نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

بررسی الگوهای تحرک انسانی می تواند به محققان و آژانس ها کمک کند تا نیروهای محرک حرکت انسان را با مزایای بالقوه برای برنامه ریزی شهری و مدیریت ترافیک درک کنند. پیشرفت‌های اخیر در فناوری‌های آگاه از مکان، بسیاری از منابع داده جدید (مانند داده‌های تلفن همراه و رسانه‌های اجتماعی) را برای مطالعه نظم رفتاری فضا-زمان انسان فراهم کرده است. اگرچه مطالعات موجود از این مجموعه داده‌های جدید برای توصیف الگوهای تحرک انسانی از جنبه‌های مختلف، مانند پیش‌بینی تحرک انسان و نظارت بر پویایی شهری استفاده کرده‌اند، مطالعات کمی بر روی همگرایی و الگوهای واگرایی انسانی در یک شهر متمرکز شده‌اند. هدف این مطالعه بررسی همگرایی و واگرایی فضایی انسان و تحولات آنها در طول زمان با استفاده از داده های مکان تلفن همراه در مقیاس بزرگ است. با استفاده از مجموعه داده از شنژن، چین، ما روشی را برای شناسایی الگوهای مکانی-زمانی همگرایی و واگرایی انسانی ایجاد کردیم. هشت الگوی متمایز استخراج شد و توزیع فضایی این الگوها در بافت مناطق عملکردی شهری مورد بحث قرار گرفت. بنابراین، این مطالعه به بررسی الگوهای همگرایی و واگرایی انسان شهری و روابط آنها با محیط کارکردی شهری می پردازد که برای توسعه سیاست شهری، برنامه ریزی شهری و مدیریت ترافیک مفید است.
کلید واژه ها: 

همگرایی و واگرایی انسانی ; داده های تلفن همراه ؛ الگوهای فضایی و زمانی الگوهای حرکتی انسان

 

1. معرفی

شهرها شامل جریان هایی از اطلاعات، کالاها و مردم هستند. در میان این جریان‌های شهری، حرکت‌های انسانی مولفه‌های حیاتی هستند که نبض شهرها را به حرکت در می‌آورند. بررسی جریان مردم و پویایی مکانی و زمانی آنها همیشه یک وظیفه مهم برای طیف گسترده ای از رشته ها بوده است، به عنوان مثال، GIScience، حمل و نقل، اپیدمیولوژی، و غیره. و تکنیک های جمع آوری داده ها [ 1 ، 2 ، 3]. با این حال، پیشرفت‌های اخیر در فناوری‌های آگاه از مکان، منابع داده جدیدی تولید کرده است، به‌عنوان مثال، تلفن‌های همراه، کارت‌های هوشمند و رسانه‌های اجتماعی که جزئیات حرکات افراد در زندگی روزمره آنها را شرح می‌دهد. در نتیجه، مطالعات به چالش‌های تحقیقاتی مختلف مربوط به سرزندگی شهری [ 3 ، 4 ، 5 ]، پیش‌بینی تحرک [ 6 ، 7 ] و مدل‌سازی حمل‌ونقل [ 8 ، 9 ] پرداخته‌اند. این مطالعات درک ما را از الگوهای تحرک انسانی در بافت های شهری افزایش داده است. در این پژوهش سعی بر آن است تا تحقیقات در این زمینه را بهبود بخشیده و بر تحلیل الگوهای مکانی و زمانی همگرایی و واگرایی انسانی در شهرها تمرکز کنیم.
همگرایی با یک مکان نشان می دهد که تعداد افرادی که به یک مکان می روند بیشتر از تعداد افراد خروجی است. برعکس، واگرایی از یک مکان نشان می دهد که تعداد افرادی که مکان را ترک می کنند بیشتر از تعداد افراد ورودی است. درک چگونگی همگرایی و واگرایی جریان های مردم در فضا و زمان در شهرها و همچنین روابط آنها با کاربری زمین شهری می تواند بینشی در مورد پویایی شهری ارائه دهد و به طور بالقوه برای برنامه ریزی شهری و مدیریت حمل و نقل عمومی در شهرها مفید باشد. بنابراین سؤالات اصلی تحقیق این پژوهش به شرح زیر است:

  • چه الگوهای فضایی و زمانی همگرایی و واگرایی انسانی در بافت شهری روزانه وجود دارد؟
  • چه نوع کاربری اراضی شهری به طور کلی با این الگوها همراه است؟
برای پرداختن به این دو سوال، این مطالعه از مجموعه داده تلفن همراه در مقیاس بزرگ استفاده می کند که در شنژن، چین، در یک روز هفته جمع آوری شده است تا الگوهای مکانی و زمانی همگرایی و واگرایی انسانی را بررسی کند. برخلاف رکوردهای جزئیات تماس (CDR) که تنها ردپای فردی را در طول ارتباط واقعی ثبت می‌کنند [ 10 ، 11]، مجموعه داده تلفن همراه مورد استفاده در این مطالعه افراد را به طور منظم در طول زمان (تقریبا هر ساعت یک بار) در سطح برج تلفن همراه ردیابی می کند، که ما را قادر می سازد الگوهای همگرایی و واگرایی انسانی را با وضوح مکانی-زمانی نسبتا خوب و منظم بررسی کنیم. این الگوهای شناسایی شده منعکس کننده ویژگی های اساسی الگوهای سفر انسان در مکان های مختلف در داخل شهر هستند و پیامدهایی برای برنامه ریزی حمل و نقل، واکنش اضطراری و کنترل همه گیر دارند.

2. بررسی ادبیات

توسعه فناوری اطلاعات و ارتباطات پیامدهای عمیقی برای جامعه شناسی و تحرک فیزیکی انسان دارد و امکان جمع آوری مجموعه های بزرگی از داده های جغرافیایی ارجاع شده از دستگاه های مبتنی بر مکان مانند تلفن های همراه را فراهم می کند که فرصت های جدیدی برای درک الگوهای تحرک انسانی و روابط آنها ایجاد می کند. با محیط های کاربردی شهری [ 12 ، 13 ، 14 ].
تحرک انسان ارتباط تنگاتنگی با حمل و نقل و برنامه ریزی شهری دارد و یک موضوع تحقیقاتی مهم در مطالعات شهری است. به عنوان مثال، خانه و محل کار یک فرد را می توان از داده های تلفن همراه شناسایی کرد، و ماتریس های جریان مبدا-مقصد را می توان برای بررسی الگوهای رفت و آمد [ 15 ، 16 ، 17 ] ساخت. سرعت ترافیک در زمان واقعی و زمان سفر را می توان با استفاده از یک سیستم مبتنی بر تلفن همراه اندازه گیری کرد [ 18 ]. علاوه بر این، پویایی های شهری بلادرنگ را می توان با استفاده از داده های تلفن همراه برای نظارت بر توزیع های مکانی-زمانی انسان و ارائه بینشی در مورد شدت زمان واقعی فعالیت های انسانی در مناطق مختلف شهری [4، 19 ، 20 ، دریافت کرد .21 ]. نقاط حساس تحرک انسانی و مناطق متراکم را می توان با تجزیه و تحلیل مسیرها و تراکم کاربران تلفن همراه در محیط های شهری شناسایی کرد [ 22 ، 23 ، 24 ، 25 ].
گوو و همکاران [ 26 ] جزئیات حمل و نقل را از داده‌های مسیر تاکسی استخراج کرد و یک روش خوشه‌بندی سلسله مراتبی برای نقشه‌برداری جریان‌های انسانی با مبدا و مقصد مشابه پیشنهاد کرد. نواحی منبع سینک تحرک انسانی را نیز می توان بر اساس تغییرات زمانی در مکان های حمل و نقل شناسایی کرد [ 27 ]. همچنین می‌توان شبکه‌های تحرک را از حرکات انسانی ایجاد کرد، که تعاملات فضایی مناطق و جوامع مختلف شهری را منعکس می‌کند، یا مناطقی با ارتباطات نزدیک را می‌توان شناسایی کرد و برای ارزیابی و بهینه‌سازی برنامه‌ریزی شهری استفاده کرد [28 ، 29 ] .
بین تحرک انسان و محیط عملکردی رابطه قوی وجود دارد [ 27 و 30 ]. توزیع فضایی مناطق عملکردی مختلف شهری (مثلاً مسکونی، صنعتی یا تجاری) مکان‌های فعالیت انسانی مانند زندگی، کار، خرید و اوقات فراغت را تعیین می‌کند. تفکیک فضایی این مناطق عملکردی و الزامات فعالیت های انسانی منجر به جریان های انسانی در فضای شهری می شود. تفاوت های عملکردی مرتبط با انواع مختلف کاربری زمین به عنوان الگوهای مختلف تحرک انسانی ظاهر می شود. بنابراین، اطلاعات کاربری زمین را می توان برای برآورد تقاضای سفر در مناطق مختلف شهری (به عنوان مثال، یک مدل تعامل کاربری-حمل و نقل) استفاده کرد [ 31]. تنوع جمعیت زمانی منعکس کننده عملکرد زیربنایی مکان است. بنابراین، برخی از مطالعات بردارهای ویژگی زمانی را برای فعالیت‌های انسانی در سطح سلول شبکه با استفاده از داده‌های حسگر انسانی و روش‌های یادگیری ماشین برای طبقه‌بندی آن بردارها و استنتاج اطلاعات کاربری زمین شهری ساخته‌اند [32 ، 33 ، 34 ] . دقت طبقه‌بندی با افزایش ناهمگونی کاربری زمین کاهش می‌یابد، اما اطلاعات اضافی (به عنوان مثال، الگوهای تعامل فضایی و نقاط مورد علاقه) می‌تواند برای شناسایی مناطق عملکردی مختلف و بهبود دقت ترکیب شود [35 ، 36 ] .
این مطالعات پتانسیل قدرتمند داده های بزرگ در حال ظهور را در تحقیقات مربوط به الگوهای تحرک انسانی و روابط بین الگوهای تحرک انسانی و محیط عملکرد شهری نشان می دهد. این مطالعه با بررسی الگوهای مکانی و زمانی همگرایی و واگرایی انسانی در یک محیط شهری به این پایگاه دانش می افزاید.

