خلاصه
ساختار فضایی یکی از ویژگی های اساسی شهرها است که تا حد زیادی بر عملکرد شهری تأثیر می گذارد. در حالی که پارتیشن بندی اداری به طور کلی در قالب تقسیم فضایی ایستا انجام می شود، درک ساختار پویاتر زمانی فضای شهری به برنامه ریزی و مدیریت شهری بسیار سود می رساند. این مطالعه از یک مجموعه داده موقعیتیابی تلفن همراه در مقیاس بزرگ برای توصیف پویایی روزانه ساختار فضایی شهری مبتنی بر تعامل استفاده میکند. برای استخراج ساختار پر جنب و جوش زمانی، شبکههای تعامل فضایی در زمانهای مختلف بر اساس ارتباطات حرکتی افراد بین واحدهای جغرافیایی ساخته میشوند. تکنیک تشخیص جامعه شبکه پیچیده برای شناسایی تقسیمات فضایی و همچنین برای کمی کردن پویایی زمانی آنها استفاده می شود. تجزیه و تحلیل تجربی با استفاده از داده های حاوی تمام موقعیت های کاربر در یک روز معمولی هفته در شنژن، چین انجام می شود. نتایج با منطقهبندی رسمی و ساختار برنامهریزیشده مقایسه میشوند و نشاندهنده درجه خاصی از گسترش در مناطق مرکزی شهری و تکه تکه شدن در مناطق حومهای صنعتی است. سطح بالایی از تنوع در تقسیمات فضایی در زمانهای مختلف روز با برخی ویژگیهای زمانی مشخص تشخیص داده میشود. ساعات اوج و قبل/پس از اوج بارگیری شاهد بارزترین نوسان در تقسیم بندی فضایی است که بیانگر تغییر قابل توجهی در ویژگی های حرکات و فعالیت ها در این دوره های زمانی است. یافتههای این مطالعه پتانسیل بزرگ دادههای تحرک در مقیاس بزرگ را در حمایت از تصمیمگیری فضایی هوشمند و ارائه دانش ارزشمند به بخشهای برنامهریزی شهری نشان میدهد. نتایج با منطقهبندی رسمی و ساختار برنامهریزیشده مقایسه میشوند و نشاندهنده درجه خاصی از گسترش در مناطق مرکزی شهری و تکه تکه شدن در مناطق حومهای صنعتی است. سطح بالایی از تنوع در تقسیمات فضایی در زمانهای مختلف روز با برخی ویژگیهای زمانی مشخص تشخیص داده میشود. ساعات اوج و قبل/پس از اوج بارگیری شاهد بارزترین نوسان در تقسیم بندی فضایی است که بیانگر تغییر قابل توجهی در ویژگی های حرکات و فعالیت ها در این دوره های زمانی است. یافتههای این مطالعه پتانسیل بزرگ دادههای تحرک در مقیاس بزرگ را در حمایت از تصمیمگیری فضایی هوشمند و ارائه دانش ارزشمند به بخشهای برنامهریزی شهری نشان میدهد. نتایج با منطقهبندی رسمی و ساختار برنامهریزیشده مقایسه میشوند و نشاندهنده درجه خاصی از گسترش در مناطق مرکزی شهری و تکه تکه شدن در مناطق حومهای صنعتی است. سطح بالایی از تنوع در تقسیمات فضایی در زمانهای مختلف روز با برخی ویژگیهای زمانی مشخص تشخیص داده میشود. ساعات اوج و قبل/پس از اوج بارگیری شاهد بارزترین نوسان در تقسیم بندی فضایی است که بیانگر تغییر قابل توجهی در ویژگی های حرکات و فعالیت ها در این دوره های زمانی است. یافتههای این مطالعه پتانسیل بزرگ دادههای تحرک در مقیاس بزرگ را در حمایت از تصمیمگیری فضایی هوشمند و ارائه دانش ارزشمند به بخشهای برنامهریزی شهری نشان میدهد. سطح بالایی از تنوع در تقسیمات فضایی در زمانهای مختلف روز با برخی ویژگیهای زمانی مشخص تشخیص داده میشود. ساعات اوج و قبل/پس از اوج بارگیری شاهد بارزترین نوسان در تقسیم بندی فضایی است که بیانگر تغییر قابل توجهی در ویژگی های حرکات و فعالیت ها در این دوره های زمانی است. یافتههای این مطالعه پتانسیل بزرگ دادههای تحرک در مقیاس بزرگ را در حمایت از تصمیمگیری فضایی هوشمند و ارائه دانش ارزشمند به بخشهای برنامهریزی شهری نشان میدهد. سطح بالایی از تنوع در تقسیمات فضایی در زمانهای مختلف روز با برخی ویژگیهای زمانی مشخص تشخیص داده میشود. ساعات اوج و قبل/پس از اوج بارگیری شاهد بارزترین نوسان در تقسیم بندی فضایی است که بیانگر تغییر قابل توجهی در ویژگی های حرکات و فعالیت ها در این دوره های زمانی است. یافتههای این مطالعه پتانسیل بزرگ دادههای تحرک در مقیاس بزرگ را در حمایت از تصمیمگیری فضایی هوشمند و ارائه دانش ارزشمند به بخشهای برنامهریزی شهری نشان میدهد.
کلید واژه ها:
ساختار شهری ; تقسیم فضایی ؛ داده های موقعیت یابی تلفن همراه ; تشخیص جامعه ؛ دینامیک روزانه
1. معرفی
چیدمان فضای شهری برای مدیریت و حکمرانی مؤثر شهرها از اهمیت بالایی برخوردار است. برنامهریزان شهری طرحهای برنامهریزی را برای پیکربندیهای فضایی شهری پیشنهاد میکنند و مدیران بر این اساس اقدامات راهنمایی و نظارتی را ایجاد میکنند. در دهه های اخیر، شهرهای بیشتری در حال تبدیل شدن به یک ساختار فضایی چند مرکزی از فرم سنتی شهری تک مرکزی هستند [ 1 ، 2 ، 3] .]. در حالی که امید است ساکنان شهری بتوانند فعالیتهای روزانه خود را مطابق با برنامههای برنامهریزی انجام دهند و در نتیجه ساختاری متوازن را از نظر تعاملات فضایی بین پهنههای مختلف شهری حفظ کنند، وضعیت واقعی تعاملات فضایی شهری و تقسیمبندیهای فضایی ناشی از آن دشوار است. اندازه گرفتن. چنین دانش و اطلاعاتی برای ارزیابی طرحهای موجود و همچنین اصلاح برنامهریزیهای آتی مورد نظر است.
حرکات انسان در فضای شهری یک نمایش ایده آل از تعامل فضایی است، زیرا آنها به عنوان یک حامل فیزیکی اصلی مواد، منابع و اطلاعاتی که در مکان ها حرکت می کنند درک می شوند [ 4 ]. با آگاهی از نحوه توزیع این حرکات، می توان درک بهتری از سازمان فضایی یک شهر داشت. به طور متعارف، اطلاعات مربوط به حرکات انسان و سفرهای شهری در مقیاس بزرگ و با پوشش نماینده جمعیت شهری عملاً در دسترس نیست. بنابراین، کاوش در ساختار شهری بر اساس تعاملات فضایی تا حد زیادی محدود شده است. علاوه بر این، الگوهای تحرک جمعی انسان به طور دوره ای در یک روز تغییر می کند [ 5]. توزیع حرکات و تعاملات نیز به طور مداوم در حال تغییر است. در نتیجه، ساختار مبتنی بر تعامل نیز بر خلاف ساختار برنامه ریزی شده و منطقه بندی اداری که در کوتاه مدت ایستا هستند، متغیر و پویا است.
داده های حرکتی در مقیاس بزرگ در حال ظهور پتانسیل زیادی در توصیف حرکات انسانی و الگوهای مربوطه نشان داده است. دادههای منابع مختلف، به عنوان مثال، دادههای موقعیتیابی تلفن همراه، سوابق تراکنشهای کارت هوشمند، و ردپای رسانههای اجتماعی، توسط محققان برای بررسی جنبههای مختلف مربوط به تحرک انسان در مناطق شهری مورد استفاده قرار گرفتهاند و یافتهها سطح بالایی از منظم بودن و قابل پیشبینی بودن را پیشنهاد میکنند. حرکات روزانه انسان [ 6 ، 7 ، 8 ، 9 ]. همچنین تلاشهای قابل توجهی به تجزیه و تحلیل شهرها به عنوان سیستمهای پیچیده با استفاده از مجموعه دادههای مقیاس بزرگ اختصاص داده شده است. شهرها، در هر دو جریان مطالعات، معمولاً به عنوان شبکههای فضایی تعبیهشده مدلسازی میشوند [ 10]] و نظریه های شبکه پیچیده برای رسیدگی به ساخت، دستکاری و تحلیل این شبکه های انتزاعی که برای به تصویر کشیدن واقعیت های فیزیکی در شهرها تولید می شوند، معرفی شده اند. تشخیص جامعه، به طور خاص، یک تکنیک به طور گسترده در تئوری شبکه است که برای تجزیه و تحلیل ساختار شبکه ها استفاده شده است و توسط محققان برای مطالعه ساختار شهری اتخاذ شده است. در حالی که بسیاری از مطالعات بر استفاده از داده های مقیاس بزرگ و نظریه شبکه برای تجزیه و تحلیل تقسیمات مرزی ماکروسکوپی در سطح ملی تمرکز کرده اند [ 11 ]، تحلیل مقایسه ای تعامل فضایی بین کشورها [ 12 ]، تقسیم بندی زیر منطقه [ 13 ]، ساختار شهری سلسله مراتبی [ 14 ] و تکامل بلندمدت ساختار جامعه در فضای شهری [15 ]، توجه کمتری به تغییرات زمانی تقسیمات فضایی شهری مبتنی بر تعامل و پارتیشن بندی اجزا به صورت روزانه شده است.
هدف این مطالعه مشخص کردن پویایی ساختار فضایی شهری با شناسایی تغییرات روزانه در تقسیم بندی فضایی است. در اینجا، ساختار شهری مبتنی بر تعامل به ترکیب مولفههای فضایی در سطح شهر اشاره دارد که از طریق تعاملات فضایی جمعی توسط حرکت ساکنان شهری شناسایی شدهاند. یک مجموعه داده موقعیت یابی تلفن همراه در مقیاس بزرگ از شنژن، چین برای ساخت شبکه های جاسازی شده فضایی در یک روز معمولی هفته و در زمان های مختلف روز استفاده می شود. تکنیک تشخیص جامعه برای شناسایی ساختار فضایی نشان داده شده توسط جوامع حاصل اعمال می شود. چندین شاخص اتخاذ شده از نظریه های شبکه و گراف برای تعیین کمیت تغییرات زمانی در ساختار فضایی محاسبه می شود و سناریوهای نمونه با تغییرات برجسته بیشتر توضیح داده شده و تفسیر می شوند. طرح برنامه ریزی ساختار شهری از طرح جامع شهرداری شنژن به عنوان مرجع استفاده می شود و مقایسه ها سطح مشخصی از گسترش در ناحیه مرکزی شهری و تکه تکه شدن در یک منطقه صنعتی معمولی را نشان می دهد. نتایج همچنین نشاندهنده سطح بالایی از تنوع در تقسیمبندی فضای شهری در طول یک روز است و این تغییرات معمولاً قبل و بعد از ساعات اوج مصرف مشهود است. این نشان می دهد که چگونه انتقال بین الگوهای سفر غالب در رفت و آمد و ویژگی های سفر با اهداف دیگر بر ساختار فضایی اساسی تأثیر می گذارد. یافتههای این مطالعه به تصمیمگیری هوشمند در برنامهریزی و مدیریت شهری با دیدگاهی دقیق، هم از نظر مکانی و هم از لحاظ زمانی، در پویایی ساختار فضایی شهری سود میرساند. نتایج همچنین نشاندهنده سطح بالایی از تنوع در تقسیمبندی فضای شهری در طول یک روز است و این تغییرات معمولاً قبل و بعد از ساعات اوج مصرف مشهود است. این نشان می دهد که چگونه انتقال بین الگوهای سفر غالب در رفت و آمد و ویژگی های سفر با اهداف دیگر بر ساختار فضایی اساسی تأثیر می گذارد. یافتههای این مطالعه به تصمیمگیری هوشمند در برنامهریزی و مدیریت شهری با دیدگاهی دقیق، هم از نظر مکانی و هم از لحاظ زمانی، در پویایی ساختار فضایی شهری سود میرساند. نتایج همچنین نشاندهنده سطح بالایی از تنوع در تقسیمبندی فضای شهری در طول یک روز است و این تغییرات معمولاً قبل و بعد از ساعات اوج مصرف مشهود است. این نشان می دهد که چگونه انتقال بین الگوهای سفر غالب در رفت و آمد و ویژگی های سفر با اهداف دیگر بر ساختار فضایی اساسی تأثیر می گذارد. یافتههای این مطالعه به تصمیمگیری هوشمند در برنامهریزی و مدیریت شهری با دیدگاهی دقیق، هم از نظر مکانی و هم از لحاظ زمانی، در پویایی ساختار فضایی شهری سود میرساند.
ادامه این مقاله به شرح زیر سازماندهی شده است. بخش 2 چندین مطالعه مرتبط را با نکات برجسته و محدودیت ها خلاصه می کند. بخش 3 منطقه مورد مطالعه و داده های مورد استفاده در تجزیه و تحلیل را شرح می دهد. بخش 4 فرآیند تحلیلی را توضیح می دهد و بخش 5 نتایج را نشان می دهد. در بخش 6 ، بحث در مورد نتایج با برخی از نکات پایانی گنجانده شده است.
2. آثار مرتبط
کارهای متعددی در رابطه با تحلیل سیستم های شهری بر اساس داده های تحرک در مقیاس بزرگ و روش های شبکه پیچیده انجام شده است. این بخش چندین مطالعه مرتبط را مرور می کند تا سهم این تحقیق را برجسته کند.
2.1. تجزیه و تحلیل شبکه در سیستم های شهری
در مناطق شهری، بسیاری از سیستم های پیچیده با توپولوژی شبکه ذاتی وجود دارد. مثالها شامل سیستم زیرزمینی، شبکه جادهها و بزرگراهها و شبکههای برق [ 16 ، 17 ] است. چنین شخصیتهای ذاتی با استفاده از تحلیل شبکه، آنها را به کاندیدای مطالعه ایدهآل تبدیل میکند. بسیاری از این تحلیلها بر روی خود امکانات سیستم به شکل ایستا تمرکز میکنند، بنابراین به دادههای دینامیکی در مقیاس بزرگ نیاز ندارند. با این وجود، چندین مطالعه با نتایج جالب و یافته های روشنگری وجود دارد.
شبکههای حملونقل بیشترین مطالعهشدهترین سیستمها در فضای شهری با توجه به ویژگیهای شبکهشان هستند. ویژگی های اساسی شبکه مانند مرکزیت و ضریب خوشه بندی برای شبکه های جاده ای و حمل و نقل عمومی در شهرهای مختلف بررسی شده است. به عنوان مثال، دریبل [ 18 ] شاخص مرکزیت بین بودن سیستم های مختلف مترو در سراسر جهان را تجزیه و تحلیل کرد و یک رابطه منفی بین سهم بین و اندازه شبکه پیدا کرد. به طور مشابه، وانگ و همکاران. [ 19 ] مرکزیت خیابانها را در باتون روژ، لوئیزیانا بررسی کردند و بیشتر شاخص مرکزیت را با شدت کاربری زمین در مناطق شهری مقایسه کردند. سیتون و هکت [ 20] شاخص های مختلفی از جمله ضریب خوشه بندی، طول مسیر و میانگین درجه راس سیستم های ریلی در بوستون و وین را محاسبه کرد. استحکام یک نگرانی عمده در تحلیل شبکه ای سیستم های شهری است زیرا برای عملکرد شهری حیاتی هستند و اختلال در آنها ممکن است قابلیت های آنها را به خطر بیندازد. با استفاده از روش های تحلیل شبکه، محققان بر روی استحکام شبکه های مترو [ 21 ]، شبکه های جاده ای [ 22 ] و همچنین شبکه های برق [ 23 ] تمرکز کرده اند.
مطالعات فوق به طور کلی بر پیکربندی شبکه ایستا سیستم های شهری تکیه داشتند. همچنین تحقیقاتی وجود دارد که داده های ترافیک یا جریان را در تجزیه و تحلیل با طرح های شبکه شامل می شود. به عنوان مثال، ازدحام ناشی از ترافیک خودروها در شبکه های جاده ای بر اساس نظریه شبکه پیچیده [ 24 ، 25 ] تحلیل شده است. علاوه بر این، دادههای تلفن همراه در مقیاس بزرگ به طور همزمان با دادههای شبکه جادهای برای کشف الگوهای استفاده از جاده [ 26 ] و ریتمهای ترافیک شهری [ 27 ] استفاده شدهاند .
2.2. ساختار اجتماعی فضای شهری
جریان دیگری از مطالعات در مورد تحلیل فضای شهری با نظریه شبکه پیچیده عمدتاً بر ساختار جامعه متمرکز است. جامعه در تجزیه و تحلیل شبکه پیچیده به یک جزء در شبکه اشاره دارد که از گره هایی با اتصالات داخلی به طور قابل ملاحظه ای متراکم تر از پیوندهای خارجی به عناصر خارجی تشکیل شده است [ 28 ]. تشخیص جامعه به طور گسترده در انواع شبکهها با توجه به ویژگیهای ساختار آنها اعمال شده است [ 28 ، 29 ، 30 ، 31 ، 32 ، 33 ، 34 ، 35 ].
با توجه به شایستگی در ترسیم مولفههای ساختاری، مفهوم جامعه توسط محققان در مطالعات ساختار شهری برای نمایش زیرساختها در مناطق شهری تعریف شده توسط واحدهای فضایی و تعاملات فضایی بین آنها بهعنوان شبکههای پیچیده جهتدار و وزندار مورد استفاده قرار گرفته است. داده ها از منابع مختلف و الگوریتم های مختلف تشخیص جامعه برای موضوعات مختلف تحقیقاتی استفاده شده است. قبل از اتخاذ روش های تشخیص جامعه در سطح شهر، مطالعات زیادی در سطح کلان و ملی انجام شده است. مرزهای اداری ملی با مقایسه مشخصات موجود با ساختارهای جامعه از شبکه های مبتنی بر تعامل تجزیه و تحلیل و اعتبارسنجی شده است [ 11 ، 36]. تحلیل تطبیقی ساختار شهری مبتنی بر تعامل با کشورهای مختلف نیز انجام شده است [ 12 ].
در مورد مطالعات در سطح منطقه یا شهرستان، موضوع، داده ها، و روش از یکدیگر متفاوت است. به عنوان مثال، با استفاده از دادههای مبدأ-مقصد (OD) مبتنی بر نظرسنجی سنتی، de Montis و همکاران. [ 13 ] ساختار جامعه را در یک منطقه جزیره ای در ایتالیا شناسایی کرد و پیشنهادهایی برای برنامه ریزی زیر منطقه ای ارائه کرد. با استفاده از داده های رفت و آمد منطقه ای در همان منطقه در ایتالیا و یک مجموعه داده اضافی در آتلانتا، ایالات متحده، De Leo و همکاران. [ 37 ] الگوریتم خود را برای شناسایی هسته جامعه در زیرساخت های فضای شهری آزمایش کردند. در سایر مطالعات مرتبط، از داده های تحرک در مقیاس بزرگ استفاده شده است. به عنوان مثال، لیو و همکاران. [ 14] از مسیرهای GPS تاکسی برای آشکار کردن ساختار سلسله مراتبی مناطق شهری در شانگهای، چین استفاده کرد. آنها ساختار شهر چندمرکزی سلسله مراتبی دو سطحی و الگوهای متفاوتی را که در سفرهای تاکسی مسافت کوتاه و بلند به همراه دارد، شناسایی کردند. دادههای کارت هوشمند نیز برای تحلیل ساختار جامعه فضای شهری از جمله تغییرات ساختار طی چندین سال [ 4 ] و تکامل بلندمدت با تأثیر زیرساختهای تازه تأسیس [ 15 ] استفاده شده است.
موضوعات مختلفی با توجه به ویژگی های شبکه و ساختار جامعه مبتنی بر تعامل فضای شهری مورد بررسی قرار گرفته است. با این حال، توجه کمتری به تغییرات روزانه در تقسیم بندی فضایی مبتنی بر تعامل و ساختار مؤلفه شده است که به طور بالقوه می تواند برنامه ریزی و مدیریت شهری را با پویایی های کوتاه مدت دقیق در ساختار شهری تسهیل کند. علاوه بر این، دادههای مورد استفاده در تجزیه و تحلیل ممکن است از پوشش کم و تجمع درشت (دادههای مبتنی بر نظرسنجی و رفتوآمد) یا سوگیری جمعیتی احتمالی (دادههای کارت هوشمند فقط حاوی اطلاعات کاربران حملونقل عمومی است و ردیابی GPS تاکسی فقط الگوهای مسافران تاکسی را نشان میدهد) رنج میبرد. و رانندگان). با توجه به این مسائل، این مطالعه از سطح بالای وضوح زمانی و بازنمایی جمعیت دادههای تلفن همراه به عنوان تلاشی برای رسیدگی به این شکافها استفاده میکند. یافتههای این مطالعه میتواند درک روشنتری از پویایی در فضای شهری با تعاملات مکرر و سرعت سریع زندگی شهری را روشن کند.
3. منطقه مطالعه و داده ها
در این بخش، منطقه مورد مطالعه و داده های مورد استفاده برای تجزیه و تحلیل به اختصار معرفی می شود. شنژن، شهری در جنوب چین، به عنوان منطقه مورد مطالعه انتخاب شده است و مجموعه داده تلفن همراه در مقیاس بزرگ شامل تمام سوابق موقعیت یابی کاربر در یک روز معمولی هفته استفاده می شود.
3.1. منطقه مطالعه
شنژن در دلتای رودخانه مروارید، در مجاورت منطقه اداری ویژه هنگ کنگ و شمال دریای چین جنوبی واقع شده است. شنژن از زمان تأسیس در سال 1979 به عنوان منطقه ویژه اقتصادی (SEZ)، به یکی از بزرگترین و توسعه یافته ترین شهرهای چین تبدیل شده است. جمعیت شنژن بر اساس سرشماری [ 38 ] در سال 2010 به 10 میلیون نفر رسیده است و تخمین زده می شود که در چند سال آینده به بیش از 15 میلیون نفر برسد [ 39 ]. همانطور که در شکل 1 نشان داده شده استالف، در مجموع شش منطقه اداری تحت صلاحیت شنژن وجود دارد. Luohu و Futian مناطق شهری مرکزی هستند که اولین توسعه را داشته اند. نانشان و یانتیان دو منطقه شهری دیگر هستند. این چهار منطقه تا سال 2010 که همه مناطق را شامل می شد، SEZ اصلی را تشکیل می دادند. Bao’an و Longgang دو منطقه حومه خارج از چهار منطقه فوق هستند و چهار منطقه جدید از جمله Guangming و Longhua به Bao’an و Pingshan و Dapeng به Longgang تابع آنها هستند. لوهو منطقه قدیمی شهر است که از نظر توسعه اقتصادی جزو اولین مناطق است. هنوز هم بخش مرکزی اصلی مناطق شهری است که بسیاری از مراکز تجاری در آن قرار دارند. Futian منطقه مرکزی فعلی شهر است که اکثر ادارات دولتی در آن واقع شده اند. همچنین مرکز مالی با دفاتر مرکزی بسیاری است. نانشان مرکز آموزش عالی و همچنین پیشرفت فناوری است. تعدادی از شرکت های فناوری پیشرفته از جمله Tencent، بزرگترین غول رسانه های اجتماعی آنلاین در چین، دفتر مرکزی خود را در Nanshan دارند. علاوه بر این، دانشگاهها، اعم از محلی و سایر شهرها، دارای پردیسهایی در نانشان هستند. Yantian یکی دیگر از مناطق شهری در قلمرو قدیمی SEZ است. در امتداد خط ساحلی این منطقه یک بندر باری اصلی به نام بندر یانتیان وجود دارد و بسیاری از جاذبه های گردشگری در داخل یانتیان قرار دارند. بائوآن یک منطقه حومه شهر و مرکز صنایع تولیدی است. همچنین دارای چند مرکز حمل و نقل اصلی از جمله فرودگاه بینالمللی و همچنین ایستگاه راهآهن پرسرعت است که در یکی از مناطق جدید، Longhua واقع شده است. Longgang دیگر منطقه حومه در شمال شرقی شهر است. همچنین بسیاری از صنایع تولیدی و دیگر اشکال در Longgang و همچنین Pingshan، یک ناحیه جدید تابع Longgang وجود دارد. منطقه جدید دیگر در این منطقه، داپنگ، به خاطر چشماندازهای زیستمحیطی و مناظر خط ساحلیاش معروف است و بسیاری بهعنوان یک انتخاب برای تعطیلات مورد علاقه است.
شهر شنژن بسیار متحرک و پویا است. با جمعیت جوان و بزرگ کارگران مهاجر، تقاضا برای تحرک و فعالیت دائماً قابل توجه است. چنین سطح بالایی از تحرک در حجم عظیمی از تعاملات فضایی و همچنین ساختار پر جنب و جوش فضای شهری منعکس خواهد شد. علاوه بر این، به عنوان یک شهر جدید و جوان، طرح برنامه ریزی برای شنژن همیشه یک شکل چند مرکزی برای توسعه پایدار و متوازن را تشویق می کند. در دهههای اخیر، برنامهریزان شهر یک سبک «گروهبندی عملکردی» از طرحهای برنامهریزی فضایی شهری را ترویج میکنند که مناطق همجوار جغرافیایی اما همچنین از نظر عملکردی سازگار را در یک جزء فضایی منطقهمانند جمعآوری میکند. این رویکرد تلاش میکند تا محدودیتهای مرزهای منطقه ایستا را که ممکن است قدیمی هستند شکسته و طرحی را ارائه دهد که عملیتر و منطقیتر باشد. بر اساس طرح جامع بلند مدت [40 ]، کل شهر به 11 خوشه عملکردی تقسیم شد، همانطور که در شکل 1 ب نشان داده شده است (اسامی که مستقیماً از چینی ترجمه شده اند و نباید به معنای واقعی کلمه برداشت شوند). واضح است که تقسیم بندی در مناطق شهری مرکزی با منطقه بندی اداری سازگارتر است در حالی که مناطق حومه و جدید به طور متفاوتی تقسیم بندی شده اند. دو طرح پارتیشن بندی فضایی شنژن، یعنی منطقه بندی اداری و گروه بندی عملکردی، به طور ایده آل به عنوان یک مرجع پس زمینه برای تجزیه و تحلیل ساختار فضایی شهری در این مطالعه خدمت می کنند.
3.2. توضیحات داده ها
داده های موقعیت یابی تلفن همراه مورد استفاده در این مطالعه سوابق موقعیت یابی کاربران تلفن همراه به طور فعال ردیابی شده است. مجموعه داده از China Mobile (CM)، یکی از بزرگترین ارائه دهندگان خدمات تلفن همراه در چین، از طریق همکاری تحقیقاتی به دست آمد و در 23 مارس 2012، یک جمعه جمع آوری شد. این شامل سوابق پیگیری شده همه کاربران تلفن همراه ناشناس در شهر شنژن در آن روز به جز ساعت 11:00 شب تا 12:00 صبح (یعنی آخرین ساعت روز) است. بنابراین، بازه زمانی مجموعه داده 23 ساعت آن روز را پوشش می دهد. بیش از 16 میلیون مشترک با اطلاعات ثبت شده در مجموعه داده وجود دارد و مطالعه قبلی با استفاده از همان مجموعه داده نشان داده است که توزیع کاربران با توزیع جمعیت مبتنی بر سرشماری کاملاً خوب است، با ضریب همبستگی پیرسون 0.99 [41 ]. مکانهای ثبتشده در مجموعه داده، مکانهایی از برجهای سلولی هستند که کاربران در آنها مشترک شدهاند و هر کاربر هر ساعت یک بار برای وابستگی به برج خود ردیابی میشود. تراکم برج های سلولی در مناطق مختلف متفاوت است و در مجموع 5908 برج سلولی تحت مدیریت CM در شنژن وجود دارد و میانگین نزدیک ترین فاصله بین برج ها حدود 0.45 کیلومتر است.
4. رویکرد تحلیلی
این مطالعه بر روش های پیچیده تشخیص جامعه و تجزیه و تحلیل شبکه به عنوان اقدامات تحلیلی اولیه تکیه دارد. روال کلی به شرح زیر است. در مرحله اول، شبکه های مفهومی بر اساس تعاملات بین واحدهای فضایی در طول روز و همچنین در ساعات مختلف ساخته می شوند. سپس با اعمال تشخیص جامعه، تقسیمات درون شبکهها مشخص شده و اجزای فضایی شناسایی میشوند. با استفاده از چندین معیار وام گرفته شده از نظریه گراف، پویایی زمانی ساختار تقسیم فضایی کمی سازی می شود. انتقال ساختار در طول روز طرح ریزی شده و صحنه هایی با برجسته ترین تغییرات برای تفسیر بیشتر انتخاب می شوند.
4.1. ساخت شبکه های مبتنی بر تعامل
اولین قدم ساختن یک سری شبکه های مبتنی بر تعامل در ساعات مختلف روز و همچنین برای کل روز است. این شبکه ها از گره های مجزا و لبه های اتصال تشکیل شده اند. مجموعه ای از واحدهای جغرافیایی که کل منطقه مورد مطالعه را پوشش می دهند به عنوان گره های شبکه درک می شوند در حالی که تعاملات فضایی (حرکات) بین این گره ها / واحدها لبه ها را تشکیل می دهند. نتایج مجموعه ای از شبکه های وزن دار و هدایت شده است. در اینجا، واحد فضایی مورد استفاده، مناطق تحلیل ترافیک (TAZs) برای سهولت مقایسه است زیرا مرزهای آنها با محدوده منطقه بندی اداری مطابقت دارد و در مجموع 936 واحد تحت این طرح وجود دارد. برج های سلولی 5908 بر اساس معیار حداکثر همپوشانی به TAZ ها اختصاص داده شده اند. علاوه بر این، منطقه مورد مطالعه به شبکه های سلولی به طول 1 کیلومتر تقسیم شده و شبکه ها مجدداً به روش مشابه ساخته می شوند.42 ].
از آنجایی که داده های تلفن همراه مکان های فردی را ثبت می کنند، حرکات باید بر اساس قوانین خاصی استخراج شوند. در اینجا، روش مبتنی بر نقطه اقامت [ 43] برای شناسایی حرکات از داده های تلفن همراه اتخاذ شده است. این روش محدودیتهای مکانی-زمانی را بر مکانهای ثبتشده کاربران تلفن همراه تحمیل میکند تا نقاط مکانی-زمانی را که کاربران برای یک فعالیت خاص «ماندهاند»، برخلاف نقاط «در مسیر»، و ردپای متوالی اتصال نقاط اقامت را به عنوان حرکت شناسایی میکند. . به طور خاص، محدودیت ها شامل یک حد بالا برای فاصله بین دو مکان ثبت شده بعدی و یک حد پایین برای فاصله زمانی بین دو رکورد بعدی است. به عبارت دیگر، یک رکورد مکانی-زمانی نیاز به داشتن رکوردهای همسایه در فضا دارد که از نظر زمانی به اندازه کافی از خود فاصله دارند تا به عنوان یک نقطه اقامت واجد شرایط شوند. علاوه بر این، یکی دیگر از محدودیت های حد بالایی برای تداوم بین حرکات پس از استخراج تمام نقاط اقامت اعمال می شود. یک حرکت بین هر دو نقطه اقامت بعدی به استثنای مواردی که محدودیت تداوم را نقض می کنند، شناسایی می شود. در آن صورت، نقطه اول فقط نقطه پایان یک حرکت سابق است و دومی تنها نقطه شروع یک حرکت دوم است که هیچ حرکت قطعی در بین آن وجود ندارد. انتخاب این آستانه ها باید بر اساس وضعیت خاص داده های موجود باشد [44 ]. بر اساس تراکم برج های سلولی و توزیع زمان های سپری شده بین رکوردهای بعدی، آستانه مکانی 0.5 کیلومتر، آستانه زمانی 60 دقیقه و حد تداوم 70 دقیقه تنظیم شده است.
در مجموع 23,474,337 حرکت بر اساس قوانین فوق استخراج شده است و میانگین تعداد حرکات برای هر کاربر حدود 1.5 است. میانگین فاصله حرکت 3.9 کیلومتر است و بیش از 90 درصد حرکات در 10 کیلومتر است. این ارقام به خوبی با آمار گزارش شده توسط آخرین بررسی ویژگی های سفر در شنژن مطابقت دارد [ 45 ]. به عنوان مثال، توزیع حرکات استخراج شده در ساعت اوج صبح، در سطح TAZ، همانطور که در شکل 2 نشان داده شده است .
4.2. شناسایی تقسیمات فضایی
به منظور شناسایی ساختار فضایی بر اساس هر شبکه مبتنی بر تعامل، از تکنیک تشخیص جامعه استفاده می شود. در اصل، هدف این است که فضای شهری را به چندین مؤلفه با تعاملات داخلی قوی تر از تعاملات خارجی تقسیم کنیم. تقسیم فضا متقابلاً منحصر به فرد است، زیرا جوامع شناسایی شده با یکدیگر همپوشانی ندارند.
در مقایسه با روشهای رایج مبتنی بر مدولاریت [ 33 ، 35 ]، الگوریتم Infomap، پیشنهاد شده توسط Rosvall و Bergstrom [ 46]]، شامل جریان در شبکهها میشود و به دلیل قدرت آن در برخورد مؤثر و دقیق با شبکههای هدایتشده برای تحلیل استفاده میشود. این الگوریتم یک شبکه می گیرد و تمام گره ها را با کدهای باینری منحصر به فرد نشان می دهد. سپس، یک راه رفتن تصادفی با وزنه های لبه به عنوان احتمالاتی که راه رفتن از لبه عبور می کند، انجام می شود. هدف به حداقل رساندن طول کل کد پیاده روی تصادفی توسط کدگذاری هافمن است که از یک پیشوند کلمه کد مشترک برای توصیف مجموعه ای از گره ها در یک ساختار قابل توجه استفاده می کند و بنابراین طول کد را برای هر گره در مجموعه کوتاه می کند. اساساً، ساختارهای مهم شناسایی شده با حداقل طول کل کد، پارتیشن بندی بهینه در نظر گرفته می شوند و گره هایی با پیشوند مشخص شده یکسان، یک موجودیت جامعه را تشکیل می دهند. فرآیند کمینه سازی از یک روش مبتنی بر آنتروپی پیروی می کند.
این الگوریتم به صورت تجمعی از پایین به بالا پیش می رود، بدین صورت که ابتدا هر گره را به جزء مستقل خود اختصاص می دهد و سپس به تدریج آنها را در اجزای بزرگتر در جهت کاهش آنتروپی ترکیب می کند. این فرآیند زمانی متوقف می شود که کاهش بیشتری در آنتروپی حاصل نشود و تقسیم اجزای حاصل بهینه در نظر گرفته شود. بازپخت شبیه سازی شده به منظور دستیابی به بهینه جهانی در کاهش آنتروپی اعمال می شود.
الگوریتم Infomap برای استخراج ساختار جامعه در شبکههای مبتنی بر تعامل مفهومسازی شده و بنابراین شناسایی تقسیمبندی فضایی در فضای شهری تحقق مییابد. سازه ها در زمان های مختلف به طور جداگانه برای تجزیه و تحلیل در مراحل بعدی شناسایی می شوند که پویایی زمانی آنها را ارزیابی و کمی می کند.
4.3. ارزیابی خواص و کمی سازی دینامیک زمانی
پس از شناسایی تقسیمات فضایی در زمانهای مختلف، برخی از ویژگیهای حیاتی شبکههای مفهومسازی شده ارزیابی شده و دینامیک زمانی سازه کمیسازی شده و از طریق نقشهبرداری جغرافیایی نشان داده میشود.
ویژگی های اصلی شبکه جهانی از جمله چگالی شبکه، ضریب خوشه بندی و توزیع درجه/قدرت به دست آمده و تجزیه و تحلیل می شوند. این ویژگی ها توپولوژی های اصلی شبکه های فضایی شهری و همچنین تغییرات زمانی آنها را نشان می دهد. به دنبال آن، برجستگی ساختار جامعه، که با طول کد از الگوریتم Infomap و مدولار بودن کلاسیک توسط [ 33 ] اندازهگیری میشود، در زمانهای مختلف ارائه میشود. این زمینه را برای تجزیه و تحلیل بعدی در مورد پویایی زمانی ساختار فضایی با جزئیات فراهم می کند.
پویایی زمانی ساختار فضایی ابتدا با کمی کردن درجه و شکل تغییرات در طول زمان و سپس ترسیم ساختار مکانی در طرحبندیهای جغرافیایی و تحلیل مقایسهای چیدمانها با برجستهترین تغییرات توضیح داده میشود. کمی سازی تغییرات بین هر دو ترکیب ساختاری با اندازه گیری دو شاخص بین هر دو نتیجه پارتیشن بندی در دو ساعت مختلف به دست می آید، یعنی اطلاعات متقابل نرمال شده و تعداد طرح. اطلاعات متقابل نرمال شده (NMI) یک معیار رایج در نظریه اطلاعات برای وابستگی یک متغیر تصادفی به متغیر دیگر است. برای اندازهگیری شباهت بین نتایج خوشهبندی یا طبقهبندی به جای شاخص سنتی رند [ 47] استفاده شده است.]. همچنین به طور گسترده در تحلیل شبکه پیچیده برای مقایسه ساختار جامعه شناسایی شده با حقیقت زمین مورد استفاده قرار گرفته است [ 48 ، 49 ، 50 ]. شاخص NMI برای مقایسه ساختار جامعه، همانطور که توسط Danon و همکاران پیشنهاد شده است. [ 48 ]، مطابق شکل زیر است.
من( الف ، ب ) =– 2∑مترi = 1∑nj = 1نمن جl o g(نمن جننمننj)∑مترi = 1نمنورود به سیستم (نمنن) +∑nj = 1نjورود به سیستم (نjن)من(آ،ب)=–2∑من=1متر∑�=1�نمن�ل��(نمن�ننمنن�)∑من=1مترنمنورود به سیستم(نمنن)+∑�=1�ن�ورود به سیستم(ن�ن)
در اینجا، m و n به ترتیب نشان دهنده تعداد جوامع شناسایی شده در دو نتیجه پارتیشن بندی، A و B هستند . N ij تعداد موارد موجود در جامعه i پارتیشن بندی A است که در جامعه j پارتیشن بندی B نیز وجود دارد . بنابراین، N i و N j به ترتیب تعداد کل موارد در جامعه i از پارتیشن بندی A و تعداد کل موارد در جامعه j از پارتیشن بندی B را نشان می دهند ، وN تعداد کل موارد موجود در شبکه است. مقدار NMI از 0 تا 1 متفاوت است که 0 نشان دهنده استقلال کل و 1 به معنای یکسانی است.
از سوی دیگر، شماره پیشبینی یا فاصله «پیوستگی تقسیم» توسط van Dongen [ 51 ] پیشنهاد شده است. در اصل برای مقایسه نتایج مختلف خوشهبندی یک نمودار دیجیتالی طراحی شده است، تعداد پیشبینی پارتیشنبندی A بر روی پارتیشنبندی B به شرح زیر است.
پآ( ب ) =∑a ∈ Am a xب ∈ ب| a ∩ b |پآ(ب)=∑آ∈آمترآایکسب∈ب|آ∩ب|
در اینجا، a و b به ترتیب اعضای هر زیرمجموعه ای بر اساس A و B هستند . | a ∩ b ||آ∩ب|تعداد اعضای مشترک (همپوشانی) در هر دو a و b را نشان می دهد . توجه داشته باشید که، طبق رابطه (2) بالا، حلقه های جمع از طریق A و حداکثر همپوشانی حلقه های یافتن از طریق B در هنگام محاسبه تعداد طرح ریزی A بر روی B انجام می شود . این بدان معنی است که بر خلاف NMI، عدد طرح ریزی شده به این معنا است که عدد طرح ریزی A بر روی B لزوما برابر با عدد B بر روی A نیست . جهت دهی این اندازه گیری شناسایی بزرگی و شکل تغییرات را تسهیل می کند. بنابراین، فاصله «تقسیم-پیوستن» نامیده میشود که به این صورت تعریف میشودnp A ( B )، که در آن n تعداد کل عناصر در مجموعه کلی است. با توجه به A و B ، کوچکتر np A ( B )، احتمال بیشتری وجود دارد که A یک پارتیشن بندی فرعی (پارتیشن بندی به مقیاس ظریف تر) از B باشد . اگر فواصل در هر دو جهت ( A به B و B به A ) کوچک باشد، احتمالاً دو نتیجه تقسیمبندی یکسان هستند. مقدار فاصله “Split-join” از 0 تا n – 1 متغیر است.
علاوه بر مقایسههای زوجی، تغییرات پی در پی در ترتیب زمانی محاسبه میشود تا الگوی متوالی ساختار فضایی مبتنی بر تعامل شناساییشده را نشان دهد. برای NMI متقارن، آرایه “زیر قطری” در بالا یا پایین مورب اصلی، تغییرات زمانی را نشان می دهد. برای فاصله هدایت شده “انشعاب اتصال”، دو آرایه زیر قطری به دلیل عدم تقارن متفاوت هستند، بنابراین مقادیر اختلاف بین این دو، تغییرات زمانی متوالی را نشان می دهد. در این مورد، فاصله «انشعاب پیوند» از پارتیشن در یک ساعت قبلی تا ساعت بلافاصله بعد، زیرآب است در حالی که فاصله «پیوستن تقسیم» در جهت مخالف، همان چیزی است که در معادله زیر نشان داده شده است. .
Vمن + 1من= ( n –پمن + 1( i ) )−( n −پمن( i + 1 ) )=پمن( i + 1 ) –پمن + 1( i ) , i ∈ [ 1 , h − 1 ] �منمن+1=(�–پمن+1(من))–(�–پمن(من+1))=پمن(من+1)–پمن+1(من)، من∈[1،ساعت–1]
در اینجا، i یک ساعت از روز را نشان می دهد و پمن( j )پمن(�)تعداد طرح ریزی پارتیشن بندی در ساعت i به پارتیشن بندی در ساعت j است . n تعداد کل واحدهای فضایی و h کل ساعات روز (یعنی تعداد کل تقسیمات) است. بنابراین، یک مقدار مثبت نشان دهنده تغییرات تجمعی و یک مقدار منفی نشان دهنده یک فرآیند تقسیمی است. مقادیر نزدیک به صفر نشان دهنده تغییرات ناچیز است.
شباهت زوجی بین ساختارهای فضایی شناساییشده در هر دو ساعت بر اساس فاصله NMI و «پیوستن تقسیمشده» محاسبه میشود و تغییرات متوالی در طول دوره زمان معمولاً بر روی تمرکز میشود. بر اساس این معیارها، می توان زمان هایی با برجسته ترین تغییرات و همچنین اشکال تنوع را شناسایی کرد. سپس ساختارهای متغیر شناسایی شده نشان داده شده و برای تفسیر بیشتر نقشه برداری می شوند.
5. نتایج و یافته ها
در این بخش، نتایج حاصل از تجزیه و تحلیل با استفاده از دادههای یک روزه تلفن همراه و اعمال روشی که در بالا توضیح داده شد به تفصیل ارائه میشود. آمار اصلی شبکه ابتدا ارائه شده و ساختار فضایی کلی با استفاده از کل داده ها به عنوان یک کل نشان داده شده و با منطقه بندی اداری و خوشه های عملکردی برنامه ریزی شده رسمی در شکل 1 مقایسه شده است.. سپس پویایی در طول روز از نظر برجستگی و تنوع ساختار نمایش داده می شود. ساعت هایی با بیشترین نوسانات بصری مشخص می شوند و ساختارهای اطراف این ساعت ها به منظور تفسیر مفاهیم اساسی نقشه برداری و به صورت گرافیکی نشان داده می شوند. در نهایت، فرآیند مشابه با استفاده از دادهها و الگوریتمهای یکسان اما در واحد فضایی متفاوت برای بررسی اثر MAUP انجام میشود.
5.1. آمار پایه و ساختار کلی فضایی
همانطور که در بخش قبلی ذکر شد، در مجموع 23،474،337 رد حرکت برای تشکیل شبکه های مفهومی در سطح TAZ ساخته شده است. میانگین فاصله حرکت، که به عنوان فاصله ژئودزیکی بین برج های سلولی ثبت شده تعریف می شود، حدود 3.9 کیلومتر است. توزیع زمانی حرکات در فواصل ساعتی همانطور که در شکل 3 الف نشان داده شده است. این یک روند معمولی دو اوج را نشان می دهد که معمولاً در روزهای هفته ظاهر می شود. شکل 3b توزیع زمانی دو ویژگی اصلی شبکه جهانی، یعنی چگالی شبکه (به رنگ آبی) و ضریب خوشه بندی (به رنگ قرمز) را نشان می دهد. هر دوی آنها شباهت بالایی به توزیع حرکات نشان میدهند، زیرا افزایش حجم حرکت نشاندهنده تعاملات بیشتر (لبههای متصل بیشتر یا وزن لبههای بزرگتر)، که منجر به شبکههای متراکمتر میشود.
در مرحله اول، شبکه انبوه کل روز ساخته شده از کل مجموعه داده حرکتی از نظر ساختار جامعه آن تحلیل می شود. سپس نتیجه بر روی فضای جغرافیایی نقشه برداری می شود و همانطور که در شکل 4 نشان داده شده است . در اینجا، اجزای مختلف رنگ متفاوتی دارند و مرزها به رنگ سیاه، تقسیمات اداری در سطح منطقه است. مناطق توخالی واحدهای طبقه بندی نشده ای هستند که بیشتر آن ها ذخایر طبیعی، مناطق تپه ای یا مخازن آب هستند. همانطور که در این شکل و همچنین با اشاره به شکل 1 ب نشان داده شده است، چندین ویژگی متمایز از نظر تفاوت بین ساختارهای مبتنی بر تعامل و برنامه ریزی ظاهر می شود.
اول از همه، سطح معینی از گسترش در نواحی مرکزی شهری تشخیص داده می شود. در اصل، خوشه عملکردی مرکزی دقیقاً شامل دو ناحیه مرکزی، Futian و Luohu، با مرزهای اداری به عنوان جداکننده برنامه ریزی شده است. با این حال، مؤلفه مبتنی بر تعامل در مناطق مرکزی، به طور قابل توجهی به سمت غرب در قلمرو نانشان گسترش می یابد، جایی که تعداد زیادی از مقرهای فناوری پیشرفته و در نتیجه مشاغل جدید در آن قرار دارند. در مورد منطقه نانشان، خوشه برنامه ریزی شده اولیه منطقه دقیق و کل منطقه است در حالی که ساختار مبتنی بر تعامل در این منطقه یک جدایی واضح تقریباً در وسط را نشان می دهد. بخش جنوبی، نزدیک خلیج شنژن، خانه بسیاری از شرکتهای با فناوری پیشرفته است. از طرف دیگر بخش شمالی جمعیت کمتری دارد و توسط چند تولیدکننده و پردیس ماهواره ای برای دانشگاه ها و موسسات تحقیقاتی اشغال شده است. علاوه بر این، اجزای مناطق غربی، یعنی Bao’an و Guangming، تا حد زیادی تکه تکه شده اند. بسیاری از پردیسهای اصلی تولیدی در این مناطق واقع شدهاند و بسیاری از کارفرمایان آنها در آپارتمانهای شرکت مجاور اقامت دارند که به طور قابلتوجهی نیاز آنها را برای سفر به مکانهای دور کاهش میدهد. مولفه ها در شرق شهر، برعکس، تا حد زیادی با تقسیم بندی اداری و خوشه بندی برنامه ریزی شده مطابقت دارند. مناطق در شرق شبه جزیره داپنگ نسبت به مناطق شهری و حومه غربی جمعیت بسیار کمتری دارند و عمدتاً از مناطق حفاظت شده بومشناختی و منابع گردشگری طبیعی تشکیل شدهاند. اجزای مناطق غربی، یعنی Bao’an و Guangming، تا حد زیادی تکه تکه شده اند. بسیاری از پردیسهای اصلی تولیدی در این مناطق واقع شدهاند و بسیاری از کارفرمایان آنها در آپارتمانهای شرکت مجاور اقامت دارند که به طور قابلتوجهی نیاز آنها را برای سفر به مکانهای دور کاهش میدهد. مولفه ها در شرق شهر، برعکس، تا حد زیادی با تقسیم بندی اداری و خوشه بندی برنامه ریزی شده مطابقت دارند. مناطق در شرق شبه جزیره داپنگ نسبت به مناطق شهری و حومه غربی جمعیت بسیار کمتری دارند و عمدتاً از مناطق حفاظت شده بومشناختی و منابع گردشگری طبیعی تشکیل شدهاند. اجزای مناطق غربی، یعنی Bao’an و Guangming، تا حد زیادی تکه تکه شده اند. بسیاری از پردیسهای اصلی تولیدی در این مناطق واقع شدهاند و بسیاری از کارفرمایان آنها در آپارتمانهای شرکت مجاور اقامت دارند که به طور قابلتوجهی نیاز آنها را برای سفر به مکانهای دور کاهش میدهد. مولفه ها در شرق شهر، برعکس، تا حد زیادی با تقسیم بندی اداری و خوشه بندی برنامه ریزی شده مطابقت دارند. مناطق در شرق شبه جزیره داپنگ نسبت به مناطق شهری و حومه غربی جمعیت بسیار کمتری دارند و عمدتاً از مناطق حفاظت شده بومشناختی و منابع گردشگری طبیعی تشکیل شدهاند. بسیاری از پردیسهای اصلی تولیدی در این مناطق واقع شدهاند و بسیاری از کارفرمایان آنها در آپارتمانهای شرکت مجاور اقامت دارند که به طور قابلتوجهی نیاز آنها را برای سفر به مکانهای دور کاهش میدهد. مولفه ها در شرق شهر، برعکس، تا حد زیادی با تقسیم بندی اداری و خوشه بندی برنامه ریزی شده مطابقت دارند. مناطق در شرق شبه جزیره داپنگ نسبت به مناطق شهری و حومه غربی جمعیت بسیار کمتری دارند و عمدتاً از مناطق حفاظت شده بومشناختی و منابع گردشگری طبیعی تشکیل شدهاند. بسیاری از پردیسهای اصلی تولیدی در این مناطق واقع شدهاند و بسیاری از کارفرمایان آنها در آپارتمانهای شرکت مجاور اقامت دارند که به طور قابلتوجهی نیاز آنها را برای سفر به مکانهای دور کاهش میدهد. مولفه ها در شرق شهر، برعکس، تا حد زیادی با تقسیم بندی اداری و خوشه بندی برنامه ریزی شده مطابقت دارند. مناطق در شرق شبه جزیره داپنگ نسبت به مناطق شهری و حومه غربی جمعیت بسیار کمتری دارند و عمدتاً از مناطق حفاظت شده بومشناختی و منابع گردشگری طبیعی تشکیل شدهاند.
در مجموع، ساختار شناسایی شده بر اساس شبکه مبتنی بر تعامل می تواند منعکس کننده ویژگی های عملکرد و طرح های توسعه عمومی مناطق جغرافیایی مربوطه در سطح منطقه باشد. مناطق مختلف شهری محدوده ها و/یا سازماندهی متمایز اجزایی را نشان می دهند که با عملکرد کلی فعلی زمین های اشغالی مطابقت دارد. پویایی روزانه، با این حال، در ساختار کلی منعکس نمی شود و آنها در بخش فرعی بعدی بررسی می شوند.
5.2. دینامیک زمانی ساختار مبتنی بر تعامل
دینامیک زمانی ساختارهای شناسایی شده در این بخش ارائه شده است. در مجموع 23 شبکه در ساعات مختلف روز (به جز آخرین مورد) ساخته و تحلیل می شوند. خصوصیات شبکه آنها (همانطور که در شکل 3 ب در بالا نشان داده شده است) و همچنین برجستگی ساختار جامعه به دست آمده است. تغییرات زمانی برجستگی ها همانطور که در شکل 5 نشان داده شده است. منحنی آبی نشان دهنده طول کد از Infomap است در حالی که منحنی قرمز نشان دهنده مدولار بودن کلاسیک است. این دو شاخص با ضریب همبستگی 0.82- و مقدار p که بسیار کوچکتر از 0.01 است، همبستگی معنادار و منفی دارند. واضح است که طول / مدولار بودن کد در اوایل صبح به حداقل / حداکثر می رسد، که نشان می دهد تقسیم بندی جامعه در این ساعات برجسته ترین است. با توجه به اینکه مقدار کل حرکات نسبتاً کم است و بیشتر سفرهای انجام شده در اوایل صبح از راه دور هستند، منطقی است که مجموعه ای از گره های واحد (نسبتا) به طور نزدیک با تعداد کمی از تعاملات خارجی مرتبط باشند. از سوی دیگر، در طول روز، طول / مدولاریت سرد بزرگتر / کوچکتر است، که نشان دهنده ساختار جامعه ضعیف تر و درجه بالاتری از اتصال در کل شبکه (فضای شهری) است.
ترکیبات اجزا در ساعات مختلف همه بر روی فضای جغرافیایی نقشه برداری شده و برای بازرسی بصری نشان داده می شود. لیست کامل نقشه ها به دلیل محدودیت فضا در متن اصلی گنجانده نشده است و در عوض به پیوست A اضافه شده است ( شکل A1 ). برای تعیین کمیت تغییرات در طول زمان، دو معیار شرح داده شده در بخش 4.3 ، یعنی NMI و فاصله، برای هر جفت پارتیشن در هر دو ساعت محاسبه میشوند. نتایج دو ماتریس 23 در 23 هستند که به صورت نقشه های حرارتی در شکل 6 ترسیم شده اند.الف، ب. در هر یک از دو ماتریس، شماره سطر/ستون پارتیشن بندی را در یک ساعت معین نشان می دهد (به ترتیب زمانی از چپ/پایین به راست/بالا) و ورودی (عدم) شباهت بین دو پارتیشن است. در هر دو نمودار، رنگهای گرم مقادیر بزرگ را نشان میدهند در حالی که رنگهای سرد مقادیر کوچک را نشان میدهند.
مطابق شکل 6 الف، سازه ها در ساعات اولیه صبح (قبل از ساعت 6:00 صبح) به طور قابل توجهی با سازه های ساعات بعدی متفاوت هستند (به بلوک های آبی در قسمت چپ و پایین توجه کنید)، اگرچه شباهت NMI بین هر دو ساعت است. به طور کلی بالا (حداقل حدود 0.8). منطقی است که ساختار شهری مبتنی بر تعامل دستخوش تغییرات زمین لرزه نشود زیرا هنوز تا حدی توسط طرحهای پهنهبندی و برنامهریزی محدود شده است. اندازه گیری فاصله هدایت شده، همانطور که در شکل 6 نشان داده شده استb، تصویر کمی متفاوت می دهد. این اختلاف همچنین بین ساعات اولیه صبح و ساعات بعد از روز ظاهر می شود، اما شکل جزئیات بیشتری را در مورد تفاوت آنها نشان می دهد. فواصل از پارتیشن ها در ساعات اولیه تا ساعات بعدی کوچک است (بلوک های آبی در پایین وسط به راست) در حالی که فواصل در جهت مخالف بزرگ هستند (مناطق قرمز در سمت چپ). این نشان میدهد که طبق تعریف اندازهگیری فاصله، پارتیشنها در ساعات اولیه صبح، پارتیشنهایی فرعی از آنهایی هستند که در ساعات بعدی هستند. در یک اصطلاح فضایی، سازه ها در ساعات اولیه صبح در مقایسه با سازه ها در طول روز تکه تکه تر هستند. همانطور که در بالا ذکر شد، نقشههای سازهها در ساعات اولیه را میتوان در شکل A1 به همراه نقشههای ساعتهای دیگر یافت.
شکل 6 c,d تغییرات زمانی متوالی را بر اساس NMI و فاصله به ترتیب نشان می دهد. توجه داشته باشید که از آنجایی که NMI شباهت را اندازه میگیرد در حالی که فاصله عدم تشابه را اندازهگیری میکند، تغییرات مبتنی بر NMI قابل توجه ( شکل 6 ج) توسط درههای گرافیکی یا حداقلهای محلی و تغییرات برجسته مبتنی بر فاصله ( شکل 6 د) بهعنوان قلهها (هم مثبت و هم مثبت) نشان داده میشوند. منفی). از شکل 6ج، واضح است که مهم ترین تغییر در پنجمین (4:00-5:00 صبح در مقابل 5:00-6:00 صبح) و 8 (7:00-8:00 صبح در مقابل 8:00 صبح) رخ داده است: 00-9:00 صبح) مقایسه ساعتی. اولین دوره زمانی قبل از اوج صبح و دومی در حوالی و در ساعات اوج مصرف است. دره دیگری ساعاتی پس از اوج عصر (نوزدهم، 6:00 تا 7:00 بعدازظهر در مقابل 7:00 تا 8:00 بعد از ظهر) ظاهر می شود، البته نه به آن برجسته. شکل 6 d تصویر واضح تری از شکل تغییرات زمانی ارائه می دهد. دو قله مثبت قابل مشاهده در همان نقاط ظاهر می شوند که در شکل 6 قابل توجه هستندج. در بالای برجستگی لکهدار تنوع، مثبت بودن نشان میدهد که ساختار جامعه در طول این ساعتها دستخوش تغییرات کلی شده است. به عبارت دیگر، برخی از اجزای تکه تکه و کوچکتر (تعداد اعضای واحد فضایی) به دلیل تغییر در توزیع حرکات/تعامل ها در این ساعات به اجزای بزرگتر ادغام شدند. اوج منفی قابل توجهی برای جفت نوزدهم پس از ساعت اوج عصر عصر ظاهر می شود. این یک فرآیند بخشبندی را نشان میدهد که در آن اجزای قبلی بزرگتر به چند بخش تقسیم میشوند، احتمالاً به دلیل محلیسازی یا محدود بودن حرکات.
در این بخش، ویژگیهای زمانی ساختار شهری مبتنی بر تعامل از طریق یک سری اقدامات برای تغییرات زمانی بررسی و نشان داده میشود. تغییرات قابل توجه در ساعات قبل از / پس از اوج بار شناسایی می شوند و نحوه تغییرات، هم از نظر جهت و هم از نظر بزرگی، کمیت شده و از طریق نمودارها مشاهده می شود. در بخش فرعی زیر، مواردی که این تغییرات برجسته رخ می دهد با نقشه برداری فضایی برای تفسیر بیشتر مورد تاکید قرار می گیرد.
5.3. تغییرات ساعت اوج
نتایج حاصل از آخرین بخش، وجود تغییرات برجسته را قبل/بعد از ساعات اوج صبح/عصر و همچنین در طول اوج صبحگاهی نشان میدهد. ماهیت تغییرات نیز بررسی میشود و در این بخش، چیدمانهای فضایی اجزا در ساعات مربوطه نشان داده میشود تا تصویری دقیق به صورت مکانی در مورد محل وقوع تغییرات ارائه شود، همانطور که در شکل 7 زیر نشان داده شده است.
مورد اول تغییرات تجمعی در ساعات اوج مصرف قبل از صبح (از ساعت 4:00 تا 5:00 صبح تا 5:00 تا 6:00 صبح) است و نقشه های ساختار جامعه فضایی به طور مقایسه ای در شکل 7 a نشان داده شده است . ب بر اساس این ارقام، تجمعات برجسته بیشتر در مناطق شهری مرکزی، یعنی Futian، Luohu و Nanshan رخ داده است. اینها همه مناطق شهری با جمعیت متراکم و تعداد زیادی شغل هستند. گسترش و تجمع جوامع مبتنی بر تعامل نشاندهنده ساعات اوج رفتوآمد آتی است که در آن افراد شروع به حرکت به مکانهایی فراتر از مناطق مجاور خانهها میکنند. از سوی دیگر، جوامع در Bao’an، Guangming و Longhua اساساً در این دوره بدون تغییر هستند (آنها در طول روز نسبتاً ساکن هستند، به شکل A1 مراجعه کنید.در ضمیمه A ). همانطور که در بخش 5.1 توضیح داده شد ، فاصله شغلی تا مسکن در این نواحی عموماً کوتاه است و محل اقامت در محوطه دانشگاه برای کارکنان تولیدی است. اجزاء در ناحیه منطقه Longgang متراکم شدند، اما به میزان کمتری نسبت به اجزای مرکزی شهری. ساختار شبه جزیره داپنگ اساساً بدون تغییر و پایدار باقی ماند.
برعکس، تغییر در ساعات اوج پس از غروب (از 6:00 تا 7:00 بعد از ظهر تا 7:00 تا 8:00 بعد از ظهر) یک فرآیند تقسیم کننده است، همانطور که در شکل 7 c,d نشان داده شده است. مجدداً، شکاف قابل توجهی در نواحی شهری مرکزی رخ داد که در آن تجمع در شکل 7 a,b صورت گرفت. به طور خاص، مؤلفه بزرگ جامعه که هم Luohu و هم Futian را پوشش میدهد، که در طول ساعت 5:00 تا 6:00 صبح ( شکل 7 ب) تشکیل شد و قلمرو خود را در طول زمان حفظ کرد ( شکل A1 را در ضمیمه A ببینید ) تا ساعت 6:00- 7:00 بعد از ظهر ( شکل 7ج)، به دو بخش جداگانه تقسیم شد که هر کدام تقریباً مساحت یک ناحیه را پوشش میدهند. تقسیمبندیهای مشابهی در ناشان، ناحیه جدید گوانگمینگ، و همچنین بخشی از لونگانگ که در نزدیکی بخشهای مرکز شهر است، به وجود آمد. ساختار در داپنگ، یانتیان و اکثریت بائوآن مانند ساعات اولیه نسبتاً ثابت باقی ماند.
دو مورد مصور نشان میدهند که چگونه تعاملات فضایی قبل/بعد از ساعات اوج یک روز معمولی هفته تغییر میکند. ساختار مبتنی بر تعامل در طول روز با چند دوره کلیدی از تغییرات قابل توجه تغییر می کند. در پایان صبح زود و قبل از ساعات اوج صبح، ساختار تکه تکه شده قبلی شروع به ادغام می کند و اجزایی با اندازه های بزرگتر از تجمع اجزای کوچکتر تشکیل می شوند. این سازه در اکثر ساعات کاری نسبتاً پایدار می ماند تا اینکه پس از اوج عصر به شکل پراکنده تری فرو می ریزد و دوباره تا پایان روز پایدار می ماند. چنین روندهای تنوع نشان می دهد که تغییرات در ویژگی های سفر و الگوهای حرکتی افراد به شدت بر ساختار مبتنی بر تعامل تأثیر می گذارد. حرکتها و سفرهای شب/صبح زودتر معمولاً کوتاهتر و محدودتر از یک منطقه تنگتر هستند، در حالی که حرکات ساعت اوج، که در میان آنها رفت و آمد نسبت غالب را به خود اختصاص میدهد، میتواند در محدودهای از مسافت باشد. در مجموع، این حرکات نحوه شکلگیری ساختار فضایی را در زمانهای مختلف روز تعریف میکنند و در این موارد، تجمع قابلتوجهی نشاندهنده پیدایش رفتوآمدهای طولانیتر قبل از اوجگیری صبحگاهی است، در حالی که یک بخش برجسته نشانهای از پایان یک روز کاری شلوغ پس از آن است. اوج های عصر از نظر مکان تغییرات قابل توجه، مناطق شهری مرکزی جایی هستند که اجزاء دارای تنوع بیشتری هستند و بیشترین تغییرات کلی را به خود اختصاص می دهند. مناطق حومه شهر و مراکز تولیدی نسبت به مراکز شهری کمتر متغیر هستند. مناطق خط ساحلی با مناظر توریستی و تراکم جمعیتی کم، پایدارترین مناطق از نظر ساختار مبتنی بر تعامل هستند. نتایج یک سناریوی معمولی از شخصیتهای مختلف شهر را ارائه میکند: مراکز شهری پر جنب و جوش با ارتباطات قوی، دائماً در حال تغییر و بین مرزی افراد و اقلام. مناطق حومه ای پایدار با پردیس های تولیدی و صنعتی با تقسیمات فضایی پراکنده؛ و حاشیه های بیرونی حلقه ایستا با ساختار آگلومره که تغییرات بسیار کمی دارد. این نتایج نشان میدهد که چگونه ویژگیهای برنامهریزی کاربری زمین و پهنهبندی عملکردی بر الگوهای حرکتی در مناطق مختلف تأثیر میگذارد و چگونه این تفاوت در حرکات بر ساختار شهری بر اساس تعامل فضایی تأثیر میگذارد. نتایج یک سناریوی معمولی از شخصیتهای مختلف شهر را ارائه میکند: مراکز شهری پر جنب و جوش با ارتباطات قوی، دائماً در حال تغییر و بین مرزی افراد و اقلام. مناطق حومه ای پایدار با پردیس های تولیدی و صنعتی با تقسیمات فضایی پراکنده؛ و حاشیه های بیرونی حلقه ایستا با ساختار آگلومره که تغییرات بسیار کمی دارد. این نتایج نشان میدهد که چگونه ویژگیهای برنامهریزی کاربری زمین و پهنهبندی عملکردی بر الگوهای حرکتی در مناطق مختلف تأثیر میگذارد و چگونه این تفاوت در حرکات بر ساختار شهری بر اساس تعامل فضایی تأثیر میگذارد. نتایج یک سناریوی معمولی از شخصیتهای مختلف شهر را ارائه میکند: مراکز شهری پر جنب و جوش با ارتباطات قوی، دائماً در حال تغییر و بین مرزی افراد و اقلام. مناطق حومه ای پایدار با پردیس های تولیدی و صنعتی با تقسیمات فضایی پراکنده؛ و حاشیه های بیرونی حلقه ایستا با ساختار آگلومره که تغییرات بسیار کمی دارد. این نتایج نشان میدهد که چگونه ویژگیهای برنامهریزی کاربری زمین و پهنهبندی عملکردی بر الگوهای حرکتی در مناطق مختلف تأثیر میگذارد و چگونه این تفاوت در حرکات بر ساختار شهری بر اساس تعامل فضایی تأثیر میگذارد. و حاشیه های بیرونی حلقه ایستا با ساختار آگلومره که تغییرات بسیار کمی دارد. این نتایج نشان میدهد که چگونه ویژگیهای برنامهریزی کاربری زمین و پهنهبندی عملکردی بر الگوهای حرکتی در مناطق مختلف تأثیر میگذارد و چگونه این تفاوت در حرکات بر ساختار شهری بر اساس تعامل فضایی تأثیر میگذارد. و حاشیه های بیرونی حلقه ایستا با ساختار آگلومره که تغییرات بسیار کمی دارد. این نتایج نشان میدهد که چگونه ویژگیهای برنامهریزی کاربری زمین و پهنهبندی عملکردی بر الگوهای حرکتی در مناطق مختلف تأثیر میگذارد و چگونه این تفاوت در حرکات بر ساختار شهری بر اساس تعامل فضایی تأثیر میگذارد.
5.4. نتایج در مقایسه با واحدهای فضایی مختلف
با توجه به این واقعیت که آثار حرکت فردی به یک واحد جغرافیایی معین (TAZ در این مطالعه) به منظور اکتشاف معنادار تجمیع میشوند، نگرانیهای اجتنابناپذیری در مورد تأثیر بالقوه مسئله واحد منطقهای قابل اصلاح (MAUP) مطرح میشود [42] .]. برای پرداختن به این موضوع با ارزیابی تفاوت در نتایج با استفاده از واحدهای فضایی مختلف برای ساخت شبکههای مفهومسازی شده، دو واحد متفاوت انتخاب شدهاند و شبکههای حاصل فرآیند دقیقاً مشابهی را برای شناسایی ساختار مبتنی بر تعامل و همچنین تغییرات زمانی آن انجام میدهند. اولین واحد مورد استفاده شبکههای 1 کیلومتر در 1 کیلومتر است در حالی که واحد دیگر در تفکیکترین سطح، یعنی خود برجهای سلولی است. تجمع مبتنی بر شبکه در مجموع به 1204 واحد منجر شد در حالی که همانطور که قبلاً ذکر شد، 5908 برج سلولی در شنژن وجود داشت. شکل 8 زیر ساختار فضایی کلی شناسایی شده را در زیر دو واحد فضایی نشان می دهد. برای اهداف نقشه برداری، نتایج برج های سلولی ( شکل 8 ب) با استفاده از چند ضلعی های Thiessen آنها نگاشت می شوند.
از شکل 8 الف و با مراجعه به شکل 4 ، واضح است که طرح های پارتیشن بندی سازه با استفاده از واحد شبکه و تجمیع TAZ، تا حد زیادی با یکدیگر سازگار هستند. شباهت به طور معمول در مناطق شهری مرکزی و همچنین حومه های غربی ظاهر می شود. واحدهای طبقه بندی نشده بیشتری (به صورت خالی) در حومه شرقی (معمولاً در شبه جزیره داپنگ) در ساختار مشخص شده با واحد شبکه نسبت به واحد TAZ وجود دارد. از آنجایی که این منطقه کم جمعیت است، TAZها در این منطقه عموماً از نظر اندازه بزرگتر هستند در حالی که شبکه ها در اندازه یکنواخت هستند و در نتیجه واحدهای خالی از جمعیت بیشتری ایجاد می کنند. از شکل 8 ب و همچنین با اشاره به شکل 4نشان داده شده است که سازه با استفاده از واحد برج تفکیک شده تا حد معینی تکه تکه شده است. قابل توجه ترین تفاوت در مناطق مرکز شهر ظاهر می شود. با تجمع TAZ (و شبکه)، دو ناحیه مرکزی، Luohu و Futian، به طور مشترک یک جزء را تشکیل دادند در حالی که دو جزء را میتوان با استفاده از واحد برج سلولی شناسایی کرد، با یک مرز تقسیمکننده که تا حد زیادی شبیه خطوط مرزی اداری است.
از طرف دیگر، از نظر تغییرات زمانی، سازگاری بین طرحهای مختلف بسیار بالا است، همانطور که در شکل 9 و شکل 10 در زیر نشان داده شده است. شکل 9 تغییرات زمانی در خصوصیات شبکه و برجستگی ساختار جامعه را با استفاده از دو واحد فضایی جایگزین نشان می دهد که می تواند با شکل 3 ب و شکل 5 مقایسه شود . شکل 10 دو شاخص دینامیک زمانی در ترکیب سازه را نیز با استفاده از دو واحد نشان می دهد که می تواند با شکل 6 a,b مقایسه شود. به طور مشابه، رنگ های گرم مقادیر بزرگ را نشان می دهند در حالی که رنگ های سرد نشان دهنده مقادیر کوچک هستند.
منحنی های زمانی حاصل از نتایج با استفاده از دو واحد بسیار شبیه به یکدیگر هستند و همچنین با مراجعه به شکل 3 و شکل 5 به منحنی های با تجمع TAZ نیز شباهت زیادی دارند. همین امر در مورد دینامیک زمانی ترکیب ساختار مطابق شکل 6 a,b و شکل 10 صدق می کند.. مقایسه آماری بین نتایج مبتنی بر شبکه/برج سلولی و نتیجه مبتنی بر TAZ نیز سطح بالایی از همبستگی را با 0.99/0.98 برای تراکم شبکه نشان میدهد. 0.99/0.78 برای ضریب خوشه بندی; 0.99/0.99 هم برای طول کد و هم برای مدولار بودن. 0.93/0.92 برای NMI؛ و 0.96/0.90 برای فاصله “Split-join”. همه همبستگی ها در سطح 0.00 معنی دار هستند. بنابراین، هیچ اثر جدی MAUP با توجه به دینامیک زمانی سازه تشخیص داده نمیشود، زیرا نتایج با استفاده از واحدهای فضایی مختلف سطح بالایی از شباهت را نشان میدهند.
6. بحث و محدودیت
این مطالعه از مجموعه بزرگی از دادههای موقعیتیابی تلفن همراه در شهر شنژن چین برای بررسی ساختار مبتنی بر تعامل فضای شهری استفاده میکند. این مطالعه با بهرهبرداری از حجم زیاد و سطح بالای دانهبندی زمانی دادهها، پویایی زمانی ترکیب ساختار را در یک چرخه روزانه ارزیابی میکند. حرکات از داده های موقعیت یابی استخراج می شوند و شبکه ها توسط آن حرکات ساخته می شوند. تئوری های شبکه و روش های پیشرفته تشخیص جامعه برای شناسایی ساختار مبتنی بر تعامل فضای شهری استفاده می شود. برای ارزیابی پویایی زمانی سازه از شاخص های کمی استفاده می شود. چیدمان جغرافیایی سازه ها در زمان های مختلف روز برای نشان دادن پویایی مقایسه شده است. علاوه بر این،
در مجموع 23474337 رد حرکت استخراج شده و 24 شبکه مفهومی برای کل روز و همچنین هر یک از 23 ساعت روز مورد مطالعه ساخته شده است. ساختارها با ویژگی های متمایز در مقایسه با منطقه بندی اداری یا خوشه بندی برنامه ریزی شده شناسایی می شوند. به طور خاص، ساختار کلی نشاندهنده سطح معینی از گسترش در مناطق مرکزی به سمت حومههای داخلی و جدایی واضح بین مناطق متمرکز با فناوری پیشرفته و مناطق صنعتی سنتی است. در مقابل، یک ساختار تکه تکه در مناطق حومه شهر که در آن صنایع تولیدی عمده با اقامتگاه های نزدیک به محل کار واقع شده اند، ظاهر می شود. تغییرات در ویژگیهای شبکه و برجستگی جامعه نشان میدهد که سازه در طول شب برجستهترین است و فضای شهری در ساعات اوج مصرف بیشتر به هم مرتبط است. از نظر شکل تغییرات، تودههای برجسته در اطراف قلههای صبحگاهی شناسایی میشوند و تقسیمبندیهای قابلتوجهی پس از قلههای عصر ظاهر میشوند، که انتقال بین ویژگیهای سفر تحت سلطه رفتوآمد و ویژگیهای سفرهای دیگر را نشان میدهد. بر اساس نقشههای جغرافیایی، مناطق شهری با تغییرات قابل توجهی همراه هستند در حالی که اجزاء در مناطق حومه شهر پایدارتر هستند. علاوه بر این، نتایج واحدهای فضایی مختلف نشان میدهد که تفاوتهای خاصی در ساختار مبتنی بر تعامل بین واحد برج سلولی و واحدهای کل (TAZ و شبکه) وجود دارد در حالی که تفاوت معنیداری در تغییرات زمانی خواص با استفاده از واحدهای فضایی مختلف یافت نشد. . تودههای برجسته در حوالی پیکهای صبحگاهی شناسایی میشوند و تقسیمبندیهای قابلتوجهی پس از پیکهای عصر ظاهر میشوند، که نشاندهنده انتقال بین ویژگیهای سفر تحت سلطه رفتوآمد و ویژگیهای سفرهای دیگر است. بر اساس نقشههای جغرافیایی، مناطق شهری با تغییرات قابل توجهی همراه هستند در حالی که اجزاء در مناطق حومه شهر پایدارتر هستند. علاوه بر این، نتایج واحدهای فضایی مختلف نشان میدهد که تفاوتهای خاصی در ساختار مبتنی بر تعامل بین واحد برج سلولی و واحدهای کل (TAZ و شبکه) وجود دارد در حالی که تفاوت معنیداری در تغییرات زمانی خواص با استفاده از واحدهای فضایی مختلف یافت نشد. . تودههای برجسته در حوالی پیکهای صبحگاهی شناسایی میشوند و تقسیمبندیهای قابلتوجهی پس از پیکهای عصر ظاهر میشوند، که نشاندهنده انتقال بین ویژگیهای سفر تحت سلطه رفتوآمد و ویژگیهای سفرهای دیگر است. بر اساس نقشههای جغرافیایی، مناطق شهری با تغییرات قابل توجهی همراه هستند در حالی که اجزاء در مناطق حومه شهر پایدارتر هستند. علاوه بر این، نتایج واحدهای فضایی مختلف نشان میدهد که تفاوتهای خاصی در ساختار مبتنی بر تعامل بین واحد برج سلولی و واحدهای کل (TAZ و شبکه) وجود دارد در حالی که تفاوت معنیداری در تغییرات زمانی خواص با استفاده از واحدهای فضایی مختلف یافت نشد. . مناطق شهری با تغییرات قابل توجهی همراه هستند در حالی که اجزا در مناطق حومه شهر پایدارتر هستند. علاوه بر این، نتایج واحدهای فضایی مختلف نشان میدهد که تفاوتهای خاصی در ساختار مبتنی بر تعامل بین واحد برج سلولی و واحدهای کل (TAZ و شبکه) وجود دارد در حالی که تفاوت معنیداری در تغییرات زمانی خواص با استفاده از واحدهای فضایی مختلف یافت نشد. . مناطق شهری با تغییرات قابل توجهی همراه هستند در حالی که اجزا در مناطق حومه شهر پایدارتر هستند. علاوه بر این، نتایج واحدهای فضایی مختلف نشان میدهد که تفاوتهای خاصی در ساختار مبتنی بر تعامل بین واحد برج سلولی و واحدهای کل (TAZ و شبکه) وجود دارد در حالی که تفاوت معنیداری در تغییرات زمانی خواص با استفاده از واحدهای فضایی مختلف یافت نشد. .
ساختار کلی مبتنی بر تعامل می تواند ویژگی های اساسی و گسترده عملکرد شهری را از طریق تعامل بین ساکنان و فضا منعکس کند. پویایی زمانی ساختار نشان می دهد که چگونه سازماندهی تعاملات فضایی در یک روز کاری تغییر می کند. نتایج نشان میدهد که پیکربندی فضای شهری تا حد زیادی توسط حرکات و فعالیتهای انسان شکل میگیرد و ویژگیهای جمعی تحرک انسان در زمانهای مختلف روز تغییر میکند که به نوبه خود منجر به ساختارهای پویا میشود. حجم زیاد و وضوح زمانی دقیق مجموعه داده تلفن همراه و همچنین سطح بالای پوشش جمعیت، یک بررسی جامع و نسبتاً بیطرفانه در مورد پویایی در ساختار فضایی مبتنی بر تعامل را امکانپذیر میسازد. مقایسهها با بخشهای اداری و برنامهریزی، اگرچه نه از نظر کمی، نشان میدهد که چگونه ساختار مبتنی بر تعامل، «وضعیت موجود» سازمان فضایی شهری را نشان میدهد و چگونه آن را بازتاب میدهد یا با طرحهای برنامهریزی متفاوت است. یافتههای این مطالعه میتواند برنامهریزی شهری را با دانش دقیقتر تسهیل کند. به عنوان مثال، با آگاهی از تجمع یا تقسیم در ساختارهای حرکت جمعی انسان (سفر)، مقامات بخش حمل و نقل می توانند بر مدیریت چند کریدور برای سفرهای برون مرزی (جزئی) در ساعات مشخص تمرکز کنند. علاوه بر این، طرحهای برنامهریزی موجود را میتوان با دانش عمیقتر در مورد ترتیب فعالیتهای انسانی در فضای شهری در زمانهای مختلف روز ارزیابی کرد (به عنوان مثال،
محدودیتهایی برای مطالعه فعلی وجود دارد که میتواند در آینده بهبود یابد. اولا، داده های موقعیت یابی تلفن همراه از دقت فضایی نسبتاً پایینی در سطح برج سلولی رنج می برند. فرض بر این است که این یک اثر بازدارنده عمده در تحلیل جمعی نخواهد بود، اما ممکن است در تحلیل فردی مشکل ساز باشد. علاوه بر این، مجموعه داده استفاده شده فقط یک روز هفته را پوشش می دهد و نتایج ممکن است تا حدی در معرض عدم قطعیت زمانی باشد. کسب اطلاعات در روزهای مختلف مفید خواهد بود تا تجزیه و تحلیل نتیجه جامع تر و قطعی تری داشته باشد. ثانیاً، مسیرها از داده های خام با روش های استخراج خاصی استخراج می شوند. آستانه های اتخاذ شده برای استخراج مسیرها، علیرغم اینکه مبتنی بر توزیع های مکانی-زمانی خاص هستند، هنوز تا حدی خودسرانه انتخاب می شوند. در مطالعات آتی، بهتر است قبل از انتخاب مجموعه ای از آستانه ها برای عملیات استخراج، یک سری پارامتر برای تست حساسیت تنظیم شود. علاوه بر این، جدا از ویژگیهای گسترده و اساسی جمعیتی، صنعتی و کاربری زمین، زمینه خاصی برای مولفههای فضایی شناساییشده وجود ندارد. اگر دادههایی با ترکیبهای جمعیتی و/یا کاربری دقیق در دسترس قرار گیرد، تجزیه و تحلیل مقایسهای بین این دو، درک مکانیسم در شکلگیری ساختارهای مبتنی بر تعامل را بسیار افزایش میدهد. در نهایت، فقدان و دشواری عملی یک “حقیقت پایه” داده مبدا-مقصد مانع از اعتبار سنجی قطعی می شود. بنابراین، این مطالعه باید به عنوان یک تلاش اکتشافی در نظر گرفته شود و نتایج به جای تعیین، در خدمت ارائه یک نشانه است.
7. نتیجه گیری
رابطه متقابل بین فضای شهری و تحرک انسان توجه بسیاری را به خود جلب کرده است. این مطالعه با اعمال تحلیل شبکه پیچیده برای دادههای موقعیتیابی در مقیاس بزرگ، به یافتههای کنونی در مورد ساختار شهری با دیدگاههای جدید در مورد پویایی متغیر در ساختار فضای شهری ناشی از تعاملات جمعی حرکات انسانی کمک میکند. نتایج تجربی در یک کلان شهر بزرگ نشان می دهد که چگونه حرکات جمعی انسانی ساختار شهری را شکل می دهد و چگونه این ساختار در طول زمان تکامل می یابد. مقایسه با طرحهای منطقهبندی و برنامهریزی اداری با بافت جمعیتی و کاربری وسیع، دانش مورد علاقه برنامهریزان و مدیران را فراهم میکند و آزمون با واحدهای فضایی متفاوت نشاندهنده استحکام بالای نتایج است.
یافتههای این مطالعه به تصمیمگیری هوشمند در برنامهریزی و مدیریت شهری با دیدگاهی دقیق، هم از نظر مکانی و هم از لحاظ زمانی، در پویایی ساختار فضایی شهری سود میرساند. ساختار زمانی پر جنب و جوش فضای شهری می تواند بینشی در مورد ساختار شهری با جزئیات بسیار بیشتر از برنامه ریزی ایستا ارائه دهد.
به طور خلاصه، این مطالعه درک پویایی در ساختار شهری را که با تحرک انسان در یک کلان شهر مشخص می شود، ارتقا می دهد. رویکرد تحلیلی پیشنهادی میتواند برای دادهها در زمانهای مختلف و از منابع مختلف بهعنوان کمک ارزشمندی برای تصمیمگیری فضایی هوشمند در برنامهریزی و مدیریت شهری استفاده شود.
پیوست اول
شکل A1. فهرست کامل ارقام که ساختارهای مبتنی بر تعامل شناسایی شده را برای کل روز نشان می دهد ( a )؛ و در ساعات مختلف ( b – x ) از ساعت 12:00 تا 1:00 صبح تا 10:00 تا 11:00 به ترتیب زمانی. رنگ ها وابستگی اجزای واحدهای فضایی را نشان می دهند.
منابع
- انس، ع. آرنوت، آر. ساختار فضایی شهری کوچک، KA. جی. اکون. روشن شد 1998 ، 36 ، 1426-1464. [ Google Scholar ]
- گوردون، پی. ریچاردسون، HW; وانگ، HL توزیع جمعیت و اشتغال در یک شهر چند مرکزی: مورد لس آنجلس. محیط زیست طرح. A 1986 , 18 , 161-173. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- مک میلن، DP; مک دونالد، جی اف تحلیل ناپارامتریک تراکم اشتغال در یک شهر چند مرکزی. J. Reg. علمی 1997 ، 37 ، 591-612. [ Google Scholar ] [ CrossRef ]
- ژونگ، سی. آریسونا، اس ام. هوانگ، ایکس. باتی، م. اشمیت، جی. تشخیص پویایی ساختار شهری از طریق تحلیل شبکه فضایی. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 2178-2199. [ Google Scholar ] [ CrossRef ]
- ژونگ، سی. باتی، م. مانلی، ای. وانگ، جی. وانگ، ز. چن، اف. اشمیت، جی. تنوع در نظم: استخراج الگوهای تحرک زمانی در لندن، سنگاپور و پکن با استفاده از داده های کارت هوشمند. PLoS ONE 2016 , 11 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- آهنگ، سی. Qu، Z. بلوم، ن. باراباسی، ع.-ال. محدودیت های قابل پیش بینی در تحرک انسان Science 2010 , 327 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- لو، ایکس. وتر، ای. بهارتی، ن. تاتم، ای جی. Bengtsson، L. نزدیک شدن به حد قابل پیش بینی در تحرک انسان. علمی Rep. 2013 , 3 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- سان، ال. Axhausen، KW; لی، دی.-اچ. Huang, X. درک الگوهای شهری از برخوردهای روزانه. Proc. Natl. آکادمی علمی USA 2013 , 110 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- گونزالس، ام سی؛ هیدالگو، کالیفرنیا؛ باراباسی، ع.-ال. درک الگوهای حرکتی فردی طبیعت 2008 ، 453 ، 779-782. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Batty, M. The New Science of Cities ; انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 2013. [ Google Scholar ]
- راتی، سی. سوبولفسکی، اس. کالابرس، اف. آندریس، سی. ریدز، جی. مارتینو، ام. کلاکستون، آر. استروگاتز، SH ترسیم مجدد نقشه بریتانیا از شبکه ای از تعاملات انسانی. PLoS ONE 2010 , 5 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- سوبولفسکی، اس. شل، ام. کامپاری، آر. کورونه، تی. اسموردا، ز. Ratti, C. ترسیم مناطق جغرافیایی با شبکه های تعاملات انسانی در مجموعه گسترده ای از کشورها. PLoS ONE 2013 , 8 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- دی مونتس، ا. کاچیلی، اس. Chessa، A. شبکه های رفت و آمد و تشخیص جامعه: روشی برای برنامه ریزی مناطق زیر منطقه ای. یورو فیزیک J. Spec. بالا. 2013 ، 215 ، 75-91. [ Google Scholar ] [ CrossRef ]
- لیو، ایکس. گونگ، ال. گونگ، ی. لیو، ی. افشای الگوهای سفر و ساختار شهر با دادههای سفر تاکسی. J. Transp. Geogr. 2015 ، 43 ، 78-90. [ Google Scholar ] [ CrossRef ]
- سان، ال. جین، جی جی. Axhausen، KW; لی، دی.-اچ. Cebrian، M. کمی سازی تکامل بلند مدت تعاملات فضایی درون شهری. JR Soc. رابط 2015 , 12 . [ Google Scholar ] [ CrossRef ]
- گیروان، م. نیومن، MEJ ساختار جامعه در شبکه های اجتماعی و بیولوژیکی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2002 ، 99 ، 7821-7826. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- کارشناس، پ. ایوانز، تی اس؛ بلوندل، وی دی. لامبیوت، آر. کشف جوامع مستقل از فضا در شبکه های فضایی. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2011 ، 108 ، 7663-7668. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Derrible، S. مرکزیت شبکه سیستم های مترو. PLoS ONE 2012 , 7 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- وانگ، اف. آنتیپووا، ا. پورتا، مرکز خیابان S. و شدت استفاده از زمین در باتون روژ، لوئیزیانا. J. Transp. Geogr. 2011 ، 19 ، 285-293. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- سیتون، کالیفرنیا؛ Hackett، LM Stations، قطارها و شبکه های جهان کوچک. فیزیک یک آمار مکانیک. برنامه آن است. 2004 ، 339 ، 635-644. [ Google Scholar ] [ CrossRef ]
- دریبل، اس. کندی، سی. پیچیدگی و استحکام شبکه های مترو. فیزیک یک آمار مکانیک. برنامه آن است. 2010 ، 389 ، 3678-3691. [ Google Scholar ] [ CrossRef ]
- دوان، ی. Lu, F. استحکام ساختاری شبکه های جاده ای شهری بر اساس جامعه. محاسبه کنید. محیط زیست سیستم شهری 2013 ، 41 ، 75-87. [ Google Scholar ] [ CrossRef ]
- سوله، آر وی. روزاس-کازال، ام. کورومیناس- مورترا، بی. والورده، S. استحکام شبکه های برق اروپا تحت حمله عمدی. فیزیک Rev. E Stat. فیزیک ماده نرم غیرخطی. 2008 ، 77 ، 1-7. [ Google Scholar ]
- دانیلا، بی. یو، ی. ارل، اس. مارش، JA; توروچکای، ز. Bassler، KE حمل و نقل مبتنی بر گرادیان ازدحام در شبکه های پیچیده. فیزیک Rev. E Stat. فیزیک ماده نرم غیرخطی. 2006 ، 74 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Sun، HJ; وو، جی جی. گائو، ZY دینامیک شبکه های ترافیک: از دیدگاه میکروسکوپی و ماکروسکوپی. فیزیک یک آمار مکانیک. برنامه آن است. 2008 ، 387 ، 1648-1654. [ Google Scholar ] [ CrossRef ]
- وانگ، پی. هانتر، تی. باین، AM; شچتنر، ک. González، MC درک الگوهای استفاده از جاده در مناطق شهری. علمی Rep. 2012 , 2 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- وانگ، جی. وی، دی. او، ک. گونگ، اچ. وانگ، پی. دربرگیرنده ریتم های ترافیک شهری در شبکه های جاده ای. علمی Rep. 2014 , 4 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- نیومن، MEJ; گیروان، م. یافتن و ارزیابی ساختار جامعه در شبکه ها. فیزیک Rev. E Stat. فیزیک ماده نرم غیرخطی. 2004 ، 69 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- نپوز، تی. پتروسی، آ. نگیسی، ال. بازسو، F. جوامع فازی و مفهوم پل در شبکه های پیچیده. فیزیک Rev. E Stat. فیزیک ماده نرم غیرخطی. 2008 , 77 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- ریچاردسون، تی. موچا، پی جی؛ پورتر، MA تقسیم بندی سه گانه طیفی شبکه ها. فیزیک Rev. E Stat. فیزیک ماده نرم غیرخطی. 2009 80 . _ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- موچا، پی جی؛ پورتر، MA جوامع در شبکه های رای گیری چندبخشی. آشوب 2010 ، 20 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Macon، KT; موچا، پی جی؛ پورتر، MA ساختار جامعه در مجمع عمومی سازمان ملل متحد. فیزیک یک آمار مکانیک. برنامه آن است. 2012 ، 391 ، 343-361. [ Google Scholar ] [ CrossRef ]
- نیومن، MEJ مدولاریت و ساختار جامعه در شبکه ها. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2006 ، 103 ، 8577-8582. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- پورتر، MA; اونلا، جی.-پی. Mucha، PJ جوامع در شبکه ها. نه. AMS 2009 ، 486 ، 1082-1097. [ Google Scholar ]
- اریکسن، ک. سیمونسن، آی. ماسلوف، اس. Sneppen، K. مدولاریت و لبه های شدید اینترنت. فیزیک کشیش لِت 2003 ، 90 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- تیمن، سی. تیس، اف. گریدی، دی. برون، آر. براکمن، دی. ساختار مرزها در دنیای کوچک. PLoS ONE 2010 , 5 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- دی لئو، وی. سانتوبونی، جی. سیرینا، اف. موردو، م. سچی، ال. Chessa، A. تشخیص هسته جامعه در شبکه های حمل و نقل. فیزیک Rev. E 2013 , 88 . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
- اداره آمار شنژن بولتن آمار اصلی از ششمین سرشماری ملی در شنژن. در دسترس آنلاین: http://www.sztj.gov.cn/xxgk/tjsj/pcgb/201105/t20110512_2061597.htm (در تاریخ 5 اکتبر 2016 در دسترس است).
- شنژن دیلی. شنژن: شلوغ ترین در چین. 2012. موجود به صورت آنلاین: http://szdaily.sznews.com/html/2012-05/30/content_2063502.htm (دسترسی در 5 اکتبر 2016).
- کمیسیون برنامه ریزی شهری، زمین و منابع شهرداری شنژن. طرح جامع بلند مدت شنژن 1996-2010. در دسترس آنلاین: http://www.szpl.gov.cn/main/csgh/ztgh/ztgh/index.htm (در 5 اکتبر 2016 قابل دسترسی است).
- 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 دانشیار صبح. Geogr. 2016 ، 106 ، 489-502. [ Google Scholar ]
- Openshaw, S. مسئله واحد مساحتی قابل تغییر . Geo Books: Norwick، UK، 1984. [ Google Scholar ]
- خو، جی. نیش، ز. شیائو، اس. یین، ال. تجزیه و تحلیل ناهمگونی مکانی-زمانی رفتار اقامت کاربران تلفن همراه عظیم شهری: مطالعه موردی شهر شنژن. Diqiu Xinxi Kexue Xuebao 2015 ، 17 ، 197-205. (به زبان چینی) [ Google Scholar ]
- Bayir، MA; دمیرباس، م. Eagle, N. کشف پروفایل های تحرک فضایی زمانی کاربران تلفن همراه. در مجموعه مقالات سمپوزیوم بین المللی IEEE در سال 2009 در دنیایی از شبکه های بی سیم، موبایل و چند رسانه ای و کارگاه ها (WOWMOM 2009)، کوس، یونان، 15-19 ژوئن 2009.
- پنگ، ک. سان، ی. بررسی و تجزیه و تحلیل ویژگی های سفر لی، زی. شنژن. در مجموعه مقالات نشست سالانه 2012 در مورد برنامه ریزی حمل و نقل شهری چین، فوژو، چین، 8 نوامبر 2012. (به زبان چینی)
- 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 2008 ، 105 ، 1118-1123. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- معیارهای هدف راند، WM برای ارزیابی روش های خوشه بندی. مربا. آمار دانشیار 1971 ، 66 ، 846-850. [ Google Scholar ] [ CrossRef ]
- دانون، ال. دیاز-گیلرا، آ. دوچ، جی. Arenas, A. مقایسه شناسایی ساختار جامعه. J. Stat. مکانیک. تئوری Exp. 2005 ، 9008 ، 219-228. [ Google Scholar ] [ CrossRef ]
- Fortunato، S. تشخیص جامعه در نمودارها. فیزیک 2010 ، 486 ، 75-174 . [ Google Scholar ] [ CrossRef ]
- لانچیچینتی، آ. الگوریتمهای تشخیص جامعه فورتوناتو، اس. یک تحلیل مقایسهای. فیزیک Rev. E 2009 , 80 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
- ون دونگن، دی. معیارهای عملکرد برای خوشهبندی نمودار و آزمایشهای خوشه مارکوف . گزارش فنی INS-R0012; موسسه ملی تحقیقات ریاضی و علوم کامپیوتر: آمستردام، هلند، 2000. [ Google Scholar ]
شکل 1. نقشه شنژن در: ( الف ) مناطق اداری. و ( ب ) خوشه های برنامه ریزی شده.
شکل 2. توزیع حرکات انسان استخراج شده از داده های تلفن همراه در اوج صبح، رنگ ها به سمت قرمز حجم بزرگ و رنگ ها به سمت سبز نشان دهنده حجم های کوچک هستند.
شکل 3. توزیع زمانی: ( الف ) حرکات. و ( ب ) خصوصیات اصلی شبکه.
شکل 4. ساختار شهری بر اساس تعامل کلی، رنگ ها وابستگی اجزای واحدهای فضایی را نشان می دهند (همانطور برای نقشه های زیر).
شکل 5. تغییرات زمانی برجستگی ساختار.
شکل 6. مقایسه زوجی بین سازه ها در ساعات مختلف توسط: ( الف ) NMI; و ( ب ) فاصله “تقسیم-پیوستن”. و دینامیک زمانی متوالی توسط: ( ج ) NMI; و ( د ) فاصله “تقسیم-پیوستن”.
شکل 7. ساختارهای مبتنی بر تعامل در طول: ( الف ) ساعت 4:00 تا 5:00 صبح. ( ب ) 5:00-6:00 صبح؛ ( ج ) 6:00 تا 7:00 بعد از ظهر؛ و ( د ) ساعت 7:00 تا 8:00 بعد از ظهر
شکل 8. ساختارهای مبتنی بر تعامل با واحد: ( الف ) سلول های شبکه. و ( ب ) برج های سلولی منفرد.
شکل 9. تغییرات زمانی با استفاده از واحدهای فضایی مختلف در: ( الف ) تراکم شبکه. ( ب ) ضریب خوشه بندی. ( ج ) طول کد از Infomap. و ( د ) مدولار بودن.
شکل 10. مقایسه بین ساختارها در ساعات مختلف با استفاده از واحدهای مختلف و دو معیار: ( الف ) NMI توسط سلولهای شبکه. ( ب ) NMI توسط برج های سلولی منفرد. ( ج ) فاصله “تقسیم-پیوستن” توسط سلول های شبکه. و ( د ) فاصله “تقسیم-اتصال” توسط برج های سلولی منفرد.
© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.
بدون نظر