تجزیه و تحلیل رفت و آمد منطقه شهری بوداپست با استفاده از داده های شبکه تلفن همراه

چکیده

تجزیه و تحلیل الگوهای حرکت انسان بر اساس داده های شبکه تلفن همراه امکان بررسی مقرون به صرفه جمعیت بسیار زیادی را فراهم می کند و منجر به چندین اکتشاف در مورد پویایی انسان شده است. با این حال، استفاده از این منبع داده هنوز یک روش معمول نیست. هدف این مطالعه تجزیه و تحلیل گرایش های رفت و آمد در منطقه شهری بوداپست با استفاده از داده های شبکه تلفن همراه به عنوان مطالعه موردی و پیشنهاد یک رویکرد جایگزین خودکار برای روش فعلی و مبتنی بر پرسشنامه بود، زیرا رفت و آمد عمدتاً توسط سرشماری تحلیل می شود. تنها یک بار در دهه در مجارستان اجرا می شود. برای تحلیل رفت و آمد، مکان منزل و محل کار مشترکین تلفن همراه بر اساس ظاهر آنها در ساعات کاری و خارج از آن تعیین شد. مکان های خانه شناسایی شده مشترکین با داده های سرشماری در سطح شهرک مقایسه شد. سپس گرایش های رفت و آمد در سطح سکونتگاه و منطقه شناسایی و با یافته های مطالعات جامعه شناختی مبتنی بر سرشماری مقایسه شد. مشخص شد که تجزیه و تحلیل رفت و آمد بر اساس داده های شبکه تلفن همراه به شدت با یافته های مبتنی بر سرشماری همبستگی دارد، حتی اگر مکان خانه و محل کار با روش های آماری برآورد شده باشد. تمام جنبه های مورد بررسی، از جمله رفت و آمد از بخش های تجمع به مناطق بوداپست و توزیع بر اساس گروه سنی مسافران، نشان داد که داده های شبکه تلفن همراه می تواند راهی خودکار، سریع، مقرون به صرفه و نسبتا دقیق باشد. تجزیه و تحلیل رفت و آمد، که می تواند ابزار قدرتمندی برای جامعه شناسان علاقه مند به رفت و آمد باشد. گرایش های رفت و آمد در سطح سکونتگاه و منطقه شناسایی و با یافته های مطالعات جامعه شناختی مبتنی بر سرشماری مقایسه شد. مشخص شد که تجزیه و تحلیل رفت و آمد بر اساس داده های شبکه تلفن همراه به شدت با یافته های مبتنی بر سرشماری همبستگی دارد، حتی اگر مکان خانه و محل کار با روش های آماری برآورد شده باشد. تمام جنبه های مورد بررسی، از جمله رفت و آمد از بخش های تجمع به مناطق بوداپست و توزیع بر اساس گروه سنی مسافران، نشان داد که داده های شبکه تلفن همراه می تواند راهی خودکار، سریع، مقرون به صرفه و نسبتا دقیق باشد. تجزیه و تحلیل رفت و آمد، که می تواند ابزار قدرتمندی برای جامعه شناسان علاقه مند به رفت و آمد باشد. گرایش های رفت و آمد در سطح سکونتگاه و منطقه شناسایی و با یافته های مطالعات جامعه شناختی مبتنی بر سرشماری مقایسه شد. مشخص شد که تجزیه و تحلیل رفت و آمد بر اساس داده های شبکه تلفن همراه به شدت با یافته های مبتنی بر سرشماری همبستگی دارد، حتی اگر مکان خانه و محل کار با روش های آماری برآورد شده باشد. تمام جنبه های مورد بررسی، از جمله رفت و آمد از بخش های تجمع به مناطق بوداپست و توزیع بر اساس گروه سنی مسافران، نشان داد که داده های شبکه تلفن همراه می تواند راهی خودکار، سریع، مقرون به صرفه و نسبتا دقیق باشد. تجزیه و تحلیل رفت و آمد، که می تواند ابزار قدرتمندی برای جامعه شناسان علاقه مند به رفت و آمد باشد. مشخص شد که تجزیه و تحلیل رفت و آمد بر اساس داده های شبکه تلفن همراه به شدت با یافته های مبتنی بر سرشماری همبستگی دارد، حتی اگر مکان خانه و محل کار با روش های آماری برآورد شده باشد. تمام جنبه های مورد بررسی، از جمله رفت و آمد از بخش های تجمع به مناطق بوداپست و توزیع بر اساس گروه سنی مسافران، نشان داد که داده های شبکه تلفن همراه می تواند راهی خودکار، سریع، مقرون به صرفه و نسبتا دقیق باشد. تجزیه و تحلیل رفت و آمد، که می تواند ابزار قدرتمندی برای جامعه شناسان علاقه مند به رفت و آمد باشد. مشخص شد که تجزیه و تحلیل رفت و آمد بر اساس داده های شبکه تلفن همراه به شدت با یافته های مبتنی بر سرشماری همبستگی دارد، حتی اگر مکان خانه و محل کار با روش های آماری برآورد شده باشد. تمام جنبه های مورد بررسی، از جمله رفت و آمد از بخش های تجمع به مناطق بوداپست و توزیع بر اساس گروه سنی مسافران، نشان داد که داده های شبکه تلفن همراه می تواند راهی خودکار، سریع، مقرون به صرفه و نسبتا دقیق باشد. تجزیه و تحلیل رفت و آمد، که می تواند ابزار قدرتمندی برای جامعه شناسان علاقه مند به رفت و آمد باشد.

کلید واژه ها:

داده های شبکه تلفن همراه ; سوابق جزئیات تماس ; تجزیه و تحلیل داده ها ؛ تحرک انسان ؛ تحرک شهری ; حس اجتماعی ; جغرافیای شهری ; جامعه شناسی شهری ; رفت و آمد ; پایداری

۱٫ مقدمه

مجارستان یک کشور معمولی سرمایه محور است. بوداپست مرکز سیاسی، اقتصادی، لجستیکی و فرهنگی کشور است که تقریباً ۱۸٪ از جمعیت در آن زندگی می کنند [ ۱ ]. در سال ۲۰۱۷، جمعیت بوداپست ۱,۷۴۹,۷۳۴ نفر و جمعیت شهرستان پست ۱,۲۴۷,۳۷۲ نفر بوده است. طبق آمار اداره مرکزی آمار مجارستان (HCSO) در کلمره بوداپست، ۸۳۷۵۳۲ نفر زندگی می کردند [ ۲ ]. رودخانه دانوب شهر را به دو قسمت بودا و پست تقسیم می کند.

بوداپست به دلیل نقش مرکزی خود نیروی کار را از منطقه نسبتاً وسیعی جذب می کند. این فرآیند ارتباطی بین پایتخت و سکونتگاه های اطراف برقرار می کند که به آن رفت و آمد می گویند. به گفته کیس و ماتیوس [ ۳]، رفت و آمد رابطه بین دو مکان است. ساکنان یک مکان منبع برای کار/تحصیل به مکان دیگری سفر می کنند. به این می گویند “خارج رفت و آمد”. محل مورد نظر نیروی کاری را دریافت می کند که به آن «در رفت و آمد» می گویند. از دست دادن مکان منبع از این واقعیت ناشی می شود که (i) مسافر خارج از کشور از منابع محلی استفاده نمی کند، (ii) ارزش ایجاد نمی کند، (iii) رابطه خود را با مکان منبع کاهش می دهد، زیرا تا حدی به مکان دیگری منتقل می شود. مکان هدف، و (iv) اگرچه درآمدی را به ارمغان می آورد، اما تا حدی در جای دیگری خرج می شود. از سوی دیگر، مکان مورد نظر (۱) منابع انسانی را به دست می آورد، (۲) می تواند ارزش بیشتری را در مکان ایجاد کند، (۳) روابط محلی و جامعه قوی تر می شود و (v) مصرف محلی افزایش می یابد.

کیس و ماتیوس بیان می کنند که اگرچه رفت و آمد یک پدیده مهم و رایج است، اما اندازه گیری آن با پرسشنامه (به عنوان مثال، [ ۴ ]) گاه به گاه و برای درک گرایش های دقیق ناکافی است [ ۳ ]. رفت و آمد با داده های سرشماری تجزیه و تحلیل می شود (به عنوان مثال، [ ۳ ، ۵ ، ۶ ، ۷ ، ۸ ، ۹ ، ۱۰]) به تفصیل، اما فقط یک بار در دهه (در مجارستان) انجام می شود و بنابراین نمی تواند تغییرات ناگهانی اما دائمی را دنبال کند. به این دلایل، رفت و آمد باید بیشتر مورد بررسی قرار گیرد. هدف این مقاله ارائه یک نمای کلی روش شناختی برای این کار با استفاده از داده های شبکه تلفن همراه و در عین حال، مطالعه موردی در مورد رفت و آمد در منطقه شهری بوداپست است.

از آنجایی که پرسش از جمعیت یک کار کند، خسته کننده و پرهزینه است، خودکار کردن فرآیند با فناوری های ارتباطات اطلاعاتی موجود (ICT) بدیهی است. در این مطالعه، استفاده از پردازش ثبت جزئیات تماس (CDR) برای بررسی رفت و آمد پیشنهاد شده است و یافته‌ها با نتایج مطالعاتی که رفت‌وآمد را با استفاده از داده‌های سرشماری تجزیه و تحلیل کرده‌اند، تایید می‌شوند. در بسیاری از موارد، یافته‌ها به شکلی که تا حد امکان نزدیک به آن نتایج است ارائه می‌شود تا به مقایسه کمک کند.

این مقاله ارتباط تنگاتنگی با آثار قبلی نویسندگان دارد. در [ ۱۱ ]، چارچوب تشخیص خانه و محل کار با برخی از تجزیه و تحلیل رفت و آمد در سطح کلان به عنوان اعتبار معرفی شد. با این حال، در این مطالعه، گرایش های رفت و آمد منطقه شهری بوداپست با جزئیات بیشتری تحلیل می شود. در [ ۱۲ ]، تفاوت های زمانی در فعالیت شبکه تلفن همراه بین مناطق بوداپست، همراه با زمان های معمولی که گروهی از مشترکین از دیدگاه شبکه تلفن همراه “بیدار می شوند” نشان داده شده است. برخی تحلیل ها در رابطه با طول ساعات کاری نیز ارائه شده است.

مطالب این مقاله به طور خلاصه به شرح زیر است:

۱٫: با استفاده از داده های شبکه تلفن همراه ناشناس، گرایش های رفت و آمد منطقه شهری بوداپست تجزیه و تحلیل می شود.
۲٫: روند رفت و آمد در سطح سکونتگاه با مطالعات رفت و آمد مبتنی بر سرشماری قبلی مقایسه شده است.
۳٫: اسکریپت ها و پرسش های مورد استفاده برای مطالعه در دسترس قرار گرفته است.

بقیه این مقاله به شرح زیر سازماندهی شده است. ابتدا، مروری بر ادبیات مختصر در بخش ۲ ارائه می کنیم . داده های استفاده شده و روش شناسی در بخش ۳ توضیح داده شده است . سپس، در بخش ۴ ، نتایج این مطالعه موردی مورد بحث قرار گرفته است. در نهایت، در بخش ۵ ، یافته های مقاله خلاصه می شود.