3. منطقه مطالعه و مجموعه داده

منطقه مورد مطالعه برای این تحقیق شنژن است که در جنوب چین قرار دارد. شنژن در 30 سال گذشته توسعه سریع مرتبط با سیاست های اصلاحی را تجربه کرده است و این منطقه تعداد زیادی از کارگران مهاجر را که به دنبال فرصت های شغلی هستند جذب کرده است. مساحت کل شنژن تقریباً 1996 کیلومتر مربع است و جمعیت آن بیش از 15 میلیون نفر است که نشان دهنده بالاترین تراکم جمعیت در میان شهرهای چین است [ 37 ].
مجموعه داده مکان تلفن همراه مورد استفاده در این مطالعه توسط یک شرکت تلفن همراه جمع آوری شده است که تقریباً 60٪ از کل بازار تلفن همراه در شنژن را شامل می شود. این 16 میلیون کاربر تلفن همراه را در یک روز کاری پوشش می دهد و مکان های دکل تلفن همراه را که هر تلفن همراه به آن وصل می شود تقریباً در هر ساعت ثبت می کند. بنابراین، هر تلفن همراه روزانه 24 رکورد حاوی شناسه کاربری، زمان ضبط و طول جغرافیایی و عرض جغرافیایی دکل تلفن همراه دارد. شناسه کاربر برای حفاظت از حریم خصوصی قبل از انتشار مجموعه داده برای اهداف تحقیقاتی رمزگذاری شده است. جدول 1 نمونه ای از سوابق تلفن همراه یک کاربر را برای یک روز نشان می دهد. در مجموع، 5940 دکل تلفن همراه (CPT) با شماره شناسه برج منحصر به فرد از مجموعه داده استخراج شد. شکل 1تراکم هسته فضایی برج های تلفن همراه را نشان می دهد.
مجموعه داده دیگر مورد استفاده در این مطالعه شامل داده های منطقه عملکردی شهری است که از طرح جامع شهر شنژن (2010-2020) تولید شده است [ 38 ]. این مجموعه داده شامل ده نوع منطقه عملکردی است: اداری (سازمان های دولتی)، تجاری، صنعتی، مسکونی، آموزشی، حمل و نقل، گردشگری (مکان ها و پارک های دیدنی)، ورزشی، آب و غیره (شامل کشاورزی، بوته ها، زمین های بایر و غیره). شکل 2 توزیع فضایی مناطق عملکردی شهری را نشان می دهد.

4. روش شناسی

روش مورد استفاده برای شناسایی الگوهای مکانی و زمانی همگرایی و واگرایی انسانی شامل سه مرحله اصلی بود. ابتدا، ما جریان خالص را از مسیرهای فضا-زمان انسان در هر شکاف زمانی استخراج کردیم تا همگرایی و واگرایی انسانی را نشان دهیم. سپس، جریان شبکه را با توجه به قوانین کمیت به ده کلاس طبقه بندی کردیم و هر سلول شبکه را برای نشان دادن همگرایی و شدت واگرایی انسانی طبقه بندی کردیم. در نهایت، یک ماتریس سری زمانی بر اساس کلاس‌های جریان شبکه ساخته شد و سلول‌های شبکه با توجه به الگوهای زمانی خود به خوشه‌هایی گروه‌بندی شدند.

4.1. استخراج شاخص های همگرایی و واگرایی انسانی

با استفاده از مفهوم جغرافیای زمانی [ 39 ]، ما مسیر فضا-زمان هر تلفن همراه را با اتصال رکوردهای مکان به ترتیب زمانی ساختیم. همانطور که در شکل 3 نشان داده شده است ، مسیر تلفن همراه را می توان به صورت زیر نشان داد:

Tr=[p1(x1,y1,t1,Id1),⋯,pi(xi,yi,ti,Idi),⋯,pn(xn,yn,tn,Idn)]��=[�1(�1,�1,�1,��1),⋯,��(��,��,��,���),⋯,��(��,��,��,���)]

که در آن x i ، y i و Id i به ترتیب طول، عرض جغرافیایی و TowerID نقطه رکورد p i را نشان می‌دهند و t i نشان‌دهنده زمانی است که به‌روزرسانی نقطه رخ داده است. برای نقاط فضا-زمان مجاور با مکان‌های ثبت مختلف، می‌توانیم حرکتی را از برج تلفن همراه Id i به Id i +1 در بازه زمانی t i تا t i +1 استخراج کنیم .

