بررسی "موقعیت" تعاملات فضایی درون شهری در شهر نیویورک با استفاده از داده های چهار مربعی

خلاصه

به لطف محبوبیت روزافزون شبکه‌های اجتماعی مبتنی بر مکان، حجم زیادی از داده‌های ثبت نام با مرجع جغرافیایی تولید شده توسط کاربر در حال حاضر در دسترس است و چنین داده‌های ورود به یک منبع داده جدید در مطالعه تحرک و سفر است. به طور معمول، تعاملات فضایی بین مکان ها بر اساس سفرهای انجام شده بین آنها اندازه گیری شد. این مقاله به طور تجربی استفاده از داده های رسانه های اجتماعی ( به عنوان مثالداده های چهار ضلعی) برای مطالعه «محلیت» چنین تعاملات فضایی درون شهری در شهر نیویورک، و به طور خاص: (1) سطح «محلی» تعاملات فضایی. (2) تأثیر ویژگی‌های شخصی بر «محل» تعامل فضایی و در نهایت؛ (iii) ناهمگونی در توزیع فضایی تعاملات “محلی”. نتایج این مطالعه نشان می دهد که: (1) تعاملات فضایی درجه بالایی از محلی را نشان می دهد. (2) جنسیت تأثیر قابل توجهی بر محلی بودن تعاملات فضایی ندارد و در نهایت; (3) تعاملات «محلی» احتمالاً در برخی از مکان‌های شهر تحقیقاتی خوشه‌ای هستند.

کلید واژه ها:

تحرک انسان ؛ تعامل فضایی ; چهار مربع ؛ شبکه پیچیده ؛ تشخیص جامعه

1. معرفی

محصولات شبکه اجتماعی مبتنی بر مکان (LBSN) مانند Foursquare، Gowalla، Google Latitude و Facebook Places در حال تبدیل شدن به منبع مهمی از اطلاعات جغرافیایی داوطلبانه (VGI) هستند. به‌عنوان محبوب‌ترین LBSN، Foursquare دارای نه دسته مکان، از جمله غذا، مسافرت، و حمل‌ونقل است و صدها زیرمجموعه از جمله کافه‌ها، ایستگاه‌های اتوبوس و ایستگاه‌های قطار را پوشش می‌دهد [1 ] . Foursquare بیش از 50 میلیون کاربر در سراسر جهان دارد، و بیش از 6 میلیارد ورود با استفاده از وب سایت تا ماه مه 2014 انجام شده است، با میلیون ها بررسی جدید هر روز [ 2]]. اگرچه داده‌های ورود دارای محدودیت‌هایی از نظر نحوه نمایش تحرک انسان هستند – به عنوان مثال، تعصب گروه سنی و طبقه‌بندی مکان را نشان می‌دهد – چنین داده‌هایی توانایی شناسایی الگوهای تحرک انسان را مطابق با مکانیسم‌های خاصی دارند [3 ، 4 ] . در مقایسه با برخی از منابع داده دیگر (به عنوان مثال، داده های نظرسنجی و داده های تلفن همراه)، داده های بررسی LBSN دارای مزایایی به عنوان شاخص دسته های فعالیت های انسانی مانند غذاخوری، کار، و خرید است، زیرا وضوح دقیقی را ارائه می دهد. ، و به راحتی در دسترس است. بنابراین، داده‌های ثبت نام با مرجع جغرافیایی تولید شده توسط کاربر، زمانی که مایل به مطالعه تحرک انسان هستند، پتانسیل بسیار خوبی دارد، همانطور که برخی از محققان قبلاً نشان داده‌اند [ 3 ، 5 ، 6 ، 7, 8 , 9 , 10 , 11 ]. از آنجایی که تعاملات فضایی از طریق استفاده از الگوهای تحرک انسانی اندازه‌گیری می‌شود، بنابراین داده‌های ورود پتانسیل قابل‌توجهی در مطالعه تعامل فضایی دارند. بنابراین، در این مطالعه از داده های بررسی LBSN برای مطالعه تعاملات فضایی درون شهری استفاده خواهیم کرد. قبل از معرفی چگونگی ساختار مقاله، تحقیقات قبلی در مورد تحرک درون شهری و تعاملات فضایی را مرور خواهیم کرد.

1.1. مروری کوتاه بر تحقیقات قبلی در مورد تحرک درون شهری و تعاملات فضایی

در دو دهه گذشته، تحرک درون شهری به یک موضوع تحقیقاتی محبوب در سراسر جامعه تحقیقاتی از جمله در میان جغرافیدانان، برنامه ریزان شهری، دانشمندان کامپیوتر و فیزیکدانان تبدیل شده است.

جغرافیدانان به توزیع فضایی تحرک درون شهری علاقه مند هستند و برنامه ریزان شهری می خواهند با بررسی تغییرات مکانی و زمانی زمان سفر و جریان سفر، کارایی حمل و نقل را بهبود بخشند [ 12 ، 13 ، 14 ، 15 ]. برای درک کمی تحرک، دانشمندان کامپیوتر و فیزیکدانان در مدلسازی توزیع مسافت سفر به روش ریاضی نقش دارند [ 16 ، 17 ، 18 ]. چند مطالعه توانسته اند الگوهای تحرک انسان را با استفاده از داده های تلفن همراه، ردیابی GPS خودرو و داده های رسانه های اجتماعی شناسایی کنند [ 3 ، 5 ، 15 ، 16 ،17 ، 18 ، 19 ، 20 ]. یکی از رایج‌ترین یافته‌ها در میان چنین مطالعاتی این است که توزیع مسافت سفر از قانون توان [ 12 ، 16 ] یا قانون نمایی [ 4 ، 21 ، 22 ] پیروی می‌کند. یکی دیگر از یافته های رایج این است که انسان ها از الگوهای تحرک ساده و قابل تکرار پیروی می کنند [ 15 ، 16 ]. برخی از مطالعات دیگر سعی کرده اند توزیع های تحرک درون شهری را با استفاده از مدل های [ 12 ، 23 ] مانند مدل گرانشی [ 23 ] و اشکال اصلاح شده آن – عمدتاً بر اساس اثر فاصله- فروپاشی [ 12] تفسیر کنند.]، و مدل توزیع جمعیت – که محبوب ترین مدل شبیه سازی مورد استفاده است [ 12 ، 22 ].

برخی از محققان [ 17 ، 18 ] از مطالعات تجربی برای نشان دادن سطوح بالقوه قابل پیش‌بینی با توجه به تحرک کاربر استفاده کرده‌اند [ 17 ]، در حالی که برخی دیگر تلاش کرده‌اند تا چگونگی ویژگی‌های شکل شهری (مانند مساحت زمین، ترکیب کاربری زمین، جاده و تراکم جمعیت را کشف کنند. ) و ویژگی های شخصی یا خانوادگی (به عنوان مثال، سن، جنسیت، سطح تحصیلات، اشتغال، درآمد و سطوح مالکیت خودرو) بر تحرک انسانی درون شهری تأثیر می گذارد [11 ، 15 ، 20 ، 24 ، 25 ، 26 ، 27 ] . علاوه بر این، از دیدگاه شبکه، برخی از مطالعات بر روی شبکه‌های سفر درون شهری متمرکز شده‌اند.28 و 29 ، نشان می‌دهد که مانند برخی از شبکه‌های اتصال معمولی مانند شبکه جهانی وب، اینترنت، شبکه‌های دوستی و شبکه‌های همکاری علمی، شبکه‌های مسافرتی درون شهری شبکه‌های «جهان کوچک» هستند [30 ] . در نهایت، برخی از مطالعات الگوهای زیربنایی تحرک درون شهری را برای درک ساختار شهری و عملکرد مناطق فرعی [ 31 ، 32 ]، و برای اندازه گیری بهتر محبوبیت مکان ها (به عنوان مثال، خرده فروشی ها) برای انتخاب مکان ها نشان داده اند [ 33 ، 34 ].

1.2. انگیزه برای این مطالعه

در برخی از مطالعات [ 35 ، 36 ]، از سفرهای بین واحدهای جغرافیایی مانند شهرها و محله‌ها برای اندازه‌گیری تعامل بین دو واحد جغرافیایی استفاده می‌شود. به طور مشابه، سفرهای بین مکان‌هایی مانند رستوران‌ها، آپارتمان‌ها و ایستگاه‌های اتوبوس برای اندازه‌گیری تعاملات بین مکان‌ها در یک شهر مورد استفاده قرار گرفته‌اند. از تعداد و طول چنین سفرهایی می توان برای نشان دادن قدرت و طول تعامل بین مکان ها استفاده کرد. فعل و انفعالات فضایی نیز توسط محققان برای درک بهتر الگوهای تحرک انسانی و پدیده های پویا با واسطه انسان، مانند گسترش بیماری های عفونی، که نتایج آن ممکن است برای برنامه ریزان شهری و تصمیم گیرندگان مفید باشد، تجزیه و تحلیل شده است [28 ، 37 ، 38 ]]. به عنوان یکی از زیر شاخه های برنامه ریزی شهری، برنامه ریزی حمل و نقل با درک بهتر توزیع فضایی تحرک انسانی در شهرها بهبود خواهد یافت. علاوه بر این، «رفتار انسان نقش مهمی در گسترش بیماری‌های عفونی دارد و درک تأثیر رفتار بر شیوع بیماری‌ها می‌تواند برای بهبود تلاش‌های کنترلی کلیدی باشد». [ 39 ]. بدیهی است که تصمیم گیرندگان در مورد چگونگی بهبود کنترل بر گسترش بیماری های عفونی نگران هستند. از یک طرف، بررسی الگوهای تعامل فضایی ممکن است برای مشاغل مفید باشد، به عنوان مثال، با کمک به شناسایی یک مکان خوب بر اساس ترجیحات شخصی کاربر، یا انتخاب یک سایت خوب برای یک فروشگاه جدید. اولی توسط مطالعات از طریق استفاده از داده های رسانه های اجتماعی مورد بررسی قرار گرفته است [ 4 ، 6]، در حالی که دومی یک زمینه جدید در مطالعات تحرک با استفاده از داده های رسانه های اجتماعی است. بررسی فواصل تعامل فضایی ممکن است هنگام انتخاب مکان یک فروشگاه، رستوران یا سایر امکانات خدماتی جدید کمک کند. به عنوان مثال، اگر یک رستوران جدید برای خدمات رسانی به مشتریان مراکز تناسب اندام و ورزشی تأسیس شود، باید در نزدیکی آنها قرار گیرد. با این حال، ممکن است همیشه سودآورترین تصمیم برای افتتاح یک رستوران بسیار نزدیک به یک باشگاه ورزشی نباشد، بنابراین هنگام انتخاب یک سایت، باید بررسی کرد که یک رستوران نزدیک به یک باشگاه تا چه حد می تواند تعداد زیادی از کاربران باشگاه را جذب کند. . علاوه بر تصمیم‌گیری‌های مکان کسب‌وکار، مدیریت شیوع بیماری‌های عفونی نیز می‌تواند از تعامل فضایی یا تجزیه و تحلیل تحرک انسانی سود ببرد [ 37 ، 40 ، 41]]. به عنوان مثال، اگر یک فرد سالم در یک دوره زمانی مشابه با یک فرد بیمار، مثلاً در طول یک روز، به یک مکان مراجعه کند، نسبت به افرادی که از محل برگزاری بازدید نمی‌کنند، احتمال ابتلای او بیشتر است. بنابراین، مسیر حرکت ممکن است ارتباط نزدیکی با گسترش یک بیماری داشته باشد. با یک برهمکنش قوی که حاکی از احتمال بالاتر گسترش بیماری است و با فعل و انفعالات از راه دور که حاکی از پتانسیل بیشتر برای گستره فضایی بیشتر گسترش است. قدرت و طول تعامل بین مکان‌ها را می‌توان در شبیه‌سازی‌های گسترش بیماری در نظر گرفت.

این مطالعه به صراحت با انگیزه زیر انجام شد. اثر فروپاشی فاصله [ 42] ظاهراً دلالت بر این دارد که تحرک انسانی یا تعاملات فضایی دارای درجه زیادی از “محل” مرتبط با آنها است، بنابراین این مطالعه سعی دارد “محلی” تعاملات فضایی را به روش کمی بررسی کند. علاوه بر این، از آنجایی که ادبیات موجود نشان می‌دهد که تحرک درون شهری تحت تأثیر ویژگی‌های شخصی است، بررسی اینکه آیا و چگونه ویژگی‌های شخصی بر «محل» تعامل تأثیر می‌گذارد، جالب خواهد بود. علاوه بر این، از آنجایی که ناهمگونی فضایی جمعیت و فعالیت‌های فیزیکی احتمالاً منجر به ناهمگونی فضایی تحرک انسان می‌شود، این مطالعه تلاش می‌کند تا با شناسایی خوشه‌بندی تعاملات «محلی»، ناهمگونی در توزیع فضایی تعاملات «محلی» را بررسی کند. علاوه بر این، این مطالعه تلاش می کند تا خوشه های قابل توجهی از تعاملات “محلی” را برای درک رفتار سفر و فعالیت های ساکنان تجزیه و تحلیل کند. بر این اساس، کارکردها یا الگوهای کاربری اراضی مناطق فرعی تحت پوشش خوشه ها تا حدودی مورد بحث قرار خواهد گرفت.

برخی تحقیقات وجود دارد که از داده های LBSN یا سایر داده های تحرک برای تجزیه و تحلیل تحرک درون شهری، تعاملات فضایی و انتقال فعالیت استفاده می کند [ 4 ، 6 ]. از یک سو، اکثریت این تحقیق تأثیرات ویژگی های فردی بر تعاملات فضایی را در نظر نگرفته است. در مقابل، این مطالعه تلاش می‌کند تا ویژگی‌های شخصی را در تحلیل تعاملات فضایی درون شهری بگنجاند. از سوی دیگر، برخی تحقیقات دیگر از داده های LBSN یا سایر داده های تحرک برای تقسیم یک شهر یا شناسایی عملکرد مناطق با تجزیه و تحلیل الگوهای فضایی فعالیت های انسانی استفاده می کنند [ 43 ، 44 ، 45] .]. اکثر این محققان فعالیت ها (نقاط) را به طور جداگانه در نظر می گیرند، اما روابط بین فعالیت های مختلف انجام شده توسط افراد را نادیده می گیرند. این مطالعه روابط بین فعالیت های مختلف را از نظر سفرها (انتقال فعالیت) در نظر می گیرد. بر این اساس، از رویکردهای شبکه پیچیده برای شناسایی خوشه‌های سفرها استفاده می‌شود. پس از آن، ما تا حدودی در مورد توابع یا الگوهای کاربری اراضی مناطق فرعی تحت پوشش خوشه های قابل توجه بحث خواهیم کرد. هدف این مطالعه بحث در مورد عملکردها یا الگوهای کاربری اراضی همه مناطق فرعی در یک شهر نیست.

ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 نحوه تجزیه و تحلیل “محل” تعامل فضایی را معرفی می کند، در حالی که بخش 3 تجزیه و تحلیل تجربی و نتایج مربوطه را ارائه می دهد. در پایان نتیجه گیری را ارائه خواهیم کرد و پیشنهاداتی را برای تحقیقات آتی ارائه خواهیم کرد.

2. روش شناسی

در این بخش به معرفی روش مورد استفاده در این تحقیق می پردازیم. ابتدا، این مطالعه سطح “محلی” تعاملات فضایی را بررسی خواهد کرد. دوم، این مطالعه بررسی خواهد کرد که آیا جنسیت به عنوان یک ویژگی شخصی تأثیر قابل توجهی بر “محل” تعاملات فضایی دارد یا خیر. در نهایت، این مطالعه به بررسی ناهمگونی در توزیع فضایی تعاملات “محلی” خواهد پرداخت. به ویژه، این مطالعه خوشه‌بندی تعاملات «محلی» (پیوندها) را شناسایی می‌کند، به عنوان مثال ، منطقه تعاملات درونی قوی. علاوه بر این، عملکردها یا الگوهای کاربری اراضی مناطق فرعی تحت پوشش خوشه ها تا حدودی مورد بحث قرار خواهد گرفت. از داده های کاربری زمین برای اعتبار بخشی به بحث ها استفاده خواهد شد.

2.1. تصویری از تعاملات فضایی

در این بخش نحوه استفاده از اطلاعات ورود برای به تصویر کشیدن تحرک انسان و الگوهای تعامل فضایی را معرفی خواهیم کرد. در شبکه های اجتماعی مبتنی بر مکان مانند Foursquare، هر مکان مربوط به یک مکان فیزیکی است ( شکل 1 را ببینید ). انواع متداول مکان‌ها شامل رستوران‌ها، دفاتر، آپارتمان‌ها، هتل‌ها، ایستگاه‌های اتوبوس، فروشگاه‌ها و سالن‌های ورزشی است. تصور کنید کاربر به طور متوالی در محل A (خانه) و محل B (دفتر) چک می کند. در این شرایط، «سفر» از محل A به مکان B است، صرف نظر از مسیر خاصی که کاربر بین این دو مکان طی می کند. در زمینه این مطالعه، “سفر” یک سفر منفرد است که با یک خط در شرایط هندسی نشان داده می شود. گاهی اوقات، یک کاربر ممکن است دو بار بین دو مکان در جهت مخالف حرکت کند، به عنوان مثال، رفتن از یک دفتر به یک رستوران برای ناهار و سپس بازگشت پس از ناهار. اگر کاربر بین دو مکان سفر کند، این دو مکان به عنوان “تعامل فضایی” در نظر گرفته می شوند، به عبارت دیگر، بین این دو مکان “تعامل” وجود دارد.

2.2. طول و قدرت تعاملات فضایی

طول یک تعامل برابر است با فاصله بین مکان‌های دوتایی ( یعنی طول سفر)، در حالی که قدرت یک تعامل با تعداد سفرهای انجام شده بین مکان‌های دوتایی سنجیده می‌شود. هرچه تعداد سفرهای بین مکان های دوتایی بیشتر باشد، تعامل بین آنها قوی تر است.

2.3. “محل” تعاملات فضایی

از آنجایی که این مطالعه به بررسی «محلی» تعاملات فضایی می‌پردازد، دو شاخص «محلی» معرفی می‌شوند. دو شاخص برای مشخص کردن محل تعامل در مقیاس مکان استفاده می شود. برای از بین بردن اثر ناهمگونی فضایی بین مکان‌ها، از فاصله نسبی به جای فاصله واقعی استفاده می‌شود. بنابراین، با فرض اینکه مکان j k امین همسایه ( k NN) محل برگزاری i باشد ، سپس k برای اندازه گیری فاصله نسبی بین محل برگزاری i و محل برگزاری همسایه آن j استفاده می شود . هر چه k به عنوان مقدار کمتر باشد، فاصله نسبی کمتر خواهد بود. ک _ _نزدیکترین همسایه ( K NNs) مجموعه محل برگزاری است که از i مین نزدیکترین همسایه تشکیل شده است ( i = 1, 2, …, K ). به عنوان مثال، 200NN به مجموعه ای از 200 نزدیکترین همسایه اشاره دارد. در اینجا دو شاخص برای مشخص کردن محل تعامل تعریف شده است.

(1): درصد پیوندهایی که یک مکان با KNN ها دارد برای اندازه گیری احتمال نسبی پیوند (تعامل) یک مکان با همسایگانش استفاده می شود. این مقدار برای اندازه گیری محدوده “محلی” تعاملاتی که انجام می شود استفاده می شود. هر چه این مقدار بیشتر باشد، احتمال تعامل مکان برگزاری با مکان های همسایه بیشتر از مکان های دورتر است. این مقدار را می توان به صورت زیر تعریف کرد:

$p e r c e n t a g e o f l i n k s a v e n u e h a s w i t h K ن ن س (پ من) = l i n k c o u n t o f a v e n u e w i t h K ن ن س ( پ من ) l i n k c o u n t o f v e n u e ( پ من )$

(1)

جایی که $l i n k c o u n t o f v e n u e w i t h K N N s (P_{i})$ تعداد پیوندها محل برگزاری است $P_{i}$ با خود دارد $K N N s$ ، و $l i n k c o u n t o f v e n u e (P_{i})$ تعداد پیوندها محل برگزاری است $P_{i}$ دارد.
(2): k امین NN مرتبط با یک مقدار مکان برای نشان دادن این که یک مکان با k امین نزدیکترین مکان در بین K NN های خودتعامل دارد استفاده می شود. این مقدار برای اندازه گیری قدرت “محلی” تعامل بین مکان ها استفاده می شود.

2.4. شبکه تعامل

با توجه به بررسی ناهمگونی در توزیع فضایی تعاملات «محلی»، این مطالعه از یک روش تحلیل شبکه پیچیده برای شناسایی خوشه‌بندی تعاملات «محلی» (پیوندها) استفاده خواهد کرد. ابتدا، این بخش فرعی نحوه ساخت یک شبکه تعاملی “محلی” بر اساس گره ها و لبه ها را معرفی می کند. پس از آن، این زیربخش نحوه شناسایی خوشه‌بندی تعاملات «محلی» در یک شبکه تعاملی «محلی» را ارائه می‌کند.

2.4.1. گره ها و لبه ها

از سفرهای درون شهری می توان برای ایجاد یک «شبکه تعامل» استفاده کرد. در این شبکه، یک گره نشان دهنده یک مکان و یک لبه نشان دهنده یک “تعامل” است. وزن یک یال با تعداد سفرهای انجام شده بین گره های جفتی متقابل اندازه گیری می شود.

2.4.2. ساختار شبکه و تجزیه و تحلیل جامعه

در شبکه های پیچیده، لینک ها به طور مساوی بین گره ها توزیع نمی شوند. گره های یک شبکه را می توان به گروه هایی از گره ها با اتصالات متراکم در داخل و اتصالات پراکنده بین گروه ها تقسیم کرد [ 46 ]. چنین گروهی به عنوان یک جامعه در نظر گرفته می شود که در واقع یک شبکه فرعی است. رویکرد جامعه محور به طور گسترده ای برای تجزیه و تحلیل ساختار شبکه های پیچیده استفاده می شود [ 46 ، 47 ].

یک پارتیشن خوب از یک شبکه به جوامع باید شامل بسیاری از پیوندهای درون جامعه و تعداد کمی از پیوندهای بین جامعه باشد. الگوریتم‌های تشخیص جامعه مختلفی پیشنهاد شده و برای تقسیم شبکه‌های پیچیده استفاده شده است [ 48 ، 49 ، 50 ، 51 ]، با این حال، مطالعات تجربی زیادی وجود ندارد که نشان دهد بهترین الگوریتم چیست. در این مورد، چهار الگوریتم تشخیص جامعه پرکاربرد – یعنی FastGreedy [ 48 ]، Spinglass [ 49 ]، Walktrap [ 50 ] و Infomap [ 51 ]] – همه برای تقسیم شبکه در این مطالعه استفاده می شوند. از میان چهار پارتیشن شبکه، پارتیشنی با کمترین تعداد جوامع شناسایی شده به عنوان بهترین پارتیشن برای تجزیه و تحلیل خوشه‌بندی تعاملات «محلی» انتخاب می‌شود. تعداد کمی از جوامع شناسایی شده به این معنی است که شبکه به تعداد کمی بخش تقسیم شده است. بر این اساس، جوامع شناسایی شده احتمالاً دارای تعداد نسبتاً زیادی گره و پیوندهای درون جامعه (سفر) هستند.

3. تحلیل تجربی

روش‌های تقاطع فضایی شرح‌داده‌شده در بخش 2 برای داده‌های Check-in چهار ضلعی در شهر نیویورک اعمال می‌شوند. در این بخش ابتدا مجموعه داده های آزمون به طور خلاصه توضیح داده می شود، سپس “محل” تعاملات فضایی به صورت تجربی بررسی می شود.

3.1. مطالعه موردی و داده های تجربی

این مطالعه از شهر نیویورک (NYC) در ایالات متحده به عنوان شهر تحقیقاتی استفاده می کند. تعداد زیادی از کاربران فعال رسانه های اجتماعی در نیویورک وجود دارد. شهر نیویورک از پنج ناحیه تشکیل شده است: بروکلین، کوئینز، منهتن، برانکس و استاتن آیلند.

در این مقاله، از داده های چک در چهار ضلعی برای تولید داده های تحرک تجربی استفاده می شود. از آنجایی که Foursquare یک سیاست حفظ حریم خصوصی سختگیرانه دارد، چک‌این‌ها از توییتر جمع‌آوری شده‌اند، که برخی از کاربران Foursquare چک‌های خود را با آن به اشتراک می‌گذارند. در محدوده شهرداری نیویورک، 148,169 اعلام حضور در دوره 3 مارس 2014 تا 27 آوریل 2014 (12 هفته مداوم) به دست آمد. برای اطمینان از معقول بودن فرآیند تولید سفر، هر گونه سر و صدایی – به عنوان مثال ، در مواردی که ورود به سیستم به طور منطقی نمی تواند به عنوان یک سفر مورد استفاده قرار گیرد – که در چهار موقعیت به تفصیل در زیر یافت می شود، به شرح زیر فیلتر می شود:

وضعیت (1): در بین ورودهای متوالی روزانه، بیش از یک ورود در یک موقعیت ایجاد می شود. در این وضعیت، تنها اولین ورود ایجاد شده حفظ می شود. بقیه کنار گذاشته می شوند.

وضعیت (2): تفاوت زمانی بین اعلام حضورهای متوالی برای یک کاربر مشابه بیشتر از 8 ساعت است.

وضعیت (3): سرعت سفر بین دو چک-این روزانه متوالی برای یک کاربر مشابه سریعتر از بسیار زیاد است (مثلاً 250 کیلومتر در ساعت).

وضعیت (4): فاصله بین دو اعلام حضور متوالی روزانه برای یک کاربر مشابه کوتاه است (مثلاً 100 متر یا کمتر). این ممکن است نشان دهد که هنگام بازدید از یک مکان، یک کاربر احتمالاً نه تنها در این مکان، بلکه در مکان‌های دیگر اطراف آن را بررسی می‌کند. آن دسته از بررسی‌هایی که در مکان‌های دیگر انجام می‌شوند، اما در واقع توسط کاربر بازدید نشده‌اند، جعلی تلقی می‌شوند. بنابراین، با طول کمتر از 100 متر، چنین سفرهای کوتاه جعلی باید دور ریخته شوند. در این شرایط، دو ورود متوالی به منزله سفر نیست.

علاوه بر این، کاربران فعال که احتمالاً ساکنان محلی هستند انتخاب می شوند. در این مطالعه، کاربران محلی فعال به‌عنوان کاربرانی در نظر گرفته می‌شوند که: (1) هر زمان که واقعاً از این مکان‌ها بازدید می‌کنند، احتمالاً تا حد امکان در مکان‌ها بررسی می‌شوند. کسانی که (2) احتمالاً برای تعداد کافی روز (حداقل 28 روز) حضور دارند. و چه کسانی (3) تعداد معینی سفر (حداقل 21 سفر) بین مکانهای مختلف دارند.

در نتیجه، 50,758 جریان سفر (سفر) شامل 18,333 مکان و 40,111 پیوند (تعامل) گنجانده شده است. این سفرها توسط 843 کاربر نمونه فعال (443 کاربر مرد و 400 کاربر زن) ایجاد شده است.

داده‌های کاربری زمین مورد استفاده در این مطالعه تجربی در سال 2010 جمع‌آوری شد. داده‌های کاربری زمین داده‌های باز بودند و از وزارت برنامه‌ریزی شهر (DCP)، نیویورک [ 52 ] دانلود شدند. در مجموعه داده کاربری زمین، 11 دسته کاربری زمین شهری وجود دارد: ساختمان‌های یک و دو خانوادگی ، ساختمان‌های پیاده‌روی چندخانواری ، ساختمان‌های آسانسور چندخانواری ، ساختمان‌های مسکونی و تجاری مختلط ، ساختمان‌های تجاری و اداری ، ساختمان‌های صنعتی و تولیدی ، حمل‌ونقل و تاسیسات و موسسات عمومی ، فضای قلم و تفریح در فضای باز ،امکانات پارکینگ و زمین خالی .

3.2. محلی بودن تعاملات فضایی

این بخش یک بررسی تجربی از محل تعاملات فضایی، و به طور خاص، تا چه میزان احتمال دارد که یک مکان با همسایگان خود تعامل داشته باشد، ارائه می‌کند. اول از همه، این بخش فرعی توزیع تجربی دو ویژگی محلی را ارائه می‌کند: درصد پیوندهایی که یک مکان با KNN دارد، و هزارمین NN مرتبط با یک مکان . لازم به ذکر است که ” K -نزدیکترین همسایه” ( K NNs) به معنای K -نزدیکترین همسایه محل مربوطه است. در این بررسی تجربی، باید یک عدد خاص به عنوان مقدار K تنظیم شود . مقدار 200 از 200 NN به K اختصاص داده شده استیک مکان نشان دهنده تعداد قابل توجهی از همسایگان برای یک مکان است. 23390 سفر (46٪ از کل سفرها) مکان های شروع را به مکان های پایانی متصل می کند که 200 NN مکان های شروع هستند. این نشان می‌دهد که 200NN می‌تواند برای نشان دادن یک محدوده محله مناسب استفاده شود.

در این بخش فرعی، ما به طور تجربی چگونگی تعامل مکان‌ها با 200NN آنها را بررسی می‌کنیم . ابتدا، توزیع درصد پیوندهایی که یک مکان با KNN دارد ، با نتایج نشان داده شده در شکل 2 تجزیه و تحلیل می شود . تقریباً 50٪ از مکان ها با 200NN خود در تعامل هستند. شکل 2 همچنین نشان می دهد که وقتی مقدار بیش از 0 باشد، درصد پیوندهای یک مکان با مقادیر 200NN به نظر می رسد توزیع یکنواختی را نشان می دهد. این نشان می دهد که به نظر می رسد احتمال نسبی پیوند (تعامل) یک مکان با همسایگان خود از یک قانون یکسان پیروی می کند.

دوم، توزیع kth NN مرتبط با هر مکان مورد تجزیه و تحلیل قرار می گیرد. در شکل 3 ، با استفاده از آزمون کولموگروف-اسمیرنوف (KS) (برای جزئیات بیشتر به [ 53 ] مراجعه کنید)، توزیع kth NNمرتبط با هر مکان از یک قانون نمایی پیروی می کند. این نشان می دهد که توزیع طول اندرکنش نسبی از یک قانون نمایی پیروی می کند. علاوه بر این، در میان پیوندهای مکان‌ها با 200NN خود، تقریباً 80٪ به 100NN آنها متصل هستند. بنابراین، نتایج تحلیلی نشان می دهد که تعاملات فضایی دارای درجه محلی بالایی هستند. علاوه بر این، اگرچه به نظر می‌رسد احتمال نسبی پیوند (تعامل) یک مکان با همسایگانش از قانون یکنواختی پیروی می‌کند، اما مکان‌ها به احتمال زیاد با همسایگان نزدیک‌تر از مکان‌های دورتر تعامل دارند.

3.3. تأثیر جنسیت بر “محل”

این بخش نتایج تجربی تحقیق در مورد تأثیر جنسیت بر ویژگی‌های «محلی» را ارائه می‌کند ( به عنوان مثال ، درصد پیوندهای یک مکان با 200 NN ، و هزارمین NN مرتبط با یک مکان ). به طور خاص، این بخش تأثیر جنسیت بر دو ویژگی محلی را با جدول 1 نشان می دهد که مقادیر متوسط یافت شده را نشان می دهد. به عنوان جایگزینی برای آزمون T زمانی که تضمینی برای توزیع نرمال نمونه ها وجود ندارد، از آزمون Wilcoxon برای آزمایش اینکه آیا یک مجموعه نمونه دارای مقدار میانگین آماری معنی داری بالاتر از دیگری است استفاده می شود.

در نتایج آزمون Wilcoxon ، مقادیر p مربوط به دو مشخصه همگی بسیار بیشتر از 0.05 هستند ( جدول 1 را ببینید ). این بدان معناست که میانگین درصد پیوندهایی که یک مکان با ارزش 200 NN برای کاربران مرد دارد، از نظر آماری با کاربران زن متفاوت نیست، و میانگین هزارمین NN پیوند شده با مقدار مکان برای کاربران مرد از نظر آماری با کاربران زن تفاوتی ندارد. در سطح 0.05 این نشان می دهد که جنسیت تأثیر قابل توجهی بر محلی بودن تعاملات فضایی ندارد.

3.4. خوشه بندی تعاملات محلی

این بخش نتایج تجربی تحقیق در شناسایی خوشه‌بندی تعاملات محلی را ارائه می‌کند. در این مطالعه، پیوندهای محلی، مکان‌های شروع را به مکان‌های پایانی که 200 NN مکان شروع هستند، متصل می‌کنند. بر این اساس، شبکه تعامل محلی از 13112 گره (محل برگزاری) و 15944 یال (پیوندهای محلی) تشکیل شده است. وزن یک لبه برابر است با تعداد سفرهایی که مکان های دوتایی لبه را به هم وصل می کند.

چهار الگوریتم تشخیص جامعه همگی برای شناسایی خوشه‌بندی تعاملات محلی (منطقه تعاملات با متراکم بالا) استفاده شدند. از بین چهار پارتیشن شبکه، پارتیشن ساخته شده با استفاده از الگوریتم Walktrap به عنوان بهترین پارتیشن برای این مطالعه انتخاب شد زیرا تعداد جوامع شناسایی شده کمترین است. شبکه تعامل فضایی در نیویورک با استفاده از الگوریتم Walktrap به 1515 جامعه تقسیم شد. اکثر جوامع تعداد کمی از سفرها و گره های درون جامعه دارند. در میان 1515 جامعه شناسایی شده، تنها چهار جامعه بیش از 500 سفر درون جامعه و 100 گره دارند. در این مورد، جوامع معمولی بیشتر برای تجزیه و تحلیل خوشه‌بندی تعاملات محلی انتخاب شدند. جوامع معمولی تعداد زیادی سفر درون جامعه دارند (بیش از 500 سفر)، و نسبت بیش از 20 برای تعداد سفرهای درون جامعه و تعداد سفرهای درون جامعه. چهار جامعه معمولی، که در مجموع دارای 790 مکان و 3778 سفر درون جامعه هستند، انتخاب شدند، زیرا آنها فقط 6٪ از کل مکان ها را شامل می شوند اما 16٪ از کل سفرها را شامل می شوند. این نشان دهنده ناهمگونی در توزیع فضایی تعاملات “محلی” است.

علاوه بر این، ما بر روی چهار جامعه معمولی برای تجزیه و تحلیل خوشه‌بندی قابل توجهی از تعاملات محلی تمرکز کردیم. شکل 4 چهار جامعه معمولی (خوشه های قابل توجهی از تعاملات محلی) را نشان می دهد. در شکل 4 ، از بدنه محدب جوامع برای اندازه گیری اندازه فضایی جوامع استفاده شده است. جدول 2 تعداد گره ها و سفرهای درون جامعه و غالب ترین دسته های پیوند را در جوامع معمولی انتخاب شده نشان می دهد. جدول 3 غالب ترین دسته های کاربری اراضی را در بدنه های محدب جوامع معمولی انتخاب شده و درصدهای غالب ترین دسته های کاربری زمین را نشان می دهد.

جامعه 1 در بروکلین واقع شده است. غالب ترین دسته پیوندها در انجمن 1 عبارتند از: خوردن -> خوردن ، خرید -> خوردن ، و خوردن -> خرید ( جدول 2 را ببینید ). این نشان می‌دهد که پیوندها (سفرها) بین مکان‌های خرید و مکان‌های غذاخوری در انجمن 1 وجود دارد. این نشان می‌دهد که برخی از ساکنان در این منطقه که در آن زندگی می‌کنند خوشه‌بندی می‌شوند و بیشتر درگیر فعالیت‌های خوردن و خرید هستند تا فعالیت‌های کاری یا فعالیت‌های سرگرمی. به نظر می رسد این منطقه احتمالاً یک منطقه مسکونی است. یک و دو ساختمان خانوادگی وساختمان‌های آسانسور چند خانواده اولین و دومین دسته کاربری غالب زمین در بدنه محدب جامعه 1 هستند ( جدول 3 را ببینید )، که نشان می‌دهد این منطقه یک منطقه مسکونی است.

جامعه 2 در کوئینز و در اطراف کالج کوئینز و دانشگاه سنت جان واقع شده است. غالب ترین دسته پیوند در انجمن 2 دانشگاه -> دانشگاه است ( جدول 2 را ببینید ). این نشان می‌دهد که پیوندها (سفرها) از مکان‌های دانشگاه به مکان‌های دانشگاه در انجمن 2 وجود دارد. این بیشتر نشان می‌دهد که برخی از ساکنان در این منطقه خوشه‌بندی می‌شوند و احتمالاً دانشجویان کالج کوئینز هستند. به نظر می رسد که این منطقه احتمالاً یک منطقه آموزشی است. تأسیسات و مؤسسات عمومی یکی از غالب ترین دسته های کاربری زمین در بدنه محدب جامعه 2 است ( جدول 3 را ببینید )، که نشان می دهد این منطقه یک منطقه آموزشی است.

جامعه 3 در منهتن واقع شده است و سوهو، ایتالیای کوچک، محله چینی ها و دانشگاه نیویورک را پوشش می دهد. هیچ دسته پیوند بسیار غالبی در انجمن 3 وجود ندارد ( جدول 2 را ببینید ). این امر به این معنی است که برخی از ساکنان در این منطقه برای فعالیت های مختلف با سطح مختلط بالا جمع می شوند. به نظر می رسد این منطقه یک منطقه مختلط است. ساختمان‌های مسکونی و تجاری مختلط و تأسیسات و مؤسسات عمومی ، اولین و دومین دسته‌های غالب کاربری زمین در بدنه محدب جامعه 3 هستند ( جدول 3 را ببینید )، که نشان می‌دهد این منطقه یک منطقه مختلط است.

Community 4 در منهتن و اطراف ساختمان امپایر استیت واقع شده است. غالب ترین دسته پیوندها در انجمن 4 عبارتند از Office -> Office and Office -> Shopping ( جدول 2 را ببینید ). این نشان می‌دهد که پیوندها (سفرها) بین مکان‌های اداری و اماکن اداری یا مکان‌های خرید در انجمن 4 وجود دارد. به نظر می رسد که این منطقه احتمالاً یک منطقه تجاری است. ساختمان های تجاری و اداریاولین رده غالب کاربری زمین در بدنه محدب جامعه 4 است ( جدول 3 را ببینید )، که نشان می دهد این منطقه یک منطقه تجاری است.

4. نتیجه گیری و کار آینده

در این مطالعه، “محل” تعاملات فضایی درون شهری به صورت تجربی با استفاده از داده های LBSN مورد بررسی قرار گرفت. نتایج تجربی تولید شده نشان می دهد که: (1) تعاملات فضایی دارای درجه بالایی از محلی هستند. (2) جنسیت به عنوان یک نوع ویژگی شخصی تأثیر قابل توجهی بر محلی بودن تعاملات فضایی ندارد. و (3) فعل و انفعالات “محلی” احتمالاً در برخی مکان‌ها در نیویورک خوشه می‌شوند.

در مقایسه با سایر منابع داده، داده‌های ورود دارای مزایا و محدودیت‌هایی هستند. از جنبه مثبت، در مقایسه با داده‌های سفر سرشماری، داده‌های ورود LBSN کم هزینه هستند (آنها را می‌توان به صورت رایگان دانلود کرد) و مقیاس فضایی زیادی دارند. ورود با ارجاع جغرافیایی می‌تواند در سطح خیابان نیز باشد، در حالی که داده‌های سفر سرشماری معمولاً فقط در سطح سرشماری در دسترس عموم هستند. با این حال، داده‌های ثبت نام در هنگام استفاده برای مطالعه تحرک دارای محدودیت‌هایی نیز هستند. اولاً، در مقایسه با برخی دیگر از داده‌های جابجایی (به عنوان مثال، داده‌های ردیابی تلفن همراه و تاکسی)، بررسی‌های جغرافیایی ارجاع‌شده به دلیل فراوانی ثبت نسبتاً پایین، از نظر مکانی نسبتاً کم هستند. به عنوان مثال، معمولاً یک رکورد در دقیقه در یک رکورد ردیابی تاکسی برای یک کاربر جداگانه ثبت می شود. در حالی که کمتر از 10 ورود در روز در یک رکورد تاریخی برای یک کاربر ثبت می شود. رد تاکسی است؛ بنابراین، می تواند یک مسیر بین مکان های متمایز را با جزئیات بسیار بیشتری نسبت به سوابق ورود نشان دهد. دوم، بررسی‌های ارجاع‌شده جغرافیایی به‌طور ناهمگن توزیع می‌شوند. به عنوان مثال، داده‌های ثبت نام تولید شده توسط کاربر در مناطق شهری فراوان است، اما در مناطق روستایی پراکنده است. نتیجه این است که بیشتر مطالعات موجود در مورد تحرک با استفاده از داده های ورود تنها در شهرهای بزرگ انجام می شود. همچنین، کاربرد مؤثرتر فناوری اطلاعات و ارتباطات (ICT) در مناطق شهری به احتمال زیاد منجر به تعداد بیشتری از بررسی‌های تولید شده توسط کاربر می‌شود. علاوه بر این، کاربران تمایل دارند در مکان‌های خاصی مانند فرودگاه‌ها، رستوران‌ها، فروشگاه‌ها و ایستگاه‌های راه‌آهن چک‌این‌های بیشتری انجام دهند. قادر به نشان دادن یک مسیر بین مکان های متمایز با جزئیات بسیار بیشتر از سوابق ورود است. دوم، بررسی‌های ارجاع‌شده جغرافیایی به‌طور ناهمگن توزیع می‌شوند. به عنوان مثال، داده‌های ثبت نام تولید شده توسط کاربر در مناطق شهری فراوان است، اما در مناطق روستایی پراکنده است. نتیجه این است که بیشتر مطالعات موجود در مورد تحرک با استفاده از داده های ورود تنها در شهرهای بزرگ انجام می شود. همچنین، کاربرد مؤثرتر فناوری اطلاعات و ارتباطات (ICT) در مناطق شهری به احتمال زیاد منجر به تعداد بیشتری از بررسی‌های تولید شده توسط کاربر می‌شود. علاوه بر این، کاربران تمایل دارند در مکان‌های خاصی مانند فرودگاه‌ها، رستوران‌ها، فروشگاه‌ها و ایستگاه‌های راه‌آهن چک‌این‌های بیشتری انجام دهند. قادر به نشان دادن یک مسیر بین مکان های متمایز با جزئیات بسیار بیشتر از سوابق ورود است. دوم، بررسی‌های ارجاع‌شده جغرافیایی به‌طور ناهمگن توزیع می‌شوند. به عنوان مثال، داده‌های ثبت نام تولید شده توسط کاربر در مناطق شهری فراوان است، اما در مناطق روستایی پراکنده است. نتیجه این است که بیشتر مطالعات موجود در مورد تحرک با استفاده از داده های ورود تنها در شهرهای بزرگ انجام می شود. همچنین، کاربرد مؤثرتر فناوری اطلاعات و ارتباطات (ICT) در مناطق شهری به احتمال زیاد منجر به تعداد بیشتری از بررسی‌های تولید شده توسط کاربر می‌شود. علاوه بر این، کاربران تمایل دارند در مکان‌های خاصی مانند فرودگاه‌ها، رستوران‌ها، فروشگاه‌ها و ایستگاه‌های راه‌آهن چک‌این‌های بیشتری انجام دهند. داده های ثبت نام تولید شده توسط کاربر در مناطق شهری فراوان است، اما در مناطق روستایی پراکنده است. نتیجه این است که بیشتر مطالعات موجود در مورد تحرک با استفاده از داده های ورود تنها در شهرهای بزرگ انجام می شود. همچنین، کاربرد مؤثرتر فناوری اطلاعات و ارتباطات (ICT) در مناطق شهری به احتمال زیاد منجر به تعداد بیشتری از بررسی‌های تولید شده توسط کاربر می‌شود. علاوه بر این، کاربران تمایل دارند در مکان‌های خاصی مانند فرودگاه‌ها، رستوران‌ها، فروشگاه‌ها و ایستگاه‌های راه‌آهن چک‌این‌های بیشتری انجام دهند. داده های ثبت نام تولید شده توسط کاربر در مناطق شهری فراوان است، اما در مناطق روستایی پراکنده است. نتیجه این است که بیشتر مطالعات موجود در مورد تحرک با استفاده از داده های ورود تنها در شهرهای بزرگ انجام می شود. همچنین، کاربرد مؤثرتر فناوری اطلاعات و ارتباطات (ICT) در مناطق شهری به احتمال زیاد منجر به تعداد بیشتری از بررسی‌های تولید شده توسط کاربر می‌شود. علاوه بر این، کاربران تمایل دارند در مکان‌های خاصی مانند فرودگاه‌ها، رستوران‌ها، فروشگاه‌ها و ایستگاه‌های راه‌آهن چک‌این‌های بیشتری انجام دهند. کاربرد مؤثرتر فناوری اطلاعات و ارتباطات (ICT) در مناطق شهری به احتمال زیاد منجر به تعداد بیشتری از بررسی‌های تولید شده توسط کاربر می‌شود. علاوه بر این، کاربران تمایل دارند در مکان‌های خاصی مانند فرودگاه‌ها، رستوران‌ها، فروشگاه‌ها و ایستگاه‌های راه‌آهن چک‌این‌های بیشتری انجام دهند. کاربرد مؤثرتر فناوری اطلاعات و ارتباطات (ICT) در مناطق شهری به احتمال زیاد منجر به تعداد بیشتری از بررسی‌های تولید شده توسط کاربر می‌شود. علاوه بر این، کاربران تمایل دارند در مکان‌های خاصی مانند فرودگاه‌ها، رستوران‌ها، فروشگاه‌ها و ایستگاه‌های راه‌آهن چک‌این‌های بیشتری انجام دهند.54] نسبت به خانه، تا حدی به این دلیل که مکان‌های خانگی زیادی توسط Foursquare ارائه نشده است. در مقایسه با چک‌این‌هایی که در رستوران‌ها، مغازه‌ها یا در محل کار انجام می‌شود، چک‌این‌هایی که در خانه انجام می‌شود نسبتاً نادر است، اگرچه اکثر مردم چندین بار در روز به خانه رفت و آمد می‌کنند. علیرغم داشتن وضوح دقیق، داده های ورود تنها به روشی محدود برای توصیف رفتار سفر از خانه به محل کار استفاده می شود، و این یکی از مهمترین زمینه های تحقیقاتی در مطالعات حمل و نقل است، زیرا بررسی ها می تواند نشان دهد. آیا کاربران در خانه هستند یا نه با اطمینان بسیار نسبتاً نادر هستند. موضوع سوم بازنمایی داده ها است. تحرک یک فرد جوان با داده های ورود به جلسه بهتر از افراد مسن نشان داده می شود، زیرا اکثر افراد مسن مرتباً مراجعه نمی کنند یا اصلاً از رسانه های اجتماعی استفاده نمی کنند.54 ]. این یک نقص بالقوه زمانی است که مایل به استفاده از داده های ورود به سیستم برای نشان دادن تحرک انسانی همه کاربران در یک شهر هستید. در نهایت، هنگام استفاده از داده‌های ورود، نمایه‌های مسافر در دسترس نیستند یا ناقص هستند. بنابراین، برخی از الگوهای تحرک در سطح فردی (به عنوان مثال، سن، حرفه، و غیره) را نمی توان به راحتی از مجموعه داده های ورود استخراج کرد. مشکل در دسترس بودن نمایه های کاربر نیز مانعی برای هر گونه بهبود نمایندگی داده ها است.

در آینده، برخی از جنبه های بیشتر باید در هنگام انجام تجزیه و تحلیل تعاملات فضایی درون شهری در نظر گرفته شود. اول، در رسانه های اجتماعی، روابط اجتماعی یک جنبه حیاتی است، و بنابراین باید مورد توجه قرار گیرد. با این حال، استفاده از چنین داده‌هایی این سؤال را ایجاد می‌کند: روابط اجتماعی تا چه اندازه می‌تواند بر تعاملات فضایی تأثیر بگذارد؟ دوم، بررسی اینکه آیا و چگونه ویژگی‌های فرم شهری یا ویژگی‌های اجتماعی-اقتصادی بر «محلی» تعاملات تأثیر می‌گذارند، در آینده جالب خواهد بود. در نهایت، ترکیبی از داده های ورود و دیگر داده ها (به عنوان مثال، داده های تلفن همراه) ظاهراً دارای پتانسیل در مطالعه تعاملات فضایی است. با این حال، هنگام انجام یک مطالعه تجربی، برخی از موانع مانند ناهماهنگی دقت موقعیت و فرکانس ثبت باید حذف یا کاهش یابد.

منابع

چهار ضلعی: سلسله مراتب دسته چهار ضلعی. در دسترس آنلاین: https://developer.foursquare.com/categorytree (در 1 ژانویه 2016 قابل دسترسی است).
Foursquare: درباره ما. در دسترس آنلاین: https://foursquare.com/about (در 1 ژانویه 2015 قابل دسترسی است).
چنگ، ز. کاورلی، جی. تره فرنگی.؛ Sui, D. کاوش میلیون‌ها ردپا در خدمات اشتراک‌گذاری مکان. در مجموعه مقالات پنجمین کنفرانس بین المللی وبلاگ ها و رسانه های اجتماعی، بارسلون، اسپانیا، 17 تا 21 ژوئیه 2011.
وو، ال. ژی، ی. سویی، ز. لیو، ی. تحرک انسانی درون شهری و انتقال فعالیت: شواهدی از داده های ورود به شبکه های اجتماعی. PLoS ONE 2014 ، 9 ، e97010. [ Google Scholar ] [ CrossRef ] [ PubMed ]
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.
نولاس، ا. اسکلاتو، اس. ماسکولو، سی. پونتیل، ام. مطالعه تجربی الگوهای فعالیت کاربر جغرافیایی در چهار مربع. در مجموعه مقالات پنجمین کنفرانس بین المللی AAAI در وبلاگ ها و رسانه های اجتماعی، پالو آلتو، کالیفرنیا، ایالات متحده، 17 تا 21 ژوئیه 2011; صص 570-573.
اسکلاتو، اس. نولاس، ا. Mascolo, C. بهره‌برداری از ویژگی‌های مکان در پیش‌بینی پیوند در شبکه‌های اجتماعی مبتنی بر مکان. در مجموعه مقالات هفدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، نیویورک، نیویورک، ایالات متحده آمریکا، 21 تا 24 اوت 2011. ص 1046-1054.
نولاس، ا. اسکلاتو، اس. لامبیوت، آر. پونتیل، ام. ماسکولو، سی. داستان بسیاری از شهرها: الگوهای جهانی در تحرک شهری انسان. PLoS ONE 2012 ، 7 ، e37027. [ Google Scholar ] [ CrossRef ]
وی، LY; ژنگ، ی. پنگ، WC ساخت مسیرهای محبوب از مسیرهای نامشخص. در مجموعه مقالات هجدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، پکن، چین، 12 تا 16 اوت 2012. صص 195-203.
بائو، جی. ژنگ، ی. Mokbel، MF توصیه مبتنی بر موقعیت و اولویت آگاه با استفاده از داده های شبکه های جغرافیایی-اجتماعی پراکنده. در مجموعه مقالات بیستمین کنفرانس بین المللی پیشرفت در سیستم های اطلاعات جغرافیایی، ردوندو بیچ، کالیفرنیا، ایالات متحده آمریکا، 7-9 نوامبر 2012. صص 199-208.
سان، ی. لی، ام. بررسی الگوهای سفر و فعالیت با استفاده از داده های شبکه اجتماعی مبتنی بر مکان: مطالعه موردی کاربران فعال رسانه های اجتماعی تلفن همراه. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 1512-1529. [ Google Scholar ] [ CrossRef ]
لیو، ی. کانگ، سی. گائو، اس. شیائو، ی. Tian, Y. درک الگوهای سفر درون شهری از داده های مسیر تاکسی. جی. جئوگر. سیستم 2012 ، 14 ، 463-483. [ Google Scholar ] [ CrossRef ]
استاتوپولوس، ا. Karlaftis، M. تغییرات زمانی و مکانی داده های ترافیکی زمان واقعی در مناطق شهری. ترانسپ Res. ضبط J. Transp. Res. هیئت 2001 ، 1768 ، 135-140. [ Google Scholar ] [ CrossRef ]
استاتوپولوس، ا. کارلافتیس، ام. رویکرد فضای حالت چند متغیره برای مدل‌سازی و پیش‌بینی جریان ترافیک شهری. ترانسپ Res. قسمت C Emerg. تکنولوژی 2003 ، 11 ، 121-135. [ Google Scholar ] [ CrossRef ]
جیانگ، بی. یین، ی. ژائو، اس. مشخص کردن الگوی تحرک انسان در یک شبکه خیابانی بزرگ. فیزیک Rev. E 2009 , 80 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
گونزالس، ام سی؛ هیدالگو، سی. Barabási، AL درک الگوهای تحرک فردی انسان. طبیعت 2008 ، 453 ، 779-782. [ Google Scholar ] [ CrossRef ] [ PubMed ]
آهنگ، سی. Qu، Z. بلوم، ن. Barabási، AL محدودیت های قابل پیش بینی در تحرک انسان. Science 2010 ، 327 ، 1018-1021. [ Google Scholar ] [ CrossRef ] [ PubMed ]
آهنگ، سی. کورن، تی. وانگ، پی. Barabási، AL مدل سازی خواص مقیاس پذیری تحرک انسان. نات فیزیک 2010 ، 6 ، 818-823. [ Google Scholar ] [ CrossRef ]
بذانی، ع. جورجینی، بی. رامبالدی، س. گالوتی، آر. Giovannini, L. قوانین آماری در تحرک شهری از داده های میکروسکوپی GPS در منطقه فلورانس. J. Stat. مکانیک. تئوری Exp. 2010 ، 5 . [ Google Scholar ] [ CrossRef ]
کانگ، سی. ما، ایکس. تانگ، دی. لیو، ی. الگوهای تحرک انسانی درون شهری: دیدگاه مورفولوژی شهری. فیزیک پاسخ: آمار مکانیک. برنامه آن است. 2012 ، 391 ، 1702-1717. [ Google Scholar ] [ CrossRef ]
لیانگ، ایکس. ژنگ، ایکس. لو، دبلیو. زو، تی. Xu، K. مقیاس حرکت انسان توسط تاکسی ها به صورت تصاعدی است. فیزیک پاسخ: آمار مکانیک. برنامه آن است. 2012 ، 391 ، 2135-2144. [ Google Scholar ] [ CrossRef ]
لیانگ، ایکس. ژائو، جی. دونگ، ال. شو، ک. کشف منشأ قانون نمایی در تحرک انسان درون شهری. علمی Rep. 2013 , 3 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
Zipf، GK فرضیه P1P2/D: در مورد حرکت بین شهری افراد. صبح. اجتماعی Rev. 1946 , 11 , 677-686. [ Google Scholar ] [ CrossRef ]
فرانک، ال. Pivo، G. تأثیر استفاده ترکیبی و تراکم بر استفاده از سه حالت سفر: وسیله نقلیه تک سرنشین، حمل و نقل و پیاده روی. ترانسپ Res. ضبط 1994 ، 1466 ، 44-52. [ Google Scholar ]
ون آکر، وی. Witlox، F. سفرهای رفت و آمد درون تورها: چگونه رفت و آمد با کاربری زمین مرتبط است؟ حمل و نقل 2011 ، 38 ، 465-486. [ Google Scholar ] [ CrossRef ]
یوان، جی. ژنگ، ی. Xie, X. کشف مناطق با عملکردهای مختلف در یک شهر با استفاده از تحرک انسان و POI. در مجموعه مقالات هجدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، پکن، چین، 12 تا 16 اوت 2012.
گینزا، ایکس. لیورت، اف. شکل شهری و تأثیر زیست محیطی رفت و آمد در یک شهر جداشده، سانتیاگو دی شیلی. محیط زیست طرح. B طرح. دس 2013 ، 40 ، 507-522. [ Google Scholar ] [ CrossRef ]
چاول، جی. هیمن، جی.ام. یوبانک، اس. کاستیلو چاوز، سی. قوانین مقیاس بندی برای جابجایی افراد بین مکان ها در یک شهر بزرگ. فیزیک Rev. E 2003 , 68 , 661021–661027. [ Google Scholar ] [ CrossRef ] [ PubMed ]
کانگ، سی. لیو، ی. وو، ال. ترسیم الگوهای اتصال فضایی درون شهری توسط فعالیت‌های سفر: مطالعه موردی پکن، چین. در مجموعه مقالات بیست و سومین کنفرانس بین المللی ژئوانفورماتیک، ووهان، چین، 19 تا 21 ژوئن 2015.
Batty، M. شهرها به عنوان جهان های کوچک. محیط زیست طرح. B طرح. دس 2001 ، 28 ، 637-638. [ Google Scholar ] [ CrossRef ]
نولاس، ا. بلیک، اس. رنو، ال. ماسکولو، سی. خواص توپولوژیکی و دینامیک زمانی شبکه‌های مکان در محیط‌های شهری. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی در مورد همنشین وب جهانی، فلورانس، ایتالیا، 18 تا 22 مه 2015; صص 431-441.
فو، ی. لیو، جی. پاپادمیتریو، اس. شیونگ، اچ. Ge، Y. زو، اچ. Zhu, C. رتبه‌بندی املاک و مستغلات از طریق مدل‌های پنهان کاربری ترکیبی. در مجموعه مقالات بیست و یکمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سیدنی، NSW، استرالیا، 10 تا 13 اوت 2015. ص 299-308.
کرمشوک، د. نولاس، ا. اسکلاتو، اس. نیکوزیا، وی. Mascolo, C. Geo-spotting: استخراج خدمات آنلاین مبتنی بر مکان برای قرار دادن بهینه فروشگاه خرده فروشی. در مجموعه مقالات نوزدهمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، شیکاگو، IL، ایالات متحده، 11-14 اوت 2013.
جورجیف، پ. نولاس، ا. ماسکولو، سی. جایی که کسب و کارها رشد می کنند: پیش بینی تأثیر بازی های المپیک بر خرده فروشان محلی از طریق داده های خدمات مبتنی بر مکان. در مجموعه مقالات هشتمین کنفرانس بین المللی AAAI در وبلاگ ها و رسانه های اجتماعی، ان آربور، MI، ایالات متحده آمریکا، 2 تا 4 ژوئن 2014.
کرنشاو، جی. شوارتز، آر. هونگ، جی. Sadeh, N. پروژه زندگی: استفاده از رسانه های اجتماعی برای درک پویایی یک شهر. در مجموعه مقالات ششمین کنفرانس بین المللی AAAI در وبلاگ ها و رسانه های اجتماعی (ICWSM-12)، دوبلین، ایرلند، 4 تا 7 ژوئن 2012. صص 58-65.
لیو، ی. سویی، ز. کانگ، سی. گائو، ی. کشف الگوهای سفر بین شهری و تعامل فضایی از داده های ورود به شبکه های اجتماعی. PLoS ONE 2014 ، 9 ، e86026. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بالکان، دی. کولیزا، وی. گونکالوز، بی. متعجب.؛ راماسکو، جی جی. Vespignani، A. شبکه های تحرک چند مقیاسی و گسترش فضایی بیماری های عفونی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2009 ، 106 ، 21484–21489. [ Google Scholar ] [ CrossRef ] [ PubMed ]
تیمن، سی. تیس، اف. گریدی، دی. برون، آر. براکمن، دی. ساختار مرزها در دنیای کوچک. PLoS ONE 2010 , 5 , e15422. [ Google Scholar ] [ CrossRef ] [ PubMed ]
فانک، اس. سالاته، م. یانسن، VAA مدل‌سازی تأثیر رفتار انسان بر گسترش بیماری‌های عفونی: مروری. R. Soc. 2010 ، 7 ، 1247-1256. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بلیک، VV; گیزل، تی. بروکمن، دی. تأثیر تحرک انسان بر پویایی بیماری فضایی. در مجموعه مقالات 2009 کنفرانس بین المللی IEEE در علوم و مهندسی محاسبات، ونکوور، BC، کانادا، 29-31 اوت 2009. ص 932-935.
وسولوفسکی، آ. عقاب، ن. تاتم، ای جی; اسمیت، دی.ال. نور، AM; برف، RW; Buckee, CO کمیت کردن تأثیر تحرک انسان بر مالاریا. علوم 2012 ، 338 ، 267-270. [ Google Scholar ] [ CrossRef ] [ PubMed ]
میلر، اولین قانون و تحلیل فضایی HJ Tobler. ان دانشیار صبح. Geogr. 2004 ، 94 ، 284-289. [ Google Scholar ] [ CrossRef ]
تول، جی. اولم، ام. گونزالس، م. بائر، دی. استنباط کاربری زمین از فعالیت تلفن همراه. در مجموعه مقالات کارگاه بین المللی ACM SIGKDD در محاسبات شهری، پکن، چین، 12 اوت 2012. صص 1-8.
پان، جی. چی، جی. وو، زی. ژانگ، دی. Li, S. طبقه بندی کاربری زمین با استفاده از ردیابی GPS تاکسی. IEEE Trans. هوشمند ترانسپ سیستم 2013 ، 14 ، 113-123. [ Google Scholar ] [ CrossRef ]
یوان، ی. راوبال، م. لیو، ی. ارتباط استفاده از تلفن همراه و رفتار سفر – مطالعه موردی هاربین، چین. محاسبه کنید. محیط زیست سیستم شهری 2012 ، 36 ، 118-130. [ Google Scholar ] [ CrossRef ]
گویمرا، آر. Amaral، LAN کارتوگرافی شبکه های پیچیده: ماژول ها و نقش های جهانی. J. Stat. مکانیک. تئوری Exp. 2005 . [ Google Scholar ] [ CrossRef ]
گویمرا، آر. موسا، اس. تورتسچی، آ. آمارال، LAN شبکه حمل و نقل هوایی در سراسر جهان: مرکزیت غیرعادی، ساختار جامعه و نقش های جهانی شهرها. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2004 ، 102 ، 7794-7799. [ Google Scholar ] [ CrossRef ] [ PubMed ]
نیومن، ام. الگوریتم سریع برای تشخیص ساختار جامعه در شبکه ها. فیزیک Rev. E 2004 , 69 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
ریچارت، جی. بورنهولت، اس. مکانیک آماری تشخیص جامعه. فیزیک Rev. E 2006 , 74 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
پونز، پی. Latapy، M. جوامع محاسباتی در شبکه های بزرگ با استفاده از پیاده روی تصادفی. J. Graph Algorithms Appl. 2006 ، 10 ، 191-218. [ Google Scholar ] [ CrossRef ]
روزوال، ام. برگستروم، CT نقشه های پیاده روی تصادفی در شبکه های پیچیده ساختار جامعه را نشان می دهد. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2007 ، 105 ، 1118-1123. [ Google Scholar ] [ CrossRef ] [ PubMed ]
اداره برنامه ریزی شهری (DCP). شهر نیویورک: MapPLUTO. در دسترس آنلاین: http://www.nyc.gov/html/dcp/ (در 1 ژانویه 2016 قابل دسترسی است).
کلاوزت، ا. شالیزی، CR; نیومن، توزیع‌های قانون قدرت MEJ در داده‌های تجربی. SIAM Rev. 2009 , 51 , 661-703. [ Google Scholar ] [ CrossRef ]
Fact Browser: The Research Discovery Engine. در دسترس آنلاین: http://www.factbrowser.com/tags/foursquare/ (در 7 ژوئیه 2010 قابل دسترسی است).

شکل 1. سفرهای انجام شده توسط کاربران Foursquare بین مکان ها.

شکل 2. تابع توزیع تجمعی مکمل (CCDF) درصد پیوندهایی که یک مکان با K NN دارد.

شکل 3. CCDF از هزارمین NN که با مکانی در بین 200 NN مرتبط است ( P ( x )

~ e^{- λ x}

، λ = 0.022).

شکل 4. جوامع معمولی شناسایی شده با استفاده از الگوریتم Walktrap.

جدول 1. مقادیر میانگین دو ویژگی محلی برای کاربران مرد و زن.

جدول 2. تعداد گره ها و سفرهای درون جامعه، و غالب ترین دسته های پیوند در جوامع معمولی انتخاب شده.

جدول 3. نام ها و درصدهای غالب ترین دسته های کاربری زمین در بدنه های محدب جوامع معمولی انتخاب شده است.

© 2016 توسط نویسنده; دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons by Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب