کلید واژه ها:
جغرافیای زمانی ; تخمین چگالی هسته ; منطقه شبکه بالقوه مسیر فضا-زمان
۱٫ مقدمه
۲٫ پیشینه تحقیق
۲٫۱٫ اندازه گیری PNA
جغرافیای زمان یک چارچوب نظری مهم برای اندازهگیری عدم قطعیت پیوسته فضا-زمان اجسام متحرک در طول نقاط مسیر فضا-زمان گسسته ارائه میکند [ ۱۵ ]. یکی از مفاهیم کلیدی آن بیضی جغرافیایی، PPA است که محدوده قابل دسترسی یک جسم متحرک را تحت محدودیت های دو نقطه مسیر مکانی-زمانی نشان می دهد. از نظر ریاضی، مجموع حداقل هزینه های زمانی برای هر نقطه در PPA برای رسیدن به دو نقطه لنگر از بودجه زمانی بین دو نقطه لنگر تجاوز نمی کند. همین امر در مورد PNA نیز صدق می کند:
جایی که t ( s , e )بودجه زمانی از s تا e است که در طی آن زمان فعالیت ثابت به صورت ثبت می شود تیآ( s , e ); تیپ( s , x )و تیپ( x , e )به ترتیب دو حداقل هزینه زمانی از یک نقطه لنگر s تا یک نقطه خاص x و x به یک نقطه لنگر دیگر e هستند. به عنوان مثال، ارتفاع خط سبز در شکل ۱ در e به معنی است تیپ( s _ایکس۲) +تیپ(ایکس۲، ه ). بعلاوه، فرمول مناسب حداکثر بودجه زمانی برای حرکت را نشان می دهد، یعنی حداقل هزینه زمانی برای عبور یک جسم از فاصله محور طولانی (مثلا مسیر s – x ۳ – e ) مربوط به ارتفاع خط آبی در شکل ۱ در نقطه e (۲ a )؛ حداقل مقدار فرمول سمت چپ (نشان داده شده به عنوان تیپ( s , e )) نشان دهنده حداقل هزینه زمانی برای عبور یک شی از فاصله کانونی (مثلا مسیر s – x ۱ – e ) است که مربوط به ارتفاع خط قرمز در شکل ۱ در نقطه e (۲ c ) است.
۲٫۲٫ PNA احتمالی
PNA احتمالی دیگری پیشنهاد شد [ ۲۶ ]، و تابع هسته تضعیف آن به جای پل براون را می توان به صورت زیر توصیف کرد:
جایی که پتی( x )چگالی هر نقطه x در PNA است. پپتی∗( )تابع کاهش فاصله است. صورت و مخرج به ترتیب با شکل چپ و راست در معادله (۱) مطابقت دارند، بنابراین مقدار کسری از ۱ تجاوز نمی کند. برای خط فاصله کانونی با کمترین هزینه زمانی، زیرا مقدار کسری هر نقطه یکسان است. و کوچکترین، چگالی هر نقطه (شامل دو نقطه لنگر) یکسان و بزرگترین در PNA است. این همچنین به این معنی است که سایر نقاطی که از خط کانونی منحرف می شوند به دلیل افزایش هزینه تراکم کمتری دارند.
۳٫ تابع چگالی هسته در جغرافیای زمانی
۳٫۱٫ تابع تراکم لبه دار
تابع چگالی نوع پشته از معادله (۱) PNA مشتق شده است و ضریب تضعیف آن مربوط به بودجه زمان سفر و مسیر کمترین زمان هزینه از نقطه وزن است که می توان آن را به صورت زیر رسمیت داد:
جایی که وزن نقطه x ، دبلیومن d _gه( x )، یک تابع فروپاشی f (*) است. تیپ( s , e | x )نشان دهنده هزینه زمانی مسیر کم هزینه عبور از نقطه x است. معادله فوق را می توان به صورت هم نوشت دبلیومن d _gه( x ) = f(تیپ( s , e | x ) – ۲ c2 a – ۲ c)، که در آن ۲ a و ۲ c به ترتیب محور طولانی و فاصله کانونی PNA هستند. ابر چگالی از دبلیومن d _gه( x )از نظر شکل با تابع هسته TGDE سازگار است (معادله (۲))، که می توان آن را یک رج نامید ( شکل ۴ a). در یک فضای همگن، مرز PNA یک بیضی است. خط همسانی از دبلیومن d _gه( x )دنباله ای از خطوط بیضوی با تمرکز یکسان و ارتفاعات متفاوت است، به دلیل مساوی تیپ( s , e | x )در هر نقطه x روی همان خط بیضوی.
۳٫۲٫ تابع چگالی نوع اوج
تابع چگالی نوع پیک از تابع هسته کلاسیک (مانند تابع هسته معمولی، تابع هسته مثلثی) مشتق شده است و ضریب تضعیف آن فاصله از نقطه وزن تا نقطه لنگر است. می توان آن را به شرح زیر توصیف کرد:
جایی که دبلیوp e a k( x )برهم نهی دو تابع تضعیف است و دو فاکتور فاصله آنها به ترتیب نقطه x به نقطه لنگر شروع و پایان است. تیپ( s , x ) ∈[۰، [ t ( s , e ) –تیآ( s ، e ) +تیپ( s , e ) ] /۲]، و محدوده مقدار کسری [۰، ۱] است. معادله فوق را می توان به صورت هم نوشت دبلیوp e a k( x ) = f(تیپ( s , x )[ ۲ a + ۲ c ] / ۲) +f(تیپ( x , e )[ ۲ a + ۲ c ] / ۲)، که می تواند به عنوان برهم نهی خطی دو چگالی هسته ای کلاسیک در شکل در نظر گرفته شود.
۳٫۳٫ تابع چگالی هسته زینی شکل
در اینجا، یک روش ادغام بر اساس ضرب نقطه اتخاذ شده است:
جایی که پایکستابع هسته PNA است که از “قله” و “رج” تشکیل شده است که دارای ویژگی زینی شکل است ( شکل ۴ ج). از آنجایی که «قلهها» و «برآمدگیها» مبتنی بر اصول متفاوتی از دو رشته مختلف، یعنی اصل کمترین تلاش در اقتصاد و قانون اول جغرافیا هستند، میتوان آنها را مستقل فرض کرد. توجه داشته باشید که اجزای تابع هسته که توسط جغرافیای زمانی محدود می شوند، نه تنها شامل حوزه تعریف (PNA)، بلکه معادله تحلیلی نیز می شود. علاوه بر این، از آنجا که تابع هسته PNA دارای ویژگی های یک تابع چگالی احتمال است (تراکم تجمعی ۱ است)، نیازی به تنظیم ضریبی نیست که به ساختار شبکه متغیر پاسخ دهد، مانند ضریب تصحیح ابعاد Downs و Horner. [ ۲۶].
مدل فروپاشی نمایی منفی، که برای ارزیابی دسترسی بالقوه و شبیهسازی احتمال دسترسی [ ۱۳ ، ۲۷ ] اعمال شده است، نیز در این مقاله استفاده میشود:
که در آن ضریب β بر درجه تضعیف تأثیر می گذارد (همانطور که در شکل ۶ الف نشان داده شده است): هر چه β کوچکتر باشد ، هموارتر است. تحت شرایط ضریب β یکسان ، توابع وزن دو بازه مختلف [۰، ۱] و [۲/۳، ۱] ( شکل ۶ ب) برای تولید تابع چگالی احتمال نرمال می شوند ( شکل ۶ ج). اثر مرزی بازه [۲/۳، ۱] مهمتر از بازه [۰، ۱] است. این همچنین دلیلی را توضیح می دهد که چرا صورت و مخرج معادله (۳) عبارت ۲- c را برای ایجاد فاصله کسری افزایش می دهد [۰، ۱].
۴٫ کاربرد
۴٫۱٫ مواد و روش ها
۴٫۲٫ نتایج
۴٫۳٫ تایید
۵٫ نتیجه گیری و بحث
منابع
- زمستان، اس. یین، Z.-C. حرکات هدایت شده در جغرافیای زمانی احتمالی بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۱۳۴۹-۱۳۶۵٫ [ Google Scholar ] [ CrossRef ]
- کویجپرز، بی. میلر، اچ جی; نویتنز، تی. Othman, W. لنگر عدم قطعیت و فضا-زمان منشور در شبکه های جاده ای. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۰ ، ۲۴ ، ۱۲۲۳-۱۲۴۸٫ [ Google Scholar ] [ CrossRef ]
- Horne، JS; گارتون، EO; کرون، اس ام؛ Lewis, JS تجزیه و تحلیل حرکات حیوانات با استفاده از پل های براونی. اکولوژی ۲۰۰۷ ، ۸۸ ، ۲۳۵۴-۲۳۶۳٫ [ Google Scholar ] [ CrossRef ]
- آهنگ، ی. Miller, HJ شبیه سازی توزیع احتمال بازدید در منشورهای فضا-زمان مسطح. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۴ ، ۲۸ ، ۱۰۴-۱۲۵٫ [ Google Scholar ] [ CrossRef ]
- بوچین، ک. سیجبن، اس. ون لون، EE; ساپیر، ن. مرسیه، اس. Arseneau، TJM; استخراج ویژگیهای حرکتی ویلمز، EP و تأثیر محیط از مدل حرکت پل براونی در میمونها و پرندگان. حرکت Ecol. ۲۰۱۵ ، ۳ ، ۱۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
- الیاس، دی. Kuijpers، B. احتمال بازدید در منشورهای فضا-زمان بر اساس راه رفتن تصادفی دو جمله ای. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۵۵۵٫ [ Google Scholar ] [ CrossRef ]
- آهنگ، ی. میلر، اچ جی; ژو، ایکس. Proffitt, D. مدلسازی احتمالات بازدید در منشورهای زمان شبکه با استفاده از تکنیک های مارکوف. Geogr. مقعدی ۲۰۱۶ ، ۴۸ ، ۱۸-۴۲٫ [ Google Scholar ] [ CrossRef ]
- Downs، JA تخمین چگالی زمانی-جغرافیایی برای اجسام نقطه متحرک. در مجموعه مقالات کنفرانس بین المللی علم اطلاعات جغرافیایی، زوریخ، سوئیس، ۱۴-۱۷ سپتامبر ۲۰۱۰٫ ص ۱۶-۲۶٫ [ Google Scholar ]
- هورنر، مگاوات؛ زوک، بی. داونز، JA کجا بودی؟ توسعه یک رویکرد زمانی-جغرافیایی برای بازسازی مقصد فعالیت. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۲ ، ۳۶ ، ۴۸۸-۴۹۹٫ [ Google Scholar ] [ CrossRef ]
- هورنر، مگاوات؛ Wood, BS گرفتن محیط های غذایی افراد با استفاده از معیارهای دسترسی انعطاف پذیر فضا-زمان. Appl. Geogr. ۲۰۱۴ ، ۵۱ ، ۹۹-۱۰۷٫ [ Google Scholar ] [ CrossRef ]
- کویجپرز، بی. عثمان، دبلیو. مدلسازی عدم قطعیت اجسام متحرک در شبکههای جادهای از طریق منشورهای فضا-زمان. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۹ ، ۲۳ ، ۱۰۹۵-۱۱۱۷٫ [ Google Scholar ] [ CrossRef ]
- Montello, DR Handbook of Behavioral and Cognitive Geography ; انتشارات ادوارد الگار: چلتنهام، بریتانیا، ۲۰۱۸٫ [ Google Scholar ]
- مدلسازی طولانی، JA احتمال حرکت در میدانهای فضایی ناهمگن. جی. اسپات. بین المللی علمی ۲۰۱۸ ، ۲۰۱۸ ، ۸۵–۱۱۶٫ [ Google Scholar ] [ CrossRef ]
- میلر، اولین قانون و تحلیل فضایی HJ Tobler. ان دانشیار صبح. Geogr. ۲۰۰۴ ، ۹۴ ، ۲۸۴-۲۸۹٫ [ Google Scholar ] [ CrossRef ]
- میلر، HJ نظریه اندازه گیری برای جغرافیای زمانی. Geogr. مقعدی ۲۰۰۵ ، ۳۷ ، ۱۷-۴۵٫ [ Google Scholar ] [ CrossRef ]
- میلر، تحلیل جنبش HJ برای تحرک پایدار. جی. اسپات. بین المللی علمی ۲۰۲۰ ، ۲۰ ، ۱۱۵-۱۲۳٫ [ Google Scholar ] [ CrossRef ]
- آهنگ، ی. میلر، اچ جی; استمپیهار، ج. ژو، ایکس. دسترسی سبز: برآورد هزینه های زیست محیطی منشورهای زمان شبکه برای برنامه ریزی حمل و نقل پایدار. J. Transp. Geogr. ۲۰۱۷ ، ۶۴ ، ۱۰۹-۱۱۹٫ [ Google Scholar ] [ CrossRef ]
- لی، جی. میلر، اچ جی اندازه گیری تأثیرات خدمات حمل و نقل عمومی جدید بر دسترسی فضا-زمان: تحلیلی از طراحی مجدد سیستم حمل و نقل و حمل و نقل سریع اتوبوس جدید در کلمبوس، اوهایو، ایالات متحده. Appl. Geogr. ۲۰۱۸ ، ۹۳ ، ۴۷-۶۳٫ [ Google Scholar ] [ CrossRef ]
- جگال، ی. Miller, HJ اندازهگیری شباهت ساختاری منشورهای زمانی شبکه با استفاده از امضاهای زمانی با شاخصهای نمودار. ترانس. GIS ۲۰۲۰ ، ۲۴ ، ۳-۲۶٫ [ Google Scholar ] [ CrossRef ]
- تانگ، ال سی. ژو، ال. لیو، جی. Zhou, X. طراحی سفارشی سرویس اتوبوس برای بهینه سازی مشترک تخصیص مسافر به وسیله نقلیه و مسیریابی وسیله نقلیه. ترانسپ Res. C-Emerg. تکنولوژی ۲۰۱۷ ، ۸۵ ، ۴۵۱-۴۷۵٫ [ Google Scholar ] [ CrossRef ]
- رائو، دبلیو. وو، ی.-جی. شیا، جی. او، جی. Kluger، R. برآورد الگوی مبدا-مقصد بر اساس بازسازی مسیر با استفاده از دادههای تشخیص خودکار پلاک. ترانسپ Res. C-Emerg. تکنولوژی ۲۰۱۸ ، ۹۵ ، ۲۹-۴۶٫ [ Google Scholar ] [ CrossRef ]
- تانگ، جی. آهنگ، ی. میلر، اچ جی; ژو، ایکس. تخمین محتمل ترین مسیرهای فضا-زمان، زمان های اقامت و عدم قطعیت های مسیر از داده های مسیر وسیله نقلیه: یک روش جغرافیایی زمانی. ترانسپ Res. C-Emerg. تکنولوژی ۲۰۱۶ ، ۶۶ ، ۱۷۶-۱۹۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- یین، Z.-C. وو، ی. زمستان، اس. هو، L.-F. هوانگ، جی.-جی. برخوردهای تصادفی در جغرافیای زمانی احتمالی بین المللی جی. جئوگر. Inf. علمی ۲۰۱۸ ، ۳۲ ، ۱۰۲۶-۱۰۴۲٫ [ Google Scholar ] [ CrossRef ]
- یین، Z.-C. جین، Z.-H.-N.; یینگ، اس. لیو، اچ. لی، اس.-جی. شیائو، جی.-کیو. اثر فاصله- فروپاشی در جغرافیای زمان احتمالی برای برخورد تصادفی. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۱۷۷٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- Loraamm، RW ترکیب رفتار در مدلسازی حرکت حیوانات: یک مدل مبتنی بر عامل محدود برای تخمین احتمالات بازدید در منشورهای فضا-زمان. بین المللی جی. جئوگر. Inf. علمی ۲۰۲۰ ، ۳۴ ، ۱۶۰۷-۱۶۲۷٫ [ Google Scholar ] [ CrossRef ]
- داونز، جی. درختهای مسیر احتمالی هورنر، MW برای تجسم و تجزیه و تحلیل دادههای ردیابی خودرو. J. Transp. Geogr. ۲۰۱۲ ، ۲۳ ، ۷۲-۸۰٫ [ Google Scholar ] [ CrossRef ]
- هاینز، آر. لاوت، ا. Sünnenberg، G. دسترسی بالقوه، زمان سفر، و انتخاب مصرف کننده: تغییرات جغرافیایی در ثبت نام های پزشکی عمومی در شرق انگلستان. محیط زیست طرح. A ۲۰۰۳ ، ۳۵ ، ۱۷۳۳-۱۷۵۰٫ [ Google Scholar ] [ CrossRef ]
- پاپینسکی، دی. اسکات، DM راندمان انتخاب مسیر: بررسی سفرهای خانه به محل کار با استفاده از داده های GPS. محیط زیست طرح. A ۲۰۱۳ , ۴۵ , ۲۶۳-۲۷۵٫ [ Google Scholar ] [ CrossRef ]
- یائو، جی. لین، سی. Xie، X. وانگ، ای جی؛ هونگ، سی.-سی. برنامه ریزی مسیر برای حرکت انسان مجازی با استفاده از الگوریتم ستاره A* بهبود یافته. در مجموعه مقالات هفتمین کنفرانس بین المللی فناوری اطلاعات ۲۰۱۰: نسل های جدید، لاس وگاس، NV، ایالات متحده آمریکا، ۱۲-۱۴ آوریل ۲۰۱۰; صص ۱۱۵۴-۱۱۵۸٫ [ Google Scholar ]
- لی، جی. وانگ، ایکس. او، ز. Zhang, T. رویکرد نقشهبرداری ریسک مکانی-زمانی شخصیشده مبتنی بر فعالیت برای همهگیری COVID-19. کارتوگر. Geogr. Inf. علمی ۲۰۲۱ ، ۴۸ ، ۲۷۵-۲۹۱٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه