شناسایی الگوهای مکانی و زمانی فعالیت های شهری با استفاده از داده های تلفن همراه (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: در سال های اخیر استفاده از کلان داده های تلفن همراه در مطالعات حمل ونقلی بسیار مورد توجه متخصصان قرار گرفته است. منشأ ایجاد سفرهای شهری، نیاز افراد به انجام دادن فعالیت است. ازطرفی، سطح فعالیت های شهری و الگوی آن نیز در زمان ها و مکان های مختلف متغیر است. داده های تلفن همراه، به عنوان نوعی از داده های پیوسته مکانی– زمانی، حضور افراد در مکان ها و زمان های مختلف را ثبت می کنند و بنابراین این داده ها با نرخ نفوذ بالا به منظور شناسایی سطح فعالیت شهری و استخراج الگوی فعالیت افراد در زمان های مختلف، مناسب و پرکاربرد هستند. در این پژوهش، با توجه به اهمیت ساختار فرهنگی، مذهبی، گردشگری و همچنین وجود مراکز درمانی کلان شهر شیراز، این شهر به عنوان منطقه مطالعاتی در نظر گرفته شده است. لذا تحلیل الگوی مکانی و زمانی سفرهای شهری با به کارگیری داده های پیوسته مکانی– زمانی همچون داده های تلفن همراه، می تواند به بهبود مدیریت سیستم حمل ونقل و برنامه ریزی و سیاست گذاری صحیح این شهر کمک شایان توجهی کند. مواد و روش ها: متغیر مورد بررسی در این مطالعه، تراکم سطح فعالیت در یک برش زمانی و یک واحد مکانی مشخص است. فعالیت به معنای تعداد افرادی است که به منظور انجام فعالیتی با هدف معین ناحیه ای را ترک و یا به ناحیه ای وارد می شوند. تراکم سطح فعالیت نیز بیانگر میزان فعالیت در واحد مساحت هر ناحیه ترافیکی است. به منظور بررسی تراکم سطح فعالیت افراد در سطح ۳۲۱ ناحیه ترافیکی شهر شیراز، داده های تلفن همراه به مدت یک هفته (۰۳/۰۴/۱۴۰۰ تا ۰۹/۰۴/۱۴۰۰) در شهر شیراز جمع آوری شد. پس از پاکسازی و آماده سازی داده ها، نقاط توقف افراد و محل خانه آن ها شناسایی شد. ضمن به کارگیری ضریب تعمیم مناسب، سطح فعالیت در نواحی ترافیکی در بازه های زمانی یک ساعته در روزهای کاری، نیمه کاری و غیرکاری برآورد شد. در ادامه میزان خودهمبستگی مکانی سطح فعالیت، با استفاده از شاخص خودهمبستگی مکانی Moran’s I عمومی و محلی در روزهای کاری، نیمه کاری و غیرکاری بررسی شد. سپس، با استفاده از تحلیل های اکتشافی سری زمانی فعالیت های شهری و تحلیل یکنواختی سری زمانی (SNHT)، الگوی زمانی سطح فعالیت ها، بازه زمانی آغاز فعالیت ها، بازه اوج میان روز، بازه اوج عصر و سایر مشخصه های سری زمانی بررسی شد. نتایج: در تحلیل مکانی میزان خودهمبستگی مکانی سطح فعالیت، با استفاده از شاخص خودهمبستگی مکانی Moran’s I عمومی و محلی در روزهای کاری، نیمه کاری و غیرکاری بررسی و وجود خودهمبستگی مکانی مثبت و معنادار فعالیت در واحد مساحت نواحی ترافیکی (P-Value < 0.001) تأیید شد. لذا سطح فعالیت نواحی، متأثر از روابط مکانی در محدوده مطالعاتی است و نواحی مهم با تراکم فعالیت بالا در مناطق مرکزی شهری شناسایی شدند. نتایج تحلیل های سری زمانی اکتشافی نمایانگر تغییرات ساعتی در الگوی زمانی سطح فعالیت هاست. همچنین در روزهای کاری فعالیت های بیشتری نسبت به روزهای غیرکاری و نیمه کاری انجام می شود. سری زمانی در نیمی از روز نیمه کاری کاملاً مشابه با روزهای کاری است و پس از ساعات اداری با کاهش سطح فعالیت روندی بین روزهای کاری و روز غیر کاری تجربه می کند. با بررسی سری زمانی فعالیت ها بازه اوج میان روز در ساعت 12 تا ساعت 14 و بازه اوج عصر در ساعت 20 تا ساعت 22 رخ می دهد. همچنین کمترین سطح فعالیت روزانه بین ساعت ۳ تا ۶ صبح تشخیص داده شد. با استفاده از آزمون یکنواختی سری زمانی نیز بازه زمانی آغاز فعالیت ها در روزهای کاری و نیمه کاری در ساعت 8 صبح و در روزهای غیرکاری ساعت 9 صبح شناسایی شد. شایان ذکر است به منظور اعتبارسنجی جمعیت ساکن شناسایی شده و ضرایب تعمیم، همبستگی مکانی بین جمعیت برآوردشده از داده های تلفن همراه و جمعیت واقعی هریک از نواحی ترافیکی بررسی شد که برابر با ۸۲/۰ است و از نظر آماری معنادار و قابل قبول است. نتیجه گیری: نتایج این مطالعه می تواند در فرایند برنامه ریزی و سیاست گذاری صحیح، مدیریت تقاضا و حضور افراد در مکان های پرتراکم شهر و در بازه زمانی دلخواه و همچنین تحلیل های مرتبط با اثرات زیست محیطی حمل و نقل شهری تأثیرگذار باشد. با در دسترس بودن داده های تلفن همراه با دقت مناسب در سایر مراکز فعالیتی با مقیاس های مختلف (یک محدوده ترافیکی، محدوده شهر، استان و حتی کل کشور)، می توان الگوهای مختلف فعالیت شهری و از جمله نتایج این مطالعه را استخراج کرد.Identifying Spatial and Temporal Patterns of Urban Activities Using Mobile Phone Data
Introduction: Recently, the use of big data from mobile devices has received considerable attention in transportation studies. The need to do activities is the main inducement for urban trip generation. Furthermore, urban activities and their patterns vary both over space and time. Mobile phone data, as a kind of continuous spatiotemporal data, records the location of people at different times. Therefore such data is suitable for the estimation of urban activity levels and the detection of patterns. In this study, we selected Shiraz as the study area due to its cultural, religious, and tourist significance, as well as the presence of major healthcare centres in the city. The analysis of spatial and temporal patterns of urban trips using continuous spatiotemporal data, such as mobile phone records, can significantly contribute to the improvement of transportation system management, planning, and policy-making for Shiraz.
Materials and Methods: The variable under investigation in this study is the activity density within a specific time interval and a defined spatial unit. Activity is defined as the number of individuals who either enter or leave a specific area for a specific purpose. Furthermore, activity density indicates the level of activity within the area’s unit of measurement. To investigate activity density across 321 traffic analysis zones (TAZ) in Shiraz, mobile phone data was collected over a one-week period (from 2021-06-24 to 2021-06-30). Following the implementation of data cleaning and preprocessing techniques, individuals’ stay point and home locations were identified. The population of each TAZ was estimated by utilising the location of individuals within their respective homes. The estimated population and the real population in each spatial unit were employed to calculate the expansion factor. The activity levels within one-hour time intervals on workdays, semi-workdays, and weekends were estimated using an appropriate expansion factor. To examine the spatial dependency of the variable of interest (density of activities), global and local Moran’s I indices were applied to the aggregated density of activities. The study employed exploratory analysis of urban activities time series to identify the trend of activity level, peak periods, intensity change by time, as well as other relevant temporal characteristics. Additionally, the Standardized Normal Homogeneity Test (SNHT) was employed to identify the change point of activity in time series, which indicates the commencement of the activities.
Results: The results not only demonstrated a significant positive spatial autocorrelation of the density of activities within traffic zones (P-Value < 0.001), but also identified the hotspots in the central parts of the study areas. It is notable that the central zones of the city exhibited high activity density, which was influenced by the spatial relationships within the study area. An exploratory analysis of time series revealed variations in activity patterns. These patterns exhibited higher activity levels on workdays compared to semi-workdays, and weekends. The time series observed in the latter half of the semi-workdays exhibited a striking resemblance to that of workdays, yet subsequently exhibited a trend between workdays and non-workdays as the activity level decreased. By examining the time series of activities, it can be observed that the mid-day peak period occurs at 12:00 to 14:00, while the evening peak period occurs at 20:00 to 22:00. Additionally, the lowest level of daily activity was identified between 3 and 6 a.m. The time series uniformity test was employed to ascertain the starting times of activities on workdays and semi-workdays, which were identified as 8:00 am, and on weekends, which were identified as 9:00 am. To validate the detected population and expansion factors and thus the estimated activity level, a spatial correlation between the estimated mobile phone population and the actual population within traffic analysis zones was calculated, which yielded an approximately 82% correlation coefficient. This correlation is statistically significant and therefore acceptable.
Conclusion: The results of these analyses could prove beneficial for the formulation of appropriate transportation planning and policy, as well as for the management of population density at hotspots at any time of the day. Furthermore, they could inform the analysis of urban transportation environmental impacts. With the availability of accurate mobile phone data for a range of spatial units, including traffic zones and even entire countries, it is possible to extract a diverse range of urban activity patterns, including those highlighted in this research.
تبلیغات