[پمن(ایکسمن،yمن،تیمن، مندمن) ،پمن + 1(ایکسمن + 1،yمن + 1،تیمن + 1، مندمن + 1) ] ، من دمن≠ مندمن + 1[پمن(ایکسمن،�من،تیمن،مندمن)،پمن+1(ایکسمن+1،�من+1،تیمن+1،مندمن+1)]، مندمن≠مندمن+1
جدول 1 نشان می دهد که پنجره زمانی رکوردهای مکان تقریباً هر ساعت به روز می شود، به عنوان مثال، نقطه اول بین ساعت 00:00 تا 01:00 و نقطه دوم بین 01:00 تا 02:00 ثبت شده است. یک حرکت را می توان بین ساعت 00:00 تا 02:00 استخراج کرد و پنجره زمانی از 00:00 تا 02:00 به عنوان زمان T 1 در نظر گرفته می شود . بنابراین، ما می‌توانیم یک حرکت را برای هر دو ساعت مجاور استخراج کنیم، و روز را می‌توان به 23 شکاف زمانی تقسیم کرد که T j نشان‌دهنده پنجره زمانی است ( j -1):00–( j + 1):00.
یک مسئله این است که ممکن است سوئیچ های سیگنال بین CPT ها وجود داشته باشد که ممکن است به اشتباه به عنوان حرکات تفسیر شود، به ویژه در مناطقی با تراکم برج بالا [ 40 ، 41]]. ما چند ضلعی های Thiessen را برای نشان دادن منطقه خدمات یک برج تلفن همراه در مرحله اولیه این مطالعه اتخاذ کردیم. ما متوجه شدیم که برخی از دکل های تلفن همراه بسیار نزدیک به یکدیگر قرار دارند. به طور کلی، 396 برج سلولی بسیار نزدیک به برج های مجاور هستند و فاصله بین برج ها می تواند کمتر از 10 متر باشد. به عنوان مثال، دو برج سلولی ممکن است در یک ساختمان مرتفع واقع شوند. این دکل های نزدیک تلفن همراه می توانند باعث پرش های مکرر سیگنال بین برج ها شوند. ما انتخاب کردیم که از سلول‌های شبکه معمولی برای جمع‌آوری دکل‌های تلفن همراه بسیار نزدیک استفاده کنیم و در نتیجه تأثیر سوئیچ‌های سیگنال را کاهش دهیم. ما شهر را با استفاده از اندازه های مختلف شبکه از 100 متر × 100 متر × 2 کیلومتر × 2 کیلومتر با افزایش 100 متر تقسیم کردیم و دریافتیم که سلول های شبکه 500 متر × 500 متر برج های تلفن همراه 90.2 درصد از فعالیت های اصلی انسان را تشکیل می دهند. مناطق، که بسیار بزرگتر از درصد سلول های شبکه کمتر از 500 متر × 500 متر بود. علاوه بر این، ما دریافتیم که حرکات درون سلول‌های شبکه به صورت خطی افزایش می‌یابد، و حرکات بین سلول‌های شبکه به صورت خطی با اندازه شبکه کاهش می‌یابد. سلول های شبکه 500 متر × 500 متر تقریباً 16٪ از حرکات را نادیده گرفتند. اگرچه سلول های شبکه ای 600 متر × 600 متر 98 درصد از مناطق اصلی فعالیت انسان را پوشش می دهند، تقریباً 20 درصد از حرکات را نادیده گرفتند. بنابراین، سلول‌های شبکه‌ای 500 × 500 متر را به عنوان واحد تحلیل انتخاب کردیم. این قطعنامه مقیاس نسبتاً خوبی برای مطالعه تحرک انسان ارائه کرد. سلول‌های شبکه‌ای که حاوی CPT نیستند، حذف شدند، زیرا حرکات انسان بین سلول‌های شبکه بدون برج‌های تلفن همراه قابل محاسبه نبود. در مجموع، 2801 سلول شبکه به عنوان واحدهای تجزیه و تحلیل پایه مورد استفاده قرار گرفت و هر کدام با یک Grid ID منحصر به فرد برچسب گذاری شدند. ما دریافتیم که حرکات در سلول های شبکه به صورت خطی افزایش می یابد و حرکات بین سلول های شبکه به صورت خطی با اندازه شبکه کاهش می یابد. سلول های شبکه 500 متر × 500 متر تقریباً 16٪ از حرکات را نادیده گرفتند. اگرچه سلول های شبکه ای 600 متر × 600 متر 98 درصد از مناطق اصلی فعالیت انسان را پوشش می دهند، تقریباً 20 درصد از حرکات را نادیده گرفتند. بنابراین، سلول‌های شبکه‌ای 500 × 500 متر را به عنوان واحد تحلیل انتخاب کردیم. این قطعنامه مقیاس نسبتاً خوبی برای مطالعه تحرک انسان ارائه کرد. سلول‌های شبکه‌ای که حاوی CPT نیستند، حذف شدند، زیرا حرکات انسان بین سلول‌های شبکه بدون برج‌های تلفن همراه قابل محاسبه نبود. در مجموع، 2801 سلول شبکه به عنوان واحدهای تجزیه و تحلیل پایه مورد استفاده قرار گرفت و هر کدام با یک Grid ID منحصر به فرد برچسب گذاری شدند. ما دریافتیم که حرکات درون سلول‌های شبکه به صورت خطی افزایش می‌یابد و حرکات بین سلول‌های شبکه به صورت خطی با اندازه شبکه کاهش می‌یابد. سلول های شبکه 500 متر × 500 متر تقریباً 16٪ از حرکات را نادیده گرفتند. اگرچه سلول های شبکه ای 600 متر × 600 متر 98 درصد از مناطق اصلی فعالیت انسان را پوشش می دهند، تقریباً 20 درصد از حرکات را نادیده گرفتند. بنابراین، سلول‌های شبکه‌ای 500 × 500 متر را به عنوان واحد تحلیل انتخاب کردیم. این قطعنامه مقیاس نسبتاً خوبی برای مطالعه تحرک انسان ارائه کرد. سلول‌های شبکه‌ای که حاوی CPT نیستند، حذف شدند، زیرا حرکات انسان بین سلول‌های شبکه بدون برج‌های تلفن همراه قابل محاسبه نبود. در مجموع، 2801 سلول شبکه به عنوان واحدهای تجزیه و تحلیل پایه مورد استفاده قرار گرفت و هر کدام با یک Grid ID منحصر به فرد برچسب گذاری شدند. سلول های شبکه 500 متر × 500 متر تقریباً 16٪ از حرکات را نادیده گرفتند. اگرچه سلول های شبکه ای 600 متر × 600 متر 98 درصد از مناطق اصلی فعالیت انسان را پوشش می دهند، تقریباً 20 درصد از حرکات را نادیده گرفتند. بنابراین، سلول‌های شبکه‌ای 500 × 500 متر را به عنوان واحد تحلیل انتخاب کردیم. این قطعنامه مقیاس نسبتاً خوبی برای مطالعه تحرک انسان ارائه کرد. سلول‌های شبکه‌ای که حاوی CPT نیستند، حذف شدند، زیرا حرکات انسان بین سلول‌های شبکه بدون برج‌های تلفن همراه قابل محاسبه نبود. در مجموع، 2801 سلول شبکه به عنوان واحدهای تجزیه و تحلیل پایه مورد استفاده قرار گرفت و هر کدام با یک Grid ID منحصر به فرد برچسب گذاری شدند. سلول های شبکه 500 متر × 500 متر تقریباً 16٪ از حرکات را نادیده گرفتند. اگرچه سلول های شبکه ای 600 متر × 600 متر 98 درصد از مناطق اصلی فعالیت انسان را پوشش می دهند، تقریباً 20 درصد از حرکات را نادیده گرفتند. بنابراین، سلول‌های شبکه‌ای 500 × 500 متر را به عنوان واحد تحلیل انتخاب کردیم. این قطعنامه مقیاس نسبتاً خوبی برای مطالعه تحرک انسان ارائه کرد. سلول‌های شبکه‌ای که حاوی CPT نیستند، حذف شدند، زیرا حرکات انسان بین سلول‌های شبکه بدون برج‌های تلفن همراه قابل محاسبه نبود. در مجموع، 2801 سلول شبکه به عنوان واحدهای تجزیه و تحلیل پایه مورد استفاده قرار گرفت و هر کدام با یک Grid ID منحصر به فرد برچسب گذاری شدند. این قطعنامه مقیاس نسبتاً خوبی برای مطالعه تحرک انسان ارائه کرد. سلول‌های شبکه‌ای که حاوی CPT نیستند، حذف شدند، زیرا حرکات انسان بین سلول‌های شبکه بدون برج‌های تلفن همراه قابل محاسبه نبود. در مجموع، 2801 سلول شبکه به عنوان واحدهای تجزیه و تحلیل پایه مورد استفاده قرار گرفت و هر کدام با یک Grid ID منحصر به فرد برچسب گذاری شدند. این قطعنامه مقیاس نسبتاً خوبی برای مطالعه تحرک انسان ارائه کرد. سلول‌های شبکه‌ای که حاوی CPT نیستند، حذف شدند، زیرا حرکات انسان بین سلول‌های شبکه بدون برج‌های تلفن همراه قابل محاسبه نبود. در مجموع، 2801 سلول شبکه به عنوان واحدهای تجزیه و تحلیل پایه مورد استفاده قرار گرفت و هر کدام با یک Grid ID منحصر به فرد برچسب گذاری شدند.
ما حرکات بین CPTها را فیلتر کردیم تا با نادیده گرفتن حرکاتی که CPTهای مبدا و مقصد در یک سلول شبکه بودند، حرکات بین سلولهای شبکه ایجاد شود. بنابراین، ما یک ماتریس جریان مبتنی بر سلول شبکه را استخراج کردیم ( p ، q ، f pq ، Tj )، که در آن p و q به ترتیب شناسه‌های شبکه مبدأ و مقصد هستند ، f pq نشان‌دهنده تعداد افرادی است که از p به q حرکت می‌کنند . و T j نشان دهنده شکاف زمانی است. برای هر سلول شبکه p، ورودی و خروجی در طول یک شکاف زمانی به صورت زیر محاسبه می شود.

i n fl owپ=∑qfqپ, o u t f l owپ=∑qfp qمن��ل��پ=∑���پ، �توتی�ل��پ=∑��پ�
علاوه بر این، جریان شبکه سلول شبکه به صورت زیر محاسبه می شود.

n e t fl owپ= i n fl owپ– o u t fl owپ�هتی�ل��پ=من��ل��پ–�توتی�ل��پ
Netflow به عنوان شاخصی از همگرایی و واگرایی انسانی در یک سلول شبکه در طول شکاف زمانی Tj استفاده شد . در مقایسه با فعالیت فراخوانی CDR ها، که شدت فعالیت را منعکس می کند، جریان خالص تفاوت ورودی و خروجی را منعکس می کند که نشان دهنده تغییر تعداد افراد در یک سلول در طول یک شکاف زمانی است [42 ] . جریان شبکه مثبت نشان می دهد که تعداد افراد در سلول شبکه در طول شکاف زمانی افزایش یافته است، یعنی همگرایی، و جریان شبکه منفی نشان دهنده کاهش تعداد افراد، یعنی واگرایی است.

4.2. طبقه بندی همگرایی و واگرایی انسانی با استفاده از قوانین کوانتیل

این مطالعه همگرایی و واگرایی انسانی و شدت های مختلف آنها را در طول یک روز بررسی کرد. ما مقادیر جریان خالص را از تمام شکاف‌های زمانی جمع‌آوری کردیم و سپس آنها را در کلاس‌های مختلف گروه‌بندی کردیم، جایی که n i، j نشان‌دهنده جریان شبکه سلول شبکه i در طول شکاف زمانی T j است . مجموعه جریان شبکه N = { n i, j } کل منطقه مورد مطالعه شامل مقادیر 2801 × 23 است، با توزیع نشان داده شده در شکل 4 a. بیشتر مقادیر جریان خالص (95.4٪) بین 1000- تا 1000 بود، که نشان می دهد که مکان های کمی دارای جریان های خالص بسیار بزرگ هستند. علاوه بر این، شهر را می توان یک سیستم نسبتاً همگن در نظر گرفت.
سپس Netflow به ترتیب صعودی مرتب شد و بر اساس چندک به ده کلاس گروه بندی شد و بردار کمی Q = [ q 1 , q 2 ,…, q 9 ] تولید شد که در آن q 1 , q 2 ,…, q 9 مقادیر جریان خالص را نشان می دهد. نه نقطه شکست در چندک ها به ترتیب 10، 20، … و 90 درصد ( شکل 4 ب). در این مقاله، ما بردار چندک نقاط شکست Q = [-317، -128، -53، -18، -1، 15، 51، 122، 314] را تولید کردیم. ما از Q برای طبقه بندی هر n i، j از N استفاده می کنیمرا به گروه های مختلف تقسیم کنید و به آن یک برچسب سطح اختصاص دهید تا شدت همگرایی یا واگرایی را همانطور که در جدول 2 نشان داده شده است نشان دهد . هرچه قدرت همگرایی یا پراکندگی بیشتر باشد، مقدار سطح مطلق بزرگتر به آن اختصاص داده می شود. در کلاس های 5 و 6، همگرایی و واگرایی نسبتاً کوچک است و ما هر دو را در یک سطح 0 در نظر می گیریم . سلول i در شکاف زمانی T j .

4.3. تحلیل خوشه ای الگوهای زمانی همگرایی و واگرایی انسانی

ما L را به یک ماتریس سری زمانی، V تبدیل کردیم تا الگوهای مکانی و زمانی همگرایی و واگرایی انسانی را استخراج کنیم:

V=⎡⎣⎢⎢⎢⎢V1V2⋮Vمتر⎤⎦⎥⎥⎥⎥= [L1،L2⋯ ،L23] =⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪ل1 ، 1،ل1 ، 2، ⋯ ،ل1 ، 23ل2 ، 1،ل2 ، 2، ⋯ ،ل2 ، 23⋯لمتر ، 1،لمتر ، 2، ⋯ ،لمتر ، 23⎫⎭⎬⎪⎪⎪⎪⎪⎪⎪⎪�=[�1�2⋮�متر]=[�1،�2⋯،�23]={ل1،1،ل1،2،⋯،ل1،23ل2،1،ل2،2،⋯،ل2،23⋯لمتر،1،لمتر،2،⋯،لمتر،23}

که در آن V i نشان دهنده ردیف i-ام ماتریس است، که نشان دهنده تغییرات سلول شبکه i در طول روز است. 2801 ردیف در ماتریس وجود دارد. L j نشان دهنده j -مین ستون ماتریس است که سطح 2801 سلول شبکه را در شکاف زمانی T j نشان می دهد ، بنابراین 23 شکاف زمانی وجود دارد. جدول 3 نمونه هایی از ماتریس را ارائه می دهد. ویژگی های زمانی Vپویایی مکانی و زمانی تحرک انسان در مناطق مختلف شهر را در بر می گیرد. به عنوان مثال، مناطق مسکونی و تجاری یا محل کار واقع در مرکز شهر یا در حومه شهر ممکن است الگوهای زمانی متفاوتی داشته باشند.

اس=∑t = 123(Vتیمن–Vتیj)2––––––––––––⎷اس=∑تی=123(�منتی–��تی)2
در تحلیل خوشه‌ای، هدف اصلی ما استخراج این سلول‌های شبکه‌ای با سطوح مشابهی از تنوع در تحرک انسان است، بنابراین ما بر خوشه‌بندی ردیف‌ها در ماتریس تمرکز می‌کنیم. همانطور که در رابطه (6) نشان داده شده است، شباهت بین هر دو ردیف بر اساس فاصله اقلیدسی محاسبه می شود. یک الگوریتم خوشه‌بندی X-means برای خوشه‌بندی ماتریس سری زمانی با توجه به ویژگی‌های زمانی اتخاذ شد. این الگوریتم یک روش بهبود یافته بر اساس k-means است و می تواند به طور خودکار تعداد خوشه ها را با استفاده از معیارهای اطلاعات بیزی تعیین کند تا بر اشکالات k-means در انتخاب تعداد خوشه ها غلبه کند. همچنین محاسبات را با استفاده از روش kd -tree برای رسیدگی به تعداد انبوه رکوردها تسریع می‌کند [ 43]. علاوه بر این، این یک روش خوشه‌بندی بدون نظارت است که برای مجموعه داده‌های متغیر چند بعدی مناسب است. ابزار معروف داده کاوی WEKA برای اجرای الگوریتم X-means [ 44 ] استفاده شد. بر اساس الگوریتم، هشت خوشه از V با استفاده از خوشه بندی X-means استخراج شد و آنها را به صورت C 1، C 2، …، C 8 نشان داد. ویژگی های هر خوشه را در بخش 5.2 مورد بحث قرار دهید .

5. نتایج و بحث

5.1. همگرایی و واگرایی در هر شکاف زمانی

شکل 5 همگرایی و واگرایی انسانی را برای بازه های زمانی انتخاب شده نشان می دهد. مناطقی که مردم در آن‌ها در بازه‌های زمانی مختلف همگرا و واگرا می‌شوند به وضوح قابل تشخیص هستند. تغییرات در شدت تحرک انسان نیز قابل مشاهده است. سطح اکثر سلول های شبکه در نیمه شب نزدیک به صفر است ( T 3 )، به غیر از چند منطقه در مراکز شهری. با فرا رسیدن سحر، تحرک انسان به دلیل اوج رفت و آمد صبحگاهی ( T 8 ) افزایش می یابد و سپس با شروع کار افراد کاهش می یابد ( T 10 ). شدت تحرک در برخی نقاط در ظهر ( T 12 ) به دلیل فعالیت های مربوط به ناهار، به ویژه در مناطق شمالی شهر افزایش می یابد. سپس در طول ساعت کاری بعد از ظهر دوباره کاهش می یابد (T 15 ) تا سطحی کمتر از ساعت کاری صبح (T 10 ). رفت و آمد عصرگاهی ( T 18 ) روند مخالفی را به عنوان T 8 نشان می دهد ، با اکثر سلول های شبکه همگرایی بالایی در طول T 8 نشان می دهد ، زیرا مردم به مکان هایی سرازیر می شوند که در T 8 واگرایی را نشان می دهند ، و این حالت می تواند تا ساعت عصر ادامه یابد ( T 21). این الگوها یک پویایی معمولی در روزهای کاری شهری را نشان می‌دهند که با الگوهای فعالیت انسانی مرتبط است و پتانسیل داده‌های تلفن همراه را برای مطالعه تحرک انسان نشان می‌دهد. این داده ها را می توان برای درک الگوهای تحرک کل در مقیاس های مکانی و زمانی دقیق تر مورد استفاده قرار داد.

5.2. الگوهای زمانی همگرایی و واگرایی انسانی

شکل 6 الگوهای زمانی مقادیر میانگین هر خوشه را نشان می دهد. ویژگی های زمانی متمایز را می توان بین خوشه ها مشاهده کرد.
سلول‌های شبکه‌ای در C 1 شدت بالای هم‌گرایی انسان را در بیشتر شکاف‌های زمانی نشان می‌دهند، در حالی که سلول‌های C8 واگرایی را در بیشتر ساعات روز نشان می‌دهند، به جز در طول رفت و آمد صبحگاهی ( T 6 – T 8 ) که سلول‌ها همگرایی با شدت بالا را نشان می‌دهند. سلول های شبکه در C2 همگرایی را از T 6 – T 18 نشان می دهند و به دنبال آن واگرایی با شدت بالا از T 19 تا نیمه شب ( T 23 ) وجود دارد.
C 3 و C 4 الگوهای تحرک مشابهی دارند، با واگرایی عمدتا از T 6 – T 10 و همگرایی پس از T 17 رخ می دهد . تفاوت عمده بین این خوشه ها این است که شدت تحرک در C 4 به طور قابل توجهی بالاتر از C 3 است. C 3 همچنین یک الگوی همگرایی – واگرایی واضح از T 11 – T 14 را نشان می دهد .
خوشه C 5 یک الگوی همگرایی متمایز را در طول رفت و آمدهای صبح و عصر نشان می دهد که تقریباً دو بازه زمانی طول می کشد، و واگرایی در بازه های زمانی باقیمانده روز.
C 7 الگوی تحرک انسان را متضاد با الگوی C3 نشان می دهد ، با همگرایی عمدتاً از T 7 – T 9 و واگرایی پس از T 17 .
در مقایسه با خوشه های دیگر، هیچ الگوی زمانی آشکاری در سلول های شبکه C6 وجود ندارد و شدت تحرک عموما کم است.
توزیع های فضایی و شدت تحرک این الگوهای همگرایی و واگرایی انسانی با توزیع فضایی انواع کاربری های مختلف زمین (مثلاً مسکونی، صنعتی، تجاری و غیره) و ویژگی های اجتماعی-اقتصادی بافت های جغرافیایی مرتبط است [4، 45 ، 46 ] . ].

5.3. توزیع فضایی خوشه های مشتق شده

ما بیشتر توزیع فضایی خوشه های شناسایی شده را با ترکیب مناطق عملکردی برای به دست آوردن درک بهتری از همگرایی و واگرایی انسانی در بافت شهری تجزیه و تحلیل کردیم. برای ساده‌سازی نقشه‌ها، از سلول‌های توخالی برای نمایش سلول‌های شبکه استفاده شد. علاوه بر این، میانگین درصد کاربری های مختلف زمین در هر خوشه را محاسبه کردیم. ابتدا نسبت هر کاربری زمین را در هر سلول شبکه محاسبه کردیم. سپس، برای سلول‌های شبکه‌ای متعلق به یک خوشه خاص، میانگین نسبت هر کاربری را محاسبه کردیم. جدول 4 میانگین درصد انواع کاربری های مختلف زمین را در هر خوشه فهرست می کند.
شکل 7 توزیع فضایی C 1 و C 8 را نشان می دهد. این امری غیرمعمول است که برخی از نواحی به همگرایی ( C1 ) یا واگرایی ( C8 ) در بیشتر شکاف های زمانی ادامه می دهند ( شکل 6 ). اکثر سلول‌های شبکه در این خوشه‌ها در امتداد جاده‌های اصلی شنژن قرار دارند و میانگین درصد استفاده از زمین حمل‌ونقل در هر سلول شبکه در دو خوشه 15.2% و 18.4% است که از مقادیر سایر خوشه‌ها بیشتر است (جدول 4 ) . . سلول های C 1 معمولاً در مرز بین مناطق صنعتی و مسکونی قرار دارند، با کاربری صنعتی و مسکونی زمین به ترتیب 31.3 و 30.3 درصد از کل کاربری های زمین در سلول ها را تشکیل می دهند (جدول 4 ) .سلول‌های C8 عمدتاً در امتداد جاده‌ها در مناطق صنعتی و مرکز شهر توزیع می‌شوند و کاربری صنعتی و مسکونی به ترتیب 7/41 درصد و 5/16 درصد از کاربری زمین در سلول‌ها را تشکیل می‌دهند. بنابراین، تعداد زیادی از مردم در طول رفت و آمد صبح ( T 7 و T 8 ) به این مناطق سرازیر می شوند. این مناطق شامل چند تقاطع مهم ترافیکی درون شهری، و همچنین چندین مرکز حمل و نقل بین شهری متصل به شهرهای مجاور هستند، به عنوان مثال، چندین تقاطع پرسرعت، دو ایستگاه راه آهن و بندر فوتین (که به هنگ کنگ متصل می شود). بنابراین، این احتمال وجود دارد که الگوهای تحرک انسان در C 1 و C8 مربوط به حمل و نقل شهری است. یک توضیح احتمالی برای همگرایی و واگرایی پیوسته این است که مجموعه داده ما شامل تعاملات با شهرهای مجاور نیست و خروج از شهر و ورودی از شهرهای دیگر از طریق سلول‌های شبکه را نادیده می‌گیرد. بنابراین، جریان خالص مثبت یا منفی مداوم در طول روز وجود دارد. این نشان می دهد که این مناطق ممکن است هاب های اصلی باشند که ارتباط نزدیکی با مناطق خارج از شهر دارند. این رصد مرجعی را برای برنامه ریزان شهری برای مکان یابی و بهینه سازی حمل و نقل عمومی اتوبوس شهری فراهم می کند تا افراد به راحتی از این مکان ها جابه جا شوند. بنابراین، احتمالاً C 1 و C 8 اغلب در امتداد جاده های اصلی شهری قرار دارند.
شکل 8 توزیع فضایی سلول های شبکه را در خوشه های C 2 و C 5 نشان می دهد. سلول های شبکه C 2 در مناطق اصلی تجاری و صنعتی در شهر قرار دارند، به عنوان مثال، مکان های کاری متمرکز که افراد زیادی را در طول رفت و آمد صبح به خود جذب می کند. میانگین کاربری تجاری زمین در این خوشه 11.6 درصد است که حداکثر در بین همه خوشه ها است ( جدول 4 ). مناطق تجاری همچنین شامل بسیاری از مراکز خرید، رستوران ها، موسسات مالی و مکان های تفریحی (بار، کارائوکه، سرگرمی و غیره) می شود. بنابراین، این مکان ها همچنین افراد زیادی را برای خرید، غذا، سرگرمی و سایر فعالیت ها در طول روز جذب می کنند، با واگرایی شدید پس از T 19 .. سلول‌های شبکه در C 5 عمدتاً در نزدیکی مناطق تجاری کوچک و محل‌های کار در داخل مناطق مسکونی قرار دارند و کاربری‌های تجاری، صنعتی و مسکونی به ترتیب 3.4، 31.1 و 40.1 درصد در این خوشه هستند (جدول 4 ) . کاربری زمین در مناطق مسکونی ترکیبی است و شامل مراکز خرید، رستوران ها و مکان های تفریحی می شود. بنابراین، تحرک انسان در این مکان ها الگوی ثابتی را نشان نمی دهد و شدت تحرک انسان کم است. به عنوان مثال، این مکان ها در ساعات صبح افراد را برای کار جذب می کنند، در حالی که افرادی که در مناطق مسکونی زندگی می کنند به طور همزمان به محل کار منحرف می شوند. بنابراین، همگرایی و واگرایی هر دو در زمان رفت و آمد صبح رخ می دهد ( T 6 – T 9). الگوی همگرایی و واگرایی در C2 احتمالاً در مناطق تجاری اصلی شهری رخ می دهد، در حالی که تمایل دارد در نزدیکی مناطق تجاری و محل کار در مناطق مسکونی در C5 رخ دهد .
شکل 9 توزیع فضایی خوشه های C 3 و C 4 را نشان می دهد. سلول های شبکه در هر دو خوشه عمدتاً در مناطق مسکونی شهری قرار دارند. سلول های C 3 عمدتا در قسمت شمالی شهر قرار دارند در حالی که سلول های C 4 در قسمت جنوبی شهر قرار دارند. همانطور که در جدول 4 نشان داده شده است، زمین مسکونی در C 3 و C 4 غالب است و به ترتیب 50.4% و 67.6% از کاربری اراضی در خوشه ها را تشکیل می دهد. همانطور که در بخش 5.2 بحث شد ، برخی از تفاوت‌های حرکتی انسانی نیز بین خوشه‌ها وجود دارد. به عنوان مثال، واگرایی در C 4 بیشتر از C طول می کشد3 در طول صبح ( شکل 6 ). تفاوت های خوشه ای ممکن است ناشی از تفاوت بین توسعه اقتصادی و فضای تحرک انسانی در بخش های شمالی و جنوبی منطقه باشد. منطقه جنوبی هسته اصلی منطقه تجاری شهری در شنژن است و اقتصاد در منطقه جنوبی توسعه یافته تر از منطقه شمالی است. تراکم جمعیت جنوب نیز بیشتر از منطقه شمالی است. اقتصاد توسعه یافته تر و تراکم جمعیت بالا ممکن است دلایل اساسی برای تفاوت الگوی خوشه ای باشد. با این حال، بسیاری از کارگران مهاجر در بخش شمالی شنژن زندگی می کنند و تمایل دارند در نزدیکی محل کار خود زندگی کنند تا در زمان رفت و آمد صرفه جویی کنند [ 47] .]. این فاصله رفت و آمد کوتاه همچنین باعث می‌شود که آن‌ها ظهر برای ناهار به خانه بازگردند یا برای فعالیت‌ها استراحت کوتاهی داشته باشند، که ممکن است به تفاوت الگوی هم‌گرایی-واگرایی بین T 11 و T 14 کمک کند ( شکل 6 ) . بنابراین، سلول های C 3 و C 4 به احتمال زیاد در مناطق مسکونی شهری قرار دارند، با C 3 عمدتا در قسمت شمالی شهر و C 4 به طور کلی در قسمت جنوبی واقع شده است.
Figure 10 shows the spatial distribution of C7. The grid cells in this cluster are mainly scattered across urban industrial regions. As shown in Table 4, the percentage of industrial land in this cluster is 58.4%, which is the dominant land use; thus, a large number of people converge in these areas to engage in work during the morning commute and then diverge from these areas to return home or travel to other locations when they finish their daily work. Thus, the human convergence and divergence pattern in C7 contrasts that in C3, although human mobility in both clusters show typical daily travel patterns related to work. Therefore, the human mobility pattern in C7 is likely associated with urban industrial regions.
Based on the spatial distribution, grid cells in C6 are not confined to a specific functional area, but scattered across different regions of Shenzhen (Figure 11), including urban administrative, education, sports and tourism regions. People have the freedom to choose the timing at which they arrive and leave these regions; thus, no consistent temporal patterns are formed in the regions. We can see that the difference between residential land (27.9%) and industrial land (28.8%) is small (Table 4). Many grid cells in this cluster are also located on the border of residential and industrial regions, so it is possible that a mixture of patterns occurs in these grid cells, e.g., during the morning commute, a grid cell containing industrial and residential land use would attract people to work, but people living in the grid cell may leave for work, resulting in an overall low netflow intensity. Some grid cells are also located in suburban areas with very low population densities, which may be another reason for the low intensity of human mobility.
The clusters identified in this study provide insight into the human dynamics at different locations in the city and potential land use characteristics associated with these different human mobility patterns. For example, C1 and C8 are likely located along main urban roads, whereas C2 tends to be located in urban commercial regions. In residential-dominant regions, a geographical difference in human mobility can be identified between the northern and the southern parts of Shenzhen. Although the study area and dataset are different, our findings are similar to those of a study that explored the interdependence between land use and traffic patterns using GPS-enabled taxi data in Shanghai [27]. In addition, these human mobility patterns are closely related to socioeconomic development and human activity areas [47]. These findings provide preliminary knowledge about human convergence and divergence patterns in urban areas based on different land use information.
این دانش می تواند به برنامه ریزان و سیاست گذاران شهری در بهبود کارایی عملیات شهری کمک کند. علاوه بر این، می توان از آن به عنوان ورودی در مارکوف یا مدل های آموزشی برای پیش بینی جریان های ترافیک شهری در زمان واقعی استفاده کرد [ 31 ، 48 ، 49 ]. به عنوان مثال، هنگامی که یک منطقه مسکونی جدید برنامه ریزی می شود، الگوهای تحرک انسانی را می توان بر اساس ویژگی های اقتصادی آن پیش بینی کرد، در نتیجه دانش اولیه در مورد تقاضاهای سفر موقت ساکنان محلی ارائه می شود. علاوه بر این، یافته‌ها می‌تواند به عنوان مرجعی برای تخمین الگوهای همگرایی و واگرایی انسانی با استفاده از داده‌های کاربری زمین شهری در شهرهای دیگر بدون داده‌های ردیابی انسانی مورد استفاده قرار گیرد. برعکس، اطلاعات کاربری زمین شهری را می توان بر اساس این الگوهای تحرک انسانی استنباط کرد [ 32,33]. In addition, based on the temporal convergence and divergence patterns of human mobility in different urban regions, managers can optimize urban public bicycle dock locations or real-time bicycle schedules in convergent and divergent areas to maintain a balance between supply and demand [50]. Similarly, taxi companies can allocate taxis in locations with high human convergence and divergence activities at specific times of a day [51]. Therefore, these findings can be used to improve urban public transport efficiency, which helps promote intelligent urban mobility [52,53].

6. Conclusions

ظهور منابع داده آگاه از مکان جدید (به عنوان مثال، داده های تلفن همراه) فرصت ها و چالش های مرتبط با درک فعالیت های انسانی در بافت شهری را فراهم کرده است (به عنوان مثال، نظارت در زمان واقعی پویایی شهری، الگوهای تحرک انسانی، و غیره). این مقاله الگوهای مکانی و زمانی همگرایی و واگرایی انسانی را با استفاده از مجموعه داده‌های موقعیت مکانی تلفن همراه بزرگ از شنژن، چین بررسی می‌کند. از توالی مکان مسیرهای منفرد تلفن همراه، ما دو معیار (ورودی و خروجی) را در سطح سلول شبکه (500 متر × 500 متر) به دست آوردیم تا تعداد سفرهای ورودی و خروجی را در مکان‌های مختلف شهر در زمان‌های مختلف نشان دهیم. روز. با استفاده از تفاوت بین ورودی و خروجی، ما یک سری زمانی برای هر سلول شبکه ایجاد کردیم، که منعکس کننده جهت و شدت جریان های مردمی است و الگوهای زمانی همگرایی و واگرایی انسانی را توصیف می کند. سپس، یک الگوریتم خوشه‌بندی برای دسته‌بندی انواع همگرایی و واگرایی انسانی در داخل شهر به کار گرفته شد. سپس توزیع فضایی سلول‌های شبکه را در دسته‌های مختلف بررسی کردیم و چگونگی ارتباط الگوهای شناسایی‌شده با انواع منطقه عملکردی شهری خاص را بررسی کردیم. این بینش بیشتری در مورد روابط بین جریان مردم و محیط عملکردی به همراه داشت. سپس توزیع فضایی سلول‌های شبکه را در دسته‌های مختلف بررسی کردیم و چگونگی ارتباط الگوهای شناسایی‌شده با انواع منطقه عملکردی شهری خاص را بررسی کردیم. این بینش بیشتری در مورد روابط بین جریان مردم و محیط عملکردی به همراه داشت. سپس توزیع فضایی سلول‌های شبکه را در دسته‌های مختلف بررسی کردیم و چگونگی ارتباط الگوهای شناسایی‌شده با انواع منطقه عملکردی شهری خاص را بررسی کردیم. این بینش بیشتری در مورد روابط بین جریان مردم و محیط عملکردی به همراه داشت.
هشت خوشه فضایی-زمانی مجزا شناسایی شد و توزیع فضایی این الگوها بر اساس مناطق عملکردی شهری مورد بحث قرار گرفت. سلول های شبکه در خوشه های C 1 و C 8 به احتمال زیاد در امتداد جاده های اصلی شهری در مناطق غالب حمل و نقل (به عنوان مثال، هاب های ترافیکی درون شهری و بین شهری) قرار دارند. C 2 و C 5 به طور کلی در مناطق شهری تجاری غالب قرار داشتند. C3 و C4 به طور عمده در مناطق مسکونی غالب واقع شده است. C 7 به طور معمول در مناطق صنعتی غالب قرار داشت. و سی6 در مناطق عملکردی مختلف در سراسر شهر پراکنده بود. همچنین یک تفاوت جغرافیایی (شمال-جنوب) در همگرایی و واگرایی انسانی در مناطق مسکونی شهری وجود داشت و این تفاوت الگوی توسعه اجتماعی-اقتصادی شهری را تقلید کرد. فعالیت های متمایز همگرا و واگرا انسان در ظهر در مناطق مسکونی و صنعتی شمالی رخ داده است که ممکن است به دلیل تحرک کم انسان در آن مناطق باشد. این یافته‌ها دانش ما را از تحرک انسانی در مناطق مختلف شهری افزایش می‌دهد و مرجعی برای سیاست‌گذاران برای بهبود اثربخشی سیاست‌ها فراهم می‌کند.
این مطالعه محدودیت هایی دارد. اول، یکی از محدودیت های اصلی این کار تاثیر بالقوه MAUP (مسئله واحد منطقه قابل تغییر) است. سوئیچ های سیگنال منبع سوگیری ذاتی در داده های تلفن همراه هستند و ممکن است بر مطالعات الگوهای تحرک انسان تأثیر بگذارند. فاصله زمانی نمونه داده‌های تلفن همراه مورد استفاده در این مطالعه تقریباً یک ساعت است، بنابراین ما نمی‌توانیم سوئیچ‌های سیگنال بین دکل‌های تلفن همراه را به‌طور دقیق شناسایی کنیم. اکثر مطالعات کنونی از تسلسل های Voronoi برای نشان دادن مناطق خدماتی دکل های تلفن همراه استفاده می کنند. با این حال، تعداد زیادی دکل تلفن همراه بسیار نزدیک (که با فاصله کمتر از 10 متر از هم جدا شده اند) در منطقه مورد مطالعه وجود دارد (به عنوان مثال، چندین دکل تلفن همراه در یک ساختمان اداری در مرکز شهری وجود دارد)، بنابراین Tesselation Voronoi از سوئیچ سیگنال بین آنها جلوگیری نمی کند. این دکل های تلفن همراه نزدیک این مطالعه سلول‌های شبکه‌ای 500 متر × 500 متر را برای تقسیم شهر و جمع‌آوری دکل‌های نزدیک تلفن همراه برای کاهش تأثیر سوئیچ‌های سیگنال بین این دکل‌های تلفن همراه اتخاذ کرد. با این حال، رسیدگی به مشکل به طور کامل دشوار است زیرا منطقه خدمات دقیق دکل تلفن همراه نامشخص است. علاوه بر این، سلول‌های شبکه‌ای را که حاوی دکل‌های تلفن همراه نبودند حذف کردیم، زیرا محاسبه حرکات انسان بین سلول‌های شبکه بدون برج‌های تلفن همراه امکان‌پذیر نیست. این ممکن است برخی از حوزه های فعالیت انسانی را حذف کند. اگرچه این حرکات نادیده گرفته شد، نتایج تجزیه و تحلیل اطلاعات مفیدی برای درک الگوهای حرکتی انسانی در یک بافت عملکردی شهری ارائه می‌دهد. مطالعات آینده می‌تواند تفاوت‌های درون‌یابی فضایی بین تسلیحات Voronoi و سلول‌های شبکه را بیشتر تحلیل کند. محدودیت دیگر این است که مجموعه داده فقط یک روز کاری را پوشش می دهد. بنابراین، ما قادر به بررسی تفاوت در الگوهای هفتگی و فصلی تحرک انسان نبودیم. این مطالعه روشی را برای استخراج الگوهای مکانی و زمانی روزانه همگرایی و واگرایی انسانی پیشنهاد می‌کند. روش پیشنهادی می‌تواند برای استخراج الگوهای تحرک انسان از داده‌های بلندمدت استفاده شود، که برای مقایسه تحرک انسان در روزهای مختلف مفید است.
In future research, we will employ the identified patterns to optimize urban transportation and planning. For example, the urban public transport system could be optimized (i.e., the locations of bus stops or timetables of bus lines) based on the identified human mobility patterns. We will also further examine the relationship between human flow matrices and land use to provide better understanding of spatial interactions among different land use types. We believe that these analyses will deepen our knowledge of human activities in the urban context and provide many benefits to the development of urban systems.

Acknowledgments

This study was jointly supported by the National Natural Science Foundation of China (Grants #41231171, #41371420, #41371377 and #41301511), the innovative research funding of Wuhan University (2042015KF0167), the Arts and Sciences Excellence Professorship and the Alvin and Sally Beaman Professorship at the University of Tennessee.

Author Contributions

This research was mainly formulated and designed by Zhixiang Fang, Shih-Lung Shaw, Xiping Yang and Yang Xu. Ling Yin provided the dataset. Xiping Yang and Zhiyuan Zhao performed the experiments. Xiping Yang and Yang Xu wrote the manuscript. Tao Zhang and Yunong Lin reviewed the manuscript and provided comments.

Conflicts of Interest

The authors declare no conflict of interest.

References

  1. Kwan, M.P. GIS methods in time-geographic research: Geocomputation and geovisualization of human activity patterns. Geogr. Ann. Ser. B Hum. Geogr. 2004, 86, 267–280. [Google Scholar] [CrossRef]
  2. Chen, J.; Shaw, S.L.; Yu, H.; Lu, F.; Chai, Y.; Jia, Q. Exploratory data analysis of activity diary data: A space-time GIS approach. J. Trans. Geogr. 2011, 19, 394–404. [Google Scholar] [CrossRef]
  3. Yuan, Y.; Raubal, M. Extracting dynamic urban mobility patterns from mobile phone data. In Geographic Information Science; Springer: Berlin/Heidelberg, Germany, 2012; pp. 354–367. [Google Scholar]
  4. Ratti, C.; Frenchman, D.; Pulselli, R.M.; Williams, S. Mobile landscapes: Using location data from cell phones for urban analysis. Environ. Plan. B Plan. Des. 2006, 33, 727–748. [Google Scholar] [CrossRef]
  5. Silva, T.H.; Vaz de Melo, P.O.; Almeida, J.M.; Salles, J.; Loureiro, A.A. A comparison of foursquare and instagram to the study of city dynamics and urban social behavior. In Proceedings of the 2nd ACM SIGKDD International Workshop on Urban Computing, Beijing, China, 12–16 August 2013.
  6. گونزالس، ام سی؛ هیدالگو، کالیفرنیا؛ Barabasi, AL درک الگوهای تحرک فردی انسان. طبیعت 2008 ، 453 ، 779-782. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. 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 ]
  8. کاسرس، ن. وایدبرگ، جی. Benitez, F. استخراج اطلاعات مقصد مبدا از یک شبکه تلفن همراه. هوشمند ترانسپ سیستم 2007 ، 1 ، 15-26. [ Google Scholar ] [ CrossRef ]
  9. پلتیه، نماینده مجلس؛ ترپانیر، ام. مورنسی، سی. استفاده از داده های کارت هوشمند در حمل و نقل عمومی: بررسی ادبیات. ترانسپ Res. سی ظهور. تکنولوژی 2011 ، 19 ، 557-568. [ Google Scholar ] [ CrossRef ]
  10. رنجان، گ. زنگ، اچ. ژانگ، ZL; Bolot، J. آیا سوابق جزئیات تماس برای نمونه‌برداری از تحرک انسان مغرضانه است؟ ACM SIGMOBILE Mob. محاسبه کنید. اشتراک. Rev. 2012 , 16 , 33-44. [ Google Scholar ] [ CrossRef ]
  11. ژائو، ز. شاو، اس ال. خو، ی. لو، اف. چن، جی. یین، ال. درک سوگیری سوابق جزئیات تماس در تحقیقات تحرک انسانی. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 1-25. [ Google Scholar ] [ CrossRef ]
  12. Kwan، MP تجزیه و تحلیل رفتار فضایی انسان در یک محیط GIS: تحولات اخیر و چشم اندازهای آینده. جی. جئوگر. سیستم 2000 ، 2 ، 85-90. [ Google Scholar ] [ CrossRef ]
  13. آحاس، ر. آسا، ا. سیلم، اس. اوناپ، آر. کاله، اچ. مارک، Ü. موقعیت یابی موبایل در مطالعات رفتار فضا-زمان: آزمایش های روش موقعیت یابی اجتماعی در استونی کارتوگر. Geogr. Inf. علمی 2007 ، 34 ، 259-273. [ Google Scholar ] [ CrossRef ]
  14. لو، ی. لیو، ی. فناوری های فراگیر مکان یابی: فرصت ها و چالش ها برای مطالعات جغرافیایی. محاسبه کنید. محیط زیست سیستم شهری 2012 ، 36 ، 105-108. [ Google Scholar ] [ CrossRef ]
  15. ایزاکمن، اس. بکر، آر. کاسرس، آر. کوبوروف، اس. مارتونوسی، م. رولند، جی. Varshavsky، A. شناسایی مکان های مهم در زندگی مردم از داده های شبکه سلولی. در محاسبات فراگیر ; Springer: برلین/هایدلبرگ، آلمان، 2011; صص 133-151. [ Google Scholar ]
  16. کالابرس، اف. دی لورنزو، جی. لیو، ال. Ratti, C. برآورد جریان مبدا-مقصد با استفاده از داده های مکان تلفن همراه. محاسبات فراگیر IEEE 2011 ، 10 ، 36-44. [ Google Scholar ] [ CrossRef ]
  17. بررسی الگوهای جهانی در رفت و آمد انسان در خانه-کار از داده‌های تلفن همراه. در دسترس به صورت آنلاین: http://dx.doi.org/10.1371/journal.pone.0096180 (در 12 سپتامبر 2016 قابل دسترسی است).
  18. بار، GH ارزیابی یک سیستم مبتنی بر تلفن همراه برای اندازه گیری سرعت ترافیک و زمان سفر: مطالعه موردی از اسرائیل. ترانسپ Res. سی ظهور. تکنولوژی 2007 ، 15 ، 380-391. [ Google Scholar ]
  19. کالابرس، اف. کولونا، ام. لوویسولو، پی. پاراتا، دی. Ratti, C. نظارت بر شهری در زمان واقعی با استفاده از تلفن های همراه: مطالعه موردی در رم. IEEE Transp Intel. ترانسپ سیستم 2011 ، 12 ، 141-151. [ Google Scholar ] [ CrossRef ]
  20. الحاسون، ف. المعتوق، ع. گرکو، ک. کامپاری، آر. آلفارس، ع. Ratti, C. مرورگر شهر: استفاده از داده های تماس عظیم برای پی بردن به پویایی تحرک شهر. در مجموعه مقالات سومین کارگاه بین المللی محاسبات شهری، نیویورک، نیویورک، ایالات متحده آمریکا، 24 اوت 2014.
  21. تراسارتی، ر. Olteanu-Raimond، AM; نانی، م. کورونه، تی. فورلتی، بی. جیانوتی، اف. اسموردا، ز. Ziemlicki، C. کشف پویایی شهری و کشور از داده های تلفن همراه با الگوهای همبستگی فضایی. مخابرات سیاست 2015 ، 39 ، 347-362. [ Google Scholar ] [ CrossRef ]
  22. روبیو، آ. سانچز، آ. Frias-Martinez، E. شناسایی ناپارامتریک تطبیقی ​​مناطق متراکم با استفاده از سوابق تلفن همراه برای تحلیل شهری. مهندس Appl. آرتیف. هوشمند 2013 ، 26 ، 551-563. [ Google Scholar ] [ CrossRef ]
  23. هوتیت، اس. سکی، اس. سوبولفسکی، اس. راتی، سی. Pujolle, G. برآورد مسیرهای انسانی و نقاط داغ از طریق داده های تلفن همراه. محاسبه کنید. شبکه 2014 ، 64 ، 296-307. [ Google Scholar ] [ CrossRef ]
  24. ساگل، جی. دلمل، ای. دلمل، ای. نقشه برداری از فعالیت های جمعی انسانی در یک محیط شهری بر اساس داده های تلفن همراه. کارتوگر. Geogr. Inf. علمی 2014 ، 41 ، 272-285. [ Google Scholar ] [ CrossRef ]
  25. شلایچ، جی. اوترستاتر، تی. فریدریش، ام. ایجاد مسیرها از داده های تلفن همراه. در مجموعه مقالات هشتاد و نهمین نشست سالانه مجموعه مقالات، هیئت تحقیقات حمل و نقل آکادمی های ملی، واشنگتن، دی سی، ایالات متحده آمریکا، 10-14 ژانویه 2010.
  26. زو، ایکس. Guo, D. نقشه برداری داده های جریان فضایی بزرگ با خوشه بندی سلسله مراتبی. ترانسپ GIS 2014 ، 18 ، 421-435. [ Google Scholar ] [ CrossRef ]
  27. لیو، ی. وانگ، اف. شیائو، ی. گائو، جنوب. کاربری‌های زمین شهری و ترافیک «مناطق منبع غرق»: شواهدی از داده‌های تاکسی مجهز به GPS در شانگهای. Landsc. طرح شهری. 2012 ، 106 ، 73-87. [ Google Scholar ] [ CrossRef ]
  28. راتی، سی. سوبولفسکی، اس. کالابرس، اف. آندریس، سی. ریدز، جی. مارتینو، ام. کلاکستون، آر. استروگاتز، SH ترسیم مجدد نقشه بریتانیای کبیر از شبکه ای از تعاملات انسانی. PLoS ONE 2010 ، 5 ، e14248. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  29. گائو، اس. لیو، ی. وانگ، ی. Ma، X. کشف جوامع تعامل فضایی از داده های تلفن همراه. ترانسپ GIS 2013 ، 17 ، 463-481. [ Google Scholar ] [ CrossRef ]
  30. وبستر، FV; Bly، PH; پالی، نیوجرسی، استفاده از زمین شهری و تعامل حمل و نقل: سیاست ها و مدل ها . Gower Publishing: Brookfield, VT, USA, 1988. [ Google Scholar ]
  31. مدل‌های تعامل حمل‌ونقل با کاربری زمین وگنر، ام. در کتابچه راهنمای علوم منطقه ای ; Springer: برلین/هایدلبرگ، آلمان، 2014; صص 741-758. [ Google Scholar ]
  32. Toole، JL; اولم، ام. گونزالس، ام سی؛ بائر، دی. استنباط کاربری زمین از فعالیت تلفن همراه. در مجموعه مقالات کارگاه بین المللی ACM SIGKDD در محاسبات شهری، پکن، چین، 12 تا 16 اوت 2012.
  33. پی، تی. سوبولفسکی، اس. راتی، سی. شاو، اس ال. لی، تی. ژو، سی. بینشی جدید در طبقه بندی کاربری زمین بر اساس داده های تلفن همراه جمع آوری شده است. بین المللی جی. جئوگر. Inf. علمی 2014 ، 28 ، 1988-2007. [ Google Scholar ] [ CrossRef ]
  34. ژی، ی. لی، اچ. وانگ، دی. دنگ، م. وانگ، اس. گائو، جی. دوان، ز. لیو، ی. ساختارهای فعالیت مکانی-زمانی نهفته: رویکردی جدید برای استنباط مناطق عملکردی درون شهری از طریق داده‌های بررسی رسانه‌های اجتماعی. ژئو اسپات. Inf. علمی 2016 ، 19 ، 94-105. [ Google Scholar ] [ CrossRef ]
  35. 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.
  36. لیو، ایکس. کانگ، سی. گونگ، ال. لیو، ی. ترکیب الگوهای تعامل فضایی در طبقه بندی و درک کاربری زمین شهری. بین المللی جی. جئوگر. Inf. علمی 2016 ، 30 ، 334-350. [ Google Scholar ] [ CrossRef ]
  37. سالنامه آماری شنژن 2012. موجود به صورت آنلاین: http://www.sztj.gov.cn/nj2012/indexeh.htm (در 12 سپتامبر 2016 قابل دسترسی است).
  38. طرح جامع شهر شنژن (2010-2020). در دسترس آنلاین: http://www.szpl.gov.cn/xxgk/csgh/csztgh/201009/t20100929_60694.htm (در 12 سپتامبر 2016 قابل دسترسی است).
  39. Hägerstraand, T. در مورد افراد در علم منطقه چطور؟ پاپ Reg. علمی 1970 ، 24 ، 7-24. [ Google Scholar ] [ CrossRef ]
  40. ایوان، سی. Olteanu-Raimond، AM; کورونه، تی. Smoreda، Z. حرکت و تماس: اندازه‌گیری کیفیت داده‌های تلفن همراه و عدم قطعیت مکانی-زمانی در مطالعات تحرک انسانی. در علم اطلاعات جغرافیایی در قلب اروپا ; Springer: برلین/هایدلبرگ، آلمان، 2013; ص 247-265. [ Google Scholar ]
  41. واجاکاس، تی. واجاکاس، ج. Lillemets، R. بازسازی مسیر از داده های موقعیت یابی تلفن همراه با استفاده از اطلاعات زمان سفر سلول به سلول. بین المللی جی. جئوگر. Inf. علمی 2015 ، 29 ، 1941-1954. [ Google Scholar ] [ CrossRef ]
  42. کانگ، سی. لیو، ی. ما، ایکس. Wu, L. به سمت تخمین توزیع جمعیت شهری از داده های تماس تلفن همراه. J. فناوری شهری. 2012 ، 19 ، 3-21. [ Google Scholar ] [ CrossRef ]
  43. پلگ، دی. Moore، AW X-means: بسط k-means با تخمین کارآمد تعداد خوشه ها. در مجموعه مقالات هفدهمین کنفرانس بین المللی یادگیری ماشین، استنفورد، کالیفرنیا، ایالات متحده آمریکا، 19 ژوئن تا 2 ژوئیه 2000.
  44. هال، م. فرانک، ای. هولمز، جی. فارینگر، بی. رویتمن، پی. Witten, IH نرم افزار داده کاوی weka: به روز رسانی. ACM SIGKDD Explor. Newsl. 2009 ، 11 ، 10-18. [ Google Scholar ] [ CrossRef ]
  45. گائو، S. تجزیه و تحلیل مکانی-زمانی برای کاوش الگوهای تحرک انسانی و پویایی شهری در عصر موبایل. تف کردن شناخت. محاسبه کنید. 2015 ، 15 ، 86-114. [ Google Scholar ] [ CrossRef ]
  46. ساگل، جی. لویدل، ام. Beinat, E. یک رویکرد تجزیه و تحلیل بصری برای استخراج اطلاعات جابجایی شهری مکانی-زمانی از ترافیک شبکه تلفن همراه. ISPRS Int. J. Geo-Inf. 2012 ، 1 ، 256-271. [ Google Scholar ] [ CrossRef ]
  47. خو، ی. شاو، اس.-ال. ژائو، ز. یین، ال. نیش، ز. لی، کیو. درک کل الگوهای تحرک انسان با استفاده از داده های موقعیت مکانی تلفن همراه منفعل: یک رویکرد مبتنی بر خانه. حمل و نقل 2015 ، 42 ، 625-646. [ Google Scholar ] [ CrossRef ]
  48. لو، بی. هوانگ، ام. پیش بینی جریان ترافیک بر اساس تجزیه و تحلیل موجک، الگوریتم ژنتیک و شبکه عصبی مصنوعی. در مجموعه مقالات کنفرانس بین المللی مهندسی اطلاعات و علوم کامپیوتر، ووهان، چین، 25-26 دسامبر 2010.
  49. Necula، E. پیش‌بینی دینامیک جریان ترافیک بر اساس داده‌های GPS. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد ابزار با هوش مصنوعی، لیماسول، قبرس، 10-12 نوامبر 2014.
  50. خو، ی. شاو، اس.-ال. نیش، ز. یین، ال. برآورد تقاضای بالقوه سفرهای دوچرخه از داده های تلفن همراه – یک رویکرد مبتنی بر نقطه لنگر. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 131. [ Google Scholar ] [ CrossRef ]
  51. Demissie, MG; Phithakkitnukoon، S. سوخویبول، ت. Antunes، F. استنباط تقاضای سفر مسافر برای بهبود تحرک شهری در کشورهای در حال توسعه با استفاده از داده های تلفن همراه: مطالعه موردی سنگال. IEEE Transp. هوشمند ترانس. سیستم 2016 ، 17 ، 2466-2478. [ Google Scholar ] [ CrossRef ]
  52. گاراو، سی. ماسالا، اف. پینا، اف. محک زدن تحرک هوشمند شهری: مطالعه ای در مورد شهرهای ایتالیا . Springer: برلین/هایدلبرگ، آلمان، 2015. [ Google Scholar ]
  53. گاراو، سی. ماسالا، اف. پینا، اف. کالیاری و تحرک شهری هوشمند: تجزیه و تحلیل و مقایسه. شهرها 2016 ، 56 ، 35-46. [ Google Scholar ] [ CrossRef ]
Ijgi 05 00177 g001 550
شکل 1. چگالی هسته فضایی برج های تلفن همراه (CPTs).
Ijgi 05 00177 g002 550
شکل 2. توزیع فضایی مناطق عملکردی شهری.
Ijgi 05 00177 g003 550
شکل 3. مسیر فضا-زمان یک رکورد تلفن همراه فردی.
Ijgi 05 00177 g004 550
شکل 4. ( الف ) توزیع مجموعه N (عرض سطل = 100). ( ب ) مرتب سازی و نقاط شکست مجموعه N.
Ijgi 05 00177 g005a 550 Ijgi 05 00177 g005b 550
شکل 5. همگرایی و پراکندگی انسانی در شکاف های زمانی انتخاب شده. ( الف ) توزیع فضایی همگرایی و واگرایی انسانی در بازه زمانی T3 . ( ب ) توزیع فضایی همگرایی و واگرایی انسانی در بازه زمانی T 8 . ( ج ) توزیع فضایی همگرایی و واگرایی انسانی در بازه زمانی T 10 . ( د ) توزیع فضایی همگرایی و واگرایی انسانی در بازه زمانی T 12 . ( ه ) توزیع فضایی همگرایی و واگرایی انسانی در بازه زمانی T 15 . ( ف) توزیع فضایی همگرایی و واگرایی انسانی در شکاف زمانی T 18 . ( g ) توزیع فضایی همگرایی و واگرایی انسانی در بازه زمانی T 21 .
Ijgi 05 00177 g006 550
شکل 6. الگوهای خوشه بندی همگرایی و واگرایی انسانی.
Ijgi 05 00177 g007 550
شکل 7. توزیع فضایی خوشه های کاربردی شناسایی شده C 1 و C 8.
Ijgi 05 00177 g008 550
شکل 8. توزیع فضایی خوشه های کاربردی شناسایی شده C 2 و C 5.
Ijgi 05 00177 g009 550
شکل 9. توزیع فضایی خوشه های کاربردی شناسایی شده C 3 و C 4.
Ijgi 05 00177 g010 550
شکل 10. توزیع فضایی خوشه عملکردی شناسایی شده C 7.
Ijgi 05 00177 g011 550
شکل 11. توزیع فضایی خوشه عملکردی شناسایی شده C 6.
جدول
جدول 1. نمونه ای از سوابق تلفن همراه یک فرد در طول یک روز.
جدول
جدول 2. قوانین طبقه بندی و برچسب گذاری برای n i، j ، که در آن q 1 ، q 2 ،…، q 9 مقادیر جریان خالص نه نقطه شکست در چندک ها را به ترتیب 10، 20، … و 90 درصد نشان می دهد.
جدول
جدول 3. نمونه هایی از ماتریس.
جدول
جدول 4. توزیع کاربری زمین در هر خوشه. کام، زمین تجاری; Ind، زمین صنعتی; رس، زمین مسکونی; ترا، زمین حمل و نقل; ادم، زمین اداری; Edu، زمین آموزش و پرورش; تو، زمین گردشگری; اسپو، زمین ورزشی; وات، زمین آب؛ دیگر، زمین های دیگر (%).

;کاربردهای GISمقالات

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

بدون نظر

دیدگاهتان را بنویسید

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

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

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