شناسایی مناطق عملکردی شهری بر اساس ویژگی فضایی چرخه تردد خودروهای آنلاین

مطالعه پهنه‌بندی عملکردی شهری نه تنها برای تحلیل ساختار فضایی شهری، بلکه برای بهینه‌سازی مدیریت شهری و ارتقای برنامه‌ریزی علمی شهری اهمیت دارد. مناطق مختلف که عملکردهای شهری متفاوتی را بر عهده دارند با الگوهای ترافیکی متفاوت و چرخه های خاص مطابقت دارند. در اینجا، روشی به نام منطقه‌بندی عملکردی شهری بر اساس ویژگی فضایی (UFZ-SS) پیشنهاد می‌شود. هسته اصلی این روش به دست آوردن پهنه بندی فضایی شهری از طریق چرخه های خاص جریان های ترافیکی است. اول، UFZ-SS از روش Ensemble Empirical Modal Decomposition (EEMD) برای استخراج ویژگی های سیگنال دوره ای خاص جریان های ترافیکی استفاده می کند. دوم، UFZ-SS سهم ترافیک آنلاین خودرو در چرخه های مختلف را در هر منطقه محاسبه می کند. سپس، مدل مخلوط گاوسی (GMM) برای طبقه بندی تمام مناطق فضایی به پارتیشن های فضایی مختلف بر اساس سهم هر سیگنال دوره ای استفاده می شود. در نهایت، این مطالعه UFZ-SS را با حجم ترافیک آنلاین خودرو در شمال شرقی چنگدو، چین تأیید می‌کند. نتایج نشان می‌دهد که ویژگی‌های دوره‌ای ترافیک را می‌توان به طور موثر با روش EEMD استخراج و تجزیه و تحلیل کرد و نتایج پارتیشن‌بندی فضایی شهری بسیار متمایز و دقیق را می‌توان با خوشه‌بندی فضایی بر اساس اندازه‌گیری‌های چرخه‌های خاص به دست آورد. علاوه بر این، با کمک داده‌های نقطه مورد علاقه (POI)، مناطق عملکردی و الگوهای ساختاری را تأیید می‌کنیم، که اعتبار و عقلانیت مناطق عملکردی شهری شناسایی‌شده توسط UFZ-SS را بیشتر نشان می‌دهد.

کلید واژه ها:

مناطق عملکردی شهری ; ماشین سواری آنلاین ; سری زمانی ؛ Ensemble Empirical Modal Decomposition ; الگوی زمانی پارتیشن بندی فضایی

۱٫ مقدمه

شهرها مجموعه‌هایی هستند که از زیرمنطقه‌های فضایی متعدد با عملکردهای متفاوت تشکیل شده‌اند. نواحی فضایی با کارکردهای متفاوت، فضاهای شهری متفاوتی را تشکیل می دهند [ ۱ ] که با جنبه های مختلف مولفه های شهری مانند الگوهای زندگی ساکنان و مدیریت و برنامه ریزی شهری [ ۲ ، ۳ ] ارتباط تنگاتنگی دارند. مطالعه منطقه‌بندی عملکردی شهری عمدتاً برای تقسیم فضایی کل شهر از طریق جمع‌سپاری داده‌های شهری، برای به دست آوردن مناطق فرعی فضایی متعدد با ویژگی‌های شهری مشابه (مانند جمعیت، اقتصاد، حمل‌ونقل و غیره) یا عملکردهای شهری مشابه (مانند مسکن، سرگرمی) است. ، آموزش و غیره)، و سپس برای نشان دادن ساختارهای فضایی شهری [ ۴]. این می تواند درک مردم از الگوهای فضایی شهری [ ۵ ] را تغییر شکل دهد، کارایی سازمان شهری و استفاده از منابع را بهبود بخشد [ ۶ ]، و سپس برنامه ریزی علمی شهری را به طور کلی ارتقا دهد [ ۷ ].

به طور سنتی، عملکرد مکان های مختلف شهری بیشتر تحت تأثیر برنامه ریزی ها و سیاست های توسعه است. با بهبود مستمر زیرساخت های درون شهری و تکامل شهری، مناطق عملکردی شهری ممکن است تغییر کرده باشند. تأثیر ترافیک بر مناطق عملکردی شهر به تدریج در حال افزایش است. دسترسی متفاوت به زمین در مناطق مختلف درون شهر ممکن است منجر به تفاوت در فعالیت های انسانی و در نتیجه توسعه مناطق عملکردی مختلف شود [ ۸ ]. بنابراین، توصیف الگوی فضایی شهر در مرحله جدید، صرفاً از طریق پهنه بندی اداری شهر، دشوار است، که پاسخگویی به نیازهای توسعه مستمر شهر را نیز دشوار می کند [ ۹ ، ۱۰ ].]. اکنون مطالعه پهنه بندی عملکردی فضای شهر بسیار ضروری است.

با توسعه فناوری‌های سنجش مکان/فعالیت و خدمات مبتنی بر مکان، انواع داده‌های متعدد پدیدار شده‌اند و به طور گسترده در تحقیقات شهری استفاده می‌شوند [ ۱۱ ]. داده‌های بزرگ در شهرها علاوه بر به ارث بردن «۵V» (حجم، سرعت، ارزش، تنوع و صحت) داده‌های بزرگ، دارای ویژگی‌های زمان و مکان هستند که نشان‌دهنده حرکات انسان، تعاملات فضایی و روابط انسان و زمین است [ ۱۲ ].]. در دسترس بودن این داده ها و روش ها امکان بررسی الگوهای سفر و رفتارهای اجتماعی ساکنان، شناسایی عملکردهای فضایی درون شهرها و تحلیل ساختار فضایی شهرها را فراهم می کند. تحقیقات فعلی در مورد پهنه بندی فضایی شهری پویا اطلاعات زمانی را در نظر می گیرد و از الگوهای تغییر زمانی برای شناسایی ساختار فضایی استفاده می کند، اما به طور کلی ویژگی دوره ای داده های جریان را نادیده می گیرد. جریان ترافیک را می‌توان به‌عنوان طیفی مشاهده کرد که توسط دوره‌های متعدد روی هم قرار می‌گیرد و مناطق شهری که عملکردهای متفاوتی را بر عهده دارند ممکن است الگوهای دوره‌ای متفاوتی برای جریان ترافیک خود داشته باشند. به عنوان مثال، برای مناطق کار و زندگی، ممکن است یک دوره طولانی تر از الگوهای تکامل جریان ترافیک به دلیل کار و زندگی روزمره وجود داشته باشد. برای مناطق تجاری و تفریحی، تعداد زیاد فعالیت های تفریحی و تولیدی باعث می شود که رفت و آمد افراد و کالاها بیشتر شود و دوره جریان ترافیک مربوطه کوتاهتر شود. این مولفه‌های دوره‌ای خاص اغلب توسط الگوهای دوره‌ای شهری غالب در مقیاس‌های زمانی بزرگ مدفون می‌شوند. بنابراین، استخراج و تجزیه و تحلیل دوره‌های متغیر با زمان برای داده‌های جریان از مناطق مختلف، پویایی و تناوب داده‌های زمانی را با افشای بهتر منطقه‌بندی عملکردی فضای شهری ترکیب می‌کند.

آنلاین car-hailing یک برنامه کاربردی اقتصاد به اشتراک گذاری شهری در حال ظهور است که تقاضا و عرضه کاربران را به هم متصل می کند و به مسافران اجازه می دهد با وسایل نقلیه تماس بگیرند و سوار شوند [ ۱۳ ]. داده‌های جمع‌آوری‌شده از حمل‌ونقل آنلاین خودرو، اطلاعات مسیر واقعی، از جمله مکان و زمان را نشان می‌دهد که به منبع جدیدی از اطلاعات تبدیل می‌شود که می‌تواند برای مطالعه رفتار سفر مردم و تحرک شهری مورد استفاده قرار گیرد [ ۱۴ ].]. با توجه به ویژگی‌های ناوبری مستقیم و نقطه به نقطه، سفرهای آنلاین با ماشین می‌توانند ویژگی‌های اصلی رفتار سفر ترافیکی ساکنان را در مناطق مختلف شهر منعکس کنند. بنابراین، می‌توان از داده‌های سری زمانی با فرکانس بالا و وضوح فضایی بالا از ترافیک آنلاین خودرو استفاده کرد تا به طور دقیق ویژگی‌های تکامل و الگوهای ترافیک را آشکار کند.

این مقاله با تمرکز بر استخراج و اندازه‌گیری ویژگی سیگنال‌های دوره‌ای متغیر با زمان جریان‌های ترافیکی در فضاهای مختلف شهر، و سپس اعمال آنها در ترسیم و شناسایی پهنه‌های عملکردی شهری، تلاش می‌کند تا تحقیقات در زمینه پهنه‌بندی عملکردی شهری را بهبود بخشد. سناریوی مورد مطالعه در شکل ۱ نشان داده شده است. در این مقاله، روشی به نام منطقه‌بندی عملکردی شهری بر اساس ویژگی فضایی (UFZ-SS) پیشنهاد شده‌است. در مرحله اول، سری‌های زمانی اصلی جریان‌های آنلاین خودرو با روش پردازش سیگنال تجزیه می‌شوند و سیگنال‌های چند دوره‌ای در این سری استخراج می‌شوند. سپس، یک روش جدید برای اندازه‌گیری سهم سیگنال‌های تناوبی استخراج‌شده پیشنهاد می‌شود و یک ماتریس سهم بر اساس معیارهای ویژگی سیگنال‌های تناوبی متعدد در واحدهای مختلف ساخته می‌شود. یک الگوریتم خوشه بندی برای به دست آوردن منطقه بندی فضایی بر اساس مشخصه های سیگنال دوره ای هر مکان استفاده می شود. در نهایت، عملکردهای انجام شده توسط مناطق مختلف در ارتباط با داده‌های POI برای تفسیر مناطق عملکردی و الگوهای ساختاری در شهر بررسی می‌شوند. مشارکت های این مقاله عبارتند از: (i) این مقاله به طور مبتکرانه ای از پویایی زمانی و الگوهای تناوب ترافیک آنلاین خودرو برای شناسایی مناطق عملکردی شهری استفاده می کند. (ii) این مقاله روش اندازه‌گیری سهم سیگنال‌های دوره‌ای مختلف در توالی‌های اصلی ترافیک را پیشنهاد می‌کند. (iii) این مقاله ویژگی دوره تغییر زمانی ترافیک آنلاین خودروهای سواری را در مناطق مختلف نشان می دهد و سپس ایده و روش جدیدی را برای بینش منطقه بندی عملکردی شهری و ساختار پویا شهری ارائه می دهد که برای برنامه ریزی شهری و ترافیک مفید است. مدیریت.

ساختار مقاله به شرح زیر است. در بخش ۲ ، بررسی جامعی از کارهای مرتبط برای معرفی استفاده از داده‌های آنلاین خودرو و روش‌های منطقه‌بندی عملکردی شهری انجام شده است. در بخش ۳ ، روش های تحقیق مورد استفاده در این مقاله ارائه شده است. یک مطالعه موردی در بخش ۴ موجود است و بخش ۵ بحث ها و نتیجه گیری ها را در مورد این مطالعه ارائه می کند.

۲٫ آثار مرتبط

۲٫۱٫ داده های آنلاین خودرو

داده‌های تگرگ خودرو برای مطالعه سنتی توسط پست‌های بازرسی به‌دست آمد، که با اقدامات نظرسنجی بسیار محدود شد. با در دسترس بودن داده‌های مسیر سیستم موقعیت‌یابی جهانی (GPS)، محققان راه بهتری برای مطالعه آنلاین خودروهای تگرگ و کاربرد داده‌ها دارند. به عنوان مثال، براکمن و تیس [ ۱۵ ] از موارد قابل ردیابی (معروف به اشکالات سفر) برای کشف الگوهای تحرک انسان استفاده کردند. دویل و همکاران [ ۱۶ ] از داده های تلفن همراه برای تجزیه و تحلیل رفتار ساکنان شهری استفاده کرد. پیرونی و همکاران [ ۱۷ ] از داده های کارت هوشمند برای کشف الگوهای سفر جمعیت استفاده کرد.

داده‌های مسیر از خدمات آنلاین حمل و نقل خودرو به دلیل ظهور تعداد زیادی از فعالیت‌های تاکسی‌گیری آنلاین محبوب بوده است. چنین داده هایی با دقت بالا، تداوم خوب و درجه بالایی از اتوماسیون مشخص می شوند و می توانند الگوهای رفتاری و الگوهای مکانی-زمانی ساکنان شهری را آشکار کنند [ ۱۸ ]. با توجه به مزیت های فوق، تحقیقاتی با استفاده از داده های GPS آنلاین حمل خودرو انجام شده است. هو و همکاران [ ۱۹ ] مناطق عملکردی شهر را با داده‌های آنلاین خودرو و فناوری یادگیری عمیق طبقه‌بندی کرد. بوگارتس و همکاران [ ۲۰ ] از داده های GPS تاکسی برای پیش بینی ترافیک کوتاه مدت و بلند مدت استفاده کرد. دوکوز [ ۲۱] یک الگوریتم با استفاده از داده های GPS تاکسی نیویورک برای تخمین سرعت ترافیک توسعه داد. Loo و Huang [ ۲۲ ] روشی را برای شناسایی مناطق شلوغ ترافیک با داده های GPS تاکسی معرفی کردند و آن را در شهرهای آسیایی آزمایش کردند. هوانگ و همکاران [ ۲۳ ] رابطه بین تمایل به تقسیم سواری افراد با شرایط مکانی و زمانی را مورد مطالعه قرار داد. با این حال، تحقیقات در مورد حمل خودرو آنلاین به سختی بر روی ویژگی های ویژگی های دوره ای متمرکز است. ویژگی دوره‌ای ممکن است به افشای اطلاعات احتمالی شهر کمک کند، بنابراین ما تصمیم گرفتیم از داده‌های GPS آنلاین خودرو در تحقیقات خود استفاده کنیم.

۲٫۲٫ شناسایی مناطق عملکردی شهری

توسعه سریع مدرنیزاسیون شهری منجر به محبوبیت فزاینده فناوری های سنجش [ ۲۴ ]، سیستم های حمل و نقل هوشمند [ ۲۵ ] و خدمات مبتنی بر مکان [ ۲۶ ] شده است که حجم زیادی از داده های جغرافیایی را برای منطقه بندی عملکردی شهری فراهم می کند. سیستم‌های منطقه‌بندی و تجسم مربوطه نیز برای ترویج توسعه منطقه‌بندی عملکردی شهری توسعه یافته‌اند [ ۲۷ ، ۲۸ ]. با شناسایی و پهنه بندی الگوهای فضایی شهری، مردم می توانند ویژگی های فیزیکی و ویژگی های اجتماعی شهرها را کشف کنند و می توانند کاربردهای ارزشمندی مانند برنامه ریزی شهری را فعال کنند [ ۲۹ ].

هرولد و همکاران [ ۳۰ ] معیارهای منظر را از اطلاعات فضایی تصاویر سنجش از دور ساخت، سپس ساختارهای زمین شهری و تغییرات تحت رشد شهری در منطقه شهری سانتا باربارا، کالیفرنیا را تجزیه و تحلیل کرد. گائو و همکاران [ ۳۱ ] از داده‌های بررسی رسانه‌های اجتماعی برای ساخت یک مدل موضوع احتمالی مبتنی بر محبوبیت برای استخراج مضامین ویژگی معنایی برای ۱۰ منطقه شهری در ایالات متحده استفاده کرد. کریولاری و رش [ ۳۲] از جریان‌های مبدأ-مقصد تاکسی (OD) در شهر نیویورک همراه با داده‌های توزیع محلی POI استفاده کرد و سپس بازنمایی‌های برداری چند بعدی مناطق شهری را برای شناسایی مناطق عملکردی همگن شهر اعمال کرد. داده‌های OD اشتراک‌گذاری دوچرخه نیز در کشف الگوهای مکانی-زمانی برای آشکار کردن پویایی شهری استفاده می‌شوند [ ۳۳ ، ۳۴ ]. با این وجود، چنین مطالعاتی از دیدگاه ایستا انجام می شود. اکثر آنها از اطلاعات ثابت مانند تصاویر سنجش از دور یا داده های کاربری زمین استفاده می کنند، یا فرض می کنند که داده ها از نظر ویژگی های زمانی مانند داده های POI برابر هستند، یا فقط اطلاعات مربوط به تغییرات حالت را در یک نقطه زمانی واحد مانند جریان های OD در نظر می گیرند. معناشناسی ایستا حاصل اغلب بینش های جدا شده ای را به دست می دهد [ ۳۵]، ناتوانی در بیان ویژگی های پویای پهنه بندی فضایی شهری.

سپس برخی از محققین دیدگاهی زمانی را در نظر گرفته اند. آنها در مطالعه خود تداوم و یکپارچگی حرکات جمعیت را در نظر می گیرند و همچنین بر ثبات زمانی داده های چند منبعی تمرکز می کنند. کای و همکاران [ ۳۶ ] داده‌های بزرگ مکان Tencent را بر اساس ساعت، روز و فضا تقسیم کرد، سپس فاکتورسازی تانسور را برای استخراج احتمالات شرطی تحت حالت‌های مختلف اعمال کرد، بنابراین اطلاعات ساختار فضایی را استنباط کرد. راتی و همکاران [ ۳۷ ] استفاده از داده های تلفن همراه را در فواصل ۵ دقیقه یا ۱۰ دقیقه برای مطالعه موردی در منطقه شهری میلان ایتالیا توصیف کرد. Peungnumsai و همکاران [ ۳۸] داده‌های بررسی پرسشنامه و داده‌های کاوشگر تاکسی را با فرکانس نمونه‌گیری ۳-۵ ثانیه برای منطقه‌بندی منطقه خدماتی تاکسی‌ها در منطقه شهری بانکوک ترکیب کرد، که همچنین ساختار منطقه‌بندی عملکردی شهر را تا حدی نشان داد.

مشاهده می‌شود که پهنه‌بندی فضایی پویا شهری اطلاعات زمانی را در نظر می‌گیرد و از قانون تغییرات زمانی برای شناسایی ساختار مکانی استفاده می‌کند، اما به طور کلی ویژگی فضایی چرخه ترافیک را نادیده می‌گیرد. حجم ترافیک متغیر با زمان یک سری زمانی پیچیده است که از سیگنال های چند دوره ای تشکیل شده است. با استفاده از روش تحلیل سیگنال دوره ای سری های زمانی، دوره های پتانسیل چندگانه سری زمانی حجم ترافیک در مکان های مختلف را می توان به دست آورد. اندازه‌گیری سهم سیگنال‌های تناوبی مختلف در سری‌های زمانی اصلی می‌تواند ویژگی سیگنال‌های تناوبی را نشان دهد، بنابراین تحقیقات در زمینه پهنه‌بندی عملکردی شهری از منظر پویایی و تناوب بهبود می‌یابد.

۳٫ روش شناسی

این مطالعه از روش EEMD برای تجزیه جریان ترافیک و به دست آوردن سیگنال های دوره ای استفاده می کند. سپس، ماتریس سهم را با روش نسبت متوسط ابداع شده در این تحقیق برای به دست آوردن سهم دوره های مختلف حجم ترافیک در واحدهای فضایی مختلف می سازیم. بر اساس ویژگی‌های سهم هر منطقه در منطقه مورد مطالعه، یک روش خوشه‌بندی یادگیری ماشین GMM برای دستیابی به خوشه‌بندی با دقت بالا مناطق عملکردی شهری انتخاب شده است. جدول ۱ توضیحاتی درباره نمادهای ریاضی مورد استفاده در این مقاله ارائه می دهد.

۳٫۱٫ تجزیه و تحلیل آنلاین دوره ترافیک خودرو

سری های زمانی حجم ترافیک سیگنال های پیچیده ای هستند که از توالی سیگنال های دوره ای مختلف تشکیل شده اند. توالی سیگنال های دوره ای، علاوه بر چرخه های رایج مانند روزانه و هفتگی، دارای دوره هایی هستند که می توانند اطلاعات اثر انگشت اجتماعی بالقوه را منعکس کنند. EEMD یک روش بهبود یافته از EMD (تجزیه حالت تجربی) است که می تواند به طور موثر پدیده گیج کننده مودال را در روش EMD با معرفی نویز سفید توزیع شده یکنواخت چندین بار در فرآیند تجزیه مودال و انجام میانگین گیری گروهی حل کند [ ۳۹ ]. با تجزیه سری های زمانی از طریق EEMD، اجزای مختلف تابع حالت ذاتی (IMF) با دوره های خاص را می توان به دست آورد.

الگوریتم EEMD به شرح زیر است و شکل ۲ نمودار جریان آن است:

(۱) تعداد دفعات پردازش سری زمانی را تنظیم کنید: M،

(۲) یک سری نویز سفید را روی هم قرار دهید nمن(تی)با توزیع نرمال روی سری زمانی اصلی x(t) برای تولید یک سری زمانی جدید:

ایکسمن(تی)=ایکس(تی)+nمن(تی)،

(۱)

جایی که nمن(تی)نشان‌دهنده یکمین توالی نویز سفید روی هم قرار گرفته است، ایکسمن(تی)نشان دهنده سیگنال نویز اضافی آزمایش i است، من=۱، ۲،…، م.

(۳) سیگنال نویزدار را به اجزای EMD تجزیه کنید و یک سری اجزای IMF را بدست آورید:

ایکسمن(تی)=∑j=1جیجمن،j(تی)+rمن،جی(تی)،

(۲)

جایی که جمن،j(تی)jامین مولفه صندوق بین المللی پول است که از تجزیه پس از اضافه شدن نویز سفید به دست می آید. rمن،جی(تی)تابع باقی مانده نشان دهنده روند متوسط سیگنال است و J تعداد اجزای IMF است.

(۴) مراحل (۲) و (۳) را برای M بار تکرار کنید و سیگنال های نویز سفید را با دامنه های مختلف در طول هر تجزیه اضافه کنید تا مجموعه اجزای IMF را بدست آورید:

ج۱،j(تی)، ج۲،j(تی)،…، جم،j(تی)، j=1،۲،…، جی،

(۳)

صندوق بین المللی پولj(تی)=۱م ∑من=۱مجمن،j(تی)،

(۴)

جایی که صندوق بین المللی پولj(تی)نهمین صندوق بین المللی پول از تجزیه EEMD است، من=۱، ۲،…، م، j=1، ۲،…، جی.

۳٫۲٫ اندازه گیری ویژگی سیگنال در دوره های مختلف

در میان مؤلفه‌های IMF که توسط الگوریتم EEMD تجزیه می‌شوند، برخی از مؤلفه‌های فرکانس پایین معمولاً مؤلفه‌های شبه هستند که باید بیشتر متمایز شوند. روش های سنتی ممکن است مولفه های فرکانس پایین بالا را به اندازه کافی در نظر نگیرند و معانی ذاتی آنها را نادیده بگیرند. به خصوص در حجم ترافیک، هر جزء صندوق بین‌المللی پول نشان‌دهنده یک ویژگی دوره‌ای بالقوه منطقه مورد مطالعه است و نباید به روشی ساده و غیرمتمایز با آن برخورد کرد. بنابراین، یک شاخص مشارکت در این مطالعه برای محاسبه سهم اجزای صندوق بین‌المللی پول که از سری‌های زمانی شبکه حذف شده‌اند، پیشنهاد شده‌است.

در زمینه پردازش سیگنال، الگوریتم‌های تعیین و غربالگری سیگنال‌های مؤلفه IMF شامل روش ضریب همبستگی [ ۴۰ ]، روش پراکندگی KL [ ۴۱ ]، روش مبتنی بر انرژی [ ۴۲ ]، و روش مبتنی بر چگالی طیفی توان [ ۴۳ ] و غیره است. برخی از محققان نیز چندین شاخص را برای به دست آوردن یک شاخص حساسیت ترکیب کرده اند [ ۴۴]، که برای تعیین مؤلفه های صندوق بین المللی پول و سهم آنها در توالی اصلی استفاده می شود. برای بهره‌برداری از مزیت بالقوه اجزای صندوق بین‌المللی پول به دست آمده از تجزیه EEMD در چرخه سری اصلی، یک روش تخصیص سهم تعریف‌شده با نسبت بر اساس ویژگی‌های جریان ترافیک پیشنهاد می‌کنیم: روش نسبت متوسط. در این مطالعه، الگوریتم اندازه گیری مشارکت با انجام یک عملیات نسبت بین مقادیر مختلف مؤلفه صندوق بین المللی پول و مقادیر همزمان سری های زمانی اصلی ساخته شده است. سپس این مطالعه از نسبت متوسط به عنوان سهم مؤلفه صندوق بین المللی پول به سری زمانی اصلی استفاده می کند. بر اساس این روش، میزان مشارکت را می توان با معادله زیر محاسبه کرد:

باهمک،j=∑تی=۱nصندوق بین المللی پولک،j(تی)TSک(تی)/Lک،

(۵)

جایی که باهمک،jنشان دهنده سهم jامین مؤلفه صندوق بین المللی پول در kth واحد فضایی است. صندوق بین المللی پولک،j(تی)مقدار jامین مولفه IMF را در k امین واحد فضایی در لحظه t نشان می دهد. TSک(تی)مقدار سری زمانی اصلی را با شماره شبکه k در لحظه t نشان می دهد. Lکطول سری زمانی را در شبکه شماره k نشان می دهد.

۳٫۳٫ تقسیم بندی فضایی شهری و شناسایی عملکرد

با اتخاذ روش محاسبه سهم فوق، این مقاله ماتریس مشارکت را برای نشان دادن رابطه مشارکت بین هر جزء صندوق بین‌المللی پول و سری زمانی اصلی می‌سازد، از GMM برای طبقه‌بندی همه مکان‌های فضایی به انواع مختلف استفاده می‌کند و عملکردهای شهری انجام شده توسط فضاهای مختلف را تأیید می‌کند. مناطق بر اساس داده های POI.

۳٫۳٫۱٫ ماتریس مشارکت دوره ای

این مطالعه با اتخاذ روش محاسبه سهم فوق، ماتریس سهم را می سازد باهمصندوق بین المللی پولبرای نشان دادن رابطه مشارکت بین هر جزء صندوق بین المللی پول و سری زمانی اصلی:

باهمصندوق بین المللی پول=[باهم۱۱باهم۱۲⋯باهم۱nباهم۲۱باهم۲۲⋯باهم۲n⋮⋮⋱⋮باهممتر۱باهممتر۲⋯باهممترn]،

(۶)

جایی که باهمک،jسهم jامین مؤلفه صندوق بین المللی پول با شماره شبکه k، تعداد شبکه ها m و تعداد مؤلفه های صندوق بین المللی پول n است، ک=۱، ۲،…، متر، j=1، ۲،…، n.

۳٫۳٫۲٫ خوشه بندی فضایی

بر اساس ماتریس سهم به‌دست‌آمده، این مطالعه از خوشه‌بندی سری‌های زمانی برای به دست آوردن الگوی تقسیم زمین منطقه مورد مطالعه استفاده می‌کند. خوشه بندی سری های زمانی را می توان به طور کلی به روش هایی بر اساس معیارها و ویژگی های اصلی تقسیم کرد [ ۴۵ ]. خوشه‌بندی سری‌های زمانی مبتنی بر ویژگی، کاهش ابعاد داده‌ها را به عنوان ایده راهنما در نظر می‌گیرد و ویژگی‌های داخلی داده‌ها را به عنوان ورودی در نظر می‌گیرد، و به طور موثر مشکلات خوشه‌بندی داده‌های با ابعاد بالا، داده‌های گمشده، طول داده نابرابر و حساسیت کم به داده‌های نویزدار را حل می‌کند. . علاوه بر این، بر مشکل ناهمواری نویز در تجزیه اجزای IMF توسط الگوریتم EEMD غلبه می کند [ ۴۶ ]]. ما سهم اجزای دوره‌ای را به دنباله اصلی بر اساس GMM خوشه‌بندی می‌کنیم و عملکرد هر مدل را با محاسبه مقدار معیار اطلاعات بیزی (BIC) هر نتیجه خوشه‌بندی برای تعیین بهترین نوع مدل و بهترین تعداد خوشه‌ها ارزیابی می‌کنیم. سپس از نتایج خوشه‌بندی برای تقسیم پارتیشن فضایی منطقه مورد مطالعه استفاده می‌شود که تحلیل جامع‌تر و مؤثرتری از جریان‌های ترافیک و الگوهای عملیات شهری ارائه می‌دهد.

اصل GMM به شرح زیر است: GMM از ترکیبی از توزیع های گاوسی برای توصیف توزیع داده استفاده می کند. هر مدل گاوسی یک خوشه را نشان می دهد و داده ها را بر اساس احتمال به مدل های مختلف اختصاص می دهد. اجازه دهید سهم X باشد که از توزیع K گاوسی تشکیل شده است. GMM به صورت زیر بیان می شود:

پ(ایکس|θ)=∑من=۱کφمن ۱۲πΣمن ه-(ایکس-μمن)۲۲Σمن،

(۷)

جایی که φمنپارامتر وزنی یکمین توزیع گاوسی را در گونه های مدل مخلوط با مجموع K نشان می دهد و مجموع آنها ۱ است. μمنو Σمنبه ترتیب ماتریس های میانگین و کوواریانس تحت توزیع گاوسی هستند.

مقدار BIC به صورت زیر تعریف می شود:

۲ورود به سیستم پ(ایکس|م) + ثابت ≈ ۲لم(ایکس،θ^)-مترمورود به سیستم(n) ≡ BIC

(۸)

۳٫۳٫۳٫ شناسایی عملکرد مناطق مختلف

برای روش تقسیم فضایی توابع شهری بر اساس ویژگی فضایی چرخه ترافیک شهری، این مطالعه بیشتر داده‌های POI را ترکیب می‌کند. ما تعداد انواع مختلف POI را در هر شبکه می شماریم و به نوبه خود آنها را از ۰ تا ۱ میانگین و استاندارد می کنیم. سپس POIهای داخل همان زیرمنطقه را خلاصه می کنیم و با محاسبه درصد هر نوع POI در آن، عملکردهای شهری اصلی انجام شده توسط منطقه را شناسایی می کنیم. در نهایت، تقسیمات عملکردی شهری منطقه مورد مطالعه را بدست می آوریم.

۴٫ مطالعه موردی

۴٫۱٫ شرح داده ها و پیکربندی آزمایشی

پس از پیشنهاد روش UFZ-SS، چنگدو به عنوان مطالعه موردی برای کاربرد و تحلیل در این مقاله انتخاب شده است. این بخش فرعی بر اطلاعات اولیه منطقه مورد مطالعه، منبع داده و پردازش آن و پیکربندی آزمایش تمرکز دارد.

۴٫۱٫۱٫ منطقه مطالعه و داده های اصلی

چنگدو، مرکز استان سیچوان، یک شهر اصلی در منطقه غربی چین است که به عنوان پایگاه ملی صنعت فناوری پیشرفته، مرکز تجاری و لجستیکی، و مرکز حمل و نقل جامع عمل می کند. چنگدو دارای یک شبکه جاده شعاعی دایره ای است. در این مقاله، یک ناحیه چهار ضلعی تشکیل شده توسط چهار نقطه (طول جغرافیایی: ۱۰۴٫۰۴°-۱۰۴٫۱۳°، عرض جغرافیایی: ۳۰٫۶۵°-۳۰٫۷۲°) در شمال شرقی حلقه چهارم چنگدو، که سیستم مختصات آن GCJ-02 است، برای مطالعه. این منطقه از زمین شهری چهار ناحیه شهرداری به نام‌های منطقه چینگ یانگ، منطقه جینیو، منطقه چنگوا و منطقه جین جیانگ تشکیل شده است و قلب چنگدو است.

داده های اصلی مورد استفاده در این مقاله، داده های مسیر پلت فرم Didi Chuxing در منطقه محلی چنگدو در سال ۲۰۱۶، از مجموعه داده های برنامه داده باز GAIA KDD CUP 2020 است. از آنجایی که منطقه مورد مطالعه منطقه مرکزی چنگدو است که در سال ۲۰۱۶ به خوبی توسعه یافته است و تغییر زیادی نکرده است، این بدان معنی است که تحقیقات ما بر اساس آن داده ها هنوز نشانگر است. از این رو، داده های مسیر نوامبر ۲۰۱۶ در این مطالعه انتخاب شده اند و حجم داده ها حدود ۱۰۰ گیگابایت است. نمونه ای از داده های مسیر در جدول ۲ نشان داده شده است .

۴٫۱٫۲٫ پردازش داده ها

در داده‌های اصلی، شناسه راننده و شناسه سفارش رمزگذاری شده‌اند، و زمان در قالب زمان یونیکس ذخیره می‌شود، که نمی‌تواند مستقیماً الزامات استفاده را برآورده کند. از این رو، لازم است داده ها با توجه به موقعیت واقعی آنها پیش پردازش شوند. کار پیش پردازش داده های زیر در این مطالعه انجام شده است: (۱) رمزگذاری مجدد شناسه راننده و شناسه سفارش. (۲) تبدیل زمانی از مهر زمانی یونیکس به زمان هماهنگ زمانی جهانی (UTC) در قالب YYYY-MM-DDTHH:mm:ssZ، که در آن Y نشان دهنده سال، M نشان دهنده ماه، D نشان دهنده تاریخ، H نشان دهنده ساعت، m نشان دهنده دقیقه، s نشان دهنده دوم، T نشان دهنده شروع زمان، Z نشان دهنده منطقه زمانی است. علاوه بر این، داده‌های پرت از داده‌های مسیر غربال می‌شوند و مسیرهایی با فواصل زمانی بیشتر از ۳۶۰۰ ثانیه برای اطمینان از کیفیت داده‌ها حذف می‌شوند.

شبکه جغرافیایی مبتنی بر یک روش تقسیم فضایی یکپارچه و ساده و سیستم مختصات فضایی برای تقسیم منطقه برای آمار و تجزیه و تحلیل پدیده‌های جغرافیایی است که به طور گسترده در جهت ادغام داده‌های مکانی چند منبعی و تحلیل جغرافیایی جامع استفاده می‌شود [ ۴۷ ].]. در این مقاله، منطقه مورد مطالعه به ۲۲۵ شبکه ۱۵×۱۵ با تفکیک فضایی ۵۰۰ متر تقسیم شده است که بر اساس ترتیب از چپ به راست و پایین به بالا به شماره های ۱، ۲، ۳، …، ۲۲۵ شماره گذاری شده است. شبکه به عنوان واحد فضایی پایه برای تجزیه سیگنال و تجزیه و تحلیل خوشه بندی فضایی استفاده می شود. مشخصات دوره ای جریان ترافیک در هر شبکه بر روی آن اندازه گیری می شود. بر اساس شباهت ویژگی های دوره ای، شبکه های مختلف را می توان برای به دست آوردن یک پارتیشن جامع ترکیب کرد. منطقه مورد مطالعه این مقاله در شکل ۳ الف نشان داده شده است.

پس از تقسیم شبکه‌ها، این مطالعه مسیرهای آنلاین خودرو-تگرگ را با شبکه‌های فضایی ترکیب می‌کند و تعداد خودروهای آنلاین را در دوره‌های مختلف در داخل هر شبکه شمارش می‌کند و سری زمانی ترافیک آنلاین خودرو در مکان‌های (شبکه) فضایی مختلف است. در نهایت تجمیع شد. شکل ۳b سری ۲۴ ساعته ترافیک آنلاین خودرو-تگرگ برای دو شبکه نماینده در منطقه مورد مطالعه، به ترتیب ۱۴۵ و ۱۴۷ را نشان می دهد. این نشان می‌دهد که تغییرات زمانی ترافیک در دو منطقه از لحاظ مکانی مشابه در یک روز مشابه است، جایی که زمان‌های اوج و فرود دو سری زمانی نزدیک به یکدیگر در یک روز رخ می‌دهند. مدت زمان و فرآیند انتقال مقادیر بالا و پایین نیز به طور کلی یکسان است که منعکس کننده حالت روزانه تغییرات است. با این حال، دو سری زمانی تفاوت‌هایی را از نظر تناوب ناشی از تغییرات پیک ترافیک نشان می‌دهند. مقادیر کلی کوچکتر و فواصل طولانی‌تر بین قله‌های مجاور برای grid145 نشان‌دهنده یک دوره بالقوه غالب در تکامل جریان‌های ترافیکی است.

برای نشان دادن بیشتر دوره های دلالت بر تغییرات زمانی داده ها، این مطالعه مقیاس زمانی را تا یک ماه گسترش می دهد و سری های زمانی را با رسم نمودارهای مارپیچی با استفاده از بسته مارپیچی [ ۴۸ ] در R تجسم می کند و نتایج در شکل ۴ نشان داده شده است. از نمودار، می توان دریافت که تغییرات زمانی ترافیک آنلاین دارای ویژگی های دوره ای آشکار است که از تکرار دوره های روزانه پیروی می کند و یک یا چند نقطه اوج در هر روز دارد. در میان آنها، grid145 ( شکل ۴ الف) دارای مقادیر ترافیکی بالاتری نسبت به grid147 ( شکل ۴ ب) است، و مناطق با ارزش پایین تر از grid147 فرار و به صورت پویا آموزنده تر هستند.

۴٫۱٫۳٫ پیکربندی آزمایشی

در بخش ۴٫۲، این مطالعه از روش EEMD برای تجزیه سری زمانی جریان ترافیک آنلاین خودرو به اجزای صندوق بین المللی پول استفاده می کند و ویژگی های دوره ای خاص را از صندوق های بین المللی پول استخراج می کند. پس از آن، روش اندازه‌گیری دوره خاص جریان ترافیک در طول زمان، روش نسبت متوسط، برای محاسبه متوالی سهم صندوق‌های بین‌المللی پول مختلف در سری زمانی اصلی جریان‌های ترافیک استفاده می‌شود. سپس، ماتریس مشارکت تولید می شود و تجسم فضایی انجام می شود. الگوریتم GMM برای طبقه‌بندی همه شبکه‌های فضایی به انواع مختلف بر اساس ماتریس مشارکت استفاده می‌شود و انواع مشابهی از واحدهای فضایی را می‌توان در پارتیشن‌های فضایی تجمیع کرد. در نهایت، این مطالعه داده های POI را برای تجزیه و تحلیل ترکیب می کند. با محاسبه و تجزیه و تحلیل درصد هر POI در مناطق مختلف،

۴٫۲٫ تجزیه و تحلیل سیگنال دوره ای

در این مطالعه، تجزیه EEMD به‌طور جداگانه برای هر سلول شبکه انجام می‌شود تا اجزای صندوق بین‌المللی پول از حجم ترافیک آنلاین خودرو-تگرگ استخراج شود. نتایج تجزیه EEMD برای grid145 و grid147 به عنوان مثال نشان داده شده است. از نتایج تجزیه، بدیهی است که EEMD بر اثر نقطه پایانی و مشکل مخدوش کننده مدال EMD به خوبی غلبه می‌کند، و همچنین از نظر محاسباتی کمتر از الگوریتم‌های بهبود یافته‌ای که توسط محققان پس از آن پیشنهاد شد، نیازهای این آزمایش را برآورده می‌کند.

همانطور که از شکل ۵ مشاهده می شود ، نوساناتی در سری جریان به صورت روز به روز وجود دارد و ویژگی های دوره ای اجزای صندوق بین المللی پول مشهود است. با توجه به تأثیر مقیاس های مختلف مختصات عمودی، خطای تجسم در موقعیت ۲۰ نوامبر ظاهر می شود، اگرچه تفاوت در فرکانس های لحظه ای مربوط به هر جزء IMF را می توان به صورت بصری مشاهده کرد. ما نتایج تجزیه EEMD را با محاسبه دوره اصلی و سهم واریانس هر جزء صندوق بین المللی پول، همانطور که در جدول ۳ نشان داده شده است، کمی می کنیم.. IMF1–IMF7 همگی یک دوره اصلی در ۱ روز دارند. IMF1-IMF4، به عنوان اجزای فرکانس بالا، دوره اصلی کوتاه تری دارند که منعکس کننده پویایی جریان ترافیک کوتاه مدت است. IMF5-IMF7 اطلاعات مربوط به نوسانات دوره ای ۱۲ ساعته و ۲۴ ساعته جریان ترافیک را منعکس می کند. IMF9–IMF11، از سوی دیگر، روند کلی جریان ترافیک در نوامبر ۲۰۱۶ را نشان می‌دهد، با نوسانات ثابت در طول زمان. با محاسبه نسبت های واریانس اجزای صندوق بین المللی پول، واریانس همتایان دوره ای ۵ ساعته و ۰٫۵ ساعته نسبتاً بزرگ است، به جز IMF5-IMF7. اگرچه مورفولوژی جریان بین grid145 و grid147 مشابه است، تفاوت‌ها در IMF3 و IMF8 آشکار است، که نشان‌دهنده مزایای استفاده از EEMD برای استخراج ویژگی‌های فضایی چرخه ترافیک شهری است.

۴٫۳٫ محاسبه مشارکت

با استفاده از روش نسبت متوسط پیشنهاد شده در این مطالعه در بخش ۳٫۲ ، شاخص سهم هر صندوق بین المللی پول در هر شبکه به طور جداگانه محاسبه می شود.

نتایج این مطالعه به صورت فضایی برای مقادیر شاخص سهم صندوق بین المللی پول، که در شکل ۶ نشان داده شده است، به تصویر کشیده شده است. مشاهده می‌شود که نواحی ویژگی جدا شده در منطقه مورد مطالعه از مؤلفه‌های IMF1–IMF4 استخراج شده‌اند، که مناطقی هستند که grid64، grid188، grid133-135، و grid150 قرار دارند. در IMF5-IMF7، مناطق عملکردی تجمعی شهر عمدتاً برجسته شده‌اند، مانند دومین جاده کمربندی چنگدو در IMF5 و IMF6، و منطقه مرکزی چنگدو در گوشه پایین سمت چپ IMF7. برای IMF8-IMF11، مقادیر مشارکت و نرخ سهم واریانس نسبتاً کوچک، از نظر مکانی پراکنده و ضعیف هستند.

۴٫۴٫ تقسیم بندی فضایی بر اساس ماتریس مشارکت جریان ترافیک

در این مطالعه، ماتریس مشارکت با استفاده از GMM خوشه‌بندی شده و تعداد خوشه‌ها با استفاده از مقادیر BIC تعیین می‌شود. رابطه بین تعداد خوشه های بهینه و تغییرات مقادیر BIC در شکل ۷ نشان داده شده است . با توجه به الگوریتم انتظار-بیشینه سازی، هر چه مقدار BIC بزرگتر باشد، عملکرد خوشه بندی بهتری خواهد داشت. بنابراین، تعداد بهینه خوشه ها ۸ است. مقدار BIC با رشد تعداد خوشه ها تا رسیدن به تعداد بهینه خوشه های ۸ کلاس نوسان می کند و پس از آن به سمت پایین نوسان می کند. این پژوهش با فرض در نظر گرفتن تعداد خوشه ها، تعداد خوشه ها را به ترتیب از ۴ تا ۸ کلاس برای تجسم فضایی و نمایش انتخاب می کند.

در این مطالعه، نتایج خوشه‌بندی فوق به صورت فضایی مشاهده شده و در شکل ۸ نشان داده شده است. در هر پنج مورد، نتایج خوشه‌بندی می‌تواند به‌طور دقیق بخش‌هایی از حلقه دوم و مناطق جاده مرتفع حلقه دوم در چنگدو را به‌عنوان یک خوشه منحصربه‌فرد استخراج کند، به‌ویژه در نتایج خوشه‌های شش و هشت با بالاترین مقادیر BIC. با حلقه دوم و منطقه مرتفع جاده به عنوان تقسیم، بقیه منطقه مورد مطالعه برای تشکیل خوشه های مختلف تقسیم می شود. علاوه بر این، با افزایش تعداد خوشه‌ها، طبقه‌بندی با استخراج مکان‌های ویژه‌تر اصلاح می‌شود و نواحی درون حلقه دوم و بین حلقه‌های دوم و سوم به تدریج متمایز می‌شوند. با این حال، عملکردهای شهری خاص هر خوشه هنوز مشخص نیست.

در این مقاله، نتیجه طبقه‌بندی با بالاترین مقدار BIC به تفصیل تجزیه و تحلیل می‌شود که در آن منطقه مورد مطالعه به هشت خوشه (خوشه ۱-خوشه ۸) تقسیم می‌شود. یک ساختار مدور در منطقه مورد مطالعه مشهود است که از ناحیه مرکز شهر (گوشه سمت چپ پایین شکل) به مناطق پیرامونی (گوشه سمت راست بالای شکل) گسترش یافته است. خوشه ۱ غالب ترین نتیجه طبقه بندی است که ۵۸ شبکه از ۲۲۵ شبکه را اشغال می کند. این عمدتاً در منطقه مرکز شهر در داخل جاده حلقه دوم چنگدو قرار دارد و یک همبستگی فضایی آشکار بین جریان های ترافیک شهری در یک منطقه خاص و وابستگی جریان ترافیک به شبکه ترافیک را نشان می دهد. علاوه بر این، تقریباً هیچ توزیع گسسته ای از نتایج خوشه بندی در این خوشه وجود ندارد. علاوه بر این، خوشه ۱ همچنین شامل مناطقی مانند تبادل Qinglongchang، بزرگراه چنگ بی، و مبادله چوان-شان. این ممکن است به این دلیل باشد که جریان ترافیک در این مناطق و ویژگی‌های چرخه‌ای جریان ترافیکی آن‌ها مشابه مناطق مرکز شهر است. از طرف دیگر، خوشه ۲ با توزیع آن در مرکز ورزشی چنگدو، مرکز پلی و دانشگاه علوم و فناوری الکترونیک (پردیس شاهه) شخصیت گسسته تری را نشان می دهد و هیچ گونه تجمع منطقه ای وجود ندارد. خوشه ۳ عمدتاً در منطقه گسترده در وسط جاده های کمربندی دوم و سوم و لبه جاده کمربندی دوم با مقدار کمی در لبه جاده کمربندی اول توزیع شده است. خوشه ۴ می تواند به وضوح جاده کمربندی دوم، جاده مرتفع جاده کمربندی دوم و بخش جاده جیفانگ-خیابان ییماجیائو-جاده جنوبی ژائوجئوسی را استخراج کند. که یکی از مهم ترین بخش های رفت و آمد در چنگدو است، و همچنین نشان دهنده همبستگی فضایی و وابستگی شبکه جاده ای جریان های ترافیکی است. خوشه ۵ عمدتاً در بخش شمال غربی منطقه مورد مطالعه توزیع شده است که شامل بخشی از بخش شمالی جاده حلقه اول، خیابان بیکسینگ، خیابان تجاری Rongbei و مناطق اطراف آن است. همه این مکان ها ارتباط نزدیکی با جاده های ستون فقرات در چنگدو دارند و دارای ویژگی های تجمع منطقه ای خاصی هستند. خوشه ۶ کمترین نسبت را اشغال می کند، که عمدتاً مناطق ویژگی ایزوله در منطقه مورد مطالعه است، به ترتیب، شبکه ۶۴ (منطقه نظامی منطقه جنگی غرب)، شبکه ۱۸۸ (منطقه پیوست دانشگاه چنگدو)، شبکه ۴۴ (منطقه شاهه)، شبکه ۱۳۳-۱۳۵٫ ، و گرید ۱۵۰ (حیاط ذخیره قطار Erxianqiao). خوشه ۷ در منطقه شمالی خارج از جاده کمربندی دوم توزیع شده است. و توزیع نسبتا گسسته است. خوشه ۸ عمدتاً در امتداد جاده کمربندی سوم شمالی چنگدو قرار دارد که توسط مبادله چوان-شان خوشه ۱ تقسیم شده است. در این منطقه، هر بخش فرعی پیوسته است و یک همبستگی شبکه جاده ای قوی دارد.

برای نتایج خوشه بندی فضایی، این بخش فرعی آنها را با استفاده از شاخص سهم هر خوشه و دوره غالب آن ارزیابی و تجزیه و تحلیل می کند. در ابتدا، دوره غالب و شاخص سهم هر جزء صندوق بین المللی پول از هر خوشه در نتایج تقسیم بندی فضایی به طور مستقل محاسبه می شود، همانطور که در شکل ۹ نشان داده شده است. شکل ۹a دوره غالب هر جزء صندوق بین المللی پول را نشان می دهد. محور افقی این نمودار جعبه اجزای مختلف صندوق بین المللی پول را نشان می دهد و مختصات عمودی دوره غالب را بر حسب ساعت نشان می دهد. به جز خوشه ۶، دوره های هر جزء صندوق بین المللی پول در هر خوشه دقیقاً یکسان نیست، اما نوسانات کلی قابل توجه نیست. برای خوشه ۶، درجه نوسانات از IMF 1 تا IMF 9 به طور قابل توجهی بیشتر از گروه های دیگر است. در مقایسه با خودش، درجه نوسان به طور قابل توجهی در IMF 8 و IMF 9 افزایش می یابد. ممکن است به این دلیل باشد که خوشه ۶ دارای کمترین نسبت منطقه مورد مطالعه با مقدار کمی از داده های مسیر است. سپس دوره های غالب اجزای مختلف صندوق بین المللی پول مورد بحث قرار می گیرد. برای صندوق بین المللی پول ۱، دوره اصلی آن حدود ۰٫۵ ساعت، دوره صندوق بین المللی پول ۲ حدود ۱ ساعت و دوره IMF 3 حدود ۲٫۳ ساعت است. نشان دادن ویژگی های جریان ترافیک کوتاه مدت دوره IMF 4 تقریباً ۵ ساعت است، IMF 5 حدود ۱۲ ساعت است، و IMF 6 حدود ۲۴ ساعت است که نشان دهنده جریان ترافیک در یک چرخه نیم روز در روز است. صندوق بین‌المللی پول ۷ و بالاتر دارای دوره‌های بزرگ‌تری است، چرخه‌های چند روزه، هفتگی و چند هفته‌ای را تا زمانی که دوره صندوق بین‌المللی پول ۱۱ از بازه زمانی داده‌ها (۳۰ روز) فراتر رود، نمایش می‌دهد.

شکل ۹ ب سهم هر جزء صندوق بین المللی پول در سری زمانی اصلی را نشان می دهد. ارزش بیشتر شاخص سهم نشان می دهد که مؤلفه صندوق بین المللی پول از اهمیت بیشتری برخوردار است. همراه با تجزیه و تحلیل دوره غالب هر جزء صندوق بین المللی پول در شکل ۹الف، ویژگی های زمانی هر خوشه را می توان بیشتر تحلیل کرد. برای خوشه ۱-۵ و خوشه ۸، قدر مطلق شاخص سهم صندوق بین المللی پول ۵-۶ به طور قابل توجهی بزرگتر از ارزش سایر اجزا است، که نشان می دهد تسلط اطلاعات ارائه شده توسط صندوق بین المللی پول ۵-۶ در این خوشه ها وجود دارد. ، نشان می دهد که سری زمانی جریان ترافیک تحت سلطه یک دوره ۱۲ تا ۲۴ ساعته است. برای خوشه ۶، صندوق بین المللی پول ۱-۳ دارای بیشترین شاخص مشارکت است، که در درجه اول ویژگی های دوره کوتاه را نشان می دهد و ویژگی های جریان ترافیک کوتاه مدت را ارائه می دهد. برای خوشه ۷، علاوه بر صندوق بین المللی پول ۶، صندوق بین المللی پول ۱ دارای دومین قدر مطلق شاخص سهم است، که نشان می دهد هم از چرخه ۱۲ تا ۲۴ ساعته و هم چرخه کوتاه ۴۰ دقیقه ای تأثیر می پذیرد.

به طور خلاصه، این بخش فرعی منطقه مورد مطالعه را بر اساس ماتریس مشارکت تقسیم بندی می کند و شاخص مشارکت هر خوشه و دوره غالب آن را تجزیه و تحلیل می کند. یافته‌ها نشان می‌دهد که هر خوشه دارای واریانس قابل‌توجهی در شاخص سهم و دوره غالب است که به منطقه امکان تقسیم جغرافیایی می‌دهد. علاوه بر این، دوره‌های مؤلفه‌های صندوق بین‌المللی پول با شاخص‌های مشارکت بالا در خوشه‌های مختلف با الگوهای چرخه‌ای جریان‌های ترافیکی دنیای واقعی مطابقت دارد که عملی و علمی بودن مطالعه ما را نشان می‌دهد.

۴٫۵٫ تجزیه و تحلیل POI و شناسایی مناطق عملکردی

پارتیشن‌های فضایی مشتق‌شده بر اساس شاخص‌های مشارکت اجزای مختلف صندوق بین‌المللی پول می‌توانند در ابتدا الگوهای مکانی-زمانی جریان ترافیک شهری را بررسی کنند. به منظور کشف ویژگی های عملکردی منطقه ای مربوط به هر نتیجه خوشه بندی فضایی، این مقاله نتایج پارتیشن بندی فضایی را با داده های POI در چنگدو برای تجزیه و تحلیل و شناسایی مناطق عملکردی با مکان های واقعی ترکیب می کند.

در این مطالعه، تعداد انواع مختلف POI در هر شبکه به ترتیب از ۰ تا ۱ شمارش، میانگین و استاندارد شده است. پس از آن، همانطور که در شکل ۱۰ نشان داده شده است، درصد انواع مختلف POI در هر نوع پارتیشن فضایی محاسبه می شود .

خوشه ۱ مرکز منطقه تحقیقاتی است، با ریتم ترافیک روزانه قوی اما ویژگی های جریان ترافیک کوتاه مدت ضعیف. خوشه ۱ دارای انواع و تعداد زیادی POI از جمله تعداد زیادی خدمات اقامتی، خدمات زندگی روزمره، خدمات پزشکی و سایر خدمات است و همچنین شامل تعداد زیادی خانه و شرکت تجاری و غیره است. این منطقه دارای ویژگی های یک مجتمع شهری بالغ و به عنوان منطقه تجاری/مسکونی مرکزی ارزیابی می شود.

خوشه ۲ و خوشه ۳ در سطح وسیعی در وسط حلقه دوم و سوم توزیع شده اند و گسسته تر هستند. این دو خوشه همچنین دارای چرخه روزانه یکسانی از ترافیک هستند که هر دو دارای تعداد زیادی POI مانند خانه های تجاری، خدمات غذایی، خدمات حمل و نقل و غیره هستند. امکانات و خدمات دولتی بنابراین، خوشه ۲ به عنوان منطقه کار / مسکونی مختلط شناسایی می شود. از سوی دیگر، خوشه ۳ دارای خدمات پزشکی و خدمات زندگی روزمره بیشتری است و بنابراین به عنوان منطقه مسکونی شهری قضاوت می شود.

خوشه ۴ در یکی از مهم ترین جاده های رفت و آمد در چنگدو قرار دارد و ویژگی های چرخه ای روزانه و نیمه روزانه آشکارتری دارد. خوشه ۴ دارای زیرساخت های غنی از خدمات غذایی، خدمات خرید، خدمات فرهنگی، خدمات زندگی روزمره، خدمات حمل و نقل و غیره است و دارای شرکت های بسیاری است که شامل کارکردهای متنوعی است و می توان آن را به عنوان منطقه با کاربری ترکیبی قضاوت کرد. خوشه ۵ همچنین دارای نسبت بالایی از زیرساخت ها مانند خدمات زندگی روزمره و خدمات پزشکی و همچنین مقدار مشخصی از خدمات اقامتی، خانه های تجاری و شرکت ها است، بنابراین می توان آن را به عنوان منطقه با کاربری مختلط نیز در نظر گرفت.

خوشه ۶ در چندین مکان جداگانه پراکنده است، و اجزای صندوق بین المللی پول که بیشترین مشارکت را دارند IMF 1–IMF 3 هستند، که نشان می دهد ترافیک در خوشه ۶ دوره کوتاهی دارد. در مقایسه با سایر خوشه ها، خوشه ۶ دارای بالاترین درصد POI برای خدمات حمل و نقل و امکانات عمومی است، به این معنی که عمدتاً سایت خدمات تسهیلات عمومی (منطقه ذخیره سازی) است.

علاوه بر بیشترین سهم صندوق بین المللی پول ۶ چرخه ای روزانه در خوشه ۷، صندوق بین المللی پول ادواری کوتاه ۱ نیز درصد نسبتا بالایی را به خود اختصاص می دهد. در خوشه ۷ نیز یک دسته POI غالب وجود دارد که جاذبه توریستی است. در همین حال، با توجه به اینکه خوشه ۷ دارای POI بیشتری از خدمات زندگی روزمره و خدمات پزشکی است، فرض می شود که منطقه، منطقه گردشگری است.

خوشه ۸ عمدتاً در منطقه نزدیک جاده کمربندی سوم چنگدو واقع شده است که دارای ویژگی های چرخه ای روزانه و نیمه روزانه است. شرکت های شرکتی، امکانات عمومی و خدمات حمل و نقل آن بالاترین درصد را ارائه می دهند و دارای جاذبه های گردشگری خاصی هستند. از این رو، این منطقه تجاری است.

این مقاله منطقه بندی عملکردی را در رابطه با مکان واقعی هر خوشه ارزیابی می کند. خوشه ۱ نزدیک‌تر به منطقه مرکز شهر واقع شده است و مجموعه عملکردی مرکز شهر منطقه مورد مطالعه است، با مناطق تجاری بالغ مانند میدان تیانفو و جاده چونشی، که نشانه‌های چنگدو هستند. علاوه بر این، خوشه ۱ دارای جوامع با تراکم بالا است که به آن اجازه می دهد با شناسایی منطقه تجاری/مسکونی مرکزی مطابقت داشته باشد. خوشه ۲ شامل نهادهای دولتی مانند دفتر کمیته استانی CPC سیچوان و ستاد فرماندهی پلیس مسلح استان سیچوان، مدارسی مانند دانشگاه علوم و فناوری الکترونیک و مؤسسه حمل و نقل ریلی چنگدو، و محله هایی مانند عصر سانی است. با منطقه کار / مسکونی مختلط. در خوشه ۳، جوامع به صورت تکه هایی با امکانات مربوطه (پارک ها، مدارس و غیره) ظاهر می شوند و آن منطقه مسکونی شهری است. خوشه ۴ عمدتاً منطقه ای در امتداد جاده حلقه دوم در چنگدو است، شامل مناطق اداری مانند دانشگاه جنوب غربی جیائوتنگ و دانشگاه علوم و فناوری الکترونیک، مناطق تسهیلات خدمات حمل و نقل مانند ایستگاه راه آهن چنگدو، مناطق تجاری مانند مرکز خرید وانگ فوجینگ و شهر ایمپرسیون. و مناطق مسکونی مانند Longhu Sanqian Cheng که ویژگی‌های منطقه با کاربری مختلط را نشان می‌دهد. خوشه ۵ شامل بسیاری از جوامع مسکونی است و همچنین دارای جاذبه های فرهنگی و توریستی مانند پارک دریاچه Shengxian، پارک شاهه، مرکز جوانان و کودکان چنگدو، و سایر مناطق تجاری مانند Longfor Beicheng Paradise Walk است که عملکردهای جامع تری را بر عهده دارند. خوشه ۶ شامل حیاط ذخیره قطار در منطقه Erxianqiao، منطقه نظامی منطقه جنگی غرب، و منطقه شاهه، مربوط به منطقه نظامی، زمین برای تسهیلات حمل و نقل خارجی، و فضای داخلی پارک است که در یک ردیف قرار دارد. با زمین برای خدمات تسهیلات عمومی. خوشه ۷ شامل مکان های دیدنی توریستی مانند باغ وحش چنگدو، پارک ساحلی و پارک شاهه است که ویژگی های واضح منطقه گردشگری را نشان می دهد. خوشه ۸ در منطقه نزدیک به جاده حلقه سوم، از جمله پلازا ستاره سرخ گرینلند، IKEA، و بازار مصالح ساختمانی چنگ بی، که مناطق تجاری هستند، توزیع شده است. و فضای داخلی پارک که در راستای زمین برای خدمات تسهیلات عمومی می باشد. خوشه ۷ شامل مکان های دیدنی توریستی مانند باغ وحش چنگدو، پارک ساحلی و پارک شاهه است که ویژگی های واضح منطقه گردشگری را نشان می دهد. خوشه ۸ در منطقه نزدیک به جاده حلقه سوم، از جمله پلازا ستاره سرخ گرینلند، IKEA، و بازار مصالح ساختمانی چنگ بی، که مناطق تجاری هستند، توزیع شده است. و فضای داخلی پارک که در راستای زمین برای خدمات تسهیلات عمومی می باشد. خوشه ۷ شامل مکان های دیدنی توریستی مانند باغ وحش چنگدو، پارک ساحلی و پارک شاهه است که ویژگی های واضح منطقه گردشگری را نشان می دهد. خوشه ۸ در منطقه نزدیک به جاده حلقه سوم، از جمله پلازا ستاره سرخ گرینلند، IKEA، و بازار مصالح ساختمانی چنگ بی، که مناطق تجاری هستند، توزیع شده است.

۵٫ نتیجه گیری و بحث

منظر شهری معاصر، گرافیتی های فرهنگی-اجتماعی پویا و متنوع است [ ۴۹]. استخراج اطلاعات و در نهایت دانش در مورد شکل و عملکرد شهری می تواند درک مردم از مورفولوژی شهری را بهتر ارتقا دهد. این مطالعه به بررسی پهنه بندی عملکردی شهری برای درک بیشتر الگوهای فضایی شهری و ارتقای مدیریت شهری می پردازد. از منظر تحلیل جفت مکانی-زمانی، این مطالعه روشی برای پهنه بندی عملکردی شهری بر اساس ویژگی فضایی (UFZ-SS) پیشنهاد می کند. اول، UFZ-SS از روش EEMD برای استخراج ویژگی های دوره ای خاص جریان های ترافیکی استفاده می کند. سپس روش نسبت متوسط پیشنهادی برای اندازه‌گیری سهم صندوق‌های بین‌المللی پول در سری‌های زمانی اصلی استفاده می‌شود، بنابراین ویژگی دوره‌ای جریان‌های ترافیک در مکان‌های مختلف را نشان می‌دهد. الگوریتم خوشه‌بندی GMM برای طبقه‌بندی تمام واحدهای فضایی بر اساس معیارهای دوره خاص جریان ترافیک در مکان‌های مختلف برای به دست آوردن پارتیشن‌های فضایی استفاده می‌شود. در نهایت، درصد انواع POI در پارتیشن‌های فضایی مختلف برای تأیید عملکردهای شهری انجام شده توسط مناطق مختلف فضایی محاسبه می‌شود.

این مقاله UFZ-SS را با حجم ترافیک آنلاین خودرو در شمال شرقی چنگدو، چین تأیید می کند. نتایج نشان می دهد که: (i) ویژگی های دوره ای جریان های ترافیکی را می توان به طور موثر با روش EEMD استخراج و تحلیل کرد. اهمیت سیگنال ها با دوره های خاص با محاسبه سهم برجسته می شود و ویژگی های مختلف ویژگی چرخه در مناطق مختلف ارائه می شود. (ب) خوشه بندی فضایی بر اساس معیارهای ویژگی فضایی چرخه ترافیک شهری می تواند نتایج منطقه بندی شهری بسیار متمایز و دقیق را به دست آورد و به شناسایی مناطق عملکردی شهری دست یابد. هشت پارتیشن فضایی مختلف در منطقه مورد مطالعه مشخص شده و عملکرد شهری انجام شده توسط آنها بر اساس ویژگی‌های مکانی-زمانی و داده‌های POI شناسایی می‌شود.

این مطالعه به طور مبتکرانه ویژگی‌های پویا و دوره‌ای را برای منطقه‌بندی عملکردی شهرها اعمال می‌کند، و کارهای زیادی برای انجام دادن در این زمینه تحقیقاتی در آینده وجود دارد: (i) در این مطالعه، تنها داده‌های ترافیک آنلاین خودرو برای شناسایی شهری استفاده می‌شود. مناطق عملکردی انواع دیگر داده‌های شهری، مانند داده‌های دوربین فیلمبرداری و داده‌های مکان تلفن همراه، می‌توانند برای گرفتن اطلاعات دینامیک زمانی مختلف فعالیت‌های شهری ساکن، برای شناسایی مناطق عملکردی شهری مورد استفاده قرار گیرند. (ب) سیگنال‌های دوره‌ای استخراج‌شده ممکن است ارزش تحلیل و بحث بیشتر را داشته باشند. این مطالعه از توصیف سیگنال‌های دوره‌ای برای تولید زیر پهنه‌های شهری با روش خوشه‌بندی استفاده می‌کند. این سیگنال‌های دوره‌ای نیز می‌توانند برای کشف و تحلیل نابرابری فضایی فعالیت‌های شهری ساکن در مطالعات آینده مورد استفاده قرار گیرند. (iii) ایجاد اثر انگشت فضایی منحصر به فرد هر مکان در یک شهر، بر اساس ویژگی های دوره ای ترافیک شهری، همچنین جهت تحقیقات آینده ما است. همچنین امیدواریم محققان بیشتری پتانسیل چرخه جریان ترافیک را در تحلیل فضایی شهری بررسی کنند.

منابع

بورلاکو، اس. گاوریلا، ا. پوپسکو، IM; گومبوس، اس پی؛ Vasilache، PC نظریه ها و مدل های پهنه بندی عملکردی در فضای شهری. کشیش دی ماناگ. Comp. بین المللی ۲۰۲۰ ، ۲۱ ، ۴۴-۵۳٫ [ Google Scholar ]
ژانگ، اچ. ژانگ، ال. چه، اف. جیا، جی. شی، ب. آشکارسازی تقاضای ترافیک شهری با ساخت شبکه‌های پویا با داده‌های مسیر تاکسی. دسترسی IEEE ۲۰۲۰ ، ۸ ، ۱۴۷۶۷۳–۱۴۷۶۸۱٫ [ Google Scholar ] [ CrossRef ]
شیاوینا، م. ملچیوری، م. فریره، اس. فلوریو، پی. ارلیش، دی. توماسی، پ. پسری، م. کمپر، تی. کارایی کاربری اراضی مناطق شهری کاربردی: الگوی جهانی و تکامل مسیرهای توسعه. Habitat Int. ۲۰۲۲ ، ۱۲۳ ، ۱۰۲۵۴۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
لیو، اف. آندرینکو، جی. آندرینکو، ن. چن، اس. یانسنز، دی. وتز، جی. تئودوریدیس، ی. تحلیل ترافیک در سطح شهر بر اساس ترکیب رویکردهای بصری و تحلیلی. J. Geovisualization Spat. مقعدی ۲۰۲۰ ، ۴ ، ۱۵٫ [ Google Scholar ] [ CrossRef ]
گائو، اس. لیو، ی. وانگ، ی. Ma، X. کشف جوامع تعامل فضایی از داده های تلفن همراه. ترانس. GIS ۲۰۱۳ ، ۱۷ ، ۴۶۳-۴۸۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سریواستاوا، اس. بارگاس-مونوز، جی. سوینکلز، دی. Tuia, D. طبقه بندی توابع ساختمان چند برچسبی از تصاویر زمین با استفاده از شبکه های عصبی کانولوشن. در مجموعه مقالات دومین کارگاه بین المللی ACM SIGSPATIAL در مورد هوش مصنوعی برای کشف دانش جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، ۶ نوامبر ۲۰۱۸؛ ص ۴۳-۴۶٫ [ Google Scholar ]
دومینگو، دی. پالکا، جی. هرسپرگر، AM اثر طرح‌های منطقه‌بندی بر تغییر کاربری زمین شهری: شبیه‌سازی چند سناریویی برای حمایت از رشد شهری پایدار. حفظ کنید. جامعه شهرها ۲۰۲۱ ، ۶۹ ، ۱۰۲۸۳۳٫ [ Google Scholar ] [ CrossRef ]
مانلی، ای. شناسایی مناطق شهری کاربردی در جریان ترافیک. Reg. گل میخ. Reg. علمی ۲۰۱۴ ، ۱ ، ۴۰-۴۲٫ [ Google Scholar ] [ CrossRef ]
ریس، جی پی. سیلوا، EA؛ پینیو، پی. معیارهای فضایی برای مطالعه الگوهای شهری در شهرهای در حال رشد و کوچک شدن. جئوگر شهری. ۲۰۱۶ ، ۳۷ ، ۲۴۶-۲۷۱٫ [ Google Scholar ] [ CrossRef ]
Huynh، HN; ماکاروف، ای. لگارا، EF; مونترولا، سی. Chew, LY خصوصیات و مقایسه الگوهای فضایی در سیستم های شهری: مطالعه موردی شهرهای ایالات متحده. جی. کامپیوتر. علمی ۲۰۱۸ ، ۲۴ ، ۳۴-۴۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هوانگ، اچ. یائو، XA; کریسپ، جی.ام. جیانگ، بی. تجزیه و تحلیل داده‌های بزرگ مبتنی بر مکان برای شهرهای هوشمند: فرصت‌ها، چالش‌ها و مسیرهای آینده. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۱ ، ۹۰ ، ۱۰۱۷۱۲٫ [ Google Scholar ] [ CrossRef ]
پی، تی. آهنگ، سی. گوا، اس. شو، اچ. لیو، ی. دو، ی. ما، تی. ژو، سی. استخراج داده های جغرافیایی بزرگ: هدف، مفاهیم و مسائل تحقیقاتی. جی. جئوگر. علمی ۲۰۲۰ ، ۳۰ ، ۲۵۱-۲۶۶٫ [ Google Scholar ] [ CrossRef ]
وو، تی. شن، Q. خو، ام. پنگ، تی. Ou, X. توسعه و استفاده از یک مدل ارزیابی مصرف انرژی و کاهش انتشار CO _۲ برای خدمات آنلاین تگرگ خودرو در چین. انرژی ۲۰۱۸ ، ۱۵۴ ، ۲۹۸-۳۰۷٫ [ Google Scholar ] [ CrossRef ]
ژانگ، بی. چن، اس. ممکن است.؛ لی، تی. تانگ، ک. تجزیه و تحلیل تحرک شهری مکانی-زمانی بر اساس داده‌های آنلاین خودرو-تگرگ. J. Transp. Geogr. ۲۰۲۰ , ۸۲ , ۱۰۲۵۶۸٫ [ Google Scholar ] [ CrossRef ]
براکمن، دی. Theis، F. گردش پول، اقلام قابل ردیابی، و ظهور الگوهای جهانی تحرک انسان. محاسبات فراگیر IEEE ۲۰۰۸ ، ۷ ، ۲۸-۳۵٫ [ Google Scholar ] [ CrossRef ]
دویل، جی. هونگ، پی. فارل، آر. مک‌لون، اس. پویایی تحرک جمعیت برآورد شده از داده‌های تلفن همراه. J. فناوری شهری. ۲۰۱۴ ، ۲۱ ، ۱۰۹-۱۳۲٫ [ Google Scholar ] [ CrossRef ]
پیرونی، سی. جیانوتی، ام. Alves، BB; Arbex, R. داده های بزرگ برای مسائل بزرگ: آشکار کردن الگوهای سفر جمعیت کم درآمد بر اساس داده کاوی کارت هوشمند در یک شهر نابرابر جنوب جهانی. J. Transp. Geogr. ۲۰۲۱ ، ۹۶ ، ۱۰۳۲۰۳٫ [ Google Scholar ] [ CrossRef ]
ولف، جی. اولیویرا، ام. تامپسون، ام. تاثیر گزارش کمتر بر مسافت پیموده شده و تخمین زمان سفر: نتایج حاصل از بررسی سفر خانوار بهبود یافته سیستم موقعیت یابی جهانی. ترانسپ Res. ضبط ۲۰۰۳ ، ۱۸۵۴ ، ۱۸۹-۱۹۸٫ [ Google Scholar ] [ CrossRef ]
هو، اس. گائو، اس. وو، ال. خو، ی. ژانگ، ز. کوی، اچ. گونگ، X. طبقه‌بندی تابع شهری در سطح بخش جاده با استفاده از داده‌های مسیر تاکسی: یک رویکرد شبکه عصبی کانولوشنال گراف. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۱ ، ۸۷ ، ۱۰۱۶۱۹٫ [ Google Scholar ] [ CrossRef ]
بوگارتس، تی. Masegosa، AD; Angarita-Zapata، JS; اونیوا، ای. Hellinckx، P. یک نمودار شبکه عصبی CNN-LSTM برای پیش بینی ترافیک کوتاه مدت و بلندمدت بر اساس داده های مسیر. ترانسپ Res. قسمت ج: ظهور. تکنولوژی ۲۰۲۰ ، ۱۱۲ ، ۶۲-۷۷٫ [ Google Scholar ] [ CrossRef ]
Dokuz، AS داده‌کاوی بزرگ مسیر تاکسی فضایی-زمانی وزنی برای تخمین ترافیک منطقه‌ای. فیزیک یک آمار مکانیک. برنامه آن است. ۲۰۲۲ ، ۵۸۹ ، ۱۲۶۶۴۵٫ [ Google Scholar ] [ CrossRef ]
لو، BPY; Huang, Z. ترسیم مناطق تراکم ترافیک در شهرها: یک رویکرد موثر بر اساس GIS. J. Transp. Geogr. ۲۰۲۱ ، ۹۴ ، ۱۰۳۱۰۸٫ [ Google Scholar ] [ CrossRef ]
هوانگ، جی. کیائو، اس. بله، AG-O. تمایل ناهمگن فضایی-زمانی به تفکیک سواری و رابطه آن با محیط ساخته شده: مطالعه موردی در چنگدو، چین. ترانسپ Res. قسمت ج: ظهور. تکنولوژی ۲۰۲۱ ، ۱۳۳ ، ۱۰۳۴۲۵٫ [ Google Scholar ] [ CrossRef ]
کوچیا، م. روشنی، س. مصلح، م. تحولات علمی و مسیرهای فناوری نوین در تحقیقات حسگر. Sensors ۲۰۲۱ , ۲۱ , ۷۸۰۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
قریشی، ک. عبدالله، H. بررسی سیستم های حمل و نقل هوشمند. خاورمیانه J. Sci. Res. ۲۰۱۳ ، ۱۵ ، ۶۲۹-۶۴۲٫ [ Google Scholar ] [ CrossRef ]
رپر، جی. گارتنر، جی. کریمی، ح. Rizos, C. کاربردهای خدمات مبتنی بر مکان: بررسی منتخب. J. Locat. سرویس مبتنی بر ۲۰۰۷ ، ۱ ، ۸۹-۱۱۱٫ [ Google Scholar ] [ CrossRef ]
لاولیس، آر. تنکس، م. Carlino, D. Clockboard: یک سیستم منطقه بندی برای تجزیه و تحلیل شهری. جی. اسپات. Inf. علمی ۲۰۲۲ ، ۲۴ ، ۶۳-۸۵٫ [ Google Scholar ]
سانتوس، سی. حسینی، م. رالف، جی. فریرا، ن. ویلسون، ال. میراندا، اف. سیلوا، سی. Lage، M. یک سیستم تجزیه و تحلیل بصری برای بررسی تکامل کاربری زمین شهری. arXiv ۲۰۲۱ ، arXiv:2112.06122. [ Google Scholar ]
یوان، نیوجرسی؛ ژنگ، ی. Xie، X. وانگ، ی. ژنگ، ک. Xiong، H. کشف مناطق عملکردی شهری با استفاده از مسیرهای فعالیت پنهان. IEEE Trans. بدانید. مهندسی داده ۲۰۱۵ ، ۲۷ ، ۷۱۲-۷۲۵٫ [ Google Scholar ] [ CrossRef ]
هرولد، ام. اسکپن، جی. Clarke، KC استفاده از سنجش از دور و معیارهای چشم انداز برای توصیف ساختارها و تغییرات در کاربری های شهری. محیط زیست طرح. یک اقتصاد. فضا ۲۰۱۶ ، ۳۴ ، ۱۴۴۳-۱۴۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گائو، اس. یانوویچ، ک. کوکللیس، اچ. استخراج مناطق عملکردی شهری از نقاط مورد علاقه و فعالیت های انسانی در شبکه های اجتماعی مبتنی بر مکان. ترانس. GIS ۲۰۱۷ ، ۲۱ ، ۴۴۶-۴۶۷٫ [ Google Scholar ] [ CrossRef ]
کریولاری، ا. Resch، B. بررسی سازگاری عملکردی مناطق شهری مرتبط با تحرک از طریق بردارهای تعبیه‌شده مبتنی بر حرکت و توزیع‌های نوع POI محلی. محاسبه کنید. علوم شهری ۲۰۲۲ ، ۲ ، ۱۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
یو، کیو. گو، ی. یانگ، اس. ژو، ام. کشف الگوهای فضایی و زمانی و تسهیلات شهری عوامل تعیین کننده فعالیت های دوچرخه سواری در پکن. J. Geovisualization Spat. مقعدی ۲۰۲۱ ، ۵ ، ۱۶٫ [ Google Scholar ] [ CrossRef ]
گائو، اف. لی، اس. تان، ز. لیائو، اس. تجسم ویژگی‌های مکانی-زمانی استفاده از دوچرخه بدون اسکله در شنژن، چین. J. Geovisualization Spat. مقعدی ۲۰۲۲ ، ۶ ، ۱۲٫ [ Google Scholar ] [ CrossRef ]
ژانگ، ایکس. خو، ی. تو، دبلیو. Ratti, C. آیا مجموعه داده های مختلف داستان یکسانی را در مورد تحرک شهری بیان می کنند – مطالعه مقایسه ای استفاده از حمل و نقل عمومی و تاکسی. J. Transp. Geogr. ۲۰۱۸ ، ۷۰ ، ۷۸-۹۰٫ [ Google Scholar ] [ CrossRef ]
کای، ال. خو، جی. لیو، جی. ما، تی. پی، تی. ژو، سی. سنجش معنایی چندگانه فضای شهری از داده های موقعیت یابی جمع سپاری. CITIES ۲۰۱۹ ، ۹۳ ، ۳۱–۴۲٫ [ Google Scholar ] [ CrossRef ]
راتی، سی. فرانسوی، دی. پولسلی، آر.ام. ویلیامز، اس. مناظر موبایل: استفاده از داده های مکان از تلفن های همراه برای تحلیل شهری. محیط زیست طرح. B طرح. دس ۲۰۱۶ ، ۳۳ ، ۷۲۷-۷۴۸٫ [ Google Scholar ] [ CrossRef ]
Peungnumsai، A. ویتایانگ کورن، آ. ناگای، م. میازاکی، اچ. تحلیل منطقه‌بندی تاکسی با استفاده از داده‌های کاوشگر در مقیاس بزرگ: مطالعه موردی برای کلانشهر بانکوک. Rev. Socionetwork Strateg. ۲۰۱۸ ، ۱۲ ، ۲۱-۴۵٫ [ Google Scholar ] [ CrossRef ]
وو، زی. Huang، NE Ensemble حالت تجربی تجزیه: یک روش تجزیه و تحلیل داده به کمک نویز. Adv. اطلاعات علمی سازگار شدن. مقعدی ۲۰۰۹ ، ۱ ، ۱-۴۱٫ [ Google Scholar ] [ CrossRef ]
پنگ، ZK؛ Tse، PW; چو، FL مطالعه مقایسه ای تبدیل هیلبرت-هوانگ بهبود یافته و تبدیل موجک: کاربرد در تشخیص خطا برای یاتاقان غلتکی. مکانیک. سیستم پردازش سیگنال ۲۰۰۵ ، ۱۹ ، ۹۷۴-۹۸۸٫ [ Google Scholar ] [ CrossRef ]
هان، ز. زو، ایکس. Li, W. یک روش شناسایی مولفه نادرست EMD بر اساس واگرایی Kullback-leibler. Proc. چانه. Soc. برق مهندس ۲۰۱۲ ، ۳۲ ، ۱۱۲-۱۱۷٫ [ Google Scholar ]
چنگ، جی. یو، دی. Yang, Y. تحقیق در مورد معیار تابع حالت ذاتی (IMF) در روش EMD. مکانیک. سیستم پردازش سیگنال ۲۰۰۶ ، ۲۰ ، ۸۱۷-۸۲۴٫ [ Google Scholar ]
کوتان، س. Schependom، JV; ناگلز، جی. مقایسه روش‌های انتخاب صندوق بین‌المللی پول در طبقه‌بندی داده‌های نوار مغزی مولتیپل اسکلروزیس. در مجموعه مقالات کنگره فناوری های پزشکی ۲۰۱۹ (TIPTEKNO)، ازمیر، ترکیه، ۳ تا ۵ اکتبر ۲۰۱۹؛ صص ۱-۴٫ [ Google Scholar ]
ژو، اس. تان، جی. شی، ال. تشخیص خطای تنش طناب دنگ، جی در سیستم های بالابر بر اساس سیگنال های ارتعاشی با استفاده از EEMD، آنتروپی جایگشت بهبود یافته و PSO-SVM. آنتروپی ۲۰۲۰ ، ۲۲ ، ۲۰۹٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
آهنگ، سی. Pei, T. پیشرفت تحقیق در روش های خوشه بندی سری های زمانی بر اساس ویژگی ها. Prog. Geogr. ۲۰۱۲ ، ۳۱ ، ۱۳۰۷-۱۳۱۷٫ [ Google Scholar ]
ایماوچن، ی. کدوچه، م. آلکاما، ر. توماس، ام. اپراتور انرژی با وزن فرکانس و تجزیه حالت تجربی گروه مکمل برای تشخیص عیب یاتاقان. مکانیک. سیستم پردازش سیگنال ۲۰۱۷ ، ۸۲ ، ۱۰۳-۱۱۶٫ [ Google Scholar ] [ CrossRef ]
Di, L. در مورد ایجاد شبکه جدید نشنال جئوگرافیک برای نظارت بر شرایط نشنال جئوگرافیک. گاو نر Surv. نقشه ۲۰۱۱ ، ۱۲ ، ۱-۲٫ [ Google Scholar ]
گو، ز. Hübschmann, D. spiralize: یک بسته R برای تجسم داده ها روی مارپیچ ها. بیوانفورماتیک ۲۰۲۲ ، ۳۸ ، ۱۴۳۴-۱۴۳۶٫ [ Google Scholar ] [ CrossRef ]
کروکس، آ. Pfoser، D.; جنکینز، ا. کرویتورو، آ. استفانیدیس، ا. اسمیت، دی. کاراگیورگو، اس. افنتاکیس، ا. لامپریانیدیس، جی. شکل و عملکرد شهری جمع سپاری. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۵ ، ۲۹ ، ۷۲۰-۷۴۱٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ تصویری از سناریوی مورد مطالعه در این مقاله. ( الف ) مثالی از فضای شهر و داده‌های مسیر، ( ب ) سری زمانی ترافیک و تجزیه دوره‌ای، ( ج ) محاسبه سهم سیگنال‌های چند دوره‌ای، و ( د ) نتایج شناسایی مناطق عملکردی شهری.

شکل ۲٫ نمودار جریان روش EEMD.

شکل ۳٫ منطقه مطالعه و نمونه سری زمانی حجم ترافیک. ( الف ) منطقه مورد مطالعه در چنگدو، استان سیچوان. ( ب ) سری زمانی حجم ترافیک در grid145 و grid147.

شکل ۴٫ نمودارهای مارپیچی سری زمانی ترافیک آنلاین خودرو در شبکه۱۴۵ ( a ) و grid147 ( b ). (توجه: رنگ های مختلف در نمودار مارپیچی نشان دهنده هفته های مختلف است و نمودار مارپیچی به ۷ قسمت تقسیم شده است که هر قسمت نشان دهنده روز هفته است. ارتفاع میله نشان دهنده اندازه جریان است).

شکل ۵٫ نتایج تجزیه EEMD. (توجه: سری زمانی در بالا سری اصلی است و به دنبال آن IMF 1 تا IMF 11 و باقی مانده است).

شکل ۶٫ تجسم فضایی مشارکت. هر شبکه دارای یک مقدار مشارکت برای هر جزء صندوق بین المللی پول است که می تواند برای ساخت ماتریس مشارکت ترکیب شود.

شکل ۷٫ تغییر مقدار BIC با تعداد خوشه ها.

شکل ۸٫ نتایج خوشه بندی فضایی. نمودارهای فرعی ( a – e ) به ترتیب نتایج تقسیم بندی فضایی به ۴ تا ۸ کلاس را نشان می دهند.

شکل ۹٫ نمودارهای جعبه ای دوره غالب و شاخص سهم هر جزء صندوق بین المللی پول از هر خوشه در نتایج تقسیم بندی فضایی. ( الف ) دوره غالب هر جزء صندوق بین المللی پول. ( ب ) شاخص مشارکت هر جزء صندوق بین المللی پول از هر خوشه.

شکل ۱۰٫ درصد انواع مختلف POI در هر خوشه. هر ستون (مختصات افقی) یک خوشه را نشان می دهد و مختصات عمودی آن نشان دهنده درصد POI های مختلف در بین تمام POI های آن خوشه است.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام