کاوش الگوهای فعالیت انسانی با استفاده از نقاط استاتیک تاکسی

چکیده

این مقاله الگوهای فعالیت‌های انسانی را در یک فضای جغرافیایی با اتخاذ نقاط ثابت تاکسی که به مکان‌هایی با سرعت صفر در طول مسیر ردیابی اشاره می‌کند، بررسی می‌کند. ما یافته ها را از هر دو جنبه جمع آوری شده و فردی گزارش می کنیم. نتایج حاصل از سطح کل موارد زیر را نشان می‌دهد: (1) فعالیت‌های انسانی نظم آشکاری را در زمان نشان می‌دهند، به عنوان مثال، یک انفجار در طول شب‌های آخر هفته و یک آرامش در طول هفته وجود دارد. (2) آنها یک الگوی رانش فضایی قابل توجه را نشان می دهند که درک ما را از فعالیت ها در هر مکان خاص تقویت می کند. (3) فعالیت ها صرف نظر از جابجایی آنها با زمان، در فضا ناهمگن هستند. این نتایج جمع آوری شده نه تنها به برنامه ریزی شهری کمک می کند، بلکه کنترل و مدیریت ترافیک را نیز تسهیل می کند. از سوی دیگر،

کلید واژه ها:

نقاط استاتیک (SPs) ; فعالیت های انسانی ؛ منظم بودن ; پوسته پوسته شدن ؛ آنتروپی

1. مقدمه

در دهه‌های اخیر، افراد تمایل بیشتری به استفاده از رسانه‌های دیجیتال یا دستگاه‌های تلفن همراه در زندگی روزمره خود دارند که شامل مجموعه‌ای از فعالیت‌ها مانند کار، استراحت، خرید و تفریح است [ 1 ]. گسترش روزافزون و تکثیر حسگرهای آگاه از موقعیت مکانی در این دستگاه‌ها، مجموعه داده عظیمی از تحرک انسان را پشت سر گذاشته است که فرصتی بالقوه برای تحلیل و استخراج الگوهای علاقه فعالیت‌های انسانی فراهم می‌کند. این الگوها نقش مهمی در جامعه ما دارند. آنها به درک شهرسازی معاصر کمک می کنند، و به ویژه درک ما را از جامعه در محل تقویت می کنند [ 2 ]. مهمتر از همه، آنها مسایل برنامه ریزی شهری [ 3 ]، حمل و نقل [ 4 ] را تسهیل می کنند]، کنترل بیماری های عفونی و مدیریت اورژانس [ 5 ]. بنابراین تحقیقات گسترده ای اعم از نظری و تجربی بر روی این موضوع متمرکز شده است.

از لحاظ نظری، به عنوان مقدمه ای از تحلیل فعالیت، جغرافیای زمانی که توسط [ 6 ] فرض شده است در آشکار کردن الگوی تعامل بین افراد و مکان با زمان مفید است، اما فاقد توانایی ارائه تصویری احساسی تر و غنی تر از این فعالیت های همزمان است. 7 ]. در نتیجه، Edensor [ 7 ] استفاده از Rhythmanalysis [ 8 ] را برای کشف فعالیت‌های روزمره در فضا-زمان، عمدتاً برای بررسی اینکه چگونه ریتم‌ها فعالیت‌های انسان را شکل می‌دهند، توصیه کرد. گهل با مشاهده ویژگی های فعالیت در فضای شهری [ 9] سه دسته را پیشنهاد کرد: فعالیت اجتماعی زمان بندی شده، فعالیت اجتماعی اختیاری و فعالیت حاصل. در میان این دسته‌بندی‌ها، فعالیت اجتماعی زمان‌بندی‌شده بخش بزرگی را تشکیل می‌دهد و به فردی اشاره دارد که توسط برنامه‌ها و برنامه‌های زمانی سازمانی محدود شده است [ 10 ]، مانند رفتن به سر کار در صبح. علاوه بر این، این محدودیت‌ها منجر به دو الگوی ممکن از فعالیت‌های انسانی می‌شوند، یعنی تکرار غیر یکسان در زمان و مکان خاص مربوط به آنچه توسط [ 8 ] توضیح داده شده است. بنابراین، داده‌های تاکسی مرتبط با هدف منبع خوبی برای بررسی فعالیت اجتماعی زمان‌بندی‌شده فراهم می‌کند.

به طور تجربی، دفتر خاطرات فعالیت مبتنی بر کاغذ [ 11 ، 12 ، 13 ] برای به دست آوردن اطلاعات در مورد رفتارها و فعالیت های مکانی-زمانی انسان به کار گرفته شده است. این یادداشت‌ها اطلاعات دقیقی در مورد نوع فعالیت ارائه می‌دهند، اما زمان‌بر هستند و فقط نمونه‌های کوچک داده را ارائه می‌دهند و دارای سوگیری حافظه هستند [ 14 ]. از سوی دیگر، داده های تحرک حجیم را می توان توسط دستگاه های مجهز به GPS یا GSM جمع آوری کرد. این الهام بخش یک تجدید حیات در بررسی این موضوع است، زیرا این داده ها عظیم، راحت و حتی عینی هستند. به عنوان مثال، چندین مطالعه قبلی [ 15 ، 16 ، 17] پویایی فضا-زمان زندگی شهری را برای درک بهتر نحوه عملکرد یک شهر بررسی کرد. علاوه بر این، بر اساس سطح تجمیع شده، کریگمن و همکاران . [ 14 ] پویایی روزانه شهری را با استفاده از نمونه کوچکی از شرکت کنندگان نشان داد، در حالی که آهاس و همکاران . [ 18 ] با استفاده از نمونه نسبتاً بزرگی از شرکت کنندگان، ریتم روزانه زندگی شهری و تفاوت فضایی آن را در تالین یافت. علاوه بر این، Neuhaus [ 19 ] نبض زندگی شهری در لندن را از دیدگاه یک سطح فردی به تصویر کشید. جدا از داده های تلفن همراه، لیو و همکاران . [ 20] همچنین الگوهای تحرک شهری فضا-زمان در شنژن را با استفاده از داده های تاکسی مبتنی بر GPS و داده های حمل و نقل عمومی مورد مطالعه قرار داد.

این تحقیق از دو جهت با مطالعات فوق تفاوت دارد. اولاً به جای کل سوابق ردیابی بر روی نقاط ایستا (SPs) تأکید می شود و ثانیاً الگوهای فعالیت های انسانی از هر دو سطح جمعی و فردی بررسی می شود. SP به مکان هایی با سرعت صفر در طول مسیر ردیابی اشاره دارد. آنها مکان هایی هستند که تاکسی ها برای مدتی در مسیر تا مقصد مشتری توقف می کنند، به عنوان مثال، تقاطع ترافیک، پارکینگ و غیره . از این نقطه، پروکسی خوبی از فعالیت‌ها را فراهم می‌کند، زیرا در بیشتر موارد با انواع مختلفی از فعالیت‌ها مرتبط هستند. توجه داشته باشید که ما به نوع فعالیت مرتبط با مکان توجه نداریم ([ 12 , 13 , 14 , 18]) بلکه آن را صرفاً به عنوان یک فعالیت کلی در نظر بگیرید. با این کلیت، الگوهای فعالیت در مورد را از هر دو سطح تجمیع و فردی بررسی می کنیم. در سطح انبوه، ما یافته‌های حاصل از تحلیل زمانی، مکانی و مقیاس‌بندی را گزارش می‌کنیم. تجزیه و تحلیل زمانی ما را قادر می سازد تا نبض فعالیت ها را در کل منطقه مورد مطالعه درک کنیم. تجزیه و تحلیل فضایی به ما امکان می دهد تا الگوی فعالیت های در حال حرکت را تشخیص دهیم که موضوعی است که توجه کمی به آن می شود. و تجزیه و تحلیل مقیاس بندی مشخصه انتشار فعالیت ها را بررسی می کند. در سطح فردی، این مقاله ابتدا الگوی فعالیت هر تاکسی را بررسی می‌کند، و سپس یافته‌هایی را در مورد قابلیت پیش‌بینی گزارش می‌کنیم، به عنوان مثال، چه مقدار اطلاعات برای توصیف مکان فعالیت بعدی مورد نیاز است.

ادامه این مقاله به شرح زیر سازماندهی شده است. در بخش 2 ، داده های اتخاذ شده و روش مربوطه برای استخراج SP ها را شرح می دهیم. در بخش 3 ، یافته‌های اصلی، یعنی الگوهای فعالیت‌های انسانی را از تحلیل‌های زمانی، مکانی و مقیاس‌بندی گزارش می‌کنیم. در بخش 4 ، ما الگو و پیش بینی پذیری تاکسی های فردی را ارائه می دهیم. در نهایت، در بخش 5 نتیجه‌گیری می‌کنیم .

2. داده ها و پیش پردازش داده ها

در این بخش دو موضوع توضیح داده شده است. در ابتدا، ما داده‌های اتخاذ شده را ارائه می‌کنیم که حاوی داده‌های GPS تاکسی و مرزهای منطقه منطقه مورد مطالعه است که چهار شهر یا شهرک را پوشش می‌دهد: Gävle، Sandviken، Storvik و Hofors. در مرحله دوم، ما یک روش ساده برای استخراج نقاط استاتیک تاکسی (SPs) از مسیر تاکسی و دو ویژگی متناظر SPs یعنی حجم و زمان انتظار معرفی می‌کنیم.

2.1. داده ها

داده های GPS تاکسی ما توسط گیرنده های GPS نصب شده در 54 تاکسی یک شرکت محلی از 1 تا 28 اکتبر 2007 به دست آمده است. این اطلاعات کل منطقه مورد مطالعه شامل چهار شهر یا شهرک در وسط سوئد را پوشش می دهد: Gävle، Sandviken، Storvik. و هوفورس ( ر.ک. شکل 1 ) . هر تاکسی مکان خود را هر 10 ثانیه ثبت می کند و بنابراین مجموعه داده بزرگی است که شامل حدود 13 میلیون رکورد است. به غیر از داده های مکانی-زمانی از نظر طول، عرض جغرافیایی و زمان (که در آن طول و عرض جغرافیایی WGS84 ارجاع داده می شود و زمان زمانی است که مکان گرفته می شود)، چندین ویژگی دیگر مانند شناسه خودرو، اطلاعات مشتری و غیره وجود دارد.. با این حال، برای موضوع حساسیت و محرمانه بودن کسب و کار، ما همه اطلاعات دیگر را به جز طول، طول و عرض جغرافیایی، زمان و شناسه خودرو (که با یک عدد دلخواه مشخص شده از 1 تا 54 جایگزین می شود) حذف می کنیم.

شکل 1. نقشه ای از مناطق شهر که با نقاط استاتیک یک روزه (SPs) پوشانده شده است (توجه: نقاط سفید نشان دهنده SP ها در 1 اکتبر 2007 هستند؛ چهار ستاره سیاه نشان دهنده مکان مرکزی چهار شهر یا شهرک است؛ و هر ناحیه شهر عبارت است از شماره گذاری شده از 1 تا 69).

داده دوم ما مرزهای ناحیه شهر است ( شکل 1 ) که از سازمان انتخابات سوئد می آید (منبع: http://www.val.se/val/val2010/statistik/gis/alla_valdistrikt.zip). در مجموع 69 ناحیه شهری در چهار شهر یا شهرک وجود دارد، و آنها به عنوان واحدهای جغرافیایی در انتخابات ملی سوئد خدمت می کنند. نواحی شهر بر اساس تعداد ساکنان به دست می‌آیند و معمولاً از 1000 تا 2000 نفر که حق رای دارند تشکیل شده‌اند، اگرچه هیچ محدودیت مطلقی برای اندازه جمعیت وجود ندارد. برای مثال، یک منطقه شهری ممکن است بیش از 2000 نفر داشته باشد، در حالی که مناطق روستایی ممکن است تنها چند صد نفر داشته باشند. از این نظر، آنها به دو دلیل به عنوان داده های مرزی در این مطالعه پذیرفته شده اند: اول اینکه منشاء دولتی دقت داده بالایی دارد و می توان آزادانه به دست آورد. ثانیاً، آنها مرزبندی منطقی محدوده شهر بر اساس جمعیت هستند و در نتیجه می‌توانند به عنوان یک منبع داده خوب برای بررسی رانش فضایی فعالیت‌های انسانی پذیرفته شوند.

2.2. پیش پردازش داده ها

به طور کلی، خط سیر مسیری است که یک جسم متحرک در فضا به عنوان تابعی از زمان طی می کند. به دنبال این تعریف، مسیر تاکسی به عنوان مسیری تعریف می شود که تاکسی تابعی از زمان در فضا حرکت می کند. از نظر ریاضی، ما یک مسیر برای تاکسی i از زمان T1 تا T2 را به عنوان نشان می دهیم ، که دنباله ای از مکان های مهر زمان است. این ساده لوحانه همه ویژگی های حرکتی یک تاکسی را منعکس می کند که فرقی نمی کند در حال خدمت باشد یا خارج از سرویس. بنابراین، در این زمینه، 54 مسیر وجود دارد، زیرا هر جسم فقط یک مسیر در دوره دارد. Ijgi 01 00089 i001

بر اساس تعریف مسیر تاکسی، ما یک مسیر را به دو بخش تقسیم می کنیم: نقاط متحرک (MPs) و نقاط استاتیک (SPs)، که به ترتیب با نقاط کوچک سبز و نقاط بزرگ قرمز در شکل 2 نشان داده شده اند.. در این مطالعه، ما فرض می‌کنیم که SPها معنی‌دارتر از MPs هستند. این به این دلیل است که از یک طرف آنها با بسیاری از رویدادها، به عنوان مثال، ترافیک، خروج مشتری و پارک کردن ارتباط زیادی دارند. از سوی دیگر، SP های مسیرهای مختلف بیشتر به احتمال زیاد در کنار هم قرار می گیرند و این خوشه ها همچنین با نقاط مورد علاقه (POI) مرتبط هستند. به عنوان مثال، در طول روز می‌توان آن‌ها را در اطراف ایستگاه قطار یا مرکز خرید شهر جمع کرد، زیرا اکثر ساکنان آن را به عنوان مقصد انتخاب می‌کنند یا رانندگان تاکسی آن را نقطه خوبی برای تجارت می‌دانند. بنابراین، از این منظر، SP ها به عنوان نماینده بهتری برای بررسی الگوهای فعالیت در حوزه شهری در نظر گرفته می شوند. به طور کلی، SP ها به صورت زیر مشخص می شوند:

که r فاصله نمونه برداری GPS بر حسب ثانیه است. با اعمال قانون فوق بر روی داده های GPS، تعداد کل 10 067 674 SP بدست می آید.

برای بررسی ویژگی , دو متغیر برای توصیف آنها طراحی می کنیم. یکی حجم SP ها است که تعداد نقاط ثابت متمایز مسیر i را از زمان T1 تا T2 نشان می دهد. مورد دیگر زمان انتظار SP است که به معنای میانگین مدت زمان نقاط ثابت مشخص یک مسیر i از T1 تا T2 است. بدیهی است که هر دوی این دو ویژگی می توانند وضعیت فعالیت را منعکس کنند اما از منظر معکوس. به عنوان مثال، مقدار بالای حجم SP ها در یک دوره خاص منعکس کننده انبوه فعالیت های انسانی است در حالی که مقدار بالای زمان انتظار SP ها نشان دهنده یک وضعیت خاموش است. به طور کلی، آنها را به صورت، Ijgi 01 00089 i003

جایی که j امین ^نقطه استاتیک برای مسیر i است و k _i تعداد نقاط ساکن مسیر i است. Ijgi 01 00089 i007

شکل 2. تصویری از حجم و زمان انتظار SP ها برای یک مسیر.

به عنوان درصد SP ها در محدوده مناطق شهر، گزارش شده است که این مقدار به 95% می رسد، اگرچه با نوسانات کمی از روز به روز ( شکل 3 ). نکته مهم این است که نسبت کوچکی از SPها که خارج از نواحی شهر قرار می گیرند به ما می گوید که بیشتر فعالیت ها در منطقه مورد مطالعه متمرکز شده اند و بیشتر به امکان استفاده از SP ها برای مطالعه الگوهای فعالیت انسانی در این منطقه از منظر سازگاری داده ها اشاره می کند.

شکل 3. نمودار درصد SP ها در مناطق شهر به عنوان تابعی از روز ماه.

3. تجزیه و تحلیل فعالیت های انسانی از دیدگاه انبوه

هدف این بخش بررسی الگوهای کلی فعالیت های انسانی در منطقه مورد مطالعه است. ما ابتدا نتیجه الگوی زمانی را در کل منطقه مورد مطالعه گزارش می‌کنیم و پس از آن الگوی رانش مکانی را از یک منطقه به ناحیه دیگر ارائه می‌کنیم. در نهایت، ما یک تحلیل مقیاس‌بندی بر روی الگوی انتشار فعالیت‌ها در منطقه مورد مطالعه انجام می‌دهیم.

3.1. تحلیل زمانی

چرخه زمانی به طور منظم بر حسب 24 هکتار در روز برای همه افراد در هر نقطه از جهان است. به دنبال این نظم، همه در یک سری فعالیت ها شرکت می کنند (مانند خواب، بیداری و غیره ). با این حال، این فعالیت-توالی با آداب و رسوم مختلف متفاوت است، هرچند که نوسانات کمی در بین افراد در همان شهر وجود دارد. برای مثال، سوئدی‌ها شب کریسمس را در کنار خانواده‌هایشان که در خانه می‌مانند جشن می‌گیرند، در حالی که در شب سال نو، به‌ویژه جوانان، بیشتر احتمال دارد با دوستان خود برای سال جدید شمارش معکوس کنند (منبع: www. سوئد. se ). از این نقطه می توان دریافت که زمان نقش مهمی در شکل دادن به فعالیت ها دارد.

علاوه بر این، همانطور که توسط [ 21 ] اشاره شد، جامعه انسانی توسط توالی فعالیت‌هایی که افراد انجام می‌دهند شکل می‌گیرد، فعالیت‌های فردی جمع‌آوری شده منعکس کننده الگوی کلی برای یک جامعه خاص است. با در نظر گرفتن این ایده، اصطلاح طیف زمانی شهر (CTS) را ایجاد می‌کنیم که نشان‌دهنده تغییر فعالیت‌ها با زمان است. در CTS، محور x ساعت‌ها را در یک روز، محور y تاریخ‌ها را نشان می‌دهد و هر سلول شدت فعالیت‌هایی را که می‌توان از منظر حجم SP یا زمان انتظار تعریف کرد، به عنوان مثال، یا . این نوع تحلیل شبیه مفهوم استفاده از زمان واقعی در جغرافیای زمانی است که توسط [ 22 ] ارائه شده است، اما با تأکید بر کل منطقه شهری. Ijgi 01 00089 i008

همانطور که در شکل 4 (الف، ب) نشان داده شده است، CTS به وضوح الگوهای فعالیت را نشان می دهد. در طول روزهای هفته، می‌توانیم مشاهده کنیم که: (1) از ساعت 07:00 تا 17:00 رگبار فعالیت‌های انسانی وجود دارد. و (2) در فعالیت های انسان از ساعت 18:00 تا 06:00 آرامش وجود دارد. با این حال، در تعطیلات آخر هفته، وضعیت معکوس را نشان می دهد. علاوه بر این، CTS می تواند اطلاعات زمینه ای یک شهر خاص را کشف کند که نشان می دهد چگونه آن شهر با دیگران متفاوت است. برای مثال، شب‌های آخر هفته به وضوح در شکل 4 (الف) با شدت بالا و در شکل 4 (ب) با شدت کم نشان داده شده است، که به طور کلی فرهنگ متمایز جامعه محلی را منعکس می‌کند. به ویژه، سلول رنگ قرمز در شکل 4(الف) در ساعت 02:00 روز 28 اکتبر، انبوه فعالیت های ناشی از تعطیلات آخر هفته هالووین را نشان می دهد. جدا از تجزیه و تحلیل CTS، ما این پدیده را در شکل 4 (ج، د) بیشتر نشان می دهیم که در آن دوره های انفجار نسبی یا سکوت فعالیت های انسانی برای روزهای هفته و آخر هفته مشخص شده است. این دوره های خاص نه تنها منظم بودن فعالیت ها را آشکار می کند، بلکه برای کنترل و مدیریت ترافیک نیز مفید است.

برای بررسی بیشتر الگوی فعالیت های انسانی، تغییرات دو ویژگی حجم و زمان انتظار را با زمان به صورت روزانه در شکل 5 ارائه می کنیم. این به وضوح نشان می‌دهد که فعالیت‌های انسانی مرتباً از هفته‌ای به هفته دیگر تکرار می‌شود: روز جمعه به اوج خود می‌رسد اما در یکشنبه کاهش می‌یابد. اوج در جمعه ها را می توان به گردش های اضافی نسبت داد، مردم در طول شب به میخانه می روند یا برای آخر هفته سفر می کنند. از طرف دیگر، شیب روز یکشنبه معقول است زیرا ما معمولاً می خواهیم در این روز استراحت کنیم و برای هفته آینده آماده شویم. با این حال، یک مقدار نسبی بالا در حجم SP ها یا مقدار کم در زمان انتظار SP ها در 28 اکتبر مشاهده می شود که می تواند به آخر هفته هالووین نیز نسبت داده شود.

شکل 4. تغییر فعالیت های انسانی به صورت ساعتی (توجه: ( الف ) CTS را برای حجم SP ها نشان می دهد، که در آن به وضوح می توان الگوی فعالیت های ساکنان محلی تکرار روزانه و هفتگی را مشاهده کرد. شایان ذکر است که تاریخ 07-10 -07 یک یکشنبه بود؛ ( ب ) CTS را برای زمان انتظار SP ها نشان می دهد، که در آن الگو مشخصه مخالف آنچه در (الف) نشان داده شده است را نشان می دهد؛ ( ج ) تغییر ساعتی میانگین حجم SP ها را به ترتیب در روزهای هفته و آخر هفته ترسیم می کند، و جعبه نقطه نشان‌دهنده دوره انفجار نسبی یا سکوت فعالیت‌ها است؛ ( د ) تغییر ساعتی میانگین زمان انتظار SP را به ترتیب در روزهای هفته و آخر هفته ترسیم می‌کند، اما روند مخالف (c) را نشان می‌دهد.

شکل 5. نمودار فعالیت های انسانی در حال تغییر به صورت روزانه (توجه: این ها نظم دوره ای فعالیت ها را به صورت روزانه آشکار می کنند. به طور خاص: ( الف ) این نظم را از حجم SP ها منعکس می کند؛ ( ب ) این الگو را از زمان انتظار SP ها، که همان نظم را از دیدگاه مخالف نشان می دهد).

3.2. تحلیل فضایی

تجزیه و تحلیل زمانی نشان می دهد که فعالیت های انسانی در دوره های خاصی افزایش می یابد، در حالی که در دوره های دیگر ناپدید می شوند. با این حال، این به ما نمی گوید که کدام منطقه از شهر در سرزندگی یا در سکوت است. به عبارت دیگر، ما باید بررسی کنیم که چگونه فعالیت ها در فضا حرکت می کنند. برای پاسخ به این سوال و برای سادگی تحلیل، 69 ناحیه شهری در منطقه مورد مطالعه را به عنوان واحدهای فضایی پایه در نظر می گیریم. این واحدهای فضایی یک مرزبندی اداری از منطقه مورد مطالعه را نشان می‌دهند و اطلاعات زمینه‌ای هر ناحیه، مانند نوع کاربری و جمعیت را منعکس می‌کنند. بنابراین، مشکل ما به سادگی برای پاسخ به این سوال تبدیل شده است که چگونه فعالیت ها در بین مناطق شهری جابجا می شوند.

برای مقابله با این مشکل، شدت فعالیت ها را به هر منطقه شهر اختصاص می دهیم. مقدار شدت در اینجا با میانگین حجم SP ها برای یک ماه اندازه گیری می شود، و ابتدا نگاهی به چگونگی تغییر شدت فعالیت ها در فضا به صورت ساعتی می اندازیم. همانطور که در شکل 6 نشان داده شده استما نقشه رانش شدت فعالیت‌ها در 69 منطقه شهر را در چهار دوره اوج در روزهای هفته و آخر هفته ارائه می‌کنیم. توجه داشته باشید که مناطق مختلف شهر با توجه به مقدار شدت با رنگ‌های مختلف نشان داده می‌شوند و به دلیل استراتژی رندر یکنواخت ما می‌توانند در چهار دوره اوج مختلف با یکدیگر مقایسه شوند. الگوی جابجایی فضایی روزهای هفته حاکی از آن است که: فعالیت ها عمدتاً در نواحی مرکزی شهر در ساعات کوچک متمرکز می شوند و سپس در ساعات صبح یک انفجار و انبساط به سمت مناطق اطراف ایجاد می شود که به راحتی در سه منطقه قابل مشاهده است. نواحی مجاور ناحیه مرکزی ساندویکن که در آن بزرگترین شرکت مهندسی فناوری پیشرفته سوئدی ساندویک (منبع: http://en.wikipedia.org/wiki/Sandvik )) واقع شده است. در بعدازظهر، اکثر مناطق به جز کاهش اندک در اطراف نواحی مرکزی Gävle، و سپس کاهش عمده در تمام مناطق مرکزی شهر در عصر، ثابت می مانند.

با این حال، الگوی رانش فضایی آخر هفته داستان متفاوتی را بیان می کند. فعالیت‌ها از ساعت 00:00 تا 02:00 در نواحی مرکزی و اطراف افزایش یافته و گسترش می‌یابند که نشان‌دهنده زندگی شبانه ساکنان محلی است و به دنبال آن از ساعت 04:00 تا 08:00 به چند منطقه مرکزی کاهش و کاهش می‌یابد. در ساعات بعدازظهر افزایش و گسترش در محلات همجوار وجود دارد که در نواحی مرکزی در نوبت عصر کاهش جزئی را به دنبال دارد. از توضیحات بالا دو واقعیت قابل تشخیص است. اولاً، الگوی رانش فضایی از روزهای هفته تا آخر هفته متفاوت است، که بسیار با سبک زندگی ساکنان محلی مرتبط است. دومین،

شکل 6. نقشه تغییر شدت فعالیت ها با زمان به صورت ساعتی.

برای اینکه تحقیقات را یک قدم جلوتر ببریم، الگوی رانش فضایی را به صورت روزانه از دوشنبه تا یکشنبه بررسی می کنیم. همانطور که در شکل 7 نشان داده شده است، شدت فعالیت ها از دوشنبه تا یکشنبه برای هر منطقه منظم است، اگرچه در ولسوالی های بسیار کمی نوسانات کوچک وجود دارد. علاوه بر این، هر شهر یا شهرک الگوی انتشار خود را در بین مناطق خود دارد که از دوشنبه تا یکشنبه به طور نسبی پایدار است. به عنوان مثال، فعالیت ها بیشتر در نواحی شمالی شهر Gävle متمرکز است. در نهایت، می‌توان مشاهده کرد که فعالیت‌ها در روز جمعه بیشتر و در یکشنبه کمتر منتشر می‌شوند، که با گزارش ما در شکل 5 مطابقت دارد.

شکل 7. نقشه شدت فعالیت ها که با زمان در حال تغییر است.

برخلاف تحلیل زمانی که کل منطقه را بررسی می‌کند، تحلیل فضایی به ما اجازه می‌دهد تا در واحد فضایی فردی کاوش کنیم و حرکت فعالیت‌های انسانی را از یک واحد به واحد دیگر بررسی کنیم. از این نظر، نه تنها درک ما از فعالیت های موجود را تقویت می کند [ 8]، بلکه در بسیاری از زمینه های دیگر مانند کنترل بیماری، مدیریت ترافیک و برنامه ریزی شهری به ما کمک می کند. به عنوان مثال، یک موضوع مهم در برنامه ریزی شهری، بررسی رابطه متقابل بین فعالیت های انسانی و منظر شهری است و حدس ما این است که الگوی رانش فضایی ممکن است به ایجاد این رابطه کمک کند: از طریق تحلیل همبستگی شدت فعالیت های انسانی. در واحد فضایی با معیارهای مختلف منظر واحد فضایی، ممکن است بتوان یک مدل ریاضی برای توضیح این رابطه متقابل ساخت. علاوه بر این، یافته‌های ما نشان می‌دهد که فعالیت‌ها صرف نظر از جابجایی آنها در فضا با زمان، در چند ناحیه متمرکزتر هستند. این واقعیت نشان می دهد که تعداد کمی از ولسوالی ها به عنوان جذب کننده فعالیت های انسانی عمل می کنند در حالی که مناطق دیگر به ندرت بازدید می شوند.

3.3. تجزیه و تحلیل مقیاس

برای حمایت از دیدگاه فوق، ما یک تحلیل مقیاس بندی انجام دادیم. هدف این است که مشخص شود آیا ویژگی یک پدیده از توزیع دم سنگین پیروی می کند یا خیر. روش دقیق در [ 23 ، 24 ، 25 ] مشخص شده است. توزیع دم سنگین نشان می دهد که موارد کوچک بسیار بیشتر از چیزهای بزرگ وجود دارد [ 26 ]، و شامل توزیع قانون توان، لگ نرمال، نمایی کشیده، قانون توان با قطع، و غیره است [ 23 ]. در این مطالعه، متوجه شدیم که شدت فعالیت‌های انسانی به خوبی با قانون توان ( ) یا توزیع لگ نرمال ( ) با مقدار p بالا با گذراندن آزمون KS مطابقت دارد [ 23 ]. Ijgi 01 00089 i010

] به صورت ساعتی یا روزانه ( شکل 8 ، جدول 1 و جدول 2 ). نکته مهم این است که شدت فعالیت های انسانی در طول دوره های استراحت (از 00:00 تا 05:00 در روزهای هفته و از 04:00 تا 08:00 در آخر هفته) را می توان به خوبی با توزیع قانون قدرت تقریب زد، در حالی که بقیه به خوبی موافق هستند. با توزیع های لگ نرمال علاوه بر این، در اینجا توزیع قانون توان بسیار ناهمگن تر از توزیع لگ نرمال به نظر می رسد، که در شکل 6 نیز می توان آن را به خوبی مشاهده کرد .

شکل 8. نمودار برای توزیع سنگین شدت فعالیت های انسانی (توجه: به صورت ساعتی، ( الف ) روزهای هفته را نشان می دهد؛ و ( ب ) آخر هفته ها؛ به صورت روزانه؛ ( ج ) نمودار را از دوشنبه نمایش می دهد. تا یکشنبه).

جدول 1. توزیع سنگین فعالیت های انسانی به صورت ساعتی.

جدول 2. توزیع سنگین فعالیت های انسانی به صورت روزانه.

تا به حال، ما توزیع شدید فعالیت‌های انسانی را گزارش کرده‌ایم، و این نشان می‌دهد که تعداد کمی از ولسوالی‌ها پربازدید می‌شوند در حالی که بیشتر آنها بندرت بازدید می‌شوند. در واقع، این پدیده از بسیاری از جنبه های دیگر فضای جغرافیایی مانند خیابان شهر [ 27 ] و بلوک شهر [ 28 ] نیز گزارش شده است. با این حال، الگوها از منظر تجمیع از نظر تحلیل زمانی، مکانی و مقیاس‌بندی، داستان فعالیت‌های فردی را بیان نمی‌کنند، به عنوان مثال، اگر آنها ریتم یکسانی را نشان می‌دهند، اگر الگوی فعالیت آنها تصادفی یا منظم است و غیره.

4. تحلیل فعالیت های انسانی از دیدگاه فردی

برای پاسخ به سوالات مطرح شده در بالا، تلاش خود را در سطح فردی در این بخش متمرکز می کنیم. به طور کلی، دو موضوع در مورد الگوهای فعالیت های فردی مورد بحث قرار می گیرد. ابتدا، ما نتیجه را برای الگوی فعالیت های فردی گزارش می کنیم. ثانیاً این موضوع را بررسی می کنیم که آیا حرکت تاکسی انفرادی منظم است و متعاقباً چه مقدار اطلاعات در آن وجود دارد.

4.1. الگوی تاکسی انفرادی

بر اساس SP های هر تاکسی، نمودار CTS آنها را همانطور که در شکل 9 نشان داده شده است، استخراج می کنیم . از نمودار ( شکل 9 (الف))، تقریباً می توان مشاهده کرد که فعالیت های هر تاکسی ریتم های فردی را نشان می دهد. به عنوان مثال، فعالیت تاکسی شماره 1 ( شکل 9 (ب)) تقریباً در اوایل صبح به اوج خود می رسد اما در بعد از ظهر کاهش می یابد. از سوی دیگر، فعالیت تاکسی شماره 9 ( شکل 9 (ج)) هر جمعه یا شنبه افزایش می یابد. به عبارت دیگر، اکثر تاکسی‌ها الگوهای فعالیت متفاوتی نسبت به تحلیل زمانی دارند.

شکل 9. CTS برای تاکسی های فردی (توجه: در این نمودار، محور x بعد زمانی با واحدهای ساعتی است اما برای وضوح به عنوان روز برچسب گذاری شده است (به عنوان مثال، 1 در محور x تاریخ 01-10-2007 00:00 است. ، در حالی که محور y نشان دهنده شناسه هر تاکسی است؛ به ویژه، ( الف ) نمودار CTS را برای همه تاکسی ها نشان می دهد؛ ( ب ) یک نمودار بزرگ شده از CTS برای تاکسی شماره 1 است؛ ( c ) یک نمودار است. نمودار بزرگ شده CTS برای تاکسی شماره 9).

برای ارزیابی کمی شباهت بین تاکسی های فردی، ضریب همبستگی پیرسون در هر جفت تاکسی استفاده می شود. در اینجا ما فرض می کنیم که رفتار یک تاکسی فردی مستقل از دیگری است. همانطور که در شکل 10 (الف) نشان داده شده است، می توانیم مشاهده کنیم که بیشتر پیکسل ها به صورت رنگ های سرد (تیره یا خاکستری) ظاهر می شوند به جز چند رنگ داغ (سفید)، که نشان می دهد مقادیر R-Square برای اکثر جفت های تاکسی بسیار کوچک با چند استثنا علاوه بر این، تابع توزیع تجربی در شکل 10(ب) نشان می دهد که بیش از 90٪ از تعداد کل جفت تاکسی دارای مقدار R-Square کمتر از 0.2 است. بنابراین نتیجه می‌گیریم که اکثر تاکسی‌ها دارای الگوی فعالیت متفاوتی با سایر تاکسی‌ها هستند. این یافته بدیهی است زیرا هر راننده تاکسی برنامه زمانی خاص خود را برای اداره تجارت به خاطر رقابت دارد. به عنوان مثال، یک راننده تاکسی در یک دوره خاص مکان هایی را انتخاب می کند که شانس بیشتری برای سفارشی شدن دارند.

شکل 10. مقادیر R-Square برای جفت تاکسی (توجه: ( a ) تصویر مقادیر R-Square را برای هر جفت تاکسی نشان می دهد، که در آن هر دو محور x و y نشان دهنده شناسه تاکسی هستند؛ ( b ) تابع توزیع تجربی برای همه مقادیر R-Square).

4.2. اطلاعات تاکسی های انفرادی

تحلیل فوق نشان می‌دهد که فعالیت‌های تاکسی‌های فردی از درجه خاصی از ریتم زمانی تبعیت می‌کنند، اما منظم بودن تاکسی‌های منفرد را که در فضا حرکت می‌کنند، نشان نمی‌دهد. بررسی الگوی فعالیت‌های فردی در زمینه فضایی نه تنها برای درک عمیق ریتم تاکسی‌های فردی مفید است، بلکه برای طراحی و مدیریت حمل‌ونقل عمومی نیز مفید است. با این حال، بررسی این موضوع بر روی دانه بندی طول و عرض جغرافیایی بسیار دشوار است. به عبارت دیگر، این موضوع به شدت با مسئله واحد منطقه قابل اصلاح (MAUP) مرتبط است [ 29 ]] که در اینجا ارزیابی نخواهد شد. به عنوان مثال، اگر واحد فضایی کل منطقه مورد مطالعه باشد، تخمین مکان بعدی بسیار آسان است، اما اگر واحد فضایی در سطح طول و عرض جغرافیایی باشد، وضعیت بسیار سخت خواهد بود زیرا ما هرگز نمی توانیم مکان بعدی را به طور دقیق تخمین بزنیم. در این مطالعه، ما 69 ناحیه شهری را به عنوان واحدهای فضایی پایه در نظر می گیریم، و به ویژه فضای فراتر از منطقه مورد مطالعه را به عنوان یک واحد فضایی برای پوشش تمام SP ها در نظر می گیریم. پس از آن، کل فضا به 70 واحد فضایی تقسیم می شود که 69 منطقه شهری و 1 فضای بیرونی را پوشش می دهد.

علاوه بر این، مسیر فعالیت تاکسی i را می توان به عنوان یک رشته مرتب توصیف کرد ، که در آن هر آیتم نماد کدگذاری واحد فضایی زیرینی است که فعالیت فعلی در آن انجام می شود. برای بررسی الگوها در رشته مسیر، روش مرسوم مبتنی بر آنتروپی شانون [ 30 ] است که اندازه‌گیری اطلاعات درون یک سیستم است. در اینجا، سه روش معمولی برای تعیین کمیت اطلاعات در یک دنباله از نمادها استفاده می شود. اولین آنتروپی تصادفی نامیده می شود که به این صورت تعریف می شود Ijgi 01 00089 i012

، که در آن N تعداد نمادهای متمایز (واحدهای فضایی) یک رشته مسیر (تاکسی) است (بازدید شده). آنتروپی تصادفی با هر واحد فضایی به عنوان دارای احتمال بازدید یکسان رفتار می کند، اما هم ترتیب مکانی (فرکانس بازدید) و هم ترتیب زمانی (توالی بازدید) مناطق بازدید شده را نادیده می گیرد. ترتیب آنتروپی به صورت تعریف می شود ، جایی که pj احتمال بازدید از واحد فضایی j است _.نظم مکانی را در نظر می گیرد، یعنی هر منطقه احتمال بازدید متفاوتی دارد، اما ترتیب زمانی را در نظر نمی گیرد. Ijgi 01 00089 i014

دومی، با در نظر گرفتن هر دو ترتیب مکانی و زمانی، آنتروپی واقعی نامیده می شود که بر اساس الگوریتم فشرده سازی داده Lempel-Ziv است. این یک نوع روش فشرده‌سازی داده‌های بدون تلفات با استفاده از فرهنگ لغت است، و ثابت شده است که با [ 31 ] به آنتروپی واقعی یک سری زمانی همگرا می‌شود . اگرچه نسخه های زیادی از تعاریف برای این آنتروپی وجود دارد، ما تعریف ارائه شده توسط [ 32 ] را برای شباهت تحقیق اتخاذ می کنیم.

که در آن k _i طول رشته مسیر برای تاکسی i است، L _i کوتاهترین طول رشته فرعی است که از موقعیت j شروع می شود که با هیچ زیررشته ای در پنجره از موقعیت 1 تا j -1 مطابقت ندارد. در اینجا، با در نظر گرفتن دو حالت شدید، در مورد مسیر ( i ) با نمادهای k _i یکسان، آنتروپی واقعی به صورت 2*log ₂k _i / k _i + 1 محاسبه می شود که به صورت k _i →∞ به 0 همگرا می شود . در مورد دیگری که مسیر ( i) با k _i نمادهای مختلف، آنتروپی واقعی Log ₂k _i است که همان آنتروپی تصادفی و مرتبه است. از این منظر، آنتروپی واقعی در واقعیت معقول تر است زیرا مرز پایین تری را برای اطلاعات تعیین می کند.

ما تغییرات میانگین آنتروپی را در شکل 11 نشان می‌دهیم که اندازه مسیر فعالیت با زمان به اوج می‌رسد، و مشاهده می‌شود که هر سه نوع آنتروپی در پایان ماه به تعادل می‌رسند. این یافته امکان استفاده از داده های اندازه یک ماهه را برای بررسی موضوع فعلی توجیه می کند. بر اساس این یافته، توزیع احتمال فعالیت را در بین 70 واحد فضایی برای هر تاکسی در شکل 12 ترسیم می کنیم .(آ). از این شکل می توان به رفتار فعالیت تک تاکسی ها در فضا پی برد. یکی این است که تاکسی ها به سه گروه تقسیم می شوند: تاکسی های سرویس دهنده در Gävle، در Sandviken و Storvik، و در Hofors. مورد دیگر این است که بین 70 واحد فضایی برای هر تاکسی تفاوت زیادی در فرکانس بازدید وجود دارد، به عنوان مثال، تعداد کمی از واحدهای فضایی بازدید زیادی دارند در حالی که بیشتر آنها به ندرت بازدید می کنند. به طور کلی، این دو واقعیت نشان می دهد که فعالیت های تاکسی های فردی در فضا بسیار منظم است، و از این رو از نظر تئوری با اطلاعات کمی قابل پیش بینی است.

شکل 11. نمودار روند میانگین آنتروپی با زمان.

شکل 12. نمودار ( الف ) توزیع فعالیت ها در فضا و ( ب ) توزیع آنتروپی آنها.

برای نشان دادن اطلاعات به دست آمده از تاکسی های منفرد، توزیع آنتروپی آنها را در شکل 12 (ب) رسم می کنیم . مشخص شد که هر سه توزیع از یک زنگ گاوسی پیروی می‌کنند، که نشان می‌دهد بیشتر تاکسی‌ها احتمال بیشتری برای بازدید از منطقه‌ای دارند که در تاریخ بسیار مورد بازدید قرار گرفته است. نکته مهم، توزیع آنتروپی واقعی، آنتروپی مرتبه و آنتروپی تصادفی به ترتیب حدود 1 بیت، 3 بیت و 5 بیت است. مقدار اطلاعات 1 بیتی برای تخمین مکان بعدی فعالیت، نظم قابل توجه تاکسی‌های منفرد را در فضا بیشتر نشان می‌دهد، اگرچه ریتم تاکسی‌های منفرد در زمان از یکی به دیگری همانطور که قبلاً بررسی شد متفاوت است.

5. نتیجه گیری ها

در این مقاله، ما الگوهای فعالیت انسانی را از طریق اتخاذ SP تاکسی بررسی کرده‌ایم. یافته‌های حاصل از تجزیه و تحلیل زمانی نشان می‌دهد که الگوهای کلی فعالیت‌ها نظم آشکاری را یا بر اساس تکامل ساعتی در یک روز یا بر اساس تکامل روزانه در یک ماه نشان می‌دهند. این الگوهای زمانی نه تنها دانش بافتی جامعه محلی را آشکار می کند، بلکه برای کنترل و مدیریت ترافیک نیز مفید است. علاوه بر این، نتایج حاصل از تجزیه و تحلیل فضایی، الگوهای فعالیت‌هایی را نشان می‌دهد که در 69 منطقه شهر حرکت می‌کنند، که درک ما را در محل تقویت می‌کند و به برنامه‌ریزی و مدیریت شهری کمک بیشتری می‌کند. علاوه بر این، ما یک تحلیل مقیاس‌بندی بر روی شدت فعالیت‌ها در هر ناحیه انجام دادیم و ویژگی‌های ناهمگن آن را بدون در نظر گرفتن دوره‌های زمانی مشخص گزارش می‌کنیم.

این مطالعه بیشتر منظم بودن فعالیت های تاکسی های فردی را ارائه می دهد. بر اساس ماتریس ضرایب همبستگی پیرسون، ما گزارش می‌کنیم که تنوع زیادی در بین الگوهای فعالیت تاکسی‌های منفرد در زمان وجود دارد، اگرچه هر یک دارای ریتم زمانی خاص خود هستند که نشان می‌دهد یک روش خودسازماندهی از پایین به بالا از ریتم زمانی جمع‌آوری شده است. از سوی دیگر، با الهام از نظم زمانی تاکسی‌های منفرد، متوجه می‌شویم که توزیع آنتروپی همه تاکسی‌ها از توزیع نرمال پیروی می‌کند، که میانگین آن بیشتر نشان می‌دهد که به طور متوسط اطلاعات 1 بیتی برای تخمین مکان فعالیت بعدی مورد نیاز است.

ایده جدید اتخاذ SP های مسیر به عنوان نماینده فعالیت های انسانی به ما امکان می دهد الگوهای آنها را در فضای جغرافیایی به راحتی تجزیه و تحلیل و کشف کنیم. در این رابطه، مطالعه ما یک استراتژی احتمالی دیگر را به غیر از روش مرسوم بررسی که مستلزم ثبت فعالیت انسان در فضا است، اضافه می کند. علاوه بر این، اعتقاد ما این است که SP ها باید به خوبی با نقطه فضایی زیربنایی علایق مطابقت داشته باشند، و این منعکس کننده اساس مطالعه آینده ما است.

درخواست مشاوره

09120049370

8 صبح تا 12 شب