شناسایی الگوهای مکانی و زمانی فعالیت‌های شهری با استفاده از داده‌های تلفن همراه

سابقه و هدف: در سال‌های اخیر استفاده از کلان‌داده‌های تلفن همراه در مطالعات حمل‌ونقلی بسیار مورد توجه متخصصان قرار گرفته است. منشا ایجاد سفرهای شهری، ‌نیاز افراد به انجام دادن فعالیت است. ازطرفی، سطح فعالیت‌های شهری و الگوی آن نیز در زمان‌ها و مکان‌های مختلف متغیر است. داده‌های تلفن همراه، به‌عنوان نوعی از داده‌های پیوسته‌ مکانی– زمانی، حضور افراد در مکان‌ها و زمان‌های مختلف را ثبت می‌کنند و بنابراین این داده‌ها با نرخ نفوذ بالا به‌منظور شناسایی سطح فعالیت شهری و استخراج الگوی فعالیت افراد در زمان‌های مختلف، مناسب و پرکاربرد هستند. در این پژوهش، با توجه به اهمیت ساختار فرهنگی، مذهبی، گردشگری و همچنین وجود مراکز درمانی کلان‌شهر شیراز، این شهر به‌عنوان منطقه‌ مطالعاتی در نظر گرفته شده است. لذا تحلیل الگوی مکانی و زمانی سفرهای شهری با به‌کارگیری داده‌های پیوسته‌ مکانی– زمانی همچون داده‌های تلفن همراه، می‌تواند به بهبود مدیریت سیستم حمل‌ونقل و برنامه‌ریزی و سیاست‌گذاری صحیح این شهر کمک شایان توجهی کند.مواد و روش‌ها: متغیر مورد بررسی در این مطالعه، تراکم سطح فعالیت در یک برش زمانی و یک واحد مکانی مشخص است. فعالیت به‌معنای تعداد افرادی است که به‌منظور انجام فعالیتی با هدف معین ناحیه‌ای را ترک و یا به ناحیه‌ای وارد می‌شوند. تراکم سطح فعالیت نیز بیانگر میزان فعالیت در واحد مساحت هر ناحیه‌ ترافیکی است. به‌منظور بررسی تراکم سطح فعالیت افراد در سطح 321 ناحیه‌ ترافیکی شهر شیراز، داده‌های تلفن همراه به‌مدت یک هفته (03/04/1400 تا 09/04/1400) در شهر شیراز جمع‌آوری شد. پس از پاکسازی و آماده‌سازی داده‌ها، نقاط توقف افراد و محل خانه‌ آن‌ها شناسایی شد. ضمن به‌کارگیری ضریب تعمیم مناسب، سطح فعالیت در نواحی ترافیکی در بازه‌های زمانی یک‌ساعته در روزهای کاری، نیمه‌کاری 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، نیمه‌کاری و غیرکاری بررسی شد. سپس، با استفاده از تحلیل‌های اکتشافی سری زمانی فعالیت‌های شهری و تحلیل یکنواختی سری زمانی (snht)، الگوی زمانی سطح فعالیت‌ها، بازه‌ زمانی آغاز فعالیت‌ها، بازه‌ اوج میان‌روز، بازه‌ اوج عصر و سایر مشخصه‌های 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، نیمه‌کاری و غیرکاری بررسی و وجود خودهمبستگی مکانی مثبت و معنادار فعالیت در واحد مساحت نواحی ترافیکی (p-value < 0.001) تایید شد. لذا سطح فعالیت نواحی، متاثر از روابط مکانی در محدوده‌ مطالعاتی است و نواحی مهم با تراکم فعالیت بالا در مناطق مرکزی شهری شناسایی شدند. نتایج تحلیل‌های سری زمانی اکتشافی نمایانگر تغییرات ساعتی در الگوی زمانی سطح فعالیت‌هاست. همچنین در روزهای کاری فعالیت‌های بیشتری نسبت به روزهای غیرکاری و نیمه‌کاری انجام می‌شود. سری زمانی در نیمی از روز نیمه‌کاری کاملاً مشابه با روزهای کاری است و پس از ساعات اداری با کاهش سطح فعالیت روندی بین روزهای کاری و روز غیر‌کاری تجربه می‌کند. با بررسی سری زمانی فعالیت‌ها بازه‌ اوج میان‌روز در ساعت 12 تا ساعت 14 و بازه‌ اوج عصر در ساعت 20 تا ساعت 22 رخ می‌دهد. همچنین کمترین سطح فعالیت روزانه بین ساعت 3 تا 6 صبح تشخیص داده شد. با استفاده از آزمون یکنواختی سری زمانی نیز بازه‌ زمانی آغاز فعالیت‌ها در روزهای کاری و نیمه‎کاری در ساعت 8 صبح و در روزهای غیرکاری ساعت 9 صبح شناسایی شد. شایان ذکر است به‌منظور اعتبارسنجی جمعیت ساکن شناسایی‌شده و ضرایب تعمیم، همبستگی مکانی بین جمعیت برآوردشده از داده‌های تلفن همراه و جمعیت واقعی هریک از نواحی ترافیکی بررسی شد که برابر با 82/0 است و از نظر آماری معنادار و قابل ‌قبول است.نتیجه‌گیری: نتایج این مطالعه می‌تواند در فرایند برنامه‌ریزی و سیاست‌گذاری صحیح، مدیریت تقاضا و حضور افراد در مکان‌های پرتراکم شهر و در بازه‌ زمانی دلخواه و همچنین تحلیل‌های مرتبط با اثرات زیست‌محیطی حمل‌و‌نقل شهری تاثیرگذار باشد. با در دسترس بودن داده‌های تلفن همراه با دقت مناسب در سایر مراکز فعالیتی با مقیاس‌های مختلف (یک محدوده‌ ترافیکی، محدوده‌ شهر، استان و حتی کل کشور)، می‌توان 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.