ارزیابی قابلیت اطمینان داده‌های رسانه‌های اجتماعی برچسب‌گذاری‌شده چینی برای بازنمایی فضایی-زمانی تحرک انسان

درک پویایی فضا-زمان فعالیت های انسانی در مطالعه مسائل مربوط به امنیت انسانی مانند تأثیرات تغییرات آب و هوا، گسترش بیماری همه گیر یا پایداری شهری ضروری است. پست های رسانه های اجتماعی دارای برچسب جغرافیایی یک منبع داده پیوسته باز و فضا-زمان با مکان های کاربر فراهم می کند که برای مطالعه حرکت انسان مناسب است. با این حال، قابلیت اطمینان داده های رسانه های اجتماعی برچسب جغرافیایی چینی برای نشان دادن تحرک انسان نامشخص است. این مطالعه داده‌های حرکت انسان را که از پست‌های Sina Weibo، یکی از بزرگ‌ترین نرم‌افزارهای رسانه‌های اجتماعی در چین به دست آمده، و Baidu Qianxi، مجموعه داده‌های حرکت انسان با وضوح بالا از «Baidu Map»، یک سرویس مبتنی بر مکان محبوب در چین، مقایسه می‌کند. چین با ۱٫۳ میلیارد کاربر. تجزیه و تحلیل همبستگی از ابعاد مختلف دوره های زمانی (هفتگی و ماهانه) انجام شد. مقیاس‌های جغرافیایی (شهرها و استان‌ها)، و جهت‌های جریان (ورودی و خروجی)، و یک مطالعه موردی در مورد انتقال COVID-19 با چنین داده‌هایی بیشتر مورد بررسی قرار گرفت. نتیجه نشان می‌دهد که داده‌های Sina Weibo می‌تواند الگوهای مشابهی را با الگوهای Baidu Qianxi نشان دهد، و این همبستگی در سطح استانی بیشتر از سطح شهر و در مقیاس ماهانه بالاتر از مقیاس هفتگی است. این مطالعه همچنین تغییرات فضایی در درجه شباهت بین دو منبع را نشان داد. یافته‌های این مطالعه ارزش‌ها و ویژگی‌ها و ناهمگونی مکانی-زمانی داده‌های تحرک انسانی استخراج‌شده از توییت‌های Weibo را نشان می‌دهد، که مرجعی برای استفاده مناسب از پست‌های رسانه‌های اجتماعی به عنوان منابع داده برای مطالعات تحرک انسانی فراهم می‌کند. و یک مطالعه موردی در مورد انتقال COVID-19 با چنین داده‌هایی بیشتر مورد بررسی قرار گرفت. نتیجه نشان می‌دهد که داده‌های Sina Weibo می‌تواند الگوهای مشابهی را با الگوهای Baidu Qianxi نشان دهد، و این همبستگی در سطح استانی بیشتر از سطح شهر و در مقیاس ماهانه بالاتر از مقیاس هفتگی است. این مطالعه همچنین تغییرات فضایی در درجه شباهت بین دو منبع را نشان داد. یافته‌های این مطالعه ارزش‌ها و ویژگی‌ها و ناهمگونی مکانی-زمانی داده‌های تحرک انسانی استخراج‌شده از توییت‌های Weibo را نشان می‌دهد، که مرجعی برای استفاده مناسب از پست‌های رسانه‌های اجتماعی به عنوان منابع داده برای مطالعات تحرک انسانی فراهم می‌کند. و یک مطالعه موردی در مورد انتقال COVID-19 با چنین داده‌هایی بیشتر مورد بررسی قرار گرفت. نتیجه نشان می‌دهد که داده‌های Sina Weibo می‌تواند الگوهای مشابهی را با الگوهای Baidu Qianxi نشان دهد، و این همبستگی در سطح استانی بیشتر از سطح شهر و در مقیاس ماهانه بالاتر از مقیاس هفتگی است. این مطالعه همچنین تغییرات فضایی در درجه شباهت بین دو منبع را نشان داد. یافته‌های این مطالعه ارزش‌ها و ویژگی‌ها و ناهمگونی مکانی-زمانی داده‌های تحرک انسانی استخراج‌شده از توییت‌های Weibo را نشان می‌دهد، که مرجعی برای استفاده مناسب از پست‌های رسانه‌های اجتماعی به عنوان منابع داده برای مطالعات تحرک انسانی فراهم می‌کند. و اینکه همبستگی در سطح استان بیشتر از سطح شهرستان و در مقیاس ماهانه بیشتر از مقیاس هفتگی است. این مطالعه همچنین تغییرات فضایی در درجه شباهت بین دو منبع را نشان داد. یافته‌های این مطالعه ارزش‌ها و ویژگی‌ها و ناهمگونی مکانی-زمانی داده‌های تحرک انسانی استخراج‌شده از توییت‌های Weibo را نشان می‌دهد، که مرجعی برای استفاده مناسب از پست‌های رسانه‌های اجتماعی به عنوان منابع داده برای مطالعات تحرک انسانی فراهم می‌کند. و اینکه همبستگی در سطح استان بیشتر از سطح شهرستان و در مقیاس ماهانه بیشتر از مقیاس هفتگی است. این مطالعه همچنین تغییرات فضایی در درجه شباهت بین دو منبع را نشان داد. یافته‌های این مطالعه ارزش‌ها و ویژگی‌ها و ناهمگونی مکانی-زمانی داده‌های تحرک انسانی استخراج‌شده از توییت‌های Weibo را نشان می‌دهد، که مرجعی برای استفاده مناسب از پست‌های رسانه‌های اجتماعی به عنوان منابع داده برای مطالعات تحرک انسانی فراهم می‌کند.

کلید واژه ها:

تحرک انسان ؛ رسانه های اجتماعی ؛ دارای برچسب جغرافیایی سینا ویبو ; بایدو کیانشی ; LBS

۱٫ مقدمه

ثبت پویایی فضا-زمان فعالیت های انسانی برای درک مسائل امنیتی انسانی، مانند تأثیرات تغییرات آب و هوا، گسترش بیماری همه گیر، یا پایداری شهری ضروری است [ ۱ ، ۲ ، ۳ ، ۴ ]. همراه با توسعه شدید داده های بزرگ در زندگی روزمره، داده های بلادرنگ مانند داده های سیگنالینگ تلفن همراه، داده های GPS و خدمات مبتنی بر مکان به عنوان منبع اصلی برای ردیابی تحرک انسان در نظر گرفته می شوند [ ۵ ]. در آن، داده های رسانه های اجتماعی با برچسب جغرافیایی باز به یک منبع مهم و محبوب برای تجزیه و تحلیل فضایی تبدیل شده است که پویایی مکانی-زمانی فعالیت های کاربر را ارائه می دهد [ ۶ ]]. نتایج چنین مطالعاتی ممکن است تا حد زیادی تحت تأثیر کیفیت داده ها باشد. بنابراین، قابلیت اطمینان داده‌های رسانه‌های اجتماعی با برچسب جغرافیایی توجه فزاینده‌ای را به خود جلب کرده است.

مطالعات نشان داده‌اند که الگوهای حرکتی انسان که از داده‌های رسانه‌های اجتماعی به دست می‌آیند، در مقایسه با دنیای واقعی دارای یک سوگیری آشکار هستند و ممکن است توسط ویژگی‌های کاربران رسانه‌های اجتماعی و رفتارهای ارسال توییت‌ها مانند جنسیت [ ۷ ]، عادات پست کردن [ ۸ ] محدود شود. ، ۹ ] و نسبت های کاربری مختلف در مکان های جغرافیایی مختلف [ ۱۰ ]. به عنوان مثال، توییت های ارسال شده توسط ساکنان و مسافران ممکن است متفاوت باشد [ ۱۱ ، ۱۲ ]. مهمتر از آن، برچسب های جغرافیایی ممکن است با مکان واقعی کاربر متفاوت باشد [ ۱۳ ].

در چین، Sina Weibo، یکی از بزرگترین نرم افزارهای رسانه های اجتماعی در چین (که به عنوان نسخه چینی توییتر در نظر گرفته می شود) تا پایان سه ماهه سوم سال ۲۰۲۱ روزانه ۵۷۳ میلیون کاربر فعال و ۲۴۸ میلیون کاربر فعال روزانه داشته است. بر اساس گزارش رسمی آن. در سال ۲۰۲۱ [ ۱۴ ]، کاربران Weibo عمدتاً نسلی هستند که در دهه‌های ۱۹۹۰ و ۲۰۰۰ متولد شده‌اند، که تقریباً ۸۰ درصد از کل را تشکیل می‌دهند و در نتیجه روند جوان‌تری را نشان می‌دهند. با این حال، قابلیت اطمینان توئیت‌های دارای برچسب جغرافیایی Weibo برای نشان دادن تحرک انسان در چین نامشخص است.

یک داده بالقوه قابل مقایسه برای تحرک انسان در چین داده های Baidu Qianxi [ ۱۵ ] است که از سرویس مبتنی بر مکان (LBS) نقشه بایدو مشتق شده است. Baidu Map محبوب ترین اپلیکیشن خدمات نقشه آنلاین در چین است که مجموعاً ۱٫۳ میلیارد کاربر دارد. نقشه های Baidu Qianxi از اطلاعات موقعیت مکانی کاربران Baidu Map برای محاسبه، تجزیه و تحلیل و تجسم جریان انسانی جمع آوری شده در بین شهرها استفاده می کند. از آنجایی که “Qianxi” در زبان چینی به معنای مهاجرت است، داده های Baidu Qianxi در ابتدا برای به تصویر کشیدن جریان جمعیت در مقیاس بزرگ در طول جشنواره بهار، مهم ترین تعطیلات سنتی در چین در نظر گرفته شده بود.

توییت‌های Weibo با اطلاعات جغرافیایی و معنایی خود مورد استفاده قرار گرفته‌اند، که در آن متن به طور گسترده در تجزیه و تحلیل افکار عمومی [ ۱۶ ]، رفتار کاربر [ ۱۷ ]، رفاه ذهنی [ ۱۸ ]، تغییرات آب و هوا [ ۱۹ ] و مدیریت خطر [ ۲۰ ] استفاده شده است. ]. برچسب های جغرافیایی به عنوان یک داده باز مهم برای شناسایی کاربری زمین [ ۲۱ ]، ناحیه عملکرد شهری [ ۲۲ ، ۲۳ ]، ساختار فضایی شهری [ ۲۴ ] و تعیین مرزهای شهری [ ۲۵ ] استفاده شده است. مطالعات اخیر همچنین اطلاعات تحرک انسان را بر اساس برچسب های جغرافیایی برای تجزیه و تحلیل شبکه های فضایی منطقه ای استخراج می کند [ ۲۶ ]] و الگوهای تفکیک فضایی [ ۲۷ ] را ارزیابی کنید. داده های Baidu Qianxi به طور گسترده ای در شناسایی ساختار تراکم های شهری [ ۲۸ ]، پیش بینی گسترش همه گیری [ ۲۹ ، ۳۰ ]، و ارزیابی اثرات بلایا [ ۳۱ ] استفاده شده است.

توییت های Baidu Qianxi و Weibo به عنوان دو مجموعه داده باز محبوب در چین، نقش مهمی در مطالعه معاصر در مورد تحرک انسان دارند، اما هر دو دارای کاستی هایی هستند. اولی وضوح بالایی دارد، البته فقط در یک دوره خاص باز است، در حالی که دومی ممکن است به طور مداوم درک شود اما در کمیت پراکنده است. بنابراین، یکی از راه‌های ارزیابی قابلیت اطمینان داده‌های جریان انسانی مشتق‌شده از توییت‌های Weibo، مقایسه آن با Baidu Qianxi در طول دوره‌های موجود آن است. یک مطالعه موردی در مورد انتقال COVID-19 در ووهان می‌تواند بیشتر مورد بررسی قرار گیرد، زیرا الگوی تحرک بین منطقه‌ای انسان تأیید شده است که نقش مهمی در گسترش همه‌گیری داشته است [ ۳۲ ، ۳۳ ].

این مطالعه بر اساس توئیت‌های دارای برچسب جغرافیایی Weibo و Baidu Qianxi در طول ۱ فوریه ۲۰۲۱ تا ۳۰ ژوئن ۲۰۲۱، قابلیت اطمینان داده‌های تحرک انسانی تولید شده توسط توییت‌های Weibo را در مقیاس‌های زمانی و جغرافیایی مختلف ارزیابی کرد و همبستگی بین تحرک انسان و گسترش COVID-19 را بررسی کرد. اوایل سال ۲۰۲۰٫ این تحقیق ارزش ها، ویژگی ها و ناهمگونی مکانی-زمانی داده های تحرک انسان استخراج شده از Weibo را نشان می دهد که برای تحقیقات آینده با استفاده از داده های رسانه های اجتماعی باز به عنوان منابع اطلاعات حرکت انسان مفید خواهد بود.

۲٫ مواد و روشها

۲٫۱٫ پیش پردازش داده ها

۲٫۱٫۱٫ جریان های بین منطقه ای نقشه بایدو کیانشی

داده های Baidu Qianxi تنها در طول دوره جشنواره بهار چین منتشر شده و در دسترس است و پویایی مهاجرت روزانه در سراسر کشور را توصیف می کند. Baidu Qianxi برای کمک به نظارت بر خطر COVID-19 با ردیابی جریان انسانی در طول همه‌گیری، داده‌های جریان روزانه مداوم بین منطقه‌ای را منتشر کرد که می‌تواند به عنوان جریان ورودی و خروجی بین شهرها و استان‌ها طبقه‌بندی شود. نقشه اصلی جریان‌های بین منطقه‌ای را برای هر واحد جغرافیایی با دو نوع داده گزارش می‌کند، یعنی کل جریان‌ها که متناسب با جمعیت واقعی و بخش‌هایی از جریان بین هر واحد جغرافیایی و واحدهای دیگر مقیاس‌بندی شده‌اند. چنین داده‌هایی باید دوباره به فهرست‌های مبدا-مقصد (OD) پردازش شوند ( شکل ۱).). در ماتریس جریان، تنها داده های ۱۰۰ شهر برتر از نظر جریان نشان داده شده است. تفاوت کمی بین لیست های OD ورودی و خروجی در سطح شهر وجود دارد.

از آنجایی که نقشه Baidu Qianxi داده‌های سری زمانی پیوسته را در سال‌های ۲۰۱۹ و ۲۰۲۰ ارائه نکرد، بنابراین داده‌های پنج ماهه از ۱ فوریه تا ۳۰ ژوئن ۲۰۲۱ برای مقایسه انتخاب شدند. داده ها توسط یک برنامه پایتون خراشیده شدند و بیشتر به عنوان لیست های OD پردازش شدند، که در آن، ۵،۱۶۵،۳۶۴ رکورد برای ورودی، ۵،۱۵۹،۱۵۶ رکورد برای خروج در سطح شهر، و ۱۴۲،۷۶۱ رکورد برای ورودی و خروجی در سطح استان وجود دارد.

لیست‌های OD روزانه بیشتر در داده‌های هفتگی و ماهانه برای مقایسه با داده‌های توییت‌های Weibo جمع‌آوری شدند. شکل ۲ تشدید تحرک انسان بین شهری را در هفته و ماه اول نشان می دهد.

۲٫۱٫۲٫ جریان های بین منطقه ای بر اساس داده های توییت های Weibo دارای برچسب جغرافیایی

داده‌های توئیت‌های Weibo با برچسب جغرافیایی در طول ۱ فوریه و ۳۰ ژوئن ۲۰۲۱ بر روی یک پلت فرم محاسباتی با عملکرد بالا ذخیره و پردازش شد [ ۳۴ ]. سوابق حاوی اطلاعات مربوط به شناسه منحصر به فرد کاربر و مختصات موقعیت مکانی است، و بیشتر از طریق سه مرحله پردازش شدند: (۱) تبدیل مختصات اصلی توییت‌های Weibo به مختصات شهرها و استان‌ها با اتصال مکانی. (۲) تجمع حرکت مداوم در همان منطقه به عنوان یک رکورد. و (۳) ساخت یک شبکه OD بر اساس حرکت کاربر بین مناطق ( شکل ۳). در طول کاوش داده های اولیه، شبکه های غیر جهت دار و جهت دار هر دو مقایسه شده اند. اولی اتصالات بین تمام مکان های ضبط شده یک کاربر ایجاد می کند در حالی که دومی فقط اتصالات را بر اساس توالی زمانی ایجاد می کند. همانطور که نتایج بعدی نشان می دهد که شبکه جهت دار همبستگی بالاتری با داده های Baidu Qianxi دارد، شبکه جهت برای تجزیه و تحلیل بیشتر اتخاذ شد.

داده ها در آوریل ۲۰۲۱ به عنوان نمونه ای برای آزمایش کامل بودن پوشش جغرافیایی توسط ماتریس OD در بازه های زمانی مختلف در سطح استان و شهر جمع آوری شدند ( جدول ۱ ). نتیجه نشان می دهد که بایدو از نظر مکان های ماتریس OD پوشش بسیار بهتری نسبت به Weibo دارد. ۳۳ واحد جغرافیایی در سطح استان و ۳۶۹ واحد جغرافیایی در سطح شهرستان وجود دارد. رکوردهای کامل ایده آل شامل تمامی شهرستان ها و استان ها باید به ترتیب ۲۰۳۱۳۶۰۰ (۳۶۸ × ۳۶۸ × ۱۵۰) و ۱۵۳۶۰۰ (۳۲ × ۳۲ × ۱۵۰) باشد.

از آنجایی که داده‌های Weibo در مقیاس روزانه بسیار پراکنده است، تصمیم گرفتیم تجزیه و تحلیل بیشتری را فقط بر روی تجمیع هفتگی و ماهانه انجام دهیم. شکل ۴ تحرک هفتگی و ماهانه انسان را بین شهرها بر اساس داده های توییت Weibo با برچسب جغرافیایی نشان می دهد. در مقایسه با شکل ۳ ، بدیهی است که داده‌های جریان ماهانه توسط توییت‌های Weibo کمتر از Baidu است.

۲٫۱٫۳٫ COVID-19 و داده های مرزی جغرافیایی

داده‌های عفونت COVID-19 در چین از پایگاه داده باز هاروارد دیتاورس به دست آمده است، که بیشتر برای داده‌های عفونت تجمعی از ۲۴ ژانویه تا ۳۰ آوریل ۲۰۲۰ پردازش می‌شود ( https://dataverse.harvard.edu/dataverse/cdl_dataverse ، قابل دسترسی در ۱۸ اکتبر ۲۰۲۱) [ ۳۵ ]. مجموعه داده مرز اداری را در سطح شهر در چین نیز فراهم می کند.

۲٫۲٫ مواد و روش ها

به عنوان متداول‌ترین ضریب همبستگی، ضریب همبستگی پیرسون برای ارزیابی شباهت بین داده‌های تحرک بین منطقه‌ای انسان از داده‌های Weibo و Baidu Qixian استفاده می‌شود که مقدار آنها بین ۱- و ۱ است. هر چه قدر مطلق بزرگ‌تر باشد، قوی‌تر است. همبستگی

تجزیه و تحلیل همبستگی از ابعاد چندگانه دوره های زمانی (هفتگی و ماهانه)، مقیاس های جغرافیایی (شهرها و استان ها) و جهت جریان (ورودی و خروجی) انجام شد ( شکل ۵ ). شمارش جریان بین شهرها برای ایجاد یک متغیر ترتیب رتبه بندی رتبه بندی شد که هر شهر را به عنوان هسته در نظر گرفت و آنها را بر اساس تعداد شهرهای متصل به آن به ترتیب معکوس رتبه بندی کرد.

۳٫ نتایج

۳٫۱٫ توضیحات آماری اولیه

حداقل جمعیت کاربر بین منطقه ای ثبت شده توسط داده های Weibo 1، حداکثر جریان هفتگی ۳۶ و جریان ماهانه ۳۶۴ است ( جدول ۲ ). در مقایسه با کل جمعیت، داده‌های تحرک انسان که توسط داده‌های Weibo تولید می‌شود، بخش کوچکی از کل داده‌ها را نشان می‌دهد.

کل ورودی و خروجی هر استان برای مقایسه بر روی نقشه ها نرمال سازی شد ( شکل ۶). در نقشه‌های مبتنی بر داده‌های بایدو، خوشه‌های آشکاری در امتداد سواحل شرقی چین (به ویژه در تجمع پکن-تیانجین-هبی و منطقه دلتای رودخانه یانگ تسه) وجود دارد، و استان سیچوان در مقایسه با سایر شهرهای غرب چین برجسته‌تر است. اگرچه اهمیت سیچوان در نقشه داده‌های Weibo نیز قابل مشاهده بود، فقط چندین استان با جریان بالاتر در شرق نشان داده شدند، مانند پکن، گوانگژو، شانگهای، جیانگ سو و ژجیانگ. چنین تفاوتی نشان می دهد که تعداد زیادی از حرکات انسانی در استان های شاندونگ، آنهویی و هونان توسط داده های Weibo منعکس نشده است. این احتمالاً به این دلیل است که نسبت کاربران Weibo به کل جمعیت در این استان ها نسبتاً پایین است.

۳٫۲٫ آزمون همبستگی چند بعدی

۳٫۲٫۱٫ ناهمگونی فضایی در همبستگی

(۱): سطح استان

نتیجه همبستگی برای هر استان نشان داد که ضرایب همبستگی خروجی و ورودی نزدیک به هم هستند ( جدول ۳ ). از نظر داده‌های ماهانه، مقدار متوسط ضریب همبستگی در شمارش جریان ۰٫۷۵-۰٫۷۷ است که کمی بیشتر از رتبه جریان (۰٫۷۵) است. برای داده های هفتگی، میانگین مقدار ضریب همبستگی در شمارش جریان ۰٫۵۵ و رتبه جریان ۰٫۵۰-۰٫۵۱ است. با این حال، بر اساس حداقل ضرایب، داده‌های رتبه‌بندی بیشتر از تعداد جریان همبستگی دارند و داده‌های خروجی همبستگی بالاتری نسبت به داده‌های ورودی نشان می‌دهند.

تفاوت ضرایب بیشتر به صورت مکانی مشاهده شد ( شکل ۷ ). بدیهی است که همبستگی داده های ماهانه بیشتر از داده های هفتگی است. از نظر داده های جریان ماهانه، اکثر استان ها همبستگی بالایی دارند (به جز سین کیانگ که همبستگی پایینی دارد). از نظر رتبه جریان، همبستگی سین کیانگ تا حد زیادی بهبود یافته است (اگرچه ضرایب سین کیانگ، تبت و چینگهای در غرب نسبتا پایین است).

در مورد داده های هفتگی، توزیع فضایی همبستگی الگوی یک “ساندویچ” را ارائه می دهد، که در آن هر دو استان شرقی و استان های غربی بالاتر هستند در حالی که استان های مرکزی و شمالی نسبتا پایین هستند.

(۲): سطح شهر

در مقایسه با داده های استانی، همبستگی در سطح شهر به طور کلی کمتر است ( جدول ۴ ). در این میان، میانگین ضرایب همبستگی تعداد و رتبه جریان ماهانه به ترتیب ۷۲/۰-۷۳/۰ و ۶۱/۰ و میانگین ضرایب همبستگی هفتگی به ترتیب ۵۰/۰-۴۸/۰ و ۴۷/۰ می باشد. به همین ترتیب، همبستگی شمارش جریان همچنان بالاتر از داده های رتبه ای است و همبستگی های ورودی و خروجی مشابه است، با این تفاوت که تفاوت جزئی در همبستگی هفتگی وجود دارد. این ممکن است ناشی از پراکندگی شدید داده‌های انبوه هفتگی Weibo باشد.

شکل ۸ توزیع فضایی تفاوت های همبستگی را در سطح شهر نشان می دهد. این نشان می دهد که داده های ماهانه انباشته تعداد جریان همبستگی بیشتری نسبت به رتبه جریان دارد. با این حال، در برخی از شهرهای غرب و شمال چین، داده های رتبه بندی همبستگی بیشتری دارند.

در مقایسه با داده‌های ماهانه، داده‌های هفتگی همبستگی کمتری را نشان می‌دهند که تنها در چند شهر مانند پکن، شانگهای، گوانگژو، چونگ کینگ، هانگژو، ووهان و غیره که مراکز ملی یا منطقه‌ای با تحرک بیشتر انسانی هستند، معنی‌دار است.

رابطه بین همبستگی و رکوردهای OD برای هر شهر از طریق نمودارهای پراکنده بررسی شد ( شکل ۹ ). نتیجه نشان می دهد که همبستگی با رشد تعداد رکوردها افزایش می یابد، در حالی که خط برازش نشان دهنده یک منحنی U شکل معکوس است، به این معنی که داده های بیشتر می تواند منجر به همبستگی نسبی کمتر شود.

۳٫۲٫۲٫ ناهمگونی زمانی در همبستگی

مشابه ضرایب همبستگی که با تجمع فضایی سطح بالاتر افزایش می‌یابد، ضرایب همبستگی نیز با تجمع مبتنی بر زمان بیشتر افزایش می‌یابد. این احتمالاً به دلیل افزایش حجم داده است. ضرایب داده های ماهانه بیشتر از داده های هفتگی است ( جدول ۵ ). داده های شمارش و داده های رتبه ای مقادیر ضرایب مشابهی را در مقیاس ماهانه و مقادیر متفاوتی را در مقیاس هفتگی نشان می دهد.

شکل ۱۰ همبستگی متغیر زمانی را از نظر استان و شهر، ماهانه و هفتگی و تعداد و رتبه نشان می دهد که روند تغییر در طول زمان را نشان می دهد. به طور قابل توجهی، نادرها و قله های آشکار در منحنی ها می تواند به دو نقطه زمانی خاص (یعنی جشن بهار در ۱۲ فوریه و روز کارگر در ۱ می) مرتبط باشد. در مورد جشنواره بهار، تعداد زیادی از کارگران مهاجر قبل از سال جدید قمری به شهر خود باز می گردند و پس از تعطیلات به سر کار باز می گردند. روز کارگر یکی دیگر از تعطیلات مهم برای خانواده های چینی است که معمولاً شامل گشت و گذار یا سفرهای کوتاه به مقاصد گردشگری نزدیک است.

نتیجه نشان می دهد که همبستگی در طول جشنواره بهار کاهش می یابد، در دوره اول می به اوج می رسد و سپس اندکی کاهش می یابد. این تغییرات ممکن است با رفتارهای کاربران در توییت های Weibo در این دو تعطیلات خاص توضیح داده شود. در طول جشنواره بهار، از آنجایی که افراد تمایل بیشتری به ماندن در کنار خانواده دارند، افراد کمتری Weibo را برای ضبط تمام فعالیت های خود انتخاب می کنند. برعکس، از آنجایی که تعطیلات پنج روزه روز کارگر در سال ۲۰۲۱ برای گردشگری «هفته طلایی» نیز نامیده می‌شود، بیشتر خانواده‌ها سفرهای کوتاهی خواهند داشت و مسافران تمایل بیشتری برای به اشتراک گذاشتن تجربیات سفر خود از طریق Weibo دارند. ثبت شده توسط Weibo، که منجر به بالاترین همبستگی در کل دوره می شود.

۳٫۳٫ مطالعه موردی در مورد شیوع COVID-19

مقایسه بیشتر در مورد تأثیر تحرک انسان در مراحل اولیه انتقال COVID-19 در ووهان انجام شد. شکل ۱۱ تعداد تجمعی عفونت ها را در تمام شهرهای استان هوبی از ۲۴ ژانویه تا ۳۰ آوریل ۲۰۲۰ نشان می دهد، که در آن، علاوه بر ووهان، شیائوگان و هوانگانگ بیشترین تعداد عفونت را دارند، در حالی که انشی و کیان جیانگ کمترین تعداد عفونت را دارند.

شکل ۱۲کل جریان ورودی و خروجی در ووهان را از ۱ ژانویه تا ۳۰ آوریل بر اساس داده های تحرک انسانی تولید شده توسط Baidu Qianxi و توئیت های دارای برچسب جغرافیایی Weibo نشان می دهد. دو نوع داده روند مشابهی را از نظر ورودی و خروجی نشان می دهند. هنگامی که قرنطینه ووهان در ۲۳ ژانویه ۲۰۲۰ آغاز شد، جریان مردم به شدت کاهش یافت. در دو ماه بعد، تحرک انسان اساساً راکد شد و تنها در آوریل به آرامی شروع به افزایش کرد. نتایج همبستگی نشان می‌دهد که داده‌های Baidu و Weibo همبستگی ۰٫۹۸ در جریان ورودی و ۰٫۹۴ در جریان خروجی دارند. یک مشاهدات جالب این است که داده‌های تحرک انسان توسط Weibo در طول دوره قرنطینه بیشتر از بایدو نوسان داشته است، که ممکن است به این مربوط باشد که برخی از کاربران از برچسب‌های مکان متفاوتی غیر از جایی که توییت‌ها را پست کرده‌اند استفاده می‌کردند، که بیانگر انتظار برای زندگی عادی پس از همه‌گیری بود. کنترل می شود.

همبستگی بین خروجی جمعیت از ووهان و تعداد کل افراد آلوده در شهرهای سراسر کشور و استان هوبی در ۳۰ آوریل ۲۰۲۰ بر اساس مقادیر نرمال شده بررسی شد ( شکل ۱۳ ).

برای همه شهرهای سراسر کشور، همبستگی داده های بایدو و داده های ویبو به ترتیب ۰٫۹۴ و ۰٫۶۲ است، در حالی که همبستگی بین Weibo و Baidu 0.70 است. برای شهرهای استان هوبی، همبستگی شاخص داده های Weibo به ۰٫۶۸ افزایش یافت، و همبستگی بین Weibo و Baidu نیز به ۰٫۸۱ افزایش یافت ( جدول ۶ ). ضرایب همبستگی تعداد جریان به طور کلی بالاتر از رتبه بندی جریان است. نتایج نشان می‌دهد که اگرچه داده‌های تحرک انسانی داده‌های Weibo نسبت به Baidu با داده‌های عفونت کمتر مرتبط است، اما می‌تواند تأثیر تحرک انسان را بر گسترش همه‌گیری نیز نشان دهد، که منعکس‌کننده سودمندی داده‌های Weibo در ارائه اطلاعات دینامیکی فضایی است.

۴٫ بحث

هدف از این مطالعه ارزیابی قابلیت اطمینان داده‌های ورودی و خروجی تولید شده توسط توییت‌های Weibo در مقیاس‌های مکانی-زمانی مختلف در مقایسه با داده‌های Baidu Qianxi و مقایسه همبستگی با مطالعه موردی انتقال COVID-19 است. نتایج تأیید می‌کند که داده‌های Weibo می‌توانند تحرک بین منطقه‌ای را نشان دهند، که با بیشتر ادبیات موجود در مجموعه داده توییتر [ ۳۶ ، ۳۷ ] مطابقت دارد، علاوه بر این، نتایج مقایسه‌ای کووید-۱۹ کاربرد آن را برای اکتشاف جنسیت شیوع بیماری همه‌گیر نشان می‌دهد. . با این حال، همچنین قابل توجه است که ناهمگونی مکانی-زمانی آشکاری در همبستگی وجود دارد که از ۰٫۴۵۹ تا ۰٫۷۵۸ در مقیاس فضایی متفاوت متغیر است.

از نظر تفاوت‌های مقیاس فضایی، همبستگی داده‌های کل استانی بیشتر از داده‌های سطح شهر است که با مطالعات قبلی مطابقت دارد [ ۷ ، ۳۸ ]. در حالی که اعتقاد بر این است که بین شمال و جنوب و شرق و غرب در چین تفاوت وجود دارد [ ۱۰ ]، تحقیقات ما بیشتر یک الگوی بالقوه “ساندویچ” را نشان می دهد، که نشان می دهد وسط چین منطقه ای با کمترین همبستگی است. این ممکن است به جمعیت متراکم تر و تعداد کمتر کاربران Weibo در این منطقه مربوط باشد. مطالعات قبلی نشان داد که این همبستگی می تواند با سوابق بیشتر جریان انسانی بهبود یابد [ ۳۹]. با این حال، نتیجه این مطالعه یک منحنی U شکل معکوس بین همبستگی و تعداد رکوردها را نشان می‌دهد که نشان می‌دهد حجم کمتر داده نیز می‌تواند منجر به همبستگی بالاتر شود. از منظر رتبه جریان، همبستگی کلی آن کمتر از تعداد جریان است. با این حال، در برخی مناطق بیشتر از تعداد جریان خواهد بود، به این معنی که رتبه فاصله تا مقصد ممکن است نقش مهمتری نسبت به فاصله فیزیکی ایفا کند [ ۴۰ ].

از نظر بعد زمانی، ضرایب همبستگی داده های ماهانه نسبتاً پایدار است، اما ضرایب همبستگی داده های هفتگی به طور قابل توجهی در طول زمان تغییر می کند که با مطالعات قبلی مطابقت دارد [ ۴۱ ]. مشخص شد که حرکت جمعیت در طول جشنواره بهار و روز اول ماه مه تأثیر زیادی بر همبستگی بین این دو منبع دارد، که نشان‌دهنده رفتارهای مختلف پست کردن Weibo در طول سفر و سایر جابجایی‌ها در مناسبت‌های مختلف است [ ۱۱ ]. همچنین اهمیت مدل‌سازی سری‌های زمانی را در این فایل تأیید کرد [ ۸ ].

بر اساس مطالعه موردی اپیدمی، دریافتیم که داده‌های Baidu و Weibo می‌توانند همبستگی بین حرکت جمعیت و انتقال همه‌گیری را منعکس کنند. این نشان می‌دهد که داده‌های Baidu بیشتر از داده‌های Weibo با انتقال COVID-19 مرتبط است، که توضیح می‌دهد که چرا بیشتر مطالعات مرتبط با COVID-19 بر اساس داده‌های Baidu Qianxi [ ۳۱ ، ۴۲ ] است. یک مطالعه مرتبط بر اساس ادغام اطلاعات مکانی و معنایی در داده‌های Weibo همبستگی بالاتری نسبت به ضرایب در این مقاله ارائه کرد [ ۴۳ ]. چنین شکافی حاکی از آن است که مکمل اطلاعات معنایی ممکن است توانایی توییت Weibo دارای برچسب جغرافیایی را برای ثبت ویژگی‌های تحرک انسان افزایش دهد.

به طور خلاصه، این مطالعه نشان داد که داده‌های برچسب‌گذاری شده جغرافیایی Weibo نماینده تحرک انسان است که با تحقیقات اخیر مطابقت دارد [ ۴۳ ]. با این حال، تحقیق ما موضوع ناهمگونی چند بعدی را مطرح می‌کند که در آینده با یادگیری‌های مرتبط و سایر مدل‌های مرتبط مورد بررسی قرار خواهد گرفت [ ۴۴ ].

۵٫ نتیجه گیری ها

این مطالعه قابلیت اطمینان داده های تحرک انسان تولید شده توسط توییت های Weibo را بر اساس ابعاد مختلف زمان، مکان و جهت جریان ارزیابی کرد. این ارزیابی به استفاده از سایر منابع داده باز رسانه های اجتماعی، مانند داده های توئیتر دارای برچسب جغرافیایی، که پوشش وسیع تری دارد، البته نه در چین، ارجاع می دهد. Weibo و Twitter با هم یک جریان باز و مداوم داده رسانه های اجتماعی از پوشش جهانی را فراهم می کنند. هنگامی که به درستی مورد استفاده قرار می گیرند، پتانسیل فوق العاده ای برای مطالعات دیگر مانند شناسایی ساختارهای فضایی، نظارت و کنترل انتقال همه گیر، و همکاران ارائه می دهند. برای روش‌شناسی مدل‌سازی در نظر گرفته شده، مدل‌های یادگیری تطبیق GNN و LSTM ممکن است در مطالعات آینده استفاده شود.

محدودیت های این مطالعه شامل موارد زیر است. اول، ناهمگنی زمانی مشاهده شده توسط داده های موجود Baidu Qianxi تنها پنج ماه محدود شده است. دوم، این مطالعه فقط ارتباط با Baidu Qianxi را به عنوان یک پروکسی برای قابلیت اطمینان، به جای ضبط میدانی حرکت واقعی انسان بررسی کرد.

منابع

بلی، ا. بوجیک، آی. سوبولفسکی، اس. سیتکو، آی. هاولکا، بی. رودیکوا، ال. کورباتسکی، آ. راتی، سی. شبکه جهانی چند لایه تحرک انسان. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۷ ، ۳۱ ، ۱۳۸۱–۱۴۰۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
چن، توسط; وانگ، ی. وانگ، دی. لی، کیو. لام، WHK; شاو، اس.-ال. درک تأثیرات تحرک انسان بر دسترسی با استفاده از داده های ردیابی عظیم تلفن همراه. ان صبح. دانشیار Geogr. ۲۰۱۸ ، ۱۰۸ ، ۱۱۱۵-۱۱۳۳٫ [ Google Scholar ] [ CrossRef ]
ژن، اف. Qin، X. بله، X. سان، اچ. Luosang, Z. تحلیل الگوهای توسعه شهری بر اساس روش تحلیل جریان. شهرها ۲۰۱۹ ، ۸۶ ، ۱۷۸–۱۹۷٫ [ Google Scholar ] [ CrossRef ]
درودر، بی. تیلور، نظریه جریان مرکزی PJ: اتصالات مقایسه ای در شبکه جهانی شهر. Reg. گل میخ. ۲۰۱۸ ، ۵۲ ، ۱۰۲۹-۱۰۴۰٫ [ Google Scholar ] [ CrossRef ]
ژائو، ک. تارکوما، اس. لیو، اس. Vo, H. داده کاوی تحرک انسانی شهری: یک مرور کلی. در مجموعه مقالات کنفرانس بین المللی IEEE در سال ۲۰۱۶ درباره داده های بزرگ (داده های بزرگ)، واشنگتن، دی سی، ایالات متحده آمریکا، ۵ تا ۸ دسامبر ۲۰۱۶؛ صفحات ۱۹۱۱-۱۹۲۰٫ [ Google Scholar ]
وانگ، ی. تیلور، JE احساسات جفت و تحرک انسان در بلایای طبیعی: مطالعه مبتنی بر توییتر از زلزله ناپا جنوبی ۲۰۱۴٫ نات خطرات ۲۰۱۸ ، ۹۲ ، ۹۰۷-۹۲۵٫ [ Google Scholar ] [ CrossRef ]
رضوان، م. وان، دبلیو. سروانتس، او. Gwiazdzinski، L. استفاده از داده‌های رسانه اجتماعی مبتنی بر مکان برای مشاهده رفتار ورود و تفاوت جنسیت: آوردن داده‌های Weibo به بازی. ISPRS Int. J. Geo-Inf. ۲۰۱۸ ، ۷ ، ۱۹۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
شیا، تی. یانگ، ک. وان، دبلیو. فنگ، ایکس. Yu, X. تعیین مناطق عملکردی شهری با داده‌های ورود به سیستم Sina Weibo: یک روش منطبق بر فاصله سری زمانی مبتنی بر LST-SVM چند طبقه‌بندی‌کننده. جی. کامپیوتر. ۲۰۱۹ ، ۳۰ ، ۱۳٫ [ Google Scholar ]
هوانگ، Q. Wong، DWS مدل‌سازی و تجسم الگوهای حرکتی منظم انسان با عدم قطعیت: مثالی با استفاده از داده‌های توییتر. ان دانشیار صبح. Geogr. ۲۰۱۵ ، ۱۰۵ ، ۱۱۷۹-۱۱۹۷٫ [ Google Scholar ] [ CrossRef ]
لیو، ایکس. درودر، بی. وانگ، ام. توسعه شهری چندمرکزی در چین: تجزیه و تحلیل چند مقیاسی. محیط زیست طرح. ب مقعد شهری. علوم شهر ۲۰۱۷ ، ۴۵ ، ۹۵۳-۹۷۲٫ [ Google Scholar ] [ CrossRef ]
آلمانی، ع. سینکلر، ام. جمع سپاری غیرفعال رسانه های اجتماعی در تحقیقات محیطی: یک نقشه سیستماتیک. گلوب. محیط زیست تغییر ۲۰۱۹ ، ۵۵ ، ۳۶-۴۷٫ [ Google Scholar ] [ CrossRef ]
سو، ایکس. اسپایرینگ، بی. دیجست، ام. تانگ، زی. تحلیل روندها در الگوهای رفتار مکانی-زمانی گردشگران و ساکنان سرزمین اصلی چین در هنگ کنگ بر اساس داده‌های Weibo. Curr. تور مسائل. ۲۰۲۰ ، ۲۳ ، ۱۵۴۲-۱۵۵۸٫ [ Google Scholar ] [ CrossRef ]
Stock، K. مکان استخراج از رسانه های اجتماعی: یک بررسی سیستماتیک. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۸ ، ۷۱ ، ۲۰۹-۲۴۰٫ [ Google Scholar ] [ CrossRef ]
مرکز، گزارش توسعه کاربر SWD Weibo 2020. در دسترس آنلاین: https://data.weibo.com/report/reportDetail?id=456 (در ۸ ژانویه ۲۰۲۱ قابل دسترسی است).
بایدو. بایدو کیانشی. در دسترس آنلاین: https://qianxi.baidu.com/ (در ۸ ژانویه ۲۰۲۱ قابل دسترسی است).
فیسمن، آر. لین، اچ. سان، سی. وانگ، ی. ژائو، دی. انگیزه رهبری غیر دموکراتیک: شواهدی از بازگشایی COVID-19 در چین. جی. اقتصاد عمومی. ۲۰۲۱ ، ۱۹۶ ، ۱۰۴۳۸۹٫ [ Google Scholar ] [ CrossRef ]
جیانگ، ی. دنگ، س. لی، اچ. لیو، ی. پیش بینی شخصیت کاربر با تعاملات اجتماعی در Weibo. Aslib J. Inf. مدیریت ۲۰۲۱ ، ۷۳ ، ۸۳۹-۸۶۴٫ [ Google Scholar ] [ CrossRef ]
وانگ، ی. وو، پی. لیو، ایکس. لی، اس. زو، تی. ژائو، ن. رفاه ذهنی کاربران چینی Sina Weibo در قفل مسکونی در طول همه‌گیری COVID-19: تجزیه و تحلیل یادگیری ماشین. جی. مد. Internet Res. ۲۰۲۰ ، ۲۲ ، e24775. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Tandoc، EC; Eng, N. ارتباط تغییر آب و هوا در فیس بوک، توییتر، سینا ویبو، و دیگر پلتفرم های رسانه های اجتماعی ؛ انتشارات دانشگاه آکسفورد: آکسفورد، بریتانیا، ۲۰۱۷٫ [ Google Scholar ] [ CrossRef ]
وو، ک. وو، جی. دینگ، دبلیو. تانگ، آر. استخراج اطلاعات فاجعه بر اساس سینا ویبو در چین: مطالعه موردی طوفان لکیما ۲۰۱۹٫ بین المللی J. کاهش خطر بلایا. ۲۰۲۱ , ۶۰ , ۱۰۲۳۰۴٫ [ Google Scholar ] [ CrossRef ]
میائو، آر. وانگ، ی. لی، اس. تجزیه و تحلیل الگوهای فضایی شهری و مناطق عملکردی با استفاده از داده های POI Sina Weibo: مطالعه موردی پکن. پایداری ۲۰۲۱ ، ۱۳ ، ۶۴۷٫ [ Google Scholar ] [ CrossRef ]
بله، سی. ژانگ، اف. مو، ال. گائو، ی. لیو، ی. تشخیص عملکرد شهری با ادغام رسانه های اجتماعی و تصاویر در سطح خیابان. محیط زیست طرح. ب مقعد شهری. علوم شهر ۲۰۲۰ ، ۴۸ ، ۱۴۳۰-۱۴۴۴٫ [ Google Scholar ] [ CrossRef ]
هو، کیو. بای، جی. وانگ، اس. Ai، M. رویکرد استخراج و نظارت بر منطقه تجاری شهری پویا با استفاده از داده‌های ورود از Weibo. حفظ کنید. جامعه شهرها ۲۰۱۹ ، ۴۵ ، ۵۰۸–۵۲۱٫ [ Google Scholar ] [ CrossRef ]
کای، جی. هوانگ، بی. Song, Y. استفاده از داده های بزرگ جغرافیایی چند منبعی برای شناسایی ساختار شهرهای چند مرکزی. سنسور از راه دور محیط. ۲۰۱۷ ، ۲۰۲ ، ۲۱۰-۲۲۱٫ [ Google Scholar ] [ CrossRef ]
ژن، اف. کائو، ی. Qin، X. وانگ، ب. تعیین مرز تجمع شهری بر اساس داده‌های ورود به میکروبلاگ سینا ویبو: مطالعه موردی دلتای رودخانه یانگ تسه. شهرها ۲۰۱۷ ، ۶۰ ، ۱۸۰-۱۹۱٫ [ Google Scholar ] [ CrossRef ]
ژانگ، دبلیو. درودر، بی. وانگ، جی. شن، دبلیو. Witlox، F. استفاده از رسانه های اجتماعی مبتنی بر مکان برای ترسیم الگوهای حرکت مردم بین شهرها: مورد کاربران Weibo در دلتای رودخانه یانگ تسه. J. فناوری شهری. ۲۰۱۶ ، ۲۳ ، ۹۱-۱۱۱٫ [ Google Scholar ] [ CrossRef ]
کیائو، م. وانگ، ی. وو، اس. فو، ایکس. گو، ی. دوو، ام. اندازه گیری واقعی و چند سطحی الگوهای فضایی در سطح شهر تفکیک اقتصادی بر اساس فعالیت های انسانی. Cities ۲۰۲۱ , ۱۱۰ , ۱۰۳۰۶۷٫ [ Google Scholar ] [ CrossRef ]
وانگ، اف. گو، ام. گوا، ایکس. نیو، ف. تحقیق در مورد ساختار فضایی سلسله مراتبی تراکم شهری خم جی شکل رودخانه زرد. پیچیدگی ۲۰۲۱ ، ۲۰۲۱ ، ۲۲۹۳۵۲۴٫ [ Google Scholar ] [ CrossRef ]
وی، اس. وانگ، ال. بررسی شبکه جریان جمعیت در چین و پیامدهای آن برای کنترل همه‌گیری بر اساس داده‌های مهاجرت بایدو. انسانی. Soc. علمی اشتراک. ۲۰۲۰ ، ۷ ، ۱۴۵٫ [ Google Scholar ] [ CrossRef ]
لو، دی. شیائو، دبلیو. خو، جی. ها، ال. یانگ، دی. الگوهای فضایی-زمانی و عوامل مؤثر بر شبکه‌های مهاجرت انسانی در چین در طول COVID-19. Geogr. حفظ کنید. ۲۰۲۱ ، ۲ ، ۲۶۴-۲۷۴٫ [ Google Scholar ] [ CrossRef ]
چن، ز. گونگ، ز. یانگ، اس. ما، س. کان، سی. تأثیر رویدادهای آب و هوایی شدید بر جریان انسانی شهری: چشم اندازی از داده های خدمات مبتنی بر مکان. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۰ , ۸۳ , ۱۰۱۵۲۰٫ [ Google Scholar ] [ CrossRef ]
لیو، ال. هو، تی. بائو، اس. وو، اچ. پنگ، ز. وانگ، آر. اثر متقابل مکانی-زمانی انتقال COVID-19 در ایالات متحده. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۳۸۷٫ [ Google Scholar ] [ CrossRef ]
پنگ، ز. وانگ، آر. لیو، ال. وو، اچ. بررسی ویژگی‌های فضایی شهری انتقال COVID-19 در ووهان بر اساس داده‌های رسانه‌های اجتماعی. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۴۰۲٫ [ Google Scholar ] [ CrossRef ]
Chai, Y. Weibo User Historical Posts Tagged Datasets , ۶th ed.; Harvard Dataverse: Cambridge, MA, USA, 2021. [ Google Scholar ] [ CrossRef ]
هو، تی. گوان، دبلیو دبلیو. زو، ایکس. شائو، ی. لیو، ال. دو، ج. لیو، اچ. ژو، اچ. وانگ، جی. او، بی. و همکاران ساخت یک مخزن منابع باز برای تحقیقات COVID-19. اطلاعات اطلاعات مدیریت ۲۰۲۰ ، ۴ ، ۱۳۰-۱۴۷٫ [ Google Scholar ]
جوردک، ر. ژائو، ک. لیو، جی. ابوجاود، م. کامرون، ام. نیوث، دی. درک تحرک انسان از توییتر. PLoS ONE ۲۰۱۵ ، ۱۰ ، e0131469. [ Google Scholar ] [ CrossRef ]
اسپیراتوس، اس. وسپه، م. ناتال، اف. وبر، آی. زاغنی، ا. Rango، M. کمی سازی الگوهای بین المللی تحرک انسانی با استفاده از داده های شبکه فیس بوک. PLoS ONE ۲۰۱۹ , ۱۴ , e0224134. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یان، X.-Y.; وانگ، W.-X. گائو، Z.-Y. لای، Y.-C. مدل جهانی تحرک فردی و جمعیتی در مقیاس‌های مختلف فضایی. نات اشتراک. ۲۰۱۷ ، ۸ ، ۱۶۳۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
کوی، ی. Xie، X. لیو، ی. رسانه های اجتماعی و چشم انداز تحرک: کشف الگوهای فضایی تحرک انسانی شهری با داده های چند منبعی. جلو. محیط زیست علمی مهندس ۲۰۱۸ ، ۱۲ ، ۷٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
نولاس، ا. اسکلاتو، اس. لامبیوت، آر. پونتیل، ام. ماسکولو، سی. داستان بسیاری از شهرها: الگوهای جهانی در تحرک شهری انسان. PLoS ONE ۲۰۱۲ ، ۷ ، e37027. [ Google Scholar ] [ CrossRef ]
سکارا، وی. استوپچینسکی، آ. Lehmann, S. ساختارهای بنیادی شبکه های اجتماعی پویا. Proc. Natl. آکادمی علمی USA ۲۰۱۶ , ۱۱۳ , ۹۹۷۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
بای، ال. لو، اچ. متعجب.؛ اسمیت، MK; هریپرسود، ک. لیپکووا، وی. ون، ی. گوا، ایکس. پنگ، دبلیو. لیو، سی. و همکاران ارزیابی استراتژی‌های از سرگیری کار پس از بازگشایی COVID-19 در شهر شنژن چین: یک مطالعه مدل‌سازی ریاضی. بهداشت عمومی ۲۰۲۱ ، ۱۹۳ ، ۱۷-۲۲٫ [ Google Scholar ] [ CrossRef ]
بله، X. لی، اس. پنگ، کیو. سنجش تعامل بین شهرهای چین: رویکرد آگاهی جغرافیایی با داده های رسانه های اجتماعی. Cities ۲۰۲۱ , ۱۰۹ , ۱۰۳۰۴۱٫ [ Google Scholar ] [ CrossRef ]
Terroso-Sáenz، F. Muñoz، A. پیش بینی تحرک انسان در سراسر کشور بر اساس شبکه های عصبی گراف. Appl. هوشمند ۲۰۲۱ ، ۱-۱۷٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ ساختار داده نقشه Baidu Qianxi.

شکل ۲٫ جریان های هفتگی و ماهانه بین شهری از Baidu Qianxi. عرض خطوط تعداد جریان‌های بین شهرها را منعکس می‌کند، در حالی که داده‌های ماهانه و هفتگی به طور متناسب برای وضوح بصری مقیاس‌بندی شدند.