۲٫ بررسی ادبیات

شناسایی محل کار و منزل مشترکین تلفن همراه بخش مشترک و مهمی از پردازش CDR است، زیرا بخش زیادی از مردم زندگی خود را در منطقه ای می گذرانند که تنها توسط خانه و محل کار آنها تعیین می شود [ ۱۳ ، ۱۴ ]. از آنجایی که این مکان‌ها اساساً آداب جابجایی افراد را تعیین می‌کنند، می‌توان روند رفت و آمد را بین این مکان‌ها تحلیل کرد. رفت و آمد با استفاده از داده های شبکه تلفن همراه در داخل یک شهر [ ۱۴ ، ۱۵ ] یا بین شهرها [ ۱۶ ، ۱۷ ، ۱۸ ، ۱۹ ] مطالعه می شود و همچنین توسط داده های شبکه های اجتماعی، مانند توییتر [ ۲۰ ، ۲۱ ، ۲۲ ] بررسی می شود.].

چندین روش برای تعیین مکان خانه شناخته شده است. ونهوف و همکاران مقایسه پنج الگوریتم تشخیص خانه مختلف (HDA)، انتخاب سلول خانه با (i) بیشترین فعالیت، (ب) بیشترین تعداد روز متمایز با فعالیت های تلفن، (iii) بیشترین فعالیت ها در یک بازه زمانی (بین ۱۹:۰۰) و ۷:۰۰)، (IV) بیشترین فعالیت ها در یک محیط فضایی، و (v) ترکیبی از محدودیت های زمانی و مکانی [ ۲۳ ]. روش نشان داده شده در این مقاله از بیشترین فعالیت ها در یک بازه زمانی استفاده می کند ( بخش ۳٫۳ ).

در حالی که Vanhoof و همکاران. مقایسه الگوریتم های مختلف، پاپالاردو و همکاران. [ ۲۴ ] انواع مختلف داده های شبکه تلفن همراه (CDR، رکورد جزئیات گسترده (XDR) و رکورد صفحه کنترل (CPR)) را برای تخمین مکان های خانه مقایسه کرد. علاوه بر این، آنها مکان های تخمینی خانه شصت و پنج مشترک را با مختصات جغرافیایی شناخته شده محل سکونت آنها تأیید کردند. آنها دریافتند که XDR ها باید هنگام انجام تشخیص مکان خانه ترجیح داده شوند.

Csáji و همکاران متداول ترین مکان مشترکین را تعیین کرد و بر اساس الگوهای تماس هفتگی، مکان خانه و محل کار را شناسایی کرد که همبستگی قوی با آمار جمعیت نشان داد [ ۲۵ ]. آنها همچنین دریافتند که فواصل رفت و آمد را می توان به خوبی با یک مدل گرانشی توضیح داد.

علاوه بر مکان خانه و محل کار – و فاصله بین آنها – از شاخص های دیگری برای اندازه گیری تحرک مشترکین استفاده می شود. یکی از محبوب‌ترین آنها، شعاع چرخش، ناحیه‌ای از دایره را تعریف می‌کند که معمولاً یک فرد در آن قرار دارد [ ۲۶ ]. پاپالاردو و همکاران از شعاع چرخش برای جداسازی مشترکین بر اساس آداب تحرک آنها استفاده کرد و دو کلاس را تعریف کرد: بازگشت کنندگان و کاوشگران [ ۱۳ ]. در حالی که در مورد بازگشت کنندگان، شعاع چرخش تحت تأثیر حرکت آنها بین چند مکان ترجیحی بود، کاوشگران تمایل داشتند بین تعداد بیشتری از مکان های مختلف سفر کنند. برای نشان دادن این دوگانگی، آنها شعاع k چرخش را تعریف کردند که به شعاع چرخش k اشاره دارد.پرتکرارترین مکان ها شعاع چرخش دو برگردان توسط دو مکان پر رفت و آمد، معمولاً محل کار و خانه [ ۱۳ ] تعیین می شود، بنابراین این روش می تواند به عنوان یک الگوریتم تشخیص خانه نیز استفاده شود.

خو و همکاران مکان های خانه را تعیین کرد و سپس یک فاصله استاندارد اصلاح شده را برای اندازه گیری گسترش فضای فعالیت هر مشترک اعمال کرد [ ۲۷ ]. این فضاهای فعالیت از نظر مفهومی به شعاع چرخش شباهت داشتند، اما مرکز به جای مرکز جرم مکان ها، مکان خانه بود.

به عنوان بخشی از چالش داده برای توسعه (D4D)، مجموعه داده های شبکه تلفن همراه متعدد از ساحل عاج (و بعداً سنگال) برای تحقیق در دسترس قرار گرفت. “هدف این چالش کمک به رسیدگی به مسائل توسعه جامعه به روش های جدید از طریق کمک به توسعه اجتماعی-اقتصادی و رفاه جمعیت ساحل عاج بود” [ ۲۸ ]. مقالات ارائه شده در کنفرانس حاصل (NetMob 2013) با ردیابی تحرک، فعالیت های اقتصادی و اجتماعی و اپیدمی ها [ ۲۹ ] سروکار داشت. علاوه بر مزایای علمی، نگرانی های اخلاقی و حفظ حریم خصوصی نیز مطرح شد [ ۲۹ ]. دونگ و همکاران با استفاده از مجموعه داده های مشابه. کارایی شبکه های حمل و نقل را اندازه گیری کرد [ ۳۰]، و Šćpanović و همکاران. الگوهای رفت و آمد در ساحل عاج را تحلیل کرد و از آنها به عنوان معیاری برای سنجش فقر استفاده کرد [ ۳۱ ].

جیانگ و همکاران الگوهای فعالیت روزانه (نقوش) را شناسایی کرد که می تواند روال روزانه مبتنی بر مکان خانه-کار را گسترش دهد [ ۱۴ ]. مکان خانه با نتایج سرشماری و بررسی سفر خانوار تایید شد. شی و همکاران از یک رویکرد نقشه چگالی هسته استفاده کردند که از آن سه نوع الگوی جامعه را متمایز کردند: الگوهای تک مرکزی، دو محوری و ناحیه ای. یین و همکاران انواع مختلف فعالیت (خانه، محل کار، اوقات فراغت و مدرسه) را با زنجیره‌های فعالیت جدا کرد و رویکردهای متفاوتی را برای یک هدف مشابه ارائه کرد. دیائو و همکاران برای پیش‌بینی نوع فعالیت (به عنوان مثال، خانه، محل کار یا اجتماعی) داده‌های مکان تلفن همراه با در نظر گرفتن توزیع‌های زمانی فعالیت‌های مختلف، از یک مدل رگرسیون برای داده‌های پیمایش سفر استفاده کرد.۳۳ ].

مامی و همکاران جریان‌های مبدأ-مقصد را با نقشه‌برداری شبکه جاده محاسبه کرد و همچنین تخمین مکان خانه را با داده‌های سرشماری تأیید کرد [ ۱۷ ]. سکامانی و همکاران انتخاب مسیر در سطح خیابان مشترکین را برای مدلسازی حمل و نقل استنباط کرد [ ۳۴ ]. پس از برآورد مکان خانه و محل کار، مجموعه‌ای از انتخاب‌های مسیر بالقوه از Google Maps Directions API، از جمله انتخاب ماشین و حمل‌ونقل عمومی به‌دست آمد. برخلاف [ ۱۷ ، ۳۴ ]، این مطالعه وسایل حمل و نقل را در نظر نگرفت، فقط جفت مبدا-مقصد را در نظر گرفت.

دانمان و همکاران [ ۳۵ ] شهر سانتیاگو (شیلی) را به چندین جامعه تقسیم کرد و ترکیب اجتماعی-اقتصادی این جوامع را بر اساس مسیر خانه-کار شناسایی کرد. حداچی و همکاران مسیرها را بازسازی کرد و ماتریس مبدا-مقصد را برای تجزیه و تحلیل الگوهای رفت و آمد استخراج کرد [ ۳۶ ]. آنها خانه‌های شناسایی‌شده را تأیید کردند، که نشان‌دهنده همبستگی قوی بین داده‌های ثبت خانه بود، اما نه الگوهای رفت‌وآمد.

بورگدورف و همکاران حمل و نقل مسافر از راه دور (بیش از ۵۰ کیلومتر) در آلمان، از جمله وسایل حمل و نقل [ ۱۸ ] را تحلیل کرد. آنها از داده های شبکه تلفن همراه به عنوان جایگزینی برای رویکرد سنتی، با استفاده از داده های آماری رسمی و بررسی های خانگی و کنار جاده ای استفاده کردند. بورگدورف و همکاران دریافتند که رویکرد شبکه تلفن همراه به طور کلی با مرجع مقادیر کلی سازگار است، اما انحرافات قابل توجهی در سطح جفت مبدا-مقصد وجود دارد [ ۱۸ ].

حداچی و همکاران رفت و آمد به تالین، استونی از شهرداری های همسایه را مورد بررسی قرار داد [ ۳۶ ]. Šveda و Barlík همچنین جریان رفت و آمد از شهرداری ها به براتیسلاوا، اسلواکی را تجزیه و تحلیل کردند. با این حال، این مطالعات نسبت های رفت و آمد را با سرشماری تایید نکردند.

Pálóczi رفت و آمد در سراسر کشور در مجارستان را با استفاده از روش های تجزیه و تحلیل شبکه پیچیده، بر اساس داده های سرشماری سال ۲۰۱۱ تجزیه و تحلیل کرد [ ۶ ]. او سکونتگاه‌ها را به‌عنوان گره‌ها، و مسافران را به‌عنوان لبه‌ای هدایت‌شده بین گره‌ها در نظر گرفت، سپس نابرابری را اعمال کرد. Y2) پارامتر [ ۳۷ ]، که برای اندازه گیری ناهمگنی روابط وزنی ایجاد شده است. اگر Y2نزدیک به یک است، به این معنی است که یک مقصد بر رفت و آمد غالب است. Pálóczi نشان داد که وابستگی به رفت و آمد در اطراف بوداپست، بلکه در اطراف Győr و Székesfehérvár [ ۶ ]، و همچنین در مراکز مناطق اشتغال (به عنوان مثال، شهرهای اصلی شهرستانها) بالا بود.

رفت و آمد به طور سنتی توسط داده های سرشماری یا پرسشنامه های هدایت شده تجزیه و تحلیل می شود. پرسش از جمعیت نیازمند کار میدانی است که کاری کند، خسته کننده و پرهزینه است. بنابراین، فقط گاهی اوقات انجام می شود، اگرچه داده های مکررتر می تواند به بهینه سازی سیستم حمل و نقل عمومی یا برای مثال نظارت بر ساختار جامعه کمک کند. استفاده از فناوری‌های ارتباطات اطلاعاتی مانند شبکه تلفن همراه می‌تواند تحلیلی مقرون‌به‌صرفه‌تر، مکرر و در سطح کشور از رفت و آمد ارائه کند.

تشخیص مکان خانه توسط داده های شبکه تلفن همراه یک روش رایج در ادبیات است. HDA های مختلف توصیف و مقایسه شده اند، همچنین با استفاده از انواع مختلف داده های شبکه تلفن همراه. مکان های خانه شناسایی شده اغلب با داده های رسمی جمعیت تایید می شوند. با تشخیص محل کار، رفت و آمد در مقیاس کوچکتر و بزرگتر نیز تحلیل شده است. در این مطالعه، نه تنها تشخیص خانه و محل کار از طریق داده‌های سرشماری تایید می‌شود، بلکه خود گرایش‌های رفت و آمد در سطح شهرک نیز تایید می‌شود. در مجارستان، رفت و آمد عمدتاً توسط داده‌های سرشماری تجزیه و تحلیل می‌شود، که به عنوان مرجعی برای تأیید نتایج مبتنی بر CDR استفاده می‌شود.

۳٫ داده ها و روش ها

Vodafone مجارستان، یکی از سه اپراتور تلفن همراه ارائه دهنده خدمات در مجارستان با ۲۵٫۵ درصد سهم بازار در سه ماهه دوم سال ۲۰۱۷ [ ۳۸ ]، مجموعه داده شبکه تلفن همراه ناشناس را برای این مطالعه ارائه کرد. دوره مشاهده یک ماه، آوریل ۲۰۱۷ بود. منطقه مشاهده بوداپست، پایتخت مجارستان، و تجمع آن بود که در شکل ۱ a در رابطه با شهرستان آفت نشان داده شده است. مساحت پایتخت و متراکم به ترتیب ۵۲۵ کیلومتر مربع ^و ۲۵۳۸ کیلومتر مربع ^است . بوداپست توسط HCSO که بعداً در این مطالعه به آن اشاره شد و در شکل ۱ ب نشان داده شده است به هفت گروه منطقه تقسیم می شود.

شبکه تلفن همراه در طول فعالیت خود به طور مداوم با تلفن های همراه در ارتباط است. این ارتباط را می‌توان به دو دسته تقسیم کرد: (۱) ارتباط غیرفعال و سوئیچینگ سلولی که تلفن‌های همراه را برای استفاده از شبکه تلفن همراه در هر زمان آماده نگه می‌دارد و (ب) استفاده فعال و صورتحساب شبکه تلفن همراه از جمله تماس‌های تلفنی. پیام های متنی یا استفاده از اینترنت تلفن همراه. بنابراین، سوابق جزئیات تماس (CDRs) برای مقاصد صورت‌حساب جمع‌آوری می‌شوند و حاوی اطلاعاتی در مورد مشترک، زمان فعالیت، و مکان (از طریق سلول)، محل وقوع فعالیت هستند، اگرچه سوابق شامل هیچ‌یک از نوع فعالیت (تماس صوتی، پیام، انتقال داده) و نه جهت (ورودی، خروجی).

مجموعه داده ها شامل ۹۵۵,۰۳۵,۱۶۹ CDR جمع آوری شده توسط اپراتور برای مقاصد صورتحساب، از ۱,۶۲۹,۲۷۵ سیم کارت بود. شکل ۲ توزیع فعالیت شبکه تلفن همراه را بین دسته های فعالیت سیم کارت ها نشان می دهد. قسمت سمت چپ شکل تعداد CDR هایی را که یک گروه از سیم کارت ها تولید کرده اند نشان می دهد. قسمت سمت راست شکل تعداد سیم کارت های آن گروه را نشان می دهد. تنها ۱۷٫۶۷ درصد از سیم‌کارت‌هایی که بیش از ۱۰۰۰ CDR تولید می‌کنند، اکثریت (۷۵٫۴۸ درصد) از فعالیت تلفن همراه را در طول دوره مشاهده انجام می‌دهند. شکل ۳ساختار مشابهی دارد و توزیع سیم کارت ها را بر اساس تعداد روزهای فعال نشان می دهد. تنها حدود یک سوم (۳۳٫۲۳%) سیم کارت ها حداقل در ۲۱ روز مختلف فعالیت دارند. با وجود تعداد نسبتاً زیادی سیم کارت های موجود در داده ها، اکثر آنها به اندازه کافی فعال نبودند تا اطلاعات کافی در مورد عادت های حرکتی کاربران خود ارائه دهند.

داده های شبکه تلفن همراه ارائه شده به ترتیب در حدود ۶۶٫۱۷ درصد و ۷۰٫۷۶ درصد از سن و جنسیت مشترکین تلفن همراه را شامل می شود. شکل ۴ الف تعداد مشترکین را بر اساس رده سنی و جنسیت نشان می دهد. شکل ۴ ب نسبت CDRهای تولید شده مشترکین را بر اساس رده سنی و جنسیت نشان می دهد. توجه داشته باشید که مشترکین بدون اطلاعات سنی از ارقام حذف شده اند. اکثر اشتراک‌های Vodafone – با اطلاعاتی در مورد سن مشترک – متعلق به مردان چهل ساله بودند. همچنین در شکل ۴ ب قابل توجه است که بیشتر فعالیت شبکه تلفن همراه توسط دستگاه های متعلق به مشترکین سی یا چهل ساله تولید می شود.

۳٫۱٫ مهندسی داده

گردش کار پردازش داده های سطح بالا در شکل ۵ نشان داده شده است . کارهای قبلی ما [ ۱۱ ، ۱۲ ، ۳۹ ، ۴۰ ] نیز بر پنج مرحله اول تکیه داشتند. مرحله تمیز کردن اطلاعات ارائه شده را ساده کرد ( شکل ۵ a). در ابتدا، شناسه‌های دستگاه (یا سیم‌کارت) به‌عنوان هش‌های الفبایی و عددی طولانی نشان داده می‌شدند، که تا حدی برای صرفه‌جویی در فضای دیسک و تا حدودی به این دلیل که مقایسه اعداد صحیح سریع‌تر است، با اعداد مرتب شده به ترتیب ظاهر جایگزین شدند.

داده‌های به‌دست‌آمده از برچسب‌های دارایی مانند «مرد» و «زن» برای نشان دادن جنسیت، «مصرف‌کننده» و «تجارت» برای نوع مشتری، «پیش‌پرداخت» و «پس‌پرداخت» برای نوع اشتراک، و رشته «ناشناس» برای نشان دادن جنسیت استفاده شد. مقادیر ناشناخته را نشان می دهد. این رشته ها کوتاه شدند و مقادیر ناشناخته با مقدار مناسب «NULL» برای صرفه جویی در فضای دیسک نشان داده شدند. مقادیر طول و عرض جغرافیایی ارائه شده در طرح ریزی EPSG:4326 (همچنین به عنوان WGS 84 شناخته می شود) به ۶ اعشار گرد شد زیرا اعشار بیشتر هیچ معنای عملی در موقعیت یابی CDR ندارند. TAC هشت رقم اول شماره شناسه بین المللی تجهیزات موبایل (IMEI) است که می تواند سازنده و مدل دستگاهی را که سیم کارت در آن فعال است شناسایی کند. مقدار TAC در [ ۱۲ ، ۴۰ ] استفاده شد].

تراکم سلولی متناسب با تراکم جمعیت و نسبت معکوس با اندازه سلول است، به این معنی که تعداد سلول‌های بیشتر و کوچک‌تری در مرکز شهر وجود دارد. سلول های ۲G و ۳G در طول دوره مشاهده فعال بودند. در سه ماهه دوم سال ۲۰۱۷، فناوری شبکه سلولی ۴G در مجارستان حاشیه‌ای بود و فناوری ۳G به ۸۶٫۶ درصد از ترافیک تلفن همراه پاسخ داد [ ۳۸ ]. فن آوری های همپوشانی می توانند باعث ایجاد مرکز سلولی بسیار نزدیک شوند ( شکل ۶ a).

سلول های نزدیک در ۱۰۰ متر با استفاده از الگوریتم DBSCAN بسته Python Scikit-learn [ ۴۱ ] ادغام شدند ( شکل ۵ ب) . تعداد رکوردهای مرتبط با یک سلول در طول دوره مشاهده به عنوان وزن اعمال شد. سلول های کمتر فعال به طور مشابه در سلول های فعال تر ادغام شدند، همانطور که در [ ۱۵ ]. پس از ادغام، Tessellation Voronoi به مرکز سلول ادغام شده اعمال شد. شکل ۶ تفاوت بین چند ضلعی های Voronoi را قبل از ( شکل ۶ ب) و بعد از ( شکل ۶ ج) ادغام سلول نشان می دهد. چند ضلعی های سلولی ادغام شده به طور متوسط بزرگتر شدند و تقریباً یک بلوک خانه در مرکز شهر را پوشش دادند.

داده‌های «خام» به‌دست‌آمده دارای قالب گسترده‌ای بودند ( شکل ۷ الف)، که قبل از وارد کردن به پایگاه داده نرمال‌سازی شد ( شکل ۵ ج). جدول CDR فقط شامل شناسه سیم کارت، مهر زمانی و شناسه سلول بود. جدولی برای ذخیره ویژگی های مربوط به سیم کارت (مانند نوع اشتراک، نوع مشتری، سن، جنسیت) و دیگری برای ذخیره ویژگی های سلول (مختصات جغرافیایی) معرفی شد. شکل ۷b طرح نرمال شده را نشان می دهد.

منطق فرمت گسترده ممکن است این باشد که داده های مشترک و دستگاه را می توان در دوره مشاهده تغییر داد. این اتفاق حدود ۳۰۰۰ بار در طول دوره مشاهده رخ داد. صاحب اشتراک می تواند مشخصات آن را تغییر دهد و البته اگر مثلاً یک تلفن همراه جدید خریداری کرده باشد، دستگاه خود را تغییر دهد. نوع مشترک و مشتری برای هر سیم کارت ارائه شده بود، اما سن و جنسیت در بسیاری از موارد گم شده بود، احتمالاً به دلیل گزینه های حفظ حریم خصوصی درخواست شده توسط مشترک. سن برای ۶۶٫۱۷ درصد و جنسیت برای ۷۰٫۷۶ درصد از مشترکان در دسترس بود.

داده های نرمال شده در پایگاه داده PostgreSQL ( شکل ۵ د) با استفاده از طرح شکل ۷ ب بارگذاری شدند. سپس برای تمام ستون‌های جداول پایگاه‌داده، ایندکس ساخته شد. سیستم مدیریت پایگاه داده بخش مهمی از چارچوب پردازش داده است. به عنوان مثال، قسمت اول تخمین مکان خانه و محل کار ( بخش ۳٫۳ ) به عنوان یک پرس و جو SQL پیاده سازی شد. پسوند PostGIS نیز مورد استفاده قرار گرفت، که پشتیبانی از اشیاء جغرافیایی را اضافه کرد که امکان اجرای پرس و جوهای مکان را در SQL فراهم می کرد.

۳٫۲٫ روش شناسی

چارچوب پردازش داده شبکه تلفن همراه در کار قبلی نویسندگان [ ۱۱ ] همراه با روش تشخیص خانه و محل کار معرفی شد. پرسش‌ها و اسکریپت‌های اعمال‌شده در این کار در یک مخزن عمومی [ ۴۲ ] منتشر شده‌اند که شامل جستارهای تشخیص خانه/محل کار و اسکریپت‌های ترسیم می‌شود. اگرچه داده‌های شبکه تلفن همراه مورد استفاده در این مطالعه به دلیل محدودیت‌های شخص ثالث در دسترس عموم نیست، داده‌های ساختگی توسط یک تولیدکننده تصادفی (شبه) (همچنین منتشر شده) تولید شده است که کد را قابل اجرا می‌کند. این همچنین به این معنی است که ارقام موجود در مخزن معتبر نیستند، زیرا فقط داده های ساختگی به عنوان ورودی استفاده شده است. اسکریپت ها در قالب نوت بوک Jupyter در GitHub منتشر شده اند ( https://github.com/pintergreg/commuting_analysis، قابل دسترسی در ۱۱ اوت ۲۰۲۲).

به منظور تجزیه و تحلیل رفت و آمد، خانه و محل کار مشترکین باید تعیین می شد ( بخش ۳٫۳ ). از آنجایی که CDR ها ناشناس بودند، حاوی اطلاعاتی مانند آدرس محل سکونت نبودند. حتی محل کار برای اشتراک اجباری نیست و اپراتورها نمی توانند این اطلاعات را داشته باشند. پس از تعیین این مکان ها، باید اعتبار سنجی می شد. اگرچه رویکرد کاربردی عملاً با آنچه در ادبیات یافت می شود معادل بود، تأیید اعتبار نتایج دشوار بود. پاپالاردو و همکاران مکان های خانه را در مورد شصت و پنج مشترکی که آدرس خانه آنها مشخص بود اعتبارسنجی کرد [ ۲۴]. با این حال، این امکان در مورد ما وجود نداشت زیرا هیچ مشترکی آدرس خانه خود را برای این مطالعه ارائه نکرد. در نتیجه، سکونتگاه و – در مورد بوداپست – داده‌های جمعیت مبتنی بر ناحیه [ ۲ ] از HCSO اعمال شد. نتایج مبتنی بر شبکه تلفن همراه (به عنوان مثال، جمعیت شناسایی شده، گرایش های رفت و آمد در سطح شهرک شناسایی شده) با حقیقت پایه (مقادیر مبتنی بر سرشماری و مطالعات بر اساس مقادیر سرشماری مجارستان) با استفاده از ابزارهای آماری استاندارد مانند رگرسیون خطی یا پیرسون مقایسه شد. ضریب همبستگی.

تخمین چگالی هسته (KDE) برای تجزیه و تحلیل رایج ترین منطقه هدف که در آن ساکنان یک سکونتگاه رفت و آمد می کنند، استفاده شد. پس از تعیین ماتریس مبدا-مقصد (خانه و محل کار)، می توان یک محل سکونت را به عنوان مبدا انتخاب کرد و مکان های کاری (مرکز سلول) را به الگوریتم KDE منتقل کرد. این تجزیه و تحلیل به دو صورت انجام شد: با و بدون کارگران محلی، که در همان شهرک محل زندگی خود کار می کردند، زیرا کارگران محلی برای تحلیل رفت و آمد مرتبط نبودند.

رفت و آمد بین مناطق بوداپست نیز به عنوان یک شبکه تلقی می شد که در آن نواحی گره بودند و یک لبه نشان دهنده رفت و آمدی بود که دو منطقه را به هم متصل می کرد. تحلیل رفت و آمد یا جریان ترافیک مبتنی بر شبکه نیز سابقه طولانی دارد (به عنوان مثال، [ ۴۳ ، ۴۴ ]). بسته NetworkX Python [ ۴۵ ] برای ساختن یک نمودار استفاده شد که توسط نمودار وتر بسته “mne_connectivity” تجسم شد.

روند رفت و آمد نیز با توجه به گروه های سنی مورد تجزیه و تحلیل قرار گرفت. در [ ۹ ]، رفت و آمد از تراکم شهری به بوداپست با استفاده از داده های سرشماری ارائه شد. همراه با اطلاعات سن مشترک به دست آمده، تجزیه و تحلیل مبتنی بر گروه سنی بر روی داده های شبکه تلفن همراه انجام شد.

۳٫۳٫ خانه و محل کار

اکثر ساکنان شهرها هر روز زمان قابل توجهی را در دو مکان می گذرانند: خانه و محل کار. برای یافتن رابطه بین این مهم ترین مکان ها و وضعیت اقتصادی اجتماعی (SES)، ابتدا باید موقعیت این مکان ها (سلول ها) مشخص شود. چند رویکرد برای یافتن مکان های خانه از طریق تجزیه و تحلیل داده های تلفن همراه استفاده می شود [ ۲۷ ، ۴۶ ، ۴۷ ].

محل کار به عنوان پرتکرارترین سلولی که دستگاه در ساعات کاری، روزهای کاری در آن حضور داشت، تعیین شد. ساعت کاری از ۰۹:۰۰ الی ۱۶:۰۰ در نظر گرفته شد. مکان منزل به عنوان پرتکرارترین سلولی که دستگاه در آن شب و شب در روزهای کاری (از ساعت ۲۲:۰۰ تا ۰۶:۰۰) و تمام روز در روزهای تعطیل در آن حضور داشت محاسبه شد. اگرچه مردم همیشه آخر هفته‌ها در خانه نمی‌مانند، اما فرض بر این بود که بیشتر فعالیت‌ها همچنان از محل زندگی آنها ایجاد می‌شود.

در این روش فرض بر این بود که همه در طول روز کار می کنند و عصرها استراحت می کنند. اگرچه در سال ۲۰۱۷، ۶٫۲٪ از افراد شاغل به طور منظم در شب در مجارستان کار می کردند [ ۴۸ ]، نسخه فعلی الگوریتم سعی در برخورد با کارگران شبانه نداشت. برخی از آنها ممکن است به عنوان کارگران عادی شناسایی شوند، اما دارای محل کار و خانه مختلط هستند.

دانش‌آموزان، به‌ویژه دانشجویان دانشگاه، ممکن است به عنوان کارگر با دانشگاه به عنوان محل کار شناخته شوند. از منظر رفت و آمد، این مشکلی ایجاد نمی کند، زیرا از دیدگاه حمل و نقل، تفاوتی بین کارگر و دانشجو وجود ندارد. کودکان معمولاً اشتراک ندارند. حتی اگر آنها تلفن همراه داشته باشند، ممکن است برای والدین آنها ثبت شده باشد. اگر این دستگاه ها به اندازه کافی فعالیت شبکه تلفن همراه داشته باشند، ممکن است به عنوان کارگر شناسایی شوند.

از آنجایی که تنها یک محل کار انتخاب شده است (متداول ترین سلول در طول ساعات کاری)، افرادی که دارای چندین محل کار یا محل کار نامشخص هستند (مثلاً پیک ها، رانندگان تاکسی یا حامل نامه) ممکن است محل کار نادرستی شناسایی شود. توجه داشته باشید که این رویکرد با رویه رایج مطابقت دارد.

همچنین باید توجه داشت که مکان‌های خانه و محل کار را نمی‌توان برای سیم‌کارت‌ها با موارد بسیار کمی در طول دوره مشاهده شناسایی کرد – به عبارت دیگر با فعالیت کافی شبکه تلفن همراه. سیم کارت های بدون منزل و محل کار از تحلیل رفت و آمد حذف شدند. ۶۸٫۰۸ درصد سیم کارت ها دارای منزل و محل کار شناسایی شده بودند.

۴٫ نتایج و بحث

شکل ۸ مقایسه بین جمعیت ثبت شده توسط HCSO و جمعیت شناسایی شده با استفاده از داده های CDR را نشان می دهد. هنگام مقایسه این دو نقشه، چند تفاوت وجود دارد: برخی از نقاط بوداپست در داده های CDR به اندازه کافی تاریک نیستند. به عنوان مثال، به نظر می رسد مناطق ۱۶ و ۱۷ به اندازه داده های HCSO پرجمعیت نیستند، اما مناطق واگرا در سمت بودا قرار دارند: ناحیه ۲ و ۳٫ این تفاوت ممکن است ناشی از عدم دقت تشخیص خانه در آن منطقه باشد یا صرفاً از ترجیحات مختلف در اپراتورهای تلفن همراه ساکنان بودا هیلز.

جدای از این، یافته های مبتنی بر CDR با داده های آماری همبستگی دارد. R پیرسون ۰٫۹۲۱۳ ( آر۲۰٫۸۴۸۸ بود)، با شمارش هر سیم کارت. مطالعات دیگر مقادیر همبستگی مشابهی را بین آمار جمعیت و خانه‌های شناسایی شده یافتند [ ۳۶ ، ۴۹ ]. شکل ۹ a این را به صورت نمودار رگرسیون نشان می دهد. همانطور که در کار قبلی نویسندگان [ ۴۰ ] توضیح داده شد، سوابق جزئیات تماس به دست آمده حاوی اطلاعات (TAC) در مورد دستگاه هایی بود که از شبکه تلفن همراه استفاده می کردند. بر اساس این اطلاعات، بیش از ۳۰۰۰۰۰ سیم کارت شناسایی شد که با انواع دیگر دستگاه ها غیر از تلفن همراه (مانند مودم ۳G) کار می کردند که نشان می دهد آنها نماینده مردم نیستند. شکل ۹b همبستگی را بدون این سیم کارت ها نشان می دهد. اگرچه مقادیر جمعیت کاهش یافته بود، به نظر نمی‌رسد که همبستگی به طور معنی‌داری تحت‌تاثیر قرار گیرد: R پیرسون ۰٫۹۱۲۵ بود.

از نظر عددی، داده‌های CDR اغلب عدم تطابق قابل توجهی را نشان می‌دهند، اما مقایسه عینی آنها آسان نبود. داده های موجود شبکه تلفن همراه تنها از یک اپراتور منشأ می گیرد که حدود ۲۵ درصد سهم بازار را در دوره مشاهده داشت [ ۳۸ ]. این سهم بازار مربوط به اشتراک است، نه تعداد افراد منحصر به فرد. علاوه بر این، همچنین باید توجه داشت که این نسبت یک مقدار در سراسر کشور را نشان می دهد. از آنجایی که از نظر فضایی، سهم بازار دقیق‌تری در دسترس نبود، فرض بر این بود که Vodafone مجارستان در هر منطقه‌ای سهم بازار یکسانی برای انجام این مقایسه دارد. اگرچه این بعید است، اما یک چهارم مقادیر جمعیت را می توان به عنوان یک قاعده کلی استفاده کرد.

۴٫۱٫ مکان های کاری

در کنار مکان های منزل، محل های کار مهم ترین عنصر تحلیل تحرک و رفت و آمد هستند. در طول همه گیری COVID-19، این تغییر کرد. به عنوان بخشی از دستورالعمل فاصله گذاری اجتماعی، برای کاهش سرعت شیوع این بیماری، کار از خانه مطرح شد. احتمالاً شیوع یک دفتر خانگی بیشتر از قبل از همه‌گیری خواهد بود، زیرا هم کارفرمایان و هم کارمندان به این وضعیت عادت کرده‌اند، اما بسیاری از حوزه‌های فعالیت همچنان نیازمند یک محل کار هستند، بنابراین اهمیت این موضوع باعث می‌شود. همان باقی می ماند. با این حال، از آنجایی که منابع داده‌ای که در این کار استفاده شده است، قبل از همه‌گیری بوده است، این سؤال تنها در اثر دیگری قابل پاسخ است.

محل کار با در نظر گرفتن بیشترین مکان حضور مشترک در ساعات کاری تعیین شد. برای جزئیات بیشتر به بخش ۳٫۳ مراجعه کنید. به عنوان مثال، پرس و جو از محل کار ساکنان یک منطقه، یک سکونتگاه می تواند گام اولیه تجزیه و تحلیل رفت و آمد باشد. شکل ۱۰محل کار معمولی سه شهرک انتخاب شده و یک منطقه بوداپست را با استفاده از نمودارهای تراکم هسته گاوسی، در دو نسخه مختلف نشان می دهد: با (ستون چپ) و بدون (ستون سمت راست) آن دسته از مشترکینی که در محل سکونت خانه خود کار می کنند. وقتی کارگران محلی را شامل می شود، تاریک ترین مناطق در خود منطقه انتخاب شده است، زیرا بسیاری از افراد در مجاورت خانه های خود کار می کنند. بدون احتساب کارگران محلی، بوداپست به هدف اصلی رفت و آمد تبدیل می شود.

۴٫۲٫ رفت و آمد بین ولسوالی ها

همانطور که مبدا و مقصد رفت و آمد مشخص می شود، می توان یک شبکه ایجاد کرد، به عنوان مثال، با توجه به نواحی گره های بوداپست که توسط مسافران به هم متصل می شوند. شکل ۱۱ ارتباطات بین مناطق بوداپست را نشان می دهد. نواحی بودا در سمت چپ قرار می‌گیرند، در حالی که نواحی آفت در سمت راست قرار دارند، و رنگ‌های گره‌ها نشان‌دهنده گروه‌های ناحیه تعریف‌شده توسط HCSO [ ۱ ] هستند و با رنگ‌های شکل ۱b مطابقت دارند. لبه‌ها نشان‌دهنده رفت‌وآمد بین ناحیه‌ها، حذف خود پیوندها، و وزن لبه‌ها نشان‌دهنده تعداد مسافران است. وزن با رنگ ها بیان می شود و از رنگ های تیره تر برای لبه های قوی تر استفاده می شود. ضعیف ترین لینک ها ( w<250) برای بهبود دید حذف شده اند.

گسترش این موضوع به سطح تراکم، یا کشور، می‌تواند یکی دیگر از جهت‌گیری‌های پژوهشی باشد: به عنوان مثال، برای تحلیل رفت‌وآمد و رفت‌وآمد. کار Pálóczi [ ۶ ] می تواند به عنوان یک مرجع مبتنی بر سرشماری عمل کند.

۴٫۳٫ اعتبار سنجی توسط سرشماری

به منظور بررسی پایایی و صحت روش پیشنهادی برای برآورد مکان منزل و محل کار، یک مطالعه تطبیقی بر روی داده‌های شبکه تلفن همراه و اطلاعات پردازش شده از سرشماری انجام شد. در مجارستان، یک سرشماری هر ده سال یکبار و یک سرشماری خرد با ۱۰ درصد بدنه در نیمه‌های نیمه انجام می‌شود. آخرین سرشماری در سال ۲۰۱۱ انجام شد، در حالی که آخرین سرشماری خرد در سال ۲۰۱۶ بود. سرشماری بعدی باید در سال ۲۰۲۱ انجام می شد، اما به دلیل همه گیری COVID-19 تا اکتبر ۲۰۲۲ به تعویق افتاد. بر اساس این بررسی ها، رفت و آمد به بوداپست (و به طور کلی در مجارستان) در مطالعاتی مانند [ ۳ ، ۶ ، ۷ ، ۹ ] تجزیه و تحلیل می شود. این مطالعات به عنوان مرجعی برای مقایسه نتایج مورد استفاده قرار گرفت.

شکل ۱۲ مقایسه بین CDR و نسبت های سفر بر اساس سرشماری (شکل ۱ در [ ۹ ]) مسافران را بر اساس مناطق بوداپست و طبقه بندی مکان خانه نشان می دهد. افرادی که در بوداپست کار می کنند نشان داده می شوند، و محل خانه می تواند (i) همان منطقه ای باشد که یکی در آن کار می کند، (ب) ناحیه دیگری از بوداپست، (iii) تجمع، و (iv) سایر سکونتگاه های خارج از تجمع.

توافق خوبی عمدتاً در بوداپست در مورد نسبت مسافران یافت شد. مهم ترین تفاوت را می توان با دسته “تراکم بیرونی” مشاهده کرد. با این حال، این انحراف از محتوای منبع داده سرچشمه می گیرد، زیرا داده های شبکه تلفن همراه مورد استفاده در این مطالعه عمدتاً منطقه بوداپست و مجاورت آن را پوشش می دهد. همچنین شامل فعالیت های تلفنی از شهرستان اطراف بود، اما با دور شدن از بوداپست، داده های موجود کاهش یافت.

کسری از کارگرانی که خانه های خود را در همان منطقه دارند بسیار نزدیک به داده های سرشماری در مناطق بیرونی (۱۵-۲۳) بود، اما عموماً در مناطق اصلی (۱، ۵-۹) و مناطق داخلی (۲) بیش از حد برآورد شد. -۴، ۱۰-۱۴). کارگران سایر گروه‌های منطقه بهترین تطابق را با داده‌های سرشماری نشان دادند (جایی که CDR باید بهترین کیفیت را داشته باشد)، در حالی که تجمع در بسیاری از ولسوالی‌ها تا حدودی بیش از حد برآورد شده بود.

۴٫۴٫ تراکم شهری

اعتبار ارائه شده در این مطالعه از نتایج [ ۷ ] استفاده کرد، جایی که یک تحلیل دقیق در رابطه با رفت و آمد از تراکم شهری به بوداپست ارائه شد. تراکم شهری به شش بخش تقسیم شد و رفت و آمد بر اساس مبدا (بخش خانه، گاهی اوقات بر اساس شهرها) و مقصد (گروه ناحیه بوداپست) مورد بررسی قرار گرفت.

شکل ۱۳ توزیع مسافران را در مناطق بوداپست، از شش بخش تجمع، بر اساس ارزیابی CDR نشان می دهد. در نمایش، شکل ۱۳ a-f مشابه شکل‌های ۲-۹ در [ ۷ ] است و نشان می‌دهد که ساکنان از بخش معین تجمع به کدام ناحیه رفت و آمد می‌کنند.

لاکاتوش و کاپیتانی گرایش های رفت و آمد برخی از سکونتگاه ها به مناطق بوداپست را در میان سرشماری های سال های ۱۹۹۰، ۲۰۰۱ و ۲۰۱۱ تجزیه و تحلیل کردند [ ۷ ]. همان تجزیه و تحلیل با استفاده از پردازش CDR انجام شد، و ۶ نشست از ۱۳ مورد تجزیه و تحلیل کامل در [ ۷ ] در این مطالعه ارائه شده است. نتایج در شکل ۱۴ در مقایسه با سه سرشماری گذشته خلاصه شده است. این شامل یک سکونت از هر بخش از تجمع است، بنابراین به عنوان یک تحلیل متمرکزتر از شکل ۱۳ نیز عمل می کند.. موقعیت سکونتگاه ها در رابطه با بوداپست نیز بر روی نقشه های کوچک نمایش داده می شود تا زمینه ای به یافته ها داده شود. برای مثال، از شهرهای غرب به پایتخت، رایج ترین اهداف رفت و آمد، سمت بودا و مناطق داخلی هستند. علاوه بر این، در بسیاری از موارد، یافته‌های مبتنی بر شبکه تلفن همراه، که شش سال از آخرین سرشماری قدیمی‌تر است، نشان‌دهنده تداوم واضح گرایش قبلی است.

در مورد بوداورس ( شکل ۱۴ الف)، اگرچه آفت شمالی، آفت شرقی بیرونی و آفت جنوبی مقاصد رفت و آمد قابل توجهی نبودند، داده های سرشماری تمایل فزاینده ای را نشان داد که توسط داده های شبکه تلفن همراه تأیید شد. نتایج مبتنی بر CDR از بودای جنوبی و آفت داخلی نیز با روند مطابقت داشت، اما در یک گرایش مخالف. قابل توجه ترین اختلاف در موارد بودای شمالی و گروه های منطقه آفت شرقی داخلی بود. ضریب همبستگی پیرسون، در مورد هر شش گروه منطقه، بین سرشماری سال ۲۰۱۱ و داده های شبکه تلفن همراه ۰٫۸۹۷۶ بود.

Dunakeszi ( شکل ۱۴ ب) در شرق رودخانه دانوب و شمال بوداپست است، که حاکی از تسلط آفت شمالی به عنوان مقصد رفت و آمد است، اگرچه اهمیت آن در چند دهه اخیر و همچنین آفت داخلی کاهش یافته است. در حالی که بودای جنوبی، آفت جنوبی و آفت شرقی بیرونی تمایل فزاینده ای داشتند، آفت شرقی داخلی و بودای شمالی چنین تمایلات واضحی را نشان ندادند. ضریب همبستگی (Pearson’s R) بین سرشماری ۲۰۱۱ و نتایج مبتنی بر CDR 0.9416 بود.

Vecsés در بخش جنوب شرقی تراکم است، جایی که اکثر مسافران در مناطق آفت شرقی داخلی و خارجی، آفت داخلی و آفت جنوبی کار می کنند. شمال آفت و بودا مقصد قابل توجهی برای مسافران نبود، اما نتایج روند افزایشی را نشان داد ( شکل ۱۴ ج). ضریب همبستگی، در مورد Vecsés، ۰٫۹۲۴ بود.

دوناهاراستی در بخش جنوبی تراکم و در شرق دانوب قرار دارد. در نتیجه مقصد اصلی مسافران آفت جنوبی بود. علاوه بر این، Inner Pest تعداد قابل توجهی از مسافران را دریافت کرد، اما به نظر می رسید اهمیت آن در حال کاهش است. بقیه گروه های منطقه تقریباً همان روند را داشتند ( شکل ۱۴ د). دوناهاراستی قوی ترین همبستگی را در بین سکونتگاه های مورد بررسی داشت: R پیرسون ۰٫۹۷۱ بود.

Érd دارای بیشترین جمعیت (۶۵,۸۵۷ در سال ۲۰۱۷ [ ۲ ]) در تراکم و همچنین در بخش جنوبی است. نسبت‌های رفت‌وآمد شناسایی‌شده با روند سه سرشماری گذشته مطابقت داشت، اگرچه آفت شرقی و جنوبی بیش از حد تخمین زده می‌شد، و بودای شمالی با رویکرد مبتنی بر داده‌های شبکه تلفن همراه دست‌کم می‌گرفت ( شکل ۱۴ e). همبستگی با حقیقت زمینی ۰٫۸۴۸۸ (R پیرسون) بود.

در مورد Szentendre ( شکل ۱۴ f)، نتایج مبتنی بر شبکه تلفن همراه ممکن است بیشترین اختلاف را نشان دهد. با این حال، ضریب همبستگی (R پیرسون) ۰٫۹۱۲۷ بود. واقع در بخش شمال غربی، غرب دانوب، واضح ترین مقصد برای رفت و آمد، بودای شمالی است. بر اساس آمار سرشماری، حتی با اندکی افزایش گرایش، بیشترین تردد را داشته است. با این حال، نتایج مبتنی بر CDR آن را دست کم گرفت، در حالی که آفت شرقی و جنوبی بیش از حد برآورد شده بود. نتیجه Inner Pest از آخرین داده‌های سرشماری عقب‌تر بود، اما با روند مطابقت داشت.

این نتایج دقیق، کاربرد پردازش CDR را برای تجزیه و تحلیل رفت و آمد نشان می دهد. مقایسه این نتایج با سرشماری بعدی جالب خواهد بود. این نشان می‌دهد که این یافته‌ها تا چه حد دقیقاً با روند تغییر آداب و رسوم رفت و آمد جمعیت این مجموعه مطابقت دارند.

۴٫۵٫ رفت و آمد بر اساس گروه های سنی

از آنجایی که داده‌های شبکه تلفن همراه موجود حاوی اطلاعاتی در مورد سن و جنسیت مشترکین بود – به ترتیب برای ۶۶٫۱۷٪ و ۷۰٫۷۶٪ از اشتراک‌ها – روند رفت و آمد بر اساس گروه‌های سنی قابل مطالعه است.

کولتای و وارو داده های مرجع را برای این تحلیل ارائه کردند (جدول ۱ در [ ۹ ]). شکل ۱۵ a توزیع مسافران را بر اساس رده های سنی و بخش به عنوان محل خانه نشان می دهد. فقط مسافرانی که در بوداپست کار می کنند مورد بررسی قرار گرفتند.

از روی مقاله مشخص نشد که حد بالای رده سنی “۶۰+” چقدر است. افرادی که معمولاً به سر کار می روند کمتر از ۶۵ سال سن دارند (سن بازنشستگی فعلی در مجارستان)، اگرچه افراد می توانند بالای ۶۵ سال کار کنند. در شکل مبتنی بر CDR ( شکل ۱۵ ب)، ۶۰+ به معنای بالای ۶۰ سال است. و کمتر از ۱۰۰٫ با این حال، تعداد مشترکین بالای ۷۰ سال زیاد نبود، تنها ۲٫۴۸ درصد از سیم کارت ها متعلق به افراد بالای ۷۰ سال بود.

با مقایسه داده‌های به‌دست‌آمده توسط سرشماری خرد و اطلاعات سلولی، توافق‌های خوبی (R پیرسون ۰٫۸۹۷۷ است) در مورد روندها و معیارهای توزیع مسافران بر اساس دسته‌های سنی یافت شد. مهم‌ترین تفاوت بین سرشماری و داده‌های مبتنی بر CDR در دسته‌های «۶۰+» و «۵۰-۵۹» بود. به نظر می‌رسید که تعداد افراد پنجاه ساله‌شان در داده‌های CDR کمتر نشان داده شود، در حالی که دسته «۶۰+» بیش از حد نشان داده شده بود، که ممکن است ناشی از تفسیر متفاوت از حد بالایی باشد. از سوی دیگر، مقادیر در سایر دسته‌ها بسیار مشابه بود. بر اساس شباهت نتایج ( شکل ۱۵) تایید شد که داده های شبکه تلفن همراه می تواند روشی قابل اعتماد برای تحلیل رفت و آمد حتی با توجه به ویژگی های جمعیتی باشد.

۴٫۶٫ محدودیت ها

این مطالعه از داده‌های شبکه تلفن همراه تنها از یکی از سه اپراتور استفاده کرد، بنابراین نتایج یک جمعیت کامل را نشان نداد. از آنجایی که کودکان و سالمندان دارای اشتراک نیستند (یا احتمال کمتری دارند) داده ها عمدتاً جمعیت «سن کار» را نشان می دهد. OECD سن کار را بین ۱۵ تا ۶۴ تعریف می کند [ ۵۰ ]. در سال ۲۰۱۷، ۶۲۵۵۴۴۸ نفر در مجارستان بر اساس HCSO زندگی می کردند که ۶۳٫۸۵٪ از کل جمعیت را تشکیل می دهد [ ۵۱ ]. عامل محدودکننده دیگر این بود که داده های ارائه شده شامل اطلاعات سنی برای حدود ۶۶٫۱۷ درصد از مشترکان بود.

علاوه بر این، اولویت ارائه‌دهنده خدمات بر اساس سطح شهرک و گروه سنی ناشناخته بود. فقط سهم بازار در سراسر کشور شناخته شده بود (۲۵٫۵٪ در سه ماهه دوم ۲۰۱۷ [ ۳۸ ])، که، با این حال، به اشتراک ها اشاره داشت.

ارزیابی و اعتبارسنجی بر اساس نتایج مطالعات دیگر انجام شد که رفت‌وآمد را بر اساس داده‌های سرشماری تحلیل کردند. با دسترسی مستقیم به داده های آماری از HCSO و سایر منابع، جنبه های بیشتر و دقیق تری از اعتبار سنجی می تواند انجام شود.

علاوه بر در دسترس بودن اطلاعات، برخی از گروه های اجتماعی-اقتصادی جامعه ممکن است مستثنی شده باشند، زیرا CDR ها نابرابری های ساختاری را منعکس می کنند [ ۵۲ ].

۴٫۷٫ نگرانی های حریم خصوصی

نویسندگان نتوانستند مشترکان را با شناسه دستگاه ارائه شده شناسایی کنند. مهرهای زمانی توسط ارائه دهنده داده به ۱۰ ثانیه کوتاه شد تا قابلیت شناسایی یک فعالیت (مثلاً تماس صوتی) در داده ها کاهش یابد. از آنجایی که سوابق جزئیات تماس به یک سلول متصل می شد، وضوح فضایی با ناحیه ای که یک سلول پوشش می داد، که تقریباً یک بلوک خانه در مرکز شهر بود، تعیین می شد. سلول‌های سرپوشیده، برای مثال در مراکز خرید، با وضوح فضایی بسیار بهتر (ساختمان) وجود داشت.

یکی از مسائل اصلی کار با CDR ها این بود که فعالیت کم بود. مکان سطح سلولی مشترکین تنها زمانی مشخص بود که آنها به طور فعال از شبکه تلفن همراه استفاده می کردند (تماس، ارسال پیام کوتاه یا انتقال داده). نگرانی‌های مربوط به حریم خصوصی اگر اطلاعات تعویض سلول گنجانده شده بود بسیار جدی‌تر می‌شد، در این صورت هر بار که تلفن به آنتن دیگری متصل می‌شود، مکان (سلول) مشخص می‌شود. اطلاعات سوئیچینگ سلولی یک مسیر حرکت تقریباً پیوسته را فراهم می کند. تیلور همان نگرانی را فرموله کرد [ ۲۹ ].

هنگامی که یک مکان خانه یا محل کار شناسایی شد، یک سلول انتخاب شد. یک سلول با مرکز هندسه سلول (یک بخش دایره ای از نمای بالا) نشان داده شد. اگر یک سلول یک مجتمع مسکونی را پوشش دهد، مشترک می تواند هر یک از ساکنان آن باشد. این قطعنامه حتی با توجه به اطلاعات سن و جنسیت مشترک در یک محیط شهری می تواند به اندازه کافی مبهم به نظر برسد.

نویسندگان آگاه هستند که دانش قبلی در مورد یک حرکت خاص در منطقه مشاهده ممکن است به رمزگشایی ناشناس بودن کمک کند، برای مثال، اگر مشترکی عمداً در مکان‌های قابل تشخیصی فعالیت می‌کند، یا الگوی حرکتی عجیبی داشته باشد. این در توافق با شاراد و دانزیس است و بیان می‌کنند که شناسایی فردی در مجموعه داده ۲ چالش داده‌های Orange برای توسعه (D4D) با استفاده از سوابق حرکتی آنها و یک نمایه مکان از قبل موجود امکان‌پذیر است [ ۵۳ ]. این می تواند حتی در یک محیط شهری اتفاق بیفتد، نه تنها در مناطق روستایی. به عنوان مثال، هویت یک فرد مشهور (به عنوان مثال، سیاستمدار، افراد مشهور) که محل کار یا خانه او به طور عمومی شناخته شده است، می تواند مورد حمله قرار گیرد.

با این وجود، تحلیل تحرک و رفت و آمد با استفاده از داده های شبکه تلفن همراه دارای پتانسیل زیادی در جغرافیای اجتماعی است. تجزیه و تحلیل ارائه شده در این مقاله می تواند در اپراتورها – در یک محیط کنترل شده – اجرا شود و فقط نتایج (تجمیع) منتشر می شود، زیرا دفاتر آمار نتایج سرشماری ها را منتشر می کنند.

۵٫ نتیجه گیری ها

در این پژوهش، ارزیابی موقعیت منزل و محل کار مشترکین تلفن همراه ارائه شد و نتایج با آمار جمعیت مقایسه شد. اگرچه جمعیت شناسایی شده از نظر عددی با جمعیت واقعی متفاوت بود، اما توزیع در بین سکونتگاه‌ها همبستگی قوی نشان داد. این را می توان با این واقعیت توضیح داد که CDR ها تنها از یک اپراتور شبکه تلفن همراه به دست آمده اند.

بر اساس تشخیص خانه و محل کار، نشان داده شد که داده های شبکه تلفن همراه می تواند یک راه حل موثر برای تجزیه و تحلیل رفت و آمد باشد. علاوه بر مکان های خانه، روند رفت و آمد در سطح شهر و گروه سنی نیز از داده های سرشماری تأیید شد. یافته‌ها به شکلی نزدیک به نتایج مطالعات دیگر ارائه شد که رفت‌وآمد در تجمع بوداپست را تا حد امکان برای کمک به مقایسه مورد بررسی قرار دادند. این کار همچنین به عنوان یک مطالعه موردی در مورد رفت‌وآمد در منطقه شهری بوداپست با استفاده از داده‌های شبکه تلفن همراه، با پرسش‌ها و اسکریپت‌های (نقشه‌برداری) ارائه شده [ ۴۲ ] عمل کرد.

رفت و آمد مردم منطقه از بخش های تجمع مورد بررسی قرار گرفت. در مورد برخی از سکونتگاه های منتخب، مناطق مقصد مسافران نیز بر خلاف سه سرشماری گذشته ارائه شده است. مشخص شد که روند رفت و آمد در سطح سکونتگاه مبتنی بر شبکه تلفن همراه نه تنها به آخرین سرشماری تقریبی می‌کند، بلکه با روندهای دو دهه مطابقت دارد. مسافران همچنین بر اساس گروه های سنی مورد تجزیه و تحلیل قرار گرفتند که با مطالعات مبتنی بر سرشماری نیز مطابقت خوبی نشان داد.

این نتایج تأیید کرد که داده های شبکه تلفن همراه را می توان برای تجزیه و تحلیل رفت و آمد استفاده کرد. با استفاده از داده‌های شبکه تلفن همراه از تمامی اپراتورهای یک کشور، می‌توان تجزیه و تحلیل دقیق‌تری انجام داد. با توجه به این واقعیت که شبکه های تلفن همراه در پرجمعیت ترین مناطق در دسترس هستند، داده های شبکه تلفن همراه باید با رعایت حریم خصوصی و داده های شخصی برای استفاده آماری و جامعه شناختی استاندارد شود.

درک دقیق الگوهای رفت و آمد می تواند به برنامه ریزی شهری و بهینه سازی حمل و نقل عمومی کمک کند. ارائه گزینه های مناسب حمل و نقل عمومی به محل کار می تواند زمان رفت و آمد را کاهش دهد و تعداد خودروها را در شهرها کاهش دهد. پرسشنامه های یک بار در دهه واجد شرایط ردیابی تغییرات در رفت و آمد نیستند. فن‌آوری‌های ارتباطات اطلاعاتی مانند شبکه تلفن همراه می‌توانند تحلیلی مقرون‌به‌صرفه‌تر و مکرر از رفت‌وآمد ارائه کنند. طبیعتا این اپلیکیشن به عنوان همکاری با اپراتورهای تلفن همراه و ادارات مرکزی آمار نیازمند مقررات قانونی است.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

CDR	ثبت جزئیات تماس
CPR	رکورد هواپیمای کنترل
D4D	داده ها برای توسعه
HCSO	اداره مرکزی آمار مجارستان
HDA	الگوریتم تشخیص خانه
فناوری اطلاعات و ارتباطات	فن آوری اطلاعات و ارتباطات
IMEI	شناسه بین المللی تجهیزات موبایل
KDE	تخمین چگالی هسته
SES	وضعیت اقتصادی اجتماعی
سیم کارت	ماژول هویت مشترک
TAC	کد تخصیص را تایپ کنید
WGS 84	سیستم ژئودتیک جهانی که با نام EPSG:4326 نیز شناخته می شود
XDR	رکورد جزئیات گسترده

منابع

Központi Statisztikai Hivatal. بوداپست–Gazdaság és Társadalom ; Központi Statisztikai Hivatal: بوداپست، مجارستان، ۲۰۱۸; شابک ۹۷۸-۹۶۳-۲۳۵-۵۴۱-۲٫
Központi Statisztikai Hivatal. داده های جمعیت محاسبه شده بر اساس اسکان-جمعیت ساکن در مجارستان (۲۰۱۷-۲۰۲۰). در دسترس آنلاین: http://statinfo.ksh.hu/Statinfo/QueryServlet?ha=NT6B01&lang=en (در ۲۲ ژوئن ۲۰۲۱ قابل دسترسی است).
بوسه، A.; Matyusz, Z. Az ingázás, Mint forgalomkeltő tényező. Munkaügyi Szle. ۲۰۱۵ ، ۵۹ ، ۲۰-۳۴٫ [ Google Scholar ]
جیمنز-نادال، جی. مولینا، ج.ا. Velilla, J. روند در زمان رفت و آمد کارگران اروپایی: تجزیه و تحلیل بین کشوری. ترانسپ سیاست ۲۰۲۲ ، ۱۱۶ ، ۳۲۷-۳۴۲٫ [ Google Scholar ] [ CrossRef ]
Salas-Olmedo، MH; Nogués، S. تجزیه و تحلیل نیازهای رفت و آمد با استفاده از تئوری نمودار و داده های سرشماری: مقایسه بین دو شهر با اندازه متوسط در انگلستان. Appl. Geogr. ۲۰۱۲ ، ۳۵ ، ۱۳۲-۱۴۱٫ [ Google Scholar ] [ CrossRef ]
Pálóczi, G. تحقیق در مورد رفت و آمد به محل کار با استفاده از روشهای تحلیل شبکه پیچیده. Reg. آمار ۲۰۱۶ ، ۶ ، ۳-۲۲٫ [ Google Scholar ] [ CrossRef ]
لاکاتوش، م. Kapitány، G. تحرک روزانه نیروی کار (رفت و آمد) و سفر در بوداپست و در کلان شهر بر اساس داده های سرشماری جمعیت. قسمت دوم. آمار ترولتی ۲۰۱۶ ، ۵۶ ، ۲۰۹-۲۳۹٫ [ Google Scholar ] [ CrossRef ]
ماریس، م. کواچیک، م. Fazikova، M. روندها و الگوهای رفت و آمد در پشت عدم تعادل منطقه ای در اسلواکی. یورو جی. جئوگر. ۲۰۱۹ ، ۱۰ ، ۲۳-۳۶٫ [ Google Scholar ]
کولتای، ال. Varró، A. Ingázás a budapesti agglomerációban. Új Munkaügyi Szle. ۲۰۲۰ ، ۱ ، ۲۶-۳۷٫ [ Google Scholar ]
گوئل، آر. موهان، دی. بررسی ارتباط بین تراکم جمعیت و الگوهای سفر در شهرهای هند – تجزیه و تحلیل داده‌های سرشماری سال ۲۰۱۱٫ Cities ۲۰۲۰ , ۱۰۰ , ۱۰۲۶۵۶٫ [ Google Scholar ] [ CrossRef ]
پینتر، جی. Felde، I. ارزیابی تأثیر وضعیت مالی بر گمرکات تحرک. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۳۲۸٫ [ Google Scholar ] [ CrossRef ]
پینتر، جی. Felde، I. شهر بیداری: ردپایی از ریتم شبانه روزی در داده های شبکه تلفن همراه. اطلاعات ۲۰۲۲ ، ۱۳ ، ۱۱۴٫ [ Google Scholar ] [ CrossRef ]
پاپالاردو، ال. سیمینی، اف. رینزیویلو، اس. پدرشی، دی. جیانوتی، اف. Barabási، AL دوگانگی بازگشت کنندگان و کاشفان در تحرک انسان. نات. اشتراک. ۲۰۱۵ ، ۶ ، ۸۱۶۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
جیانگ، اس. فریرا، جی. گونزالس، MC الگوهای تحرک انسانی مبتنی بر فعالیت استنتاج شده از داده های تلفن همراه: مطالعه موردی سنگاپور. IEEE Trans. کلان داده ۲۰۱۷ ، ۳ ، ۲۰۸-۲۱۹٫ [ Google Scholar ] [ CrossRef ]
فیادینو، پ. پونس لوپز، وی. آنتونیو، جی. تورنت-مورنو، ام. D’Alconzo، A. Call Detail Records for Human Mobility Studies: بررسی وضعیت در “عصر همیشه متصل”. در مجموعه مقالات کارگاه تجزیه و تحلیل داده های بزرگ و یادگیری ماشین برای شبکه های ارتباطی داده، لس آنجلس، کالیفرنیا، ایالات متحده آمریکا، ۲۱ اوت ۲۰۱۷؛ ص ۴۳-۴۸٫ [ Google Scholar ]
Zagatti، GA؛ گونزالس، م. آونر، پی. لوزانو-گراسیا، ن. بروکس، سی جی; آلبرت، ام. گری، جی. Antos، SE; بورسی، پ. زو ارباخ-شونبرگ، ای. و همکاران سفر به محل کار: برآورد مبدا و مقصد الگوهای رفت و آمد در مناطق اصلی شهری هائیتی با استفاده از CDR. توسعه دهنده مهندس ۲۰۱۸ ، ۳ ، ۱۳۳-۱۶۵٫ [ Google Scholar ] [ CrossRef ]
مامه ای، م. بیکوکی، ن. لیپی، م. ماریانى، س. Zambonelli، F. ارزیابی ماتریس های مبدا-مقصد به دست آمده از داده های CDR. Sensors ۲۰۱۹ , ۱۹ , ۴۴۷۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
بورگدورف، سی. مونچ، آ. انتخاب حالت بژ، S. و توزیع فضایی در حمل و نقل مسافر در مسافت های طولانی – آیا داده های شبکه تلفن همراه نتایج مشابهی با سایر مدل های حمل و نقل ارائه می دهد؟ ترانسپ Res. بین رشته ای. چشم انداز ۲۰۲۰ ، ۸ ، ۱۰۰۲۵۴٫ [ Google Scholar ] [ CrossRef ]
باربوسا، اچ. هزاری، س. دیکنسون، بی. باسولاس، ا. فرانک، ا. کاوتز، اچ. سادیلک، ع. راماسکو، جی جی. Ghoshal, G. کشف جنبه های اجتماعی-اقتصادی تحرک انسانی. علمی Rep. ۲۰۲۱ , ۱۱ , ۱-۱۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
وانگ، کیو. فیلیپس، NE; کوچک، ML؛ سامپسون، RJ تحرک شهری و انزوای محله در ۵۰ شهر بزرگ آمریکا. Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۸ ، ۱۱۵ ، ۷۷۳۵–۷۷۴۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
بوکانی، ای. جوهاز، اس. کرسایی، م. لنگیل، ب. الگوهای جهانی رفت و آمد از راه دور و دسته بندی اجتماعی در شهرها. علمی ۲۰۲۱ ، ۱۱ ، ۲۰۸۲۹٫ [ Google Scholar ] [ CrossRef ]
پتوچنیگ، ا. آلبرشت، جی. رسچ، بی. راماسوبرامانیان، ال. رایت، الف. الگوهای تحرک مسافران در رسانه های اجتماعی: همبستگی توییتر و داده های LODES. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۱ ، ۱۵٫ [ Google Scholar ] [ CrossRef ]
ونهوف، م. ریس، اف. پلوتز، تی. اسموردا، ز. ارزیابی کیفیت تشخیص خانه از داده‌های تلفن همراه برای آمار رسمی. J. خاموش. آمار ۲۰۱۸ ، ۳۴ ، ۹۳۵-۹۶۰٫ [ Google Scholar ] [ CrossRef ]
پاپالاردو، ال. فرس، ال. ساکاسا، م. کاتتوتو، سی. براوو، ال. ارزیابی الگوریتم‌های تشخیص خانه روی داده‌های تلفن همراه با استفاده از حقیقت زمینی در سطح فردی. EPJ Data Sci. ۲۰۲۱ ، ۱۰ ، ۲۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Csáji، BC; برویت، ا. Traag، VA; دلون، جی سی. هوئنس، ای. ون دورن، پی. اسموردا، ز. Blondel, VD بررسی تحرک کاربران تلفن همراه. فیزیک یک آمار مکانیک. برنامه آن است. ۲۰۱۳ ، ۳۹۲ ، ۱۴۵۹-۱۴۷۳٫ [ Google Scholar ] [ CrossRef ]
گونزالس، ام سی؛ هیدالگو، کالیفرنیا؛ Barabasi, AL درک الگوهای حرکتی فردی انسان. Nature ۲۰۰۸ , ۴۵۳ , ۷۷۹٫ [ Google Scholar ] [ CrossRef ]
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 ۲۰۱۵ ، ۴۲ ، ۶۲۵-۶۴۶٫ [ Google Scholar ] [ CrossRef ]
بلوندل، وی دی. اش، ام. چان، سی. کلرو، اف. دیویل، پی. هوئنس، ای. مورلوت، اف. اسموردا، ز. Ziemlicki، C. داده ها برای توسعه: چالش D4D در داده های تلفن همراه. arXiv ۲۰۱۲ ، arXiv:1210.0137. [ Google Scholar ] [ CrossRef ]
تیلور، ال. جایی برای پنهان شدن نیست؟ اخلاق و تجزیه و تحلیل ردیابی تحرک با استفاده از داده های تلفن همراه. محیط زیست طرح. D Soc. فضا ۲۰۱۶ ، ۳۴ ، ۳۱۹-۳۳۶٫ [ Google Scholar ] [ CrossRef ]
دونگ، ال. لی، آر. ژانگ، جی. دی، ز. کارایی وزنی جمعیت در شبکه های حمل و نقل. علمی Rep. ۲۰۱۶ , ۶ , ۲۶۳۷۷٫ [ Google Scholar ] [ CrossRef ]
شپانوویچ، اس. میشکوسکی، آی. هوی، پی. نورمینن، JK; Ylä-Jääski, A. داده های تماس تلفن همراه به عنوان یک شاخص پراکسی اجتماعی-اقتصادی منطقه ای. PLoS ONE ۲۰۱۵ ، ۱۰ ، e0124160. [ Google Scholar ] [ CrossRef ]
یین، ال. لین، ن. Zhao، Z. استخراج زنجیره‌های فعالیت روزانه از داده‌های مکان تلفن همراه در مقیاس بزرگ. Cities ۲۰۲۱ , ۱۰۹ , ۱۰۳۰۱۳٫ [ Google Scholar ] [ CrossRef ]
دیائو، م. زو، ی. فریرا، جی.، جونیور. راتی، سی. استنتاج فعالیت‌های روزانه فردی از رد پای تلفن همراه: نمونه بوستون. محیط زیست طرح. B طرح. دس ۲۰۱۶ ، ۴۳ ، ۹۲۰-۹۴۰٫ [ Google Scholar ] [ CrossRef ]
سکامانی، پ. Phithakkitnukoon، S. اسموردا، ز. Ratti, C. روش‌هایی برای استنباط انتخاب مسیر سفر رفت‌وآمد از داده‌های شبکه تلفن همراه. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۳۰۶٫ [ Google Scholar ] [ CrossRef ]
دانمان، تی. سوتومایور-گومز، بی. سامانیگو، اچ. جغرافیای زمانی تفکیک در ساعات کاری. R. Soc. علوم را باز کنید. ۲۰۱۸ ، ۵ ، ۱۸۰۷۴۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
حداچی، ع. پورمرادناصری، م. خوشخواه، ک. رونمایی از الگوهای رفت و آمد در مقیاس بزرگ بر اساس داده های شبکه تلفن همراه تلفن همراه. J. Transp. Geogr. ۲۰۲۰ ، ۸۹ ، ۱۰۲۸۷۱٫ [ Google Scholar ]
بارتلمی، ام. بارات، ا. کشیش ساتوراس، آر. Vespignani، A. خصوصیات و مدل سازی شبکه های وزنی. فیزیک یک آمار مکانیک. برنامه آن است. ۲۰۰۵ ، ۳۴۶ ، ۳۴-۴۳٫ [ Google Scholar ] [ CrossRef ]
سازمان ملی رسانه و ارتباطات اطلاعات، مجارستان. A Nemzeti Média-és Hírközlési Hatóság Mobilpiaci Jelentése 2015. IV.–۲۰۱۹٫ II. نگیدف _ گزارش فنی؛ سازمان ملی رسانه و ارتباطات اطلاعاتی: بوداپست، مجارستان، ۲۰۱۹٫ [ Google Scholar ]
پینتر، جی. موسوی، ع. Felde، I. هوش مصنوعی برای مدل‌سازی قیمت املاک و مستغلات با استفاده از سوابق جزئیات تماس و رویکرد یادگیری ماشین ترکیبی. آنتروپی ۲۰۲۰ ، ۲۲ ، ۱۴۲۱٫ [ Google Scholar ] [ CrossRef ]
پینتر، جی. Felde، I. تحلیل رفتار و وضعیت مالی هواداران فوتبال از دیدگاه شبکه تلفن همراه: یورو ۲۰۱۶، یک مطالعه موردی. اطلاعات ۲۰۲۱ ، ۱۲ ، ۴۶۸٫ [ Google Scholar ] [ CrossRef ]
پدرگوسا، اف. واروکو، جی. گرامفورت، آ. میشل، وی. تیریون، بی. گریزل، او. بلوندل، م. پرتنهوفر، پی. ویس، آر. دوبورگ، وی. و همکاران Scikit-Learn: یادگیری ماشینی در پایتون. جی. ماخ. فرا گرفتن. Res. ۲۰۱۱ ، ۱۲ ، ۲۸۲۵-۲۸۳۰٫ [ Google Scholar ]
Pintér, G. تحلیل رفت و آمد منطقه شهری بوداپست با استفاده از داده های شبکه تلفن همراه. پیش چاپ ۲۰۲۲ . [ Google Scholar ] [ CrossRef ]
دی مونتس، ا. بارتلمی، ام. چسا، ا. Vespignani، A. ساختار ترافیک بین شهری: تحلیل شبکه وزن دار. محیط زیست طرح. B طرح. دس ۲۰۰۷ ، ۳۴ ، ۹۰۵-۹۲۴٫ [ Google Scholar ]
ژانگ، دبلیو. نیش، سی. ژو، ال. زو، جی. اندازه‌گیری ساختار کلان منطقه‌ای در دلتای رودخانه مروارید توسط داده‌های سیگنالینگ تلفن همراه: یک رویکرد شبکه پیچیده. Cities ۲۰۲۰ , ۱۰۴ , ۱۰۲۸۰۹٫ [ Google Scholar ] [ CrossRef ]
هاگبرگ، AA; شولت، دی. Swart، PJ در حال بررسی ساختار، دینامیک و عملکرد شبکه با استفاده از NetworkX. در مجموعه مقالات هفتمین کنفرانس پایتون در علم، پاسادنا، کالیفرنیا، ایالات متحده آمریکا، ۱۹ تا ۲۴ اوت ۲۰۰۸٫ Varoquaux, G., Vaught, T., Millman, J., Eds. ۲۰۰۸; صص ۱۱-۱۵٫ [ Google Scholar ]
آحاس، ر. سیلم، اس. جرو، او. سالویر، ای. Tiru, M. استفاده از داده های موقعیت یابی تلفن همراه برای مدل سازی مکان های معنی دار برای کاربران تلفن های همراه. J. فناوری شهری. ۲۰۱۰ ، ۱۷ ، ۳-۲۷٫ [ Google Scholar ] [ CrossRef ]
بوجیک، آی. ماسارو، ای. بلی، ا. سوبولفسکی، اس. Ratti, C. انتخاب روش مناسب تعریف مکان خانه برای مجموعه داده داده شده. در مجموعه مقالات کنفرانس بین المللی انفورماتیک اجتماعی، پکن، چین، ۹ تا ۱۲ دسامبر ۲۰۱۵٫ Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۵; صص ۱۹۴-۲۰۸٫ [ Google Scholar ]
یورواستات افراد شاغل که در شب کار می کنند به عنوان درصدی از کل اشتغال، بر اساس جنسیت، سن و وضعیت حرفه ای. ۲۰۲۰٫ در دسترس آنلاین: https://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=lfsa_ewpnig&lang=en (در ۳۱ مارس ۲۰۲۰ قابل دسترسی است).
شودا، م. بارلیک، پی. رفت و آمد روزانه در منطقه شهری براتیسلاوا: مطالعه موردی با داده های موقعیت یابی تلفن همراه. پاپ Appl. Geogr. ۲۰۱۸ ، ۴ ، ۴۰۹-۴۲۳٫ [ Google Scholar ] [ CrossRef ]
OECD. جمعیت سن کار (شاخص) ; OECD: پاریس، فرانسه، ۲۰۲۲٫ [ Google Scholar ] [ CrossRef ]
Központi Statisztikai Hivatal. ۲۲٫۱٫۱٫۳٫ Népesség Korév és Nem Szerint، ۱ ژانویه. در دسترس آنلاین: https://www.ksh.hu/stadat_files/nep/hu/nep0003.html (دسترسی در ۲۰ مه ۲۰۲۱).
لتوزه، ای. وینک، پی. کاموریه، ل. قانون، سیاست و اخلاق تجزیه و تحلیل داده های تلفن همراه. پیش چاپ ۲۰۱۵ . [ Google Scholar ] [ CrossRef ]
شراد، ک. Danezis، G. ناشناس کردن مجموعه داده های d4d. در کارگاه موضوعات داغ در فن آوری های افزایش حریم خصوصی ; حیوانات خانگی: بلومینگتون، ایندیانا، ۲۰۱۳; پ. ۱۰٫ [ Google Scholar ]

شکل ۱٫ منطقه مشاهده ( a ) شامل بوداپست (قهوه ای)، و تجمع آن (سبز) در رابطه با شهرستان آفت، و گروه های ناحیه ( b ) بوداپست، تعریف شده توسط اداره آمار مرکزی مجارستان (HCSO).

شکل ۲٫ سیم کارت‌های موجود در مجموعه داده «آوریل ۲۰۱۷» بر اساس تعداد CDRها طبقه‌بندی شده‌اند. شکل سمت چپ تعداد CDR ها و شکل سمت راست تعداد سیم کارت های هر دسته را نشان می دهد. سیم کارت های بیش از هزار رکورد (۷/۱۷ درصد) اکثریت (۴۸/۷۵ درصد) فعالیت را به خود اختصاص می دهند.

شکل ۳٫ توزیع سیم کارت مجموعه داده «آوریل ۲۰۱۷» بر اساس تعداد روزهای فعال. شکل سمت چپ تعداد CDR ها و شکل سمت راست تعداد سیم کارت های هر دسته را نشان می دهد. حدود ۴۵٫۱۳ درصد از سیم کارت ها حداقل در ۱۴ روز مختلف فعالیت دارند.

شکل ۴٫ تعداد مشترکین تلفن همراه ( a )، و نسبت کل فعالیت شبکه تلفن همراه ( b ) بر اساس رده سنی، زمانی که سن مشترک مشخص باشد.

شکل ۵٫ گردش کار پردازش داده ها.

شکل ۶٫ مرکز سلول مخلوط ( a )، چند ضلعی های Voronoi با استفاده از سلول های اصلی ( b )، و چند ضلعی Voronoi پس از ادغام سلول های نزدیک ( c ).

شکل ۷٫ طرح واره داده های به دست آمده، “خام” ( a )، و جداول داده های نرمال شده ( b ).

شکل ۸٫ مقایسه حقیقت پایه (جمعیت ثبت شده توسط HCSO [ ۲ ]) ( a ) و جمعیت شناسایی شده بر اساس داده های شبکه تلفن همراه ( b ). شماره منطقه بوداپست نیز نمایش داده می شود.

شکل ۹٫ همبستگی بین جمعیت تراکم و ۲۳ ناحیه بوداپست بر اساس HCSO (حقیقت زمین) و داده های شبکه تلفن همراه. نشانگرها نشان دهنده سکونتگاه ها یا مناطق هستند (در مورد بوداپست). در شکل سمت چپ ( الف ) از تمام سیم کارت ها استفاده شده است، در شکل سمت راست ( ب ) سیم کارت هایی که مطمئناً در دستگاه های غیر تلفنی کار می کردند، حذف شدند.

شکل ۱۰٫ استفاده از نمودارهای تراکم هسته (با هسته گاوسی) برای نمایش مکان های کاری معمولی برای سه شهرک منتخب و ناحیه ای از بوداپست، با ( a ، c ، e ) و بدون ( b ، d ، f ) کارگران محلی. مرزهای اداری بوداپست و شهرک های انتخاب شده نیز نمایش داده می شود.

شکل ۱۱٫ اتصال توسط مسافران بین مناطق بوداپست (گره های شماره گذاری شده) بر اساس محل کار و خانه. یک پیوند نشان می دهد که رفت و آمد بین دو منطقه چقدر قوی است. پیوندهای ضعیف برای بهبود دید حذف شده اند. گره های ناحیه توسط گروه های ناحیه رنگ آمیزی می شوند.

شکل ۱۲٫ مقایسه بین نسبت های رفت و آمد مبتنی بر سرشماری ( a ) (شکل ۱ در [ ۹ ]) و CDR ( b ) برای مناطق بوداپست، از همان منطقه، سایر بخش های بوداپست، تراکم یا خارج از تراکم.

شکل ۱۳٫ رفت و آمد از شش بخش تراکم شهری، بر اساس ارزیابی CDR.

شکل ۱۴٫ رفت و آمد به هفت گروه منطقه بوداپست از سکونتگاه های منتخب تراکم، مقایسه سرشماری (۱۹۹۰، ۲۰۰۱، و ۲۰۱۱) و داده های شبکه تلفن همراه. در کنار افسانه ها، محل سکونتگاه های مورد نظر بر روی نقشه نمایش داده می شود.

شکل ۱۵٫ توزیع مسافران بر اساس رده های سنی و بخش های تراکم (%). مقایسه بین داده های سرشماری خرد (جدول ۱ در [ ۹ ]) ( a ) و داده های شبکه تلفن همراه ( b ).

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام