همبستگی بین الگوی کاربری زمین و سواری ریل شهری بر اساس مسیر دوچرخه مشترک

خلاصه

به عنوان شکلی از حمل و نقل انبوه سریع، سیستم‌های ریلی شهری همیشه به طور گسترده برای کاهش تراکم ترافیک شهری و بازسازی ساختارهای شهری مورد استفاده قرار گرفته‌اند. ویژگی های کاربری زمین برای این سیستم ضروری است و با سواری شهری ارتباط دارد. اشتراک دوچرخه بدون اسکله محدوده پوشش خدمات ایستگاه را گسترش می دهد زیرا حمل و نقل عمومی را با سیستم ریلی شهری ادغام می کند تا یک مدل سفر راحت ایجاد کند. در نتیجه، الگوی کاربری زمین با اشتراک دوچرخه بدون اسکله با سواری ریلی شهری همراه است. این مقاله همبستگی بین کاربری زمین و حمل و نقل ریلی شهری را بر اساس مسیر اشتراک دوچرخه بدون اسکله اندازه‌گیری می‌کند، که دقیقاً رفتار سفر مسافران را در طول زنجیره سفر نشان می‌دهد. رابطه خاص با استفاده از مدل جنگل تصادفی تعیین شده است. این مقاله نشان داد که الگوی استفاده از زمین می‌تواند میزان سواری خروجی در ساعات اوج صبح را بهتر توضیح دهد. به طور خاص، می تواند ۴۸٫۴۶٪ از سواری ریلی شهری را از نظر خروج توضیح دهد، اما توضیح پذیری برای سواری ورودی اندکی به ۳۶٫۸۸٪ کاهش یافت. این نشان می دهد که الگوی کاربری اراضی مربوط به سواری ریل شهری است. با این حال، وضعیت تاثیر متفاوت است، بنابراین ما باید این رابطه را با دقت بیشتری درک کنیم.

کلید واژه ها:

سواری راه آهن شهری ; کاربری زمین ؛ دوچرخه اشتراکی ; زنجیره سفر ; جنگل تصادفی

۱٫ معرفی

به عنوان یک سیستم حمل و نقل انبوه سریع، راه آهن شهری در سراسر جهان مورد استفاده قرار می گیرد و اساس زندگی روزمره ساکنان شهرها شده است [ ۱ ]. انتظار می رود که اکثر نیازهای سفر را برآورده کند [ ۲ ] و ازدحام ترافیک شهری را کاهش دهد زیرا یک روش حمل و نقل با ظرفیت بالا، قابل اعتماد، ایمن و کارآمد را فراهم می کند [ ۳ ]. سطوح سواری سیستم ممکن است با عملکرد عملیاتی سیستم ریلی شهری ارتباط داشته باشد، و شواهد فراوان نشان داده است که ویژگی‌های کاربری زمین با سواری ریلی شهری ارتباط دارد [ ۴ ، ۵ ، ۶ ، ۷ ].

با توجه به الگوهای کاربری زمین در حوضه های آبریز ایستگاه، ما می توانیم بفهمیم که چگونه ویژگی های کاربری زمین از تراکم و تنوع بر سواری راه آهن شهری تاثیر می گذارد و حتی تلاش برای رمزگشایی اثر الگوهای کاربری خاص زمین است. با این حال، اکثر مطالعات این همبستگی را بر اساس ساختار فضایی کاربری زمین شناسایی می‌کنند و مطالعات کمی می‌توانند ویژگی‌های کاربری زمین را بر اساس رفتارهای سفر یا داده‌های تقاضا به صورت کمی اندازه‌گیری کنند [ ۸ ]. مسیرهای سفر فردی نشان دهنده الگوهای کاربری زمین در مکان های خروج / ورود مسافران است. آنها جزئیات بیشتری را برای شناسایی الگوهای استفاده از راه آهن شهری و استفاده از زمین تحت زنجیره های سفر به طور ملموس ارائه می دهند.

سیستم‌های اشتراک دوچرخه بدون بارانداز که در سال‌های اخیر توسعه یافته‌اند، می‌توانند «اول تا آخرین مایل» را در حمل‌ونقل شهری حل کنند و به طور موثر شعاع خدمات حمل‌ونقل مرکزی را گسترش دهند [ ۸ ]. این مفهوم به دلیل نداشتن شمع ثابت، راحتی را به طور قابل توجهی افزایش می دهد. در سال ۲۰۱۹، در چین، تقریباً ۳۰۰ میلیون کاربر ثبت نام شده و ۱۹٫۵ میلیون دوچرخه مشترک وجود داشت که ۳۶۰ شهر در سراسر کشور را پوشش می داد [ ۹ ]. علاوه بر این، اشتراک دوچرخه یک حالت ترانزیت موثر در سیستم مترو است، که مستقیماً به کاربری زمین متصل می شود و بیشتر به تعیین رابطه بین سواری ریل شهری و کاربری زمین بر اساس رفتار سفر و تقاضا کمک می کند.

داده‌های مسیر دوچرخه‌سواری بدون اسکله از بین ایستگاه راه‌آهن شهری و مقصد سواران (و بالعکس) به دقت ما در شناسایی ویژگی‌های کاربری زمین بسته به ویژگی‌های توزیع فضایی افرادی که با دوچرخه سفر می‌کنند کمک می‌کند [ ۸ ]]. این مقاله همبستگی بین الگوهای کاربری زمین و سواری ریل شهری را بر اساس جفت مبدا-مقصد تشخیص می‌دهد. از این نظر، این مقاله سؤالات زیر را حل خواهد کرد: (۱) الگوی کاربری زمین در مناطق مبدأ-مقصد مشترک دوچرخه چیست؟ (۲) رابطه بین الگوی کاربری زمین و سواری ریل شهری چیست؟ (۳) آیا این همبستگی بسته به اینکه سفر به ایستگاه دسترسی باشد یا ایستگاه خروج متفاوت است؟ بر اساس این مطالعه، رابطه بین کاربری زمین و ریل سواری شهری را می توان در نحوه استفاده مردم از اشتراک دوچرخه برای سفر مشاهده کرد.

۲٫ بررسی ادبیات

استراتژی‌های استفاده از زمین و حمل‌ونقل (ILUT) منعکس‌کننده تلاش‌هایی برای مهار رشد سفرهای خودرو محور با ایجاد الگوها و محیط‌های فضایی است. استراتژی های مدیریت کاربری زمین مربوطه به عنوان شهرسازی جدید، رشد هوشمند (در ایالات متحده آمریکا) یا توسعه ترانزیت محور (TOD) شناخته می شوند [ ۱۰ ]. الگوهای توسعه زمین در مناطق شهری می تواند به طور قابل توجهی بر تقاضای سفر تأثیر بگذارد و بر استفاده از مدل حمل و نقل تأثیر بیشتری بگذارد [ ۱۱ ]. در سئول، تنوع ترکیب کاربری زمین به طور مثبت به سواری در مترو مرتبط است اما دارای محدوده های فضایی متفاوتی است [ ۷ ]. در کوالالامپور، امکانات تجاری، محل کار و خدمات عمومی به طرق مختلف بر سواری راه آهن شهری تأثیر می گذارد [ ۵ ].

در واقع، بسیاری از مردم زمان خود را به شناسایی همبستگی‌های بین محیط ساخته‌شده و سیستم ریلی شهری/سیستم اشتراک دوچرخه یا عملکرد یکپارچه راه‌آهن شهری و سیستم اشتراک دوچرخه اختصاص می‌دهند [ ۱ ، ۱۲ ، ۱۳ ، ۱۴ ، ۱۵ ] . با این وجود، تعداد کمی این رابطه را با مسیر اشتراک دوچرخه بدون اسکله شناسایی می کنند، که در آن یک حالت میانی برای اتصال ایستگاه های راه آهن شهری و الگوهای کاربری زمین است. این به ما درک کاملی از الگوهای سفر و زنجیره سفر بین سیستم ریلی شهری و رفتار اشتراک دوچرخه می دهد.

اشتراک دوچرخه یکی از اجزای حیاتی حمل و نقل پایدار است [ ۱۶ ]، مدلی انعطاف پذیر، کم هزینه، سازگار با محیط زیست، و مدلی که به تدریج توسط مردم برای رفت و آمدهای روزانه خود پذیرفته شده است. حتی در مناطق کوچک، دوچرخه سواری به عنوان یک حالت ورود/خروج به/از سیستم مترو، دسترسی حمل و نقل را در حوضه های آبریز ایستگاه راه آهن شهری بهبود می بخشد [ ۱۷ ]. ویژگی‌های کاربری زمین در حوضه‌های آبریز ایستگاه‌های راه‌آهن شهری، مانند تراکم مسکونی و محل کار، تأثیر مثبتی بر تراکم سفرهای دوچرخه‌سواری انتقال دوچرخه به مترو دارد [ ۱ ].

ویژگی های کاربری زمین مرتبط با دوچرخه سواری به اشتراک گذاری بر نسبت ورود و خروج سیستم اشتراک دوچرخه تأثیر می گذارد [ ۱۵ ]. با این حال، این وضعیت ثابت نیست. برای مثال، شانس دوچرخه سواری در هنگ کنگ با تراکم جمعیت/تعداد ایستگاه های اتوبوس همبستگی منفی داشت [ ۱۸ ]. زنجیره سفر مشترک دوچرخه همچنین ممکن است منعکس کننده ویژگی های کاربری زمین باشد، با قابل اعتمادترین زنجیره سفر اشتراک دوچرخه برای شناسایی محل سکونت در مقایسه با کار و مصرف منطقه ای [ ۸ ]. علاوه بر این، تقاضا برای سفرهای هفته و آخر هفته به دلیل تنوع اهداف سفر نامتعادل است [ ۱۷ ].

با توجه به فناوری درگیر در اشتراک‌گذاری دوچرخه، داده‌هایی که رفتار سفر را در بر می‌گیرد، شامل عواملی مانند زمان سوار شدن/پیاده‌شدن، مبدا/محل مقصد و زمان سواری می‌شود، اما محدود به آن‌ها نیست. این اطلاعات می‌تواند برای درک ویژگی‌های کاربری زمین و تأثیرگذاری بر سواری راه‌آهن شهری بر اساس مسیر اشتراک دوچرخه مورد استفاده قرار گیرد. تراکم بسیار بالای جمعیت منجر به کاهش استفاده یکپارچه مشترک دوچرخه و مترو می شود [ ۱۹ ]، و محققان دریافتند که نسبت کاربری تجاری و فضای سبز زمین باید معقول باشد و نسبت خیلی زیاد یا خیلی کم به نفع چنین چندگانه نیست. استفاده از مدل حمل و نقل

با توجه به مسیر اشتراک دوچرخه بدون اسکله، می‌توانیم مکان دقیق انتقال را شناسایی کنیم و الگوی کاربری زمین مکان را اندازه‌گیری کنیم تا رابطه بین الگوی کاربری زمین و سواری ریل شهری را منعکس کنیم. مسیر دوچرخه‌سواری مکان‌های مبدأ و مقصد را که به‌طور ملموس الگوی کاربری زمین منطقه را نشان می‌دهند، به هم متصل می‌کند، و انتظار می‌رود که جریان دوچرخه با حرکت بیشتر از منطقه تجاری مرکزی (CBD) کاهش یابد [ ۱۵ ]]. زنجیره سفر راه آهن شهری و اشتراک دوچرخه یک روش ابتکاری برای تعیین رابطه بین کاربری زمین و سواری ایستگاه راه آهن شهری است. در مقایسه با شناسایی این رابطه صرفاً بر اساس ویژگی‌های توزیع فضایی کاربری زمین، اشتراک دوچرخه دقت بیشتری را فراهم می‌کند.

در مسیر دوچرخه سواری، رابطه بین کاربری زمین و سواری راه آهن شهری اندکی نوسان خواهد داشت. مسافران در ساعات شلوغی صبح و عصر از روش‌های جایگزین حمل‌ونقل تغییر می‌کنند، و خط راه‌آهن شهری جدید باعث می‌شود افراد بیشتری که از خودرو استفاده می‌کنند به حمل‌ونقل عمومی روی بیاورند [ ۲۰ ]. در ساعات شلوغی صبح، یک ایستگاه مترو که به مناطق مسکونی خدمات رسانی می کند ممکن است مسافران را اعزام کند، در حالی که ساعت شلوغی بعد از ظهر ممکن است تعداد زیادی از مسافران را جذب کند، در حالی که عکس این وضعیت در بخش تجاری و تجاری امکان پذیر است [ ۲۱ ]]. بهبود مسیرهای دوچرخه به طور قابل توجهی استفاده یکپارچه از مترو را افزایش می دهد، اما این اثر در مناطق حومه شهر برای سفرهای تغذیه صبحگاهی بیشتر از مناطق شهری است [ ۲۲ ].

در واقع، تغییرات مکانی و زمانی منجر به اصلاح رفتار سفر خواهد شد. دوره تجزیه و تحلیل برای این مقاله از ۶:۰۰ صبح تا ۱۰:۰۰ صبح است، تا نشان دهد چگونه الگوی کاربری زمین بر سواری ریلی شهری در صبح بر اساس یک مسیر دوچرخه بدون اسکله تأثیر می گذارد. این مطالعه همچنین سعی خواهد کرد رفتار مربوطه را در صورت وجود اختلاف بین رفتار سفری ایستگاه راه آهن شهری دسترسی/خروج و الگوی کاربری زمین تعیین کند. این مطالعه همچنین رابطه مثلثی بین الگوی کاربری زمین، سواری ریل شهری و اشتراک دوچرخه بدون اسکله در سناریوی رفت و آمد صبحگاهی را شناسایی می کند.

۳٫ روش شناسی

۳٫۱٫ منطقه و داده های مطالعه

Xiamen، واقع در سواحل جنوب شرقی چین ( شکل ۱ )، شهری جزیره ای با جمعیت ۴٫۲۹ میلیون نفر (۲۰۱۹) با مساحت زمین ۱۷۰۰ کیلومتر مربع ^است . با این حال، اکثریت منطقه شهری آن در سرزمین اصلی (جزیره Xiamen) واقع شده است ( شکل ۲ ). تا سال ۲۰۲۱، سه خط مترو مجموعاً ۹۸٫۴ کیلومتر طول داشتند ( شکل ۲).) و میانگین حجم مسافر روزانه حدود ۳۱۴۰۰۰ نفر (داده های “گزارش سالانه توسعه حمل و نقل Xiamen 2020”). این گزارش سالانه نشان داد که احتمال دوچرخه سواری در سرزمین اصلی به طور قابل توجهی بیشتر از سایر مناطق Xiamen است. روش‌های کند حمل‌ونقل یعنی پیاده‌روی/حمل‌ونقل عمومی/دوچرخه و دوچرخه‌های مشترک و وسایل نقلیه شخصی به ترتیب ۷/۴۴ درصد و ۱/۲۰ درصد از سفرهای روزانه را تشکیل می‌دهند. در سرزمین اصلی، نسبت حمل و نقل کند ۷۶٪ است.

در سال ۲۰۱۸، با استفاده از تصاویر ماهواره‌ای ۱۰ متری، نقشه خیابان باز، چراغ‌های شبانه، POI و داده‌های بزرگ اجتماعی Tencent به عنوان ویژگی‌های ورودی [ ۲۳ ]، از داده‌های کاربری زمین برای ایجاد نقشه کاربری شهری جدید برای کل چین استفاده شد. اقتباس از استاندارد چینی طبقه بندی کاربری زمین، مقوله های ضروری کاربری اراضی شهری است. این مقاله نقطه مورد علاقه (POI) را به عنوان داده های اضافی برای انعکاس الگوی کاربری زمین در صورتی که داده های کاربری زمین پوشش نمی دهد، اتخاذ می کند. شکل ۳ الگوی کاربری زمین در سرزمین اصلی Xiamen را نشان می دهد.

به دلیل محدودیت داده ها، ما فقط توانستیم اطلاعات مربوط به مسافران را برای چهار ایستگاه راه آهن شهری در سرزمین اصلی جمع آوری کنیم ( شکل ۴ ). در نتیجه، این مقاله آنها را به عنوان ایستگاه های تجزیه و تحلیل خاص برای ایجاد این ارتباط در ساعات شلوغ صبح (۶:۰۰ صبح تا ۱۰:۰۰ صبح) انتخاب می کند. این چهار ایستگاه در مرکز جغرافیایی سرزمین اصلی Xiamen (ایستگاه‌های Wushipu، Lvcuo، Tangbian و Jiangtou) قرار دارند. Lvcuo یک ایستگاه انتقال است. ایستگاه های باقی مانده در خطوط ۱ و ۲ هستند ( شکل ۴ ). شکل ۴ویژگی های توزیع چگالی هسته نقطه مورد علاقه (POI) را نشان می دهد. دسته بندی POI شامل مسکونی، اداری تجاری، امکانات مراقبت های بهداشتی، خواربار فروشی، رستوران و امکانات تفریحی است. ما می‌توانیم منطقه داغ شهر را بر اساس این دسته‌بندی‌های POI شناسایی کنیم، زیرا آنها عملکردهای روزانه شهر را تشکیل می‌دهند. سه تا از ایستگاه ها (Wushipu، Lvcuo، Jiangtou) در مناطق شلوغ واقع شده اند، در حالی که ایستگاه باقی مانده (Tangbian) در حاشیه مرکزی واقع شده است. با توجه به ویژگی های چندگانه محیط ساخته شده اطراف ایستگاه راه آهن شهری، مطالعه این چهار ایستگاه می تواند نتایج عینی به همراه داشته باشد.

این مطالعه از داده‌های سواری اشتراک‌گذاری بدون اسکله و داده‌های سواری موقت ایستگاه راه‌آهن شهری از «نوآوری باز امنیت داده‌های بزرگ Xiamen با استفاده از رقابت» استفاده کرد. چندین میلیون نقطه از داده های ثبت مکان دوچرخه سواری و داده های سواری ایستگاه راه آهن شهری بین ۲۱ و ۲۵ دسامبر ۲۰۲۰ جمع آوری شد.

توزیع سواری در هر ایستگاه در شکل ۵ نشان داده شده است . این زمان سواری تجمعی برای این پنج روز است که نشان دهنده سوارکاری همزمان است. این نشان می‌دهد که اوج سواری بین ساعت ۸:۰۰ تا ۹:۰۰ صبح اتفاق می‌افتد، به جز برای خروج سواری بین ساعت ۶:۰۰ تا ۷:۰۰ صبح، Lvcuo ایستگاهی است که بیشترین تعداد سواری را دارد. بین ساعت ۷:۰۰ تا ۸:۰۰ صبح و از ساعت ۸:۰۰ تا ۹:۰۰ صبح، تعداد سواری ورودی در جیانگتو و تانگبیان بیشتر از سواری خروجی است و بالعکس در ایستگاه های دیگر. علاوه بر این، Lvcuo و Wushipu سواری خروجی بالاتری نسبت به سواری ورودی دارند، به جز بین ساعت ۶:۰۰ تا ۷:۰۰ صبح.

۳٫۲٫ روش

این مقاله با استفاده از مدل جنگل تصادفی بر اساس جریان موقت مسافر و مسیر اشتراک دوچرخه چهار ایستگاه مترو، رابطه بین سواری ریل شهری و الگوهای کاربری زمین را بررسی می‌کند. مدل جنگل تصادفی برای طبقه بندی و رگرسیون پدیده های چند بعدی با دقت بالا و احتمال کم بیش از حد برازش محبوب است. در انواع سناریوهای کاربردی، RF از سایر مدل‌های رایج یادگیری ماشین بهتر عمل می‌کند [ ۲۴ ].

یک مدل جنگل تصادفی ارتباط‌های ظریف‌تری را بین نتیجه و متغیرهای توضیحی بررسی می‌کند [ ۲۵ ]، در حالی که روابط غیرخطی، داده‌های چندوجهی، ویژگی‌های دسته‌بندی و عددی، مقادیر گمشده و تحمل متغیرهای تصادفی همگی می‌توانند توسط یک مدل RF کنترل شوند [ ۲۶ ، ۲۷ ] ]، و دقت خوبی دارد [ ۲۷ و ۲۸ ]. ون و همکاران از داده‌های نظارت بر ترافیک با تراکم بالا و داده‌های کاربری زمین برای آموزش مدل‌های جنگل تصادفی که قادر به پیش‌بینی دقیق انتشارات خودروهای پویا و در سطح پیوند هستند استفاده کرد [ ۲۴ ]]. چنگ و همکاران اثرات محیط ساخته شده بر عادات راه رفتن افراد مسن را با استفاده از جنگل تصادفی بررسی کرد و دریافت که ترکیب کاربری زمین، تا حدی، تنها راه رفتن افراد مسن را افزایش می دهد [ ۲۵ ]. علاوه بر این، آنها همچنین دریافتند که مدل جنگل تصادفی از رگرسیون خطی بهتر عمل می کند.

چنگ و همکاران انتخاب‌های حالت سفر را با استفاده از یک مدل جنگل تصادفی تجزیه و تحلیل کرد و گزارش کرد که در پیش‌بینی انتخاب حالت سفر، با دقت بالاتر و هزینه محاسباتی کمتر، به طور قابل‌توجهی بهتر عمل کرد [ ۲۹ ]. این مطالعه به دنبال تعیین رابطه بین سواری ریل شهری و الگوهای کاربری زمین بر اساس مسیر دوچرخه سواری است، همانطور که توسط مدل جنگل تصادفی در شکل ۶ نشان داده شده است. با توجه به این فرآیند، این مطالعه مدل سازی تصادفی جنگل را همانطور که در شکل ۷ نشان داده شده است، ایجاد کرد. الگوی کاربری اراضی شامل مسکونی، اداری تجاری، خدماتی تجاری، صنعتی، اداری، آموزشی، ورزشی و فرهنگی و پارک و فضای سبز است. سواری ریلی شهری به دو دسته سواری ورودی و خروجی تقسیم می‌شود و اشتراک دوچرخه بدون اسکله رابط بین الگوی کاربری زمین و سواری ریلی شهری است.

هر درخت با مشاهدات مختلف راه‌اندازی می‌شود [ ۲۹ ]، و متغیرهای کاندید برای هر درخت به‌طور تصادفی از کل محدوده متغیرها انتخاب می‌شوند. تجمیع بوت استرپ گونه‌ای از مدل جنگل تصادفی است که هر متغیر را یک متغیر کاندید تقسیم می‌کند و در نتیجه سوگیری را کاهش می‌دهد. این مطالعه با توجه به این زمینه، رابطه بین سواری راه‌آهن شهری و الگوهای کاربری زمین را بر اساس مسیر دوچرخه‌سواری از طریق تجمع راه‌اندازی شناسایی می‌کند.

این مطالعه مجموعه داده را به مجموعه تست و مجموعه قطار تقسیم کرد تا از تطبیق بیش از حد مدل احتمالی [ ۲۴ ] جلوگیری کند، زیرا مجموعه آزمایشی نباید برای توسعه مدل استفاده شود. بنابراین، ۳۰ درصد از مجموعه داده ها به صورت تصادفی به عنوان مجموعه آزمایشی انتخاب شدند و داده های باقیمانده مجموعه قطار بودند. این مطالعه ابتدا حالتی را برای تعیین یا پیش بینی سواری ریل شهری از الگوی کاربری زمین ایجاد می کند. سپس، تعیین می‌کند که آیا اهمیت متغیر ناشی از تخمین‌های OOB از همه درختان برگ‌ریز در جنگل را می‌توان برای به دست آوردن تخمین خطای تعمیم‌یافته مدل RF [ ۲۷ ] میانگین کرد. این امر اهمیت الگوی کاربری زمین را برای سواری ریل شهری تأیید می کند.

این مطالعه به بررسی رابطه بین سواری ایستگاه راه آهن شهری و الگوهای کاربری اراضی خروجی و ورودی پرداخته است. سواری در خروجی های ایستگاه راه آهن شهری (ورودی ها) متغیر وابسته است، در حالی که الگوی کاربری زمین متغیر مستقل است. با این حال، از آنجا که تنها بخش کوچکی از مسافران از اشتراک دوچرخه به (یا از) مناطق پزشکی، ترانزیت، پارک و فضای سبز استفاده می‌کنند، بقیه الگوی کاربری زمین به عنوان متغیر مستقل برای اندازه‌گیری همبستگی بین شهری انتخاب می‌شوند. ریل سواری و الگوی کاربری زمین به منظور بهبود اثربخشی مدل سازی ( جدول ۱ ).

جدول ۲ و جدول ۳ بخشی از مجموعه داده های پنج روزه را نشان می دهد که این مطالعه تجزیه و تحلیل کرد، و ضمیمه A اطلاعات بیشتری در مورد زنجیره سفر بین ایستگاه راه آهن شهری و اشتراک دوچرخه ارائه می دهد.

۳٫۲٫۱٫ محاسبه جمع آوری بوت استرپ

مرحله اول نمونه برداری مجدد با جایگزینی است و معادله (۱) به شرح زیر است:

ایکسمن∗ب،yمن∗بمن=۱n،ب=۱،⋯،ب

(۱)

جایی که ∗نمونه بوت استرپ را نشان می دهد و nبه ازای ظرفیت نمونه است.

مرحله دوم ارزیابی درخت تصمیم بدون برش بر اساس نمونه بوت استرپ B است ( ایکسمن∗ب،yمن∗بمن=۱ب). نتیجه پیش بینی شده معادله (۲) است:

fبآg^ایکس=۱ ب∑ب=۱بf∗ب^ایکس

(۲)

مرحله سوم رأی اکثریت است و بالاترین دسته برنده خواهد شد، مانند معادله (۳):

fبآg^ایکس=آrgمترآایکس∑y∈۱،⋯،ک ب=۱بمنy=f∗ب^ایکس

(۳)

جایی که فرضیه y∈۱،⋯،کدسته بندی K وجود دارد . من •تابع نشانگر است که تعیین می کند آیا y=f∗ب^ایکس: اگر بله، ۱ را ضبط کنید، در غیر این صورت، ۰ را ثبت کنید. با توجه به این، بسیاری از طبقه‌بندی‌کننده‌های ضعیف‌تر را می‌توان برای ایجاد یک کمیته قدرتمند ترکیب کرد.

۳٫۲٫۲٫ در مورد Bootstrap Aggregation

این مطالعه نشان داد که الگوی کاربری زمین انتخابی می‌تواند ۴۸٫۴۶ درصد از سواری خروجی و ۳۶٫۸۸ درصد از سواری ورودی را در ساعت ۶:۰۰ تا ۱۰:۰۰ صبح توضیح دهد، این بدان معنی است که تأثیر آن در نابرابری انواع مختلف رفتار سفر است.

۳٫۲٫۳٫ محاسبه مشاهده خارج از کیسه

مشاهده خارج از کیسه برای ارزیابی خطاهای تست استفاده می شود. OOB MSE (خارج از کیسه نشان دهنده میانگین مربعات خطا است) همانطور که در رابطه (۴) نشان داده شده است:

ماسEOOب≡۱n∑من=۱nyمن،OOب^≠yمن۲

(۴)

جایی که yمن،OOب^پیش بینی OOB برای استمنهفتممشاهده، و yمنمشاهده واقعی است.

با استفاده از محاسبه مشاهده OOB ، رگرسیون جنگل تصادفی خروج و ورود ماسEOOببه ترتیب ۹۴۷۲۱٫۳۱ و ۲۴۲۸۵٫۷۲ یافت می شود. این نشان می دهد که پیش بینی سواری خروجی ایستگاه راه آهن شهری دارای خطای کمتری نسبت به سواری ورودی است.

۳٫۲٫۴٫ اندازه گیری اهمیت متغیر

مدل جنگل تصادفی شامل چندین درخت تصمیم است که نمی توانند منعکس کنند که چگونه اهمیت هر متغیر وابسته با یک درخت تصمیم منفرد متفاوت است. از این رو، باید اهمیت متغیر را در هر متغیر اندازه گیری کند و اثرات حاشیه ای هر متغیر را ارائه دهد. بنابراین، از روش نمودار وابستگی جزئی استفاده شد:

ϕ^ایکس۱،ایکس۲≡۱n∑من=۱nfایکس۱،ایکس۲،ایکسمن۳⋯،ایکسمنپ

(۵)

جدول ۴ نتایج اندازه گیری اهمیت متغیر را نشان می دهد. IncNodePurity مجموع مربعات باقیمانده را نشان می‌دهد که افزایش کل همگنی نمونه‌های داده را با تقسیم آنها برای یک متغیر معین اندازه‌گیری می‌کند. IncMSE میانگین مربعات خطا است، که تأثیر آن را بر قدرت پیش بینی زمانی که مقدار یک متغیر اصلی خاص به طور تصادفی جابجا می شود، اندازه گیری می کند [ ۳۰ ]. در واقع، این دو ضریب نیز اهمیت متغیری را نشان می‌دهند و این مقاله عمدتاً IncMSE (میانگین مربعات خطا) را به عنوان استاندارد ارزیابی در نظر می‌گیرد. از این رو، مهمترین کاربری اراضی به ترتیب دفاتر مسکونی و تجاری برای سوارکاری ورودی و خروجی است ( جدول ۴ ).

۴٫ شناسایی جفت مبدا و مقصد

اهمیت شناسایی سفر از ایستگاه راه آهن شهری به مقصد از طریق اشتراک دوچرخه در این مطالعه برجسته شده است. مجموعه داده مسیر دوچرخه به اشتراک گذاری بدون اسکله مکان دوچرخه سواران را ثبت کرد. بنابراین، هر روز بیش از دو میلیون نقطه داده اشتراک دوچرخه وجود دارد. همچنین یک شناسه کاربری منحصر به فرد برای شناسایی مسیر دوچرخه سوار وجود دارد که به ما کمک می کند مسیر دوچرخه را برای کل ترسیم کنیم. برای تکمیل مسیر دوچرخه سواری فقط یک نقطه اتصالات سری زمانی لازم است.

علاوه بر این، طبق گفته Guo و همکاران، بافر ۱۰۰ متری ورودی مترو محبوب ترین منطقه پارکینگ در اطراف ایستگاه های مترو است [ ۳۱ ، ۳۲ ، ۳۳ ]. این مطالعه به این نتیجه رسید که سفرهای دوچرخه سواری با مبدا یا مقصد در ۱۰۰ متری ورودی ایستگاه راه آهن شهری به درستی سفرهای انتقال دوچرخه- مترو در نظر گرفته می شوند.

شکل ۸ a,b زنجیره سفر مشترک مترو و دوچرخه را از ساعت ۶:۰۰ تا ۷:۰۰ صبح نشان می دهد تا به طور ملموس پایگاه داده دوچرخه سواری را نشان دهد که یک مسیر دوچرخه سواری یک روزه (۲۱ دسامبر ۲۰۲۰) را به عنوان نمونه انتخاب می کند تا جزئیات بیشتر را منعکس کند. . چهار رنگ نشان دهنده ایستگاه های تجزیه و تحلیل متمایز هستند و مربوط به مسیرهای دوچرخه سواری هستند که از خروجی یا ورودی ایستگاه های راه آهن شهری عبور می کنند. در رابطه با زنجیره سفر، ما توانستیم الگوی کاربری اراضی بازدیدکنندگان موقتی را که از منطقه خارج می شوند یا وارد می شوند، شناسایی کنیم. این یک روش جدید برای درک رابطه بین ایستگاه های راه آهن شهری و الگوهای کاربری زمین بر اساس زنجیره سفر واقعی ارائه می دهد. تو و همکاران تغییرات فضایی را شناسایی کرد که بر سواری عمومی برای اتوبوس، مترو و تاکسی از طریق وسیله نقلیه (اتوبوس و تاکسی) مسیرهای GPS و داده های کارت هوشمند تأثیر می گذارد.۳۳ ]. آنها دریافتند که اشتغال و استفاده ترکیبی از زمین اثرات دوجانبه بر سطح سواری اتوبوس و مترو دارد اما اثرات مثبتی بر تاکسی سواری دارد.

شکل ۸ a,b وضعیت خروجی و ورودی گذرا را در ایستگاه راه آهن شهری نشان می دهد. از ساعت ۶:۰۰ تا ۷:۰۰ صبح، بیست و یک نفر (تقریباً ۶۷٫۷٪) از مناطق مسکونی و پس از آن سه نفر از دفاتر تجاری و خدمات تجاری (تقریبا ۹٫۷٪) وارد شدند. حدود شانزده نفر (تقریباً ۶۴٪) از مسافران ترانزیت از دوچرخه مشترک برای سفر به خانه از ایستگاه راه آهن شهری استفاده کردند و چهار نفر از خدمات تجاری را ترک کردند.

بین ساعت ۷:۰۰ و ۸:۰۰ صبح، همانطور که در شکل ۹ a,b نشان داده شده است، تعداد سوارکاران به ۷۶ مسافر خروجی و ۱۲۸ مسافر ورودی افزایش یافت. تقریباً ۵۶٪ از افراد به مناطق مسکونی می روند و پس از آن خدمات تجاری (۲۱٫۱٪) و دفاتر تجاری (۱۵٫۸٪) قرار دارند. در مقابل، ۸۷ نفر (۹/۶۷ درصد) از مناطق مسکونی به ایستگاه می‌روند و پس از آن ۱۸ نفر (۱۴ درصد) و ۱۰ نفر (۸/۷ درصد) از دفاتر تجاری و خدمات تجاری به ایستگاه می‌رسند.

مسیرهای دوچرخه سواری بیشتری در شکل ۱۰ a,b بین ساعت ۸:۰۰ صبح تا ۹:۰۰ صبح وجود دارد، زمانی که دوچرخه مشترک محبوب ترین است. در طول این مدت، ۱۶۲ نفر از ایستگاه راه آهن شهری به تمرین دوچرخه مشترک پرداختند که اکثریت آنها به مناطق مسکونی، اداری و تجاری و خدمات تجاری به ترتیب با ۷۶، ۳۶ و ۳۲ راکب مراجعه کردند. دو نفر در یک مکان آموزشی و یک نفر در یک مکان ورزشی و فرهنگی حضور داشتند. در جهت مخالف، جمعیت گذرا عمدتاً مسکونی (صد و چهارده نفر)، دفاتر تجاری (بیست و هفت نفر) و خدمات تجاری (بیست و هفت نفر) بودند. بقیه شامل صنعتی (یازده نفر)، اداری (پنج نفر)، آموزشی (سه نفر) و ورزشی و فرهنگی (دو نفر) بود.

بین ساعت ۹:۰۰ و ۱۰:۰۰ صبح، تعداد دوچرخه سواران در مقایسه با ساعت قبل کاهش یافته است، همانطور که در شکل ۱۱ a,b نشان داده شده است. حدود ۸۱ نفر (۹۴٪) از مسافران خروجی، سوارکاران ترانزیت بودند که از اشتراک دوچرخه برای سفر به مقاصد مسکونی، اداری تجاری یا تجاری استفاده می کردند. در جهت مخالف، تقریباً ۹۰٫۱% از این سه الگوی کاربری اراضی نشأت گرفته اند که در مجموع ۸۵ مورد است. علاوه بر این، هفت سوارکار و یک سوار به ترتیب از بخش های صنعتی و ورزشی و فرهنگی هستند.

با استفاده از این نمونه جفت مبدا-مقصد، ما توانستیم ویژگی‌های الگوی کاربری زمین محل سوار شدن یا پیاده‌روی هر مسافر را تعیین کنیم. این مقاله با تجزیه و تحلیل ارتباط بین سواری ریلی شهری و الگوی کاربری زمین بر اساس رفتار سفر فردی، به پنج روز داده‌های اشتراک‌گذاری دوچرخه نیاز داشت. این مقاله همچنین داده‌های نقطه مورد علاقه (POI) را برای شناسایی الگوی کاربری زمین برای منطقه‌ای که داده‌های کاربری زمین در آن وجود ندارد، اعمال کرد.

۵٫ تجزیه و تحلیل همبستگی بین استفاده از زمین سواری

۵٫۱٫ نتایج زنجیره سفر

با توجه به جفت مبدا-مقصد، جدول ۵ به جزئیات سواری راه آهن شهری و اشتراک دوچرخه بدون اسکله می پردازد. در طول دوره تجزیه و تحلیل از ساعت ۶:۰۰ تا ۱۰:۰۰ صبح، تعداد مسافران خروجی از تعداد ورودی ها بیشتر است. با این حال، میانگین نسبت دوچرخه سواری سواری ورودی تقریباً یک درصد بیشتر از دوچرخه سواری خروجی (۴٫۴۶٪) است.

مطابق جدول ۶ ، عادات سفر افرادی که از دوچرخه اشتراکی استفاده می کنند به شرح زیر است. اکثر سفرهای دوچرخه‌سواری به مکان‌های مسکونی می‌روند (یا می‌رسند) و پس از آن، دفاتر تجاری و مکان‌های خدمات تجاری قرار می‌گیرند. گهگاه، چند نفر از الگوهای کاربری زمین به ایستگاه های پزشکی، حمل و نقل و پارک و فضای سبز سفر می کنند یا از آن خارج می شوند، که بر اساس دوچرخه سواری مشترک به عنوان سه رتبه آخر رتبه بندی می شوند. پیوست A جزئیات بیشتری در مورد زنجیره سفر بین ایستگاه راه آهن شهری و اشتراک دوچرخه ارائه می دهد.

محیط ساخته شده از الگوهای کاربری زمین یکی از عواملی است که بر استفاده از دوچرخه مشترک بدون اسکله، همراه با آب و هوا [ ۳۴ ، ۳۵ ]، زیرساخت جاده [ ۱۲ ، ۳۶ ]، ویژگی های شخصی [ ۳۷ ] و غیره تأثیر می گذارد. شکل ۱۲ نوسان نسبت دوچرخه‌سواری هدف را در دو روز مختلف، ۲۳ و ۲۴ نشان می‌دهد که کمترین و بالاترین نسبت دوچرخه‌سواری را دارند. در حالی که نسبت دوچرخه سواری به الگوی کاربری زمین تقریباً ثابت است ( شکل ۱۳، درصد دوچرخه سواری به (یا از) مناطق مسکونی، اداری تجاری و خدمات تجاری همیشه در طول دوره تجزیه و تحلیل در سه رتبه اول قرار دارد. این نشان می دهد که نوسان در نسبت دوچرخه سواران در ایستگاه های راه آهن شهری تحت تأثیر عوامل دیگری است.

۵٫۲٫ نتایج تحلیل همبستگی

این مقاله شش نوع الگوی کاربری زمین را به‌عنوان متغیر برای اندازه‌گیری همبستگی بین سواری ریل شهری و الگوی کاربری زمین انتخاب کرد تا کارایی مدل‌سازی را بهبود بخشد، با ارزش توضیح داده شده با متغیر تقریباً دو برابر با در نظر گرفتن همه الگوهای کاربری زمین. سواری ریلی شهری به طور قابل توجهی تحت تأثیر الگوهای کاربری زمین است، که توضیح می دهد که چرا توانایی خروج بهتر از ورودی است. در مورد سواری خروجی ایستگاه راه آهن شهری، الگوی کاربری زمین می تواند ۴۸٫۴۶ درصد از سواری خروجی را در دوره ۶:۰۰ تا ۱۰:۰۰ صبح توضیح دهد، در حالی که الگوی کاربری زمین می تواند ۳۶٫۸۸ درصد از سواری ورودی را در همان دوره به خود اختصاص دهد. همانطور که در جدول ۷ نشان داده شده است ، متغیرها اثرات متفاوتی دارند.

خطاهای خارج از کیسه (OOB) ( شکل ۱۴ ) پس از اینکه تعداد درخت های تصمیم از ۲۰۰ فراتر رفت تثبیت می شوند، که نشان می دهد خطاهای OOB بدون توجه به اندازه درخت تصمیم افزایش نمی یابد. این منجر به کاهش یا تطبیق بیش از حد خطاهای OOB نمی شود.

شکل ۱۵ اهمیت متغیر سواری ریل شهری و الگوی کاربری زمین را نشان می دهد. دفتر مسکونی و تجاری مهم ترین متغیرها برای سوارکاری ورودی هستند، صرف نظر از IncMSE (میانگین مربعات خطا) یا IncNodePurity (مجموع باقیمانده مربع ها) ( شکل ۱۵ a-d). متغیری که بیشترین تأثیر را بر سواری خروج دارد، دفتر تجاری است و پس از آن استفاده از زمین آموزشی یا مسکونی، بسته به ضریب IncMSE یا ضریب IncNodePurity، به ترتیب. با این حال، این مقاله در درجه اول بر IncMSE (میانگین مربعات خطا) به عنوان معیار ارزیابی ۲ × ۱۰ ^۴ × ۱۰ ^۶ تمرکز دارد.

نمودار اهمیت متغیر ( شکل ۱۵ ) به سادگی متغیر را زیر سطح معناداری رتبه بندی می کند. این مقاله اثرات حاشیه ای متغیرهای اداری مسکونی و تجاری را با استفاده از یک نمودار وابستگی جزئی اندازه گیری می کند تا اطلاعات بیشتری در مورد این متغیرها و نحوه تأثیر آنها بر سواری شهری ارائه دهد. به طور معمول، ظرفیت ضربه‌گیری مسکونی به تدریج افزایش می‌یابد، با افزایش سواری ایستگاه برای جنبه ورودی ( شکل ۱۶ ). هنگامی که میزان سواری ورودی ایستگاه از ۵۰۰ در ساعت بیشتر شود، کاهش می یابد، با اثرات مشابه برای ورودی و خروجی سواری ایستگاه. با این حال، هنگامی که میزان سواری خروجی ایستگاه از ۶۰۰ در ساعت فراتر می‌رود، تأثیر مسکونی برای سواری خروجی به طور ناگهانی کاهش می‌یابد و پس از آن، ظرفیت ضربه تقریباً تثبیت می‌شود.

پس از اینکه سواری ورودی ایستگاه به ۴۸۰ در ساعت رسید و سواری خروجی ایستگاه به ۱۲۰۰ در ساعت رسید، توانایی متغیر دفتر تجاری برای تأثیرگذاری بر سواری ورودی و خروجی به تدریج تثبیت و بهبود می یابد ( شکل ۱۷ ).

۵٫۳٫ بحث در مورد نتایج

این مطالعه نتیجه می‌گیرد که الگوی کاربری اراضی اطراف ایستگاه‌های راه‌آهن شهری با سواری ریلی شهری رابطه معناداری دارد. درجه نفوذ نشان دهنده اختلاف بین ایستگاه دسترسی و ایستگاه خروج است، با خروجی که همبستگی بالاتری نسبت به ورودی دارد. کاربری مسکونی تأثیر بیشتری بر سواری ایستگاه دسترسی دارد زیرا اکثر مسافران صبح (بین ساعت ۶:۰۰ تا ۱۰:۰۰ صبح) خانه های خود را ترک می کنند. این با انگیزه عادی صبحگاهی برای بیرون رفتن هر روز مطابقت دارد. با این حال، از نظر رفت و آمد سواری، کاربری اراضی دفاتر تجاری مهم‌ترین است، زیرا اکثر افرادی که نیاز به نقل و انتقالات دوچرخه‌سواری بدون اسکله دارند، با دوچرخه به اداره می‌روند.

در ساعات شلوغی صبح، اکثر مردم خانه های خود را برای کار ترک می کنند، در حالی که دانش آموزان به مدرسه می روند. این مسافران عمدتاً شامل کارمندان و دانشجویان هستند و نسبت به مدت زمان سفر و هزینه کلی حساس هستند. در نتیجه، آنها از روش های مقرون به صرفه مانند اشتراک دوچرخه و سیستم های ریلی شهری برای تکمیل سفرهای خود استفاده می کنند. در منطقه مورد مطالعه، هزینه اشتراک دوچرخه ۱٫۵ یوان در پانزده دقیقه، راه آهن شهری ۲ یوان برای چهار کیلومتر اول و میانگین قیمت بلیط در هر کیلومتر ۰٫۵ یوان است. دانش آموزان و بزرگسالانی که کارت هوشمند ثبت نام کنند به ترتیب ۹۰ درصد و ۵۰ درصد تخفیف دریافت می کنند. سیستم یکپارچه سازی و تبلیغات تخفیف در Xiamen به نظر می رسد موفقیت آمیز باشد و مناطق مسکونی بیشترین تأثیر را بر مسافران ورودی دارند. در مورد سوارکاری خروجی،

فاصله و تعداد دوچرخه سواران بین ایستگاه راه آهن شهری و الگوی کاربری اولیه زمین در شکل ۱۸ نشان داده شده است. در طول دوره مورد مطالعه، میانگین فاصله از یک منطقه خدمات تجاری تا یک ایستگاه راه آهن شهری از طریق اشتراک دوچرخه ۲٫۲۴ کیلومتر بود. این فاصله نشان دهنده حداکثر مسافت طی شده توسط اشتراک دوچرخه برای رسیدن به ایستگاه راه آهن شهری از منطقه خدمات تجاری است. در مقابل، کوتاه ترین فاصله تقریباً ۱٫۳۶ کیلومتر بین ایستگاه راه آهن شهری و مناطق مسکونی است. مسیر اشتراک دوچرخه به درک همبستگی بین الگوی کاربری زمین و رفتار سفر کمک می کند، که برای ایستگاه های راه آهن شهری اعمال می شود.

با توجه به این یافته، می توان حدس زد که کاربری تجاری زمین دورتر از سایرین است زیرا مسافران برای رسیدن به آن باید بیشتر سفر کنند. این کاملاً با مفهوم TOD مطابقت ندارد که دایره مرکزی زمین اطراف یک ایستگاه باید تجاری باشد [ ۳۸ ].

علاوه بر این، این مقاله این رابطه را بر اساس مسیر اشتراک دوچرخه اندازه گیری کرد. این نشان داده است که تقاضای سفر به تنهایی نمی تواند رابطه بین سواری ریلی شهری و الگوهای کاربری زمین را ایجاد کند. این نشان داد که میانگین نسبت دوچرخه‌سوارانی که وارد ایستگاه می‌شوند (ورودی) بالاتر از نسبت دوچرخه‌سوارانی است که از ایستگاه (خروجی) خارج می‌شوند، اما الگوی کاربری زمین نشان‌دهنده میزان سواری بیشتر در خروجی ریلی شهری است. در نتیجه، صرف استفاده از تقاضای سفر یا تحرک ترافیک برای انعکاس اینکه چگونه استفاده از زمین بر سواری ریلی شهری تأثیر می گذارد، می تواند منجر به سوگیری شود.

اشتراک دوچرخه وسیله ای عملی و مقرون به صرفه برای اتصال محل مبدا به مقصد (ایستگاه راه آهن شهری) فراهم می کند، که راه های جدیدی را برای اندازه گیری دقیق تر تأثیر بین الگوهای کاربری زمین و سواری ریلی شهری ارائه می دهد. این همچنین نشان دهنده اهمیت در نظر گرفتن رفتار سفر هنگام شناسایی این رفتار رابطه است. ساختار فضای شهری بر سیستم حمل و نقل تأثیر می گذارد و بالعکس. مشابه قانون اول جغرافیای توبلر (همه چیز به هر چیز دیگری مربوط است، اما چیزهای نزدیک بیشتر از چیزهای دور به هم مرتبط هستند)، رفتار مسافرتی فردی ممکن است به دلیل تنوع شخصی، یک پدیده حمل و نقل متفاوت را تشکیل دهد. ناهمگونی فضایی محیط‌های ساخته شده تأثیر متفاوتی بر سواری ریلی شهری خواهد داشت، به طوری که رفتار سفر ممکن است نتیجه یکسانی داشته باشد.

توسعه یک شهر قابل سکونت که گزینه های حمل و نقل بیشتری را ارائه می دهد یکی از مهمترین جنبه های اصل زیست پذیری جوامع پایدار در مناطق شهری است که تحت تأثیر تراکم ترافیک شهری و افزایش سطح آلودگی قرار دارند [ ۳۹ ]]. ادغام حمل و نقل عمومی راهروهای دسترسی راحت را برای ساکنانی که نزدیک به ایستگاه زندگی می کنند فراهم می کند. دسترسی افراد بیشتری را به استفاده از حمل و نقل عمومی ترغیب می کند و رفتار سفر خود را از خودرو به حمل و نقل عمومی تغییر می دهد. ریل شهری و سیستم اشتراک دوچرخه سواری تحت تأثیر ویژگی های کاربری زمین اطراف ایستگاه راه آهن شهری است. این یک مدل توسعه متوازن گره مکان ایجاد می کند که به موفقیت پروژه های TOD و توسعه یک شهر پایدار کمک می کند.

۶٫ نتیجه گیری و پیامدها

افزایش سواری ریلی شهری مزیت بهینه سازی عملکرد عملیاتی آن را دارد و می تواند سهم سیستم حمل و نقل عمومی را از همه مسافران افزایش دهد. افراد متعددی از مناطق مختلف نشان داده‌اند که الگوی کاربری زمین در حوضه آبریز ایستگاه بر سواری تأثیر می‌گذارد. با این حال، تلاش های کمی برای بررسی این رابطه بر اساس رفتار سفر صورت گرفته است. اشتراک دوچرخه بدون اسکله به عنوان یک روش حمل و نقل انعطاف پذیر و ارزان، دسترسی حمل و نقل را بهبود می بخشد و محدوده پوشش خدمات ایستگاه راه آهن شهری را گسترش می دهد. زنجیره سفر به طور موثر به الگوهای کاربری زمین و ایستگاه های راه آهن شهری متصل می شود. این مطالعه مسیر دوچرخه‌سواری مشترک مسافرانی را که در حال عزیمت/رسیدن به ایستگاه‌های راه‌آهن شهری هستند تجزیه و تحلیل کرد و یک همبستگی بین سواری ورودی/خروجی ریل شهری و الگوی کاربری زمین را با استفاده از مدل جنگل تصادفی شناسایی کرد. به طور خاص، اثرات حمل و نقل ریلی شهری را بر الگوهای کاربری مسکونی، اداری تجاری، خدمات تجاری، صنعتی، اداری و آموزشی در Xiamen، چین بررسی کرد.

نتایج نشان می دهد که الگوهای کاربری زمین متفاوت است، اما اثرات مثبتی بر ورود و خروج سواری ایستگاه در طول صبح (۶:۰۰-۱۰:۰۰ صبح) دارد. R ^۲ برای سوارکاری خروجی ۴۸٫۴۶ درصد است که از R ^۲ برای سواری ورودی که ۳۶٫۸۸ درصد است بیشتر است. این نشان می‌دهد که الگوی کاربری زمین می‌تواند سواری خروجی ایستگاه‌های شهری را موثرتر از سواری ورودی توضیح دهد. کاربری مسکونی بیشترین تأثیر را بر ورود مسافران دارد و پس از آن استفاده از زمین اداری تجاری قرار دارد. در مقابل، کاربری اراضی دفاتر تجاری به آسانی از نظر سواری خروجی توضیح داده می شود. کاربری اداری اراضی کمترین توانایی را برای توضیح ورود و خروج سواری دارد.

مشارکت های اولیه این مطالعه به شرح زیر است:

(۱): مسیر به اشتراک گذاری دوچرخه رفتار سفر را نشان داد که به رابطه بین سواری ریل شهری و رفتار الگوی کاربری زمین می پردازد.
(۲): ورودی و خروجی سواری راه آهن شهری با مسیر اشتراک دوچرخه بهتر از کل سواری توضیح داده می شود.
(۳): الگوهای مختلف کاربری زمین توضیحات متناقضی را برای ورود صبحگاهی و خروجی ریل سواری شهری (۶:۰۰ تا ۱۰:۰۰ صبح) ارائه کردند.
(۴): به طور کلی، الگوهای کاربری اراضی اداری مسکونی و تجاری بیشترین تأثیر را بر دسترسی مسافران به ایستگاه راه آهن شهری دارند. از سوی دیگر، الگوهای کاربری خروجی، ادارات تجاری و کاربری زمین آموزشی گاهی تأثیرگذارتر هستند.
(۵): ادغام مقرون‌به‌صرفه حمل‌ونقل عمومی، مسافران را افزایش می‌دهد.

پیامدهای این یافته ها برای افزایش سواری راه آهن شهری با الگوی کاربری زمین و اشتراک دوچرخه مورد بحث قرار گرفت. اولاً، کاربری مسکونی و کاربری اداری تجاری بیشترین تأثیر را بر مسافران ریلی شهری، به ویژه در ساعات شلوغی صبحگاهی دارند. دوم، برخی از مسافران با دوچرخه به و از ایستگاه راه آهن شهری خود می‌روند و اشتراک دوچرخه می‌تواند عملکرد آن عنصر ترانزیت را بهبود بخشد. ثالثاً، الگوهای مختلف کاربری زمین دارای عملکرد تأثیر متمایز هستند که باید در طول بهبودها با دقت بیشتری در نظر گرفته شود تا سود به حداکثر برسد. در نهایت، ارائه گزینه های حمل و نقل بیشتر، دسترسی حمل و نقل را بهبود می بخشد، که منجر به افزایش سواری ریلی شهری، توسعه سیستم حمل و نقل پایدار و ایجاد شهری قابل زندگی می شود.

محدودیت های این مطالعه را می توان در تحقیقات آتی بررسی کرد. اول، این مقاله تنها بر سفر صبحگاهی تمرکز دارد. اگر داده ها در دسترس باشد، می تواند بقیه روز را نیز در نظر بگیرد، زیرا رفتار سفر ممکن است بسته به زمان روز متفاوت باشد. دوم، این مقاله از یک مسیر اشتراک دوچرخه بدون اسکله برای اندازه‌گیری همبستگی بین الگوی کاربری زمین و سواری ریلی شهری استفاده کرد. با این حال، استفاده از دوچرخه مشترک تحت تأثیر عوامل متعددی مانند زیرساخت جاده و فضای پارکینگ قرار دارد. بنابراین، تحقیقات بیشتر می تواند محیط ساخته شده را در یک حوضه آبریز ایستگاه راه آهن شهری به طور کامل تری تجزیه و تحلیل کند. سوم، رفتار دوچرخه سواران در سفر باید با عمق بیشتری مورد مطالعه قرار گیرد، زیرا ویژگی های شخصی نیز بر استفاده از دوچرخه به اشتراک گذاشته شده، به طور بالقوه بر این رابطه مثلثی تأثیر می گذارد. چهارم، جزئیات بیشتری باید در درک فعالیت انتقال با اشتراک گذاری یکپارچه مترو-دوچرخه در نظر گرفته شود. در حالی که این مطالعه به این نتیجه رسید که محدوده پوشش ایستگاه راه آهن شهری در این سیستم انتقال ۱۰۰ متر است، سوگیری وجود دارد. بنابراین، تحقیقات آتی می تواند این جنبه را با دقت بیشتری مورد توجه قرار دهد.

پیوست اول

جدول A1. تعداد سواران و دوچرخه سواران راه آهن شهری.

منابع

وو، ایکس. لو، ی. گونگ، ی. کانگ، ی. یانگ، ال. Gou, Z. تأثیرات محیط ساخته شده بر سفرهای انتقال دوچرخه به مترو: روشی جدید برای ترسیم حوضه آبریز مترو بر اساس فضای دوچرخه سواری واقعی مردم. J. Transp. Geogr. ۲۰۲۱ ، ۹۷ ، ۱۰۳۲۱۵٫ [ Google Scholar ] [ CrossRef ]
وو، اس اس. ژوانگ، ی. چن، جی. وانگ، دبلیو. بای، ی. Lo, SM بازاندیشی دسترسی اتوبوس به مترو در توسعه شهر جدید: مطالعات موردی در شانگهای. شهرها ۲۰۱۹ ، ۹۴ ، ۲۱۱-۲۲۴٫ [ Google Scholar ] [ CrossRef ]
سان، جی. Zacharias, J. آیا دوچرخه می تواند مترو را ازدحام کند؟ مدیریت سفرهای مسافت کوتاه در پکن. حفظ کنید. جامعه شهرها ۲۰۱۷ ، ۳۵ ، ۳۲۳-۳۳۰٫ [ Google Scholar ] [ CrossRef ]
Vergel-Tovar، CE; Rodriguez, DA عملکرد سواری محیط ساخته شده برای سیستم های BRT: شواهدی از آمریکای لاتین. J. Transp. Geogr. ۲۰۱۸ ، ۷۳ ، ۱۷۲-۱۸۴٫ [ Google Scholar ] [ CrossRef ]
Li، XY; Sinniah، GK; لی، R. شناسایی عامل تاثیرگذار برای سواری ریل شهری از ناهمگونی فضایی محیط ساخته شده. مورد مطالعه. ترانسپ سیاست ۲۰۲۲ ، ۱۰ ، ۱۱۵۹-۱۱۷۱٫ [ Google Scholar ] [ CrossRef ]
ژائو، جی. دنگ، دبلیو. آهنگ، ی. زو، ی. چه چیزی بر سواری ایستگاه مترو در چین تأثیر می گذارد؟ بینش از نانجینگ شهرها ۲۰۱۳ ، ۳۵ ، ۱۱۴-۱۲۴٫ [ Google Scholar ] [ CrossRef ]
جون، ام.-ج. چوی، ک. جئونگ، جی.-ای. Kwon، K.-H. کیم، اچ.-جی. ویژگی های کاربری اراضی مناطق حوضه آبریز مترو و تأثیر آنها بر سواری مترو در سئول J. Transp. Geogr. ۲۰۱۵ ، ۴۸ ، ۳۰-۴۰٫ [ Google Scholar ] [ CrossRef ]
ژائو، جی. فن، دبلیو. Zhai، X. شناسایی ویژگی های کاربری زمین با استفاده از داده های به اشتراک گذاری دوچرخه: یک رویکرد یادگیری عمیق. J. Transp. Geogr. ۲۰۲۰ , ۸۲ , ۱۰۲۵۶۲٫ [ Google Scholar ] [ CrossRef ]
لی، دبلیو. چن، اس. دونگ، جی. Wu, J. بررسی تغییرات فضایی فواصل انتقال بین سیستم‌های اشتراک دوچرخه بدون اسکله و مترو. J. Transp. Geogr. ۲۰۲۱ ، ۹۲ ، ۱۰۳۰۳۲٫ [ Google Scholar ] [ CrossRef ]
برونز، آ. متس، جی. حرکت به داخل و درون شهرها – تعاملات تغییر مسکونی و رفتار سفر و پیامدهای آن برای استفاده از زمین و استراتژی های برنامه ریزی حمل و نقل یکپارچه. رفتار سفر. Soc. ۲۰۱۹ ، ۱۷ ، ۴۶–۶۱٫ [ Google Scholar ] [ CrossRef ]
مومنی، ا. Antipova، A. تجزیه و تحلیل در سطح خرد از رفت و آمد و زمین شهری با استفاده از شاخص سیمپسون و عوامل اجتماعی و جمعیت شناختی. Appl. Geogr. ۲۰۲۲ ، ۱۴۵ ، ۱۰۲۷۵۵٫ [ Google Scholar ] [ CrossRef ]
تماکلو، ر. هونگ، جی. تاک، جی. عوامل تعیین کننده کارایی توسعه ترانزیت محور با تمرکز بر سیستم مترو، اتوبوس و دوچرخه مشترک یکپارچه: کاربرد رویکرد دو مرحله ای سیمار-ویلسون. Cities ۲۰۲۱ , ۱۰۸ , ۱۰۲۹۸۸٫ [ Google Scholar ] [ CrossRef ]
شاریر، اچ. رودا، سی. Feuillet، T. پیومبینی، ا. باردوس، اچ. راتر، اچ. کامپرنول، اس. مکنباخ، جی دی. لیکرولد، جی. Oppert، JM پیاده‌روی، دوچرخه‌سواری، و حمل‌ونقل عمومی برای سفرهای رفت‌وآمد و غیر رفت‌وآمد در ۵ منطقه شهری اروپا: انتخاب مودال همبستگی‌ها و انگیزه‌ها. J. Transp. Geogr. ۲۰۲۱ ، ۹۶ ، ۱۰۳۱۹۶٫ [ Google Scholar ] [ CrossRef ]
آن، دی. تانگ، ایکس. لیو، ک. چان، EHW درک تأثیر محیط ساخته شده بر سواری مترو با استفاده از منبع باز در شانگهای. شهرها ۲۰۱۹ ، ۹۳ ، ۱۷۷–۱۸۷٫ [ Google Scholar ] [ CrossRef ]
فقیه ایمانی، ع. الورو، ن. الجنیدی، AM; رباط، م. Haq, U. نحوه تأثیر کاربری زمین و شکل شهری بر جریان دوچرخه: شواهدی از سیستم اشتراک دوچرخه (BIXI) در مونترال. J. Transp. Geogr. ۲۰۱۴ ، ۴۱ ، ۳۰۶-۳۱۴٫ [ Google Scholar ] [ CrossRef ]
بای، ق. یو، ز. ما، س. وانگ، ی. آگبلی، ب. بررسی عوامل موثر بر استفاده از دوچرخه برای سیستم اشتراک گذاری دوچرخه عمومی مبتنی بر اسکله: مطالعه موردی شیان، چین. جی. پاک. تولید ۲۰۲۲ ، ۳۶۲ ، ۱۳۲۳۳۲٫ [ Google Scholar ] [ CrossRef ]
یو، اس. لیو، جی. یین، سی. درک تقاضای سفر مکانی-زمانی برای اشتراک دوچرخه شناور آزاد که با ایستگاه‌های مترو ارتباط برقرار می‌کند. حفظ کنید. جامعه شهرها ۲۰۲۱ , ۷۴ , ۱۰۳۱۶۲٫ [ Google Scholar ] [ CrossRef ]
لو، ی. یانگ، ی. سان، جی. Gou, Z. ارتباط بین نمای بالای سر و سبزی شهری در سطح چشم و رفتارهای دوچرخه سواری. شهرها ۲۰۱۹ ، ۸۸ ، ۱۰-۱۸٫ [ Google Scholar ] [ CrossRef ]
چنگ، ال. جین، تی. وانگ، ک. لی، ی. Witlox، F. ترویج استفاده یکپارچه از اشتراک دوچرخه و مترو: تمرکز بر غیرخطی بودن اثرات محیطی ساخته شده. Transp چند وجهی ۲۰۲۲ ، ۱ ، ۱۰۰۰۰۴٫ [ Google Scholar ] [ CrossRef ]
گائو، ی. گوا، ز. لانگ، ی. کوی، ز. لی، ایکس. رفتار مسافرتی مسافران قبل و بعد از تنظیم مقاطع خطی اتوبوس معمولی: مطالعه موردی در مرحله اولیه عملیات مترو در Xiamen. رفتار سفر. Soc. ۲۰۲۲ ، ۲۶ ، ۲۲۱-۲۳۰٫ [ Google Scholar ] [ CrossRef ]
گان، ز. یانگ، م. فنگ، تی. Timmermans، H. درک الگوهای تحرک شهری از دیدگاه فضایی-زمانی: پروفایل‌های روزانه سواری ایستگاه‌های مترو. حمل و نقل ۲۰۱۸ ، ۴۷ ، ۳۱۵–۳۳۶٫ [ Google Scholar ] [ CrossRef ]
گوا، ی. او، SY نقش محیط های ساخته شده عینی و درک شده در تاثیرگذاری بر اشتراک دوچرخه بدون اسکله به عنوان انتخاب حالت تغذیه کننده در رفت و آمد مترو. ترانسپ Res. بخش A سیاست سیاست. ۲۰۲۱ ، ۱۴۹ ، ۳۷۷-۳۹۶٫ [ Google Scholar ] [ CrossRef ]
گونگ، پی. چن، بی. لی، ایکس. لیو، اچ. وانگ، جی. بای، ی. چن، جی. چن، ایکس. نیش، ال. فنگ، اس. و همکاران نقشه برداری مقوله های ضروری کاربری زمین شهری در چین (EULUC-چین): نتایج اولیه برای سال ۲۰۱۸٫ علمی. گاو نر ۲۰۲۰ ، ۶۵ ، ۱۸۲-۱۸۷٫ [ Google Scholar ] [ CrossRef ]
ون، ی. وو، آر. ژو، ز. ژانگ، اس. یانگ، اس. والینگتون، تی جی; شن، دبلیو. تان، Q. دنگ، ی. Wu, Y. یک روش مبتنی بر داده نقشه‌برداری انتشار ترافیک با مدل‌های جنگل تصادفی استفاده از زمین. Appl. Energy ۲۰۲۲ , ۳۰۵ , ۱۱۷۹۱۶٫ [ Google Scholar ] [ CrossRef ]
چنگ، ال. دی ووس، جی. ژائو، پی. یانگ، م. Witlox، F. بررسی اثرات محیطی ساخته شده غیرخطی بر راه رفتن سالمندان: یک رویکرد جنگل تصادفی. ترانسپ Res. قسمت D Transp. محیط زیست ۲۰۲۰ , ۸۸ , ۱۰۲۵۵۲٫ [ Google Scholar ] [ CrossRef ]
بریمن، L. RandomForests. ماخ فرا گرفتن. ۲۰۰۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ]
وو، آر. وانگ، جی. ژانگ، دی. وانگ، اس. شناسایی انواع مختلف دینامیک کاربری زمین شهری با استفاده از الگوریتم نقطه مورد علاقه (POI) و جنگل تصادفی: مورد Huizhou، چین. Cities ۲۰۲۱ , ۱۱۴ , ۱۰۳۲۰۲٫ [ Google Scholar ] [ CrossRef ]
آئو، ی. لی، اچ. زو، ال. علی، س. یانگ، زی. الگوریتم جنگل تصادفی خطی و مزایای آن در یادگیری ماشین به کمک مدل‌سازی رگرسیون ورود به سیستم. جی. پت. علمی مهندس ۲۰۱۹ ، ۱۷۴ ، ۷۷۶-۷۸۹٫ [ Google Scholar ] [ CrossRef ]
چنگ، ال. چن، ایکس. دی ووس، جی. لای، ایکس. Witlox، F. استفاده از روش جنگل تصادفی برای مدل رفتار انتخاب حالت سفر. رفتار سفر. Soc. ۲۰۱۹ ، ۱۴ ، ۱-۱۰٫ [ Google Scholar ] [ CrossRef ]
Brigham, RM; Echeverry-Galvis، MA; پترسون، جی کی; سولو-کاسرس، آر. آشیانه اجتماعی: ساختار درختی محل قرارگیری لانه را در مستعمرات پرنده بافنده کنیایی تعیین می کند. PLoS ONE ۲۰۱۴ ، ۹ ، e88761. [ Google Scholar ] [ CrossRef ]
گوا، ی. یانگ، ال. لو، ی. ژائو، آر. اشتراک دوچرخه بدون بارانداز به عنوان یک حالت تغذیه کننده در رفت و آمد در مترو؟ نقش محیط ساخته شده مرتبط با فیدر: چارچوب تحلیلی و شواهد تجربی حفظ کنید. جامعه شهرها ۲۰۲۱ ، ۶۵ ، ۱۰۲۵۹۴٫ [ Google Scholar ] [ CrossRef ]
وو، ایکس. لو، ی. لین، ی. یانگ، ی. اندازه‌گیری دسترسی به مقصد سفرهای انتقال دوچرخه‌سواری در مناطق ایستگاه مترو: رویکرد داده‌های بزرگ. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۹ ، ۱۶ ، ۲۶۴۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
گوا، ی. او، SY ساخته شده اثرات محیطی بر ادغام اشتراک دوچرخه بدون اسکله و مترو. ترانسپ Res. قسمت D Transp. محیط زیست ۲۰۲۰ , ۸۳ , ۱۰۲۳۳۵٫ [ Google Scholar ] [ CrossRef ]
ووگل، م. هامون، آر. لوزنگز، جی. مرچز، ال. ابری، پ. بارنیر، جی. بورگنات، پ. فلاندرین، پی. مالون، آی. Robardet, C. از حرکات سیستم اشتراک گذاری دوچرخه تا کاربران: گونه شناسی دوچرخه سواران Vélo’v در لیون بر اساس داده های رفتاری در مقیاس بزرگ. J. Transp. Geogr. ۲۰۱۴ ، ۴۱ ، ۲۸۰-۲۹۱٫ [ Google Scholar ] [ CrossRef ]
العسی، دبلیو. صلاح محمود، م. نورول حبیب، ک. اثرات محیط ساخته شده و آب و هوا بر تقاضای اشتراک دوچرخه: تجزیه و تحلیل سطح ایستگاه از اشتراک دوچرخه تجاری در تورنتو. حمل و نقل ۲۰۱۷ ، ۴۴ ، ۵۸۹-۶۱۳٫ [ Google Scholar ] [ CrossRef ]
فرانکو، LPC؛ Campos، VBG؛ Monteiro, FB خصوصیات سفرهای دوچرخه سواری مسافربری. Procedia Soc. رفتار علمی ۲۰۱۴ ، ۱۱۱ ، ۱۱۶۵-۱۱۷۴٫ [ Google Scholar ] [ CrossRef ]
هیگورا-مندیتا، دی. Uriza، PA; Cabrales، SA; مداگلیا، آل. گوزمان، لس آنجلس؛ Sarmiento، OL آیا محیط ساخته شده در مبدا، در مسیر، و در مقصد مرتبط با رفت و آمد با دوچرخه است؟ رویکردی مبتنی بر جنسیت J. Transp. Geogr. ۲۰۲۱ ، ۹۴ ، ۱۰۳۱۲۰٫ [ Google Scholar ] [ CrossRef ]
Kwon، Y. Sejong Si (شهر): آیا مدل های TOD و TND در برنامه ریزی پایتخت جدید کره موثر هستند؟ شهرها ۲۰۱۵ ، ۴۲ ، ۲۴۲-۲۵۷٫ [ Google Scholar ] [ CrossRef ]
Appleyard، BS; فراست، AR؛ آلن، سی. آیا همه ایستگاه های حمل و نقل برابر و عادلانه هستند؟ محاسبه پایداری، زیست‌پذیری، سلامت، و عملکرد برابری رشد هوشمند و توسعه ترانزیت محور (TOD). J. Transp. Health ۲۰۱۹ , ۱۴ , ۱۰۰۵۸۴٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ موقعیت جزیره Xiamen (اصلی).

شکل ۲٫ سیستم ریلی شهری در جزیره Xiamen (اصلی).

شکل ۳٫ الگوی کاربری اراضی جزیره شیامن (اصلی).

شکل ۴٫ ایستگاه های راه آهن شهری منتخب در سرزمین اصلی Xiamen.

شکل ۵٫ توزیع زمانی سواری ایستگاه های انتخاب شده.

شکل ۶٫ تصویر روش جنگل تصادفی [ ۲۹ ]. تجدید چاپ شده از Travel Behavior and Society , جلد ۱۴, Cheng, L.; چن، ایکس. دی ووس، جی. لای، ایکس. Witlox، F.، به کارگیری رویکرد روش جنگل تصادفی برای مدل رفتار انتخاب حالت سفر، ۱-۱۲، حق چاپ (۲۰۱۹)، با مجوز از Elsevier.

شکل ۷٫ نمودار جریان روش مدل سازی تصادفی جنگل.

شکل ۸٫ ( الف ) مسیر دوچرخه‌سواری برای ایستگاه مترو خروجی بین ساعت ۶:۰۰ تا ۷:۰۰ صبح ( ب ) مسیر دوچرخه‌سواری برای ایستگاه متروی ورودی بین ساعت ۶:۰۰ تا ۷:۰۰ صبح

شکل ۹٫ ( الف ) مسیر دوچرخه‌سواری برای ایستگاه مترو خروجی بین ساعت ۷:۰۰ تا ۸:۰۰ صبح ( ب ) ایستگاه مترو ورودی مسیر دوچرخه‌سواری بین ساعت ۷:۰۰ تا ۸:۰۰ صبح

شکل ۱۰٫ ( الف ) مسیر دوچرخه‌سواری برای ایستگاه مترو خروجی از ساعت ۸:۰۰ تا ۹:۰۰ صبح ( ب ) مسیر دوچرخه‌سواری برای ایستگاه متروی ورودی از ساعت ۸:۰۰ تا ۹:۰۰ صبح

شکل ۱۱٫ ( الف ) مسیر دوچرخه‌سواری برای ایستگاه مترو خروجی از ساعت ۹:۰۰ تا ۱۰:۰۰ صبح ( ب ) مسیر دوچرخه‌سواری برای ایستگاه متروی ورودی از ساعت ۹:۰۰ تا ۱۰:۰۰ صبح

شکل ۱۲٫ نوسان در نسبت دوچرخه سواری برای مسافران ایستگاه راه آهن شهری.

شکل ۱۳٫ نوسان در نسبت دوچرخه سواری برای الگوی کاربری زمین.

شکل ۱۴٫ خطاهای OOB ورودی و خروجی.

شکل ۱۵٫ نمودار اهمیت متغیر برای سوارکاری ورودی و خروجی: ( الف ) میانگین مجذور خطای ورودی (IncMSE) ( ب ) مجموع مربعات باقیمانده از ورودی (IncNodePurity) ( c ) میانگین مربعات خطای خروج (IncMSE) ( d ) باقیمانده مجموع مربعات خروج (IncNodePurity).

شکل ۱۶٫ قطعه وابستگی جزئی منطقه مسکونی.

شکل ۱۷٫ نمودار وابستگی جزئی منطقه اداری تجاری.

شکل ۱۸٫ آمار دوچرخه سواری الگوهای کاربری اصلی زمین.

ونوس نصیرفام

3 فوریه 2023

مقالات