی از ایستگاه های میانی که توسط داده های تلفن همراه ثبت نشده اند، دست کم بگیرد. گنجاندن داده های تلفن همراه که دوره زمانی طولانی تری را پوشش می دهد (به عنوان مثال، چند ماه) می تواند شناسایی این توقف های میانی را بر اساس الگوهای تکراری رفتار مسافرتی فردی بهبود بخشد. سوم، پیشنهادات برای قرار دادن ایستگاه های اشتراک دوچرخه بر اساس تقاضای بالقوه حاصل از داده های تلفن همراه ارائه شده است. عوامل دیگری مانند توپوگرافی زمین، ایمنی، زیرساخت های فعلی خطوط دوچرخه، و اتصال به ایستگاه های حمل و نقل مجاور [3 ، 58 ] باید در مطالعات آینده برای ارزیابی بیشتر مناسب بودن مکان های ایستگاه دوچرخه خاص در نظر گرفته شود. در مجموع، این مطالعه درک ما را از پویایی مکانی-زمانی سفرهای بالقوه دوچرخه در شنژن افزایش می‌دهد. روش‌های پیشنهادی را می‌توان برای داده‌های تلفن همراه و منابع داده مشابه جمع‌آوری‌شده در شهرهای دیگر برای حمایت از تصمیم‌گیری‌های فضایی هوشمند در برنامه‌ریزی حمل‌ونقل عمومی اعمال کرد.

منابع

  1. سرورو، آر. دانکن، ام. پیاده‌روی، دوچرخه‌سواری، و مناظر شهری: شواهدی از منطقه خلیج سانفرانسیسکو. صبح. J. بهداشت عمومی 2003 ، 93 ، 1478-1483. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. بارنز، جی. Krizek، K. برآورد تقاضای دوچرخه سواری. ترانسپ Res. ضبط J. Transp. Res. هیئت 2005 . [ Google Scholar ] [ CrossRef ]
  3. لارسن، جی. پترسون، ز. الجنیدی، الف. آن را بساز. اما کجا؟ استفاده از سیستم های اطلاعات جغرافیایی در شناسایی مکان ها برای زیرساخت های دوچرخه سواری جدید. بین المللی. J. Sustain. ترانسپ 2013 ، 7 ، 299-317. [ Google Scholar ] [ CrossRef ]
  4. کاندیا، جی. گونزالس، ام سی؛ وانگ، پی. شونهارل، تی. مدی، جی. باراباسی، ع.-ال. کشف پویایی های فردی و جمعی انسان از سوابق تلفن همراه. J. Phys. یک ریاضی نظریه. 2008 , 41 , 224015. [ Google Scholar ] [ CrossRef ]
  5. آحاس، ر. سیلم، اس. جرو، او. سالویر، ای. Tiru, ​​M. استفاده از داده های موقعیت یابی تلفن همراه برای مدل سازی مکان های معنی دار برای کاربران تلفن های همراه. J. فناوری شهری. 2010 ، 17 ، 3-27. [ Google Scholar ] [ CrossRef ]
  6. چو، ای. مایرز، SA; Leskovec, J. دوستی و تحرک: حرکت کاربر در شبکه های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 21 تا 24 اوت 2011. ص 1082-1090.
  7. بکر، آر. کاسرس، آر. هانسون، ک. ایزاکمن، اس. لوه، جی ام؛ مارتونوسی، م. رولند، جی. اوربانک، اس. ورشاوسکی، آ. وولینسکی، سی. توصیف تحرک انسان از داده های شبکه سلولی. اشتراک. ACM 2013 ، 56 ، 74-82. [ Google Scholar ] [ CrossRef ]
  8. خو، ی. شاو، اس ال. ژائو، ز. یین، ال. نیش، ز. لی، کیو. درک کل الگوهای تحرک انسان با استفاده از داده های موقعیت مکانی تلفن همراه منفعل: یک رویکرد مبتنی بر خانه. حمل و نقل 2015 ، 42 ، 625-646. [ Google Scholar ] [ CrossRef ]
  9. خو، ی. شاو، اس ال. ژائو، ز. یین، ال. لو، اف. چن، جی. نیش، ز. لی، کیو. داستان دیگری از دو شهر: درک فضای فعالیت انسانی با استفاده از داده‌های موقعیت مکانی تلفن همراه ردیابی شده فعال. ان صبح. دانشیار Geogr. 2016 ، 106 ، 489-502. [ Google Scholar ]
  10. Strathman، JG; دوکر، کی جی. دیویس، JS اثرات ساختار خانوار و ویژگی های سفر انتخاب شده بر زنجیره سفر. حمل و نقل 1994 ، 21 ، 23-45. [ Google Scholar ] [ CrossRef ]
  11. مک گاکین، ن. زمود، ج. ناکاموتو، ی. روندهای زنجیره سفر در ایالات متحده: درک رفتار سفر برای سیاست گذاری. ترانسپ Res. ضبط J. Transp. Res. هیئت 2005 ، 1917 ، 199-204. [ Google Scholar ] [ CrossRef ]
  12. گلوب، TF; Hensher، DA فعالیت زنجیره‌ای سفر ساکنان سیدنی: ارزیابی مقطعی بر اساس گروه سنی با تمرکز بر سالمندان. J. Transp. Geogr. 2007 ، 15 ، 298-312. [ Google Scholar ] [ CrossRef ]
  13. موسسه حمل و نقل و سیاست توسعه راهنمای برنامه ریزی اشتراک دوچرخه. در دسترس آنلاین: https://www.itdp.org/wp-content/uploads/2014/07/ITDP_Bike_Share_Planning_Guide.pdf (در 25 اکتبر 2015 قابل دسترسی است).
  14. DeMaio، PJ دوچرخه های هوشمند: حمل و نقل عمومی برای قرن بیست و یکم. ترانسپ Q. 2003 , 57 , 9-11. [ Google Scholar ]
  15. وانگ، Z.-G. کنگ، ز. Xie، J.-H. یین، ال.-ای. نسل سوم سیستم های اشتراک دوچرخه در اروپا: برنامه ها و پیامدها ترانسپ شهری چین 2009 ، 4 ، 7-12. [ Google Scholar ]
  16. شاهین، س. گوزمان، س. ژانگ، اچ. اشتراک دوچرخه در اروپا، آمریکا و آسیا: گذشته، حال و آینده. ترانسپ Res. ضبط J. Transp. Res. هیئت 2010 . [ Google Scholar ] [ CrossRef ]
  17. DeMaio، P. Bike-اشتراک گذاری: تاریخچه، اثرات، مدل های ارائه، و آینده. J. Public Transp. 2009 ، 12 ، 41-56. [ Google Scholar ] [ CrossRef ]
  18. هارکی، دی. رینفورت، دی. Knuiman، M. توسعه شاخص سازگاری دوچرخه. ترانسپ Res. ضبط J. Transp. Res. هیئت 1998 ، 1636 ، 13-20. [ Google Scholar ] [ CrossRef ]
  19. ایاکونو، ام. کریزک، کی جی. El-Geneidy، A. اندازه گیری دسترسی غیر موتوری: مسائل، جایگزین ها، و اجرا. J. Transp. Geogr. 2010 ، 18 ، 133-140. [ Google Scholar ] [ CrossRef ]
  20. پورتر، سی. ساهربیر، جی. شوارتز، دبلیو. پیش بینی سفر با دوچرخه و عابر پیاده: وضعیت تمرین و نیازهای تحقیقاتی. ترانسپ Res. ضبط J. Transp. Res. هیئت 1999 ، 94-101. [ Google Scholar ] [ CrossRef ]
  21. معیارهای عملکرد سیستم دوچرخه Landis، BW Bicycle. ITE J. 1996 ، 66 ، 18-26. [ Google Scholar ]
  22. کلارک، دی. برآورد سفرهای دوچرخه و عابر پیاده آینده از مدل پیش بینی تقاضای سفر. در مجموعه مقالات شصت و هفتمین نشست سالانه موسسه مهندسین حمل و نقل، واشنگتن، دی سی، ایالات متحده آمریکا، 14 ژوئیه 1997.
  23. ریبارچیک، جی. Wu, C. برنامه ریزی تسهیلات دوچرخه با استفاده از GIS و تجزیه و تحلیل تصمیم گیری چند معیاره. Appl. Geogr. 2010 ، 30 ، 282-293. [ Google Scholar ] [ CrossRef ]
  24. واردمن، م. تنگ، م. Page, M. عوامل مؤثر بر تمایل به دوچرخه سواری به محل کار. ترانسپ Res. یک عمل سیاستی 2007 ، 41 ، 339-350. [ Google Scholar ] [ CrossRef ]
  25. گونزالس، ام سی؛ هیدالگو، کالیفرنیا؛ Barabasi, AL درک الگوهای حرکتی فردی انسان. طبیعت 2008 ، 453 ، 779-782. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. Bayir، MA; دمیرباس، م. Eagle, N. Mobility profiler: چارچوبی برای کشف پروفایل های تحرک کاربران تلفن همراه. محاسبات موبایلی فراگیر 2010 ، 6 ، 435-454. [ Google Scholar ] [ CrossRef ]
  27. Phithakkitnukoon، S. هورانونت، تی. دی لورنزو، جی. شیباساکی، آر. Ratti, C. Activity-Aware map: شناسایی الگوی فعالیت روزانه انسان با استفاده از داده های تلفن همراه. در درک رفتار انسان ; Springer: برلین، آلمان، 2010; ص 14-25. [ Google Scholar ]
  28. آهنگ، سی. Qu، Z. بلوم، ن. باراباسی، ع.-ال. محدودیت های قابل پیش بینی در تحرک انسان Science 2010 ، 327 ، 1018-1021. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  29. کالابرز، اف. دیائو، م. دی لورنزو، جی. فریرا، جی. Ratti, C. درک الگوهای تحرک فردی از داده های سنجش شهری: نمونه ردیابی تلفن همراه. ترانسپ Res. سی ظهور. تکنولوژی 2013 ، 26 ، 301-313. [ Google Scholar ] [ CrossRef ]
  30. دی مونتجویه، ی.-آ. هیدالگو، کالیفرنیا؛ ورلیسن، ام. Blondel، VD Unique in the Crowd: مرزهای حریم خصوصی تحرک انسان. علمی Rep. 2013 , 3 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  31. آحاس، ر. آسا، ا. مارک، Ü. پی، تی. Kull، A. فضاهای گردشگری فصلی در استونی: مطالعه موردی با داده های موقعیت یابی تلفن همراه. تور. مدیریت 2007 ، 28 ، 898-910. [ Google Scholar ] [ CrossRef ]
  32. راتی، سی. سوتسوک، ا. هوانگ، اس. Pailer, R. Mobile Landscapes: Graz in Real Time ; Springer: برلین، آلمان، 2007. [ Google Scholar ]
  33. ریدز، جی. کالابرز، اف. Ratti, C. Eigenplaces: تجزیه و تحلیل شهرها با استفاده از ساختار فضا-زمان شبکه تلفن همراه. محیط زیست طرح. B طرح. دس 2009 ، 36 ، 824-836. [ Google Scholar ] [ CrossRef ]
  34. ویرا، ام آر. فریاس مارتینز، وی. الیور، ن. فریاس مارتینز، E. مشخص کردن مناطق شهری متراکم از داده های تماس تلفنی: کشف و پویایی اجتماعی. در مجموعه مقالات اجتماعی 2010 دومین کنفرانس بین المللی IEEE در محاسبات (SocialCom)، مینیاپولیس، MN، ایالات متحده آمریکا، 20-22 اوت 2010.
  35. اقبال، ام اس; Choudhury، CF; وانگ، پی. González، MC توسعه ماتریس مبدا-مقصد با استفاده از داده های تماس تلفن همراه. ترانسپ Res. سی ظهور. تکنولوژی 2014 ، 40 ، 63-74. [ Google Scholar ] [ CrossRef ]
  36. الکساندر، ال. جیانگ، اس. مورگا، م. González، MC سفرهای مبدأ-مقصد بر اساس هدف و زمان روز استنباط شده از داده های تلفن همراه. ترانسپ Res. سی ظهور. تکنولوژی 2015 ، 58 ، 240-250. [ Google Scholar ] [ CrossRef ]
  37. دونگ، اچ. وو، ام. دینگ، ایکس. چو، ال. جیا، ال. Qin، Y. ژو، X. تقسیم منطقه ترافیک بر اساس داده های بزرگ از ایستگاه های پایه تلفن همراه. ترانسپ Res. سی ظهور. تکنولوژی 2015 ، 58 ، 278-291. [ Google Scholar ] [ CrossRef ]
  38. وانگ، پی. هانتر، تی. باین، AM; شچتنر، ک. González، MC درک الگوهای استفاده از جاده در مناطق شهری. علمی جمهوری 2012 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  39. مارتینز، ال.ام. کائتانو، ال. ایرو، تی. کروز، اف. یک الگوریتم بهینه‌سازی برای تعیین مکان ایستگاه‌های یک سیستم دوچرخه‌سواری ناوگان مختلط: یک برنامه کاربردی برای شهر لیسبون. Procedia Soc. رفتار علمی 2012 ، 54 ، 513-524. [ Google Scholar ] [ CrossRef ]
  40. García-Palomares, JC; گوتیرز، جی. Latorre، M. بهینه سازی مکان ایستگاه ها در برنامه های اشتراک دوچرخه: یک رویکرد GIS. Appl. Geogr. 2012 ، 35 ، 235-246. [ Google Scholar ] [ CrossRef ]
  41. Rushton, G. موقعیت بهینه امکانات ; COM Press: Wentworth، NH، ایالات متحده، 1979. [ Google Scholar ]
  42. حکیمی، SL توزیع بهینه مراکز سوئیچینگ در یک شبکه ارتباطی و برخی مسائل نظری گراف مرتبط. اپراتور Res. 1965 ، 13 ، 462-475. [ Google Scholar ] [ CrossRef ]
  43. سوزوکی، آ. Drezner, Z. مسئله مکان مرکز p در یک منطقه. مکان یابی کنید. علمی 1996 ، 4 ، 69-82. [ Google Scholar ] [ CrossRef ]
  44. تورگاس، سی. سواین، آر. ریول، سی. برگمن، ال. محل تأسیسات خدمات اضطراری. اپراتور Res. 1971 ، 19 ، 1363-1373. [ Google Scholar ] [ CrossRef ]
  45. کلیسا، آر. Velle، CR مشکل مکان پوشش حداکثر. پاپ Reg. علمی 1974 ، 32 ، 101-118. [ Google Scholar ] [ CrossRef ]
  46. شنژن دیلی. “شنژن: شلوغ ترین در چین”. 2012. در دسترس آنلاین: http://szdaily.sznews.com/html/2012-05/30/content_2063502.htm (در 3 اکتبر 2015 قابل دسترسی است).
  47. کمیسیون حمل و نقل شهرداری شنژن. دستورالعمل های برنامه ریزی و طراحی حمل و نقل برای سیستم های عابر پیاده و دوچرخه در شنژن. 2011. در دسترس آنلاین: http://www.szpl.gov.cn/xxgk/ztzl/zxcgh/jtghcgg.pdf (در 31 اوت 2015 قابل دسترسی است). [ Google Scholar ]
  48. Dijst، M. خانواده های دو نفره و فضاهای عمل آنها: مطالعه موردی دو جامعه هلندی. GeoJ 1999 ، 48 ، 195-206. [ Google Scholar ] [ CrossRef ]
  49. شونفلدر، اس. فضاهای فعالیت Axhausen، KW: اقدامات طرد اجتماعی؟ ترانسپ سیاست 2003 ، 10 ، 273-286. [ Google Scholar ] [ CrossRef ]
  50. Csáji، BC; برویت، ا. Traag، VA; دلون، ج.-سی. هوئنس، ای. ون دورن، پی. اسموردا، ز. Blondel, VD بررسی تحرک کاربران تلفن همراه. فیزیک یک آمار مکانیک. Appl. 2013 ، 392 ، 1459-1473. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. ایزاکمن، اس. بکر، آر. کاسرس، آر. مارتونوسی، م. رولند، جی. ورشاوسکی، آ. مدلسازی تحرک انسانی در مقیاس شهری. در مجموعه مقالات دهمین کنفرانس بین المللی سیستم های تلفن همراه، برنامه ها و خدمات، Ambleside، انگلستان، 25-29 ژوئن 2012.
  52. Hägerstrand، T. در مورد افراد در علم منطقه چطور؟ پاپ Reg. علمی 1970 ، 24 ، 7-24. [ Google Scholar ] [ CrossRef ]
  53. بله، X. پندیالا، RM; گوتاردی، جی. کاوشی در رابطه بین انتخاب حالت و پیچیدگی الگوهای زنجیره سفر. ترانسپ Res. روش B. 2007 ، 41 ، 96-113. [ Google Scholar ] [ CrossRef ]
  54. خو، ن. لینگ، ی. Jinxing، H. شناسایی مکان‌های کار خانگی از داده‌های ردیابی تلفن همراه کوتاه‌مدت، در مقیاس بزرگ و نمونه‌برداری منظم. Geomat. Inf. علمی دانشگاه ووهان 2014 ، 39 ، 750-756. [ Google Scholar ]
  55. لانگ، ی. ژانگ، ی. Cui, C. شناسایی الگوی رفت و آمد پکن با استفاده از داده های کارت هوشمند اتوبوس. Acta Geogr. گناه 2012 ، 67 ، 1339-1352. [ Google Scholar ]
  56. Hansen, WG چگونه دسترسی به استفاده از زمین شکل می دهد. مربا. Inst. طرح. 1959 ، 25 ، 73-76. [ Google Scholar ] [ CrossRef ]
  57. وی، ال. Yan, X. تبدیل “روستای شهری” و حالت عملی. طرح شهر. Rev. 2005 , 7 , 9-14. [ Google Scholar ]
  58. شوید، جی. دوچرخه سواری برای حمل و نقل و سلامت: نقش زیرساخت. J. سیاست بهداشت عمومی 2009 ، 30 ، S95-S110. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Ijgi 05 00131 g001 1024
شکل 1. ( الف ) موقعیت شنژن در چین. و ( ب ) مناطق اداری شنژن.
Ijgi 05 00131 g002 1024
شکل 2. مسیر حرکت تلفن همراه یک فرد تیو مفاهیم: (1) نقطه لنگر فعالیت ( AAP ). (2) برج تلفن همراه تصادفی؛ (3) حرکات بین خوشه ای. و (4) حرکات درون خوشه ای.
Ijgi 05 00131 g003 1024
شکل 3. خط سیر تعمیم یافته تلفن همراه ( تی“) از مسیر خط تلفن همراه خام یک فرد ( تی) با استفاده از برج تلفن همراه نماینده هر خوشه.
Ijgi 05 00131 g004 1024
شکل 4. توزیع زمانی بخش های زنجیره سفر بر اساس نوع: ( A ) بخش های زنجیره سفر ND . ( ب ) بخش های زنجیره سفر NN ; ( C ) بخش های زنجیره سفر DN ; و ( D ) بخش های زنجیره سفر DD .
Ijgi 05 00131 g005 1024
شکل 5. الگوهای توزیع فضایی: ( A ) �توتی�ل��پدر بازه زمانی 8; ( ب ) �توتی�ل��پدر بازه زمانی 9; ( ج ) من��ل��پدر بازه زمانی 8; ( D ) من��ل��پدر بازه زمانی 9; ( E ) �توتی�ل��پدر بازه زمانی 18; ( F ) من��ل��پدر بازه زمانی 18; ( G ) �توتی�ل��پدر فاصله زمانی 15; و ( H ) من��ل��پدر بازه زمانی 15.
Ijgi 05 00131 g006 1024
شکل 6. ( الف ) توزیع فضایی دکل های تلفن همراه (در مجموع 5928). و ( ب ) تراکم تقاضای کل (واحد: �تومتربه�/کمتر2).
Ijgi 05 00131 g007 1024
شکل 7. مکان ایستگاه های اشتراک دوچرخه برگرفته از مدل حداکثر پوشش مکان-تخصیص: ( الف ) 300 تسهیلات; ( ب ) 600 تسهیلات; ( ج ) 900 تسهیلات; و ( د ) 1200 تسهیلات.
Ijgi 05 00131 g008 1024
شکل 8. دسترسی به ایستگاه های دوچرخه: ( الف ) 300 امکانات; ( ب ) 600 تسهیلات; ( ج ) 900 تسهیلات; و ( د ) 1200 تسهیلات.
Ijgi 05 00131 g009 1024
شکل 9. میانگین دسترسی به ایستگاه های دوچرخه بر اساس مناطق تحت چهار سناریو مختلف.
Ijgi 05 00131 g010 1024
شکل 10. رابطه بین کل واریانس درون خوشه ای و تعداد خوشه های حاصل از روش خوشه بندی k-means.
Ijgi 05 00131 g011 1024
شکل 11. الگوهای زمانی �هتی�ل���از هفت خوشه مشتق شده از الگوریتم خوشه بندی k-means.
Ijgi 05 00131 g012 1024
شکل 12. ( A ) توزیع فضایی C1، C3، C4 و C6. و ( B ) توزیع فضایی C1، C2، C5، و C7.
جدول
جدول 1. نمونه ای از سوابق موقعیت مکانی تلفن همراه یک فرد.
جدول
جدول 2. چهار نوع از بخش های زنجیره سفر مشتق شده از مسیرهای منفرد تلفن همراه.
جدول
جدول 3. تعداد و درصد بخش های زنجیره سفر استخراج شده بر اساس نوع.
جدول
جدول 4. درصد کل تقاضای پوشش داده شده توسط ایستگاه های اشتراک دوچرخه.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370