تحلیل احساسات کاربرانِ پارک‌های شهری مبتنی بر داده‌های فضای مجازی؛ با بهره‌گیری از روش‌های مدل‌گرا و غیرمدل‌گرا مطالعه موردی: پارک ملت تهران

از میان انواع فضاهای شهری، فضاهای سبز شهری و پارک‌ها، به‌عنوان تنفس گاه‌های شهر، عرصه‌هایی سرسبز و آرامش‌بخش هستند و، به‌عنوان بستر فضایی پژوهش انتخاب‌شده‌اند. بنابراین این مقاله، با هدف تحلیل احساسات کاربران از پارک ملت تهران، در قالب پژوهشی تحلیلی و مبتنی بر روش کمی (رویکرد یادگیری ماشین نظارت‌شده و مبتنی بر لغت) است. داده‌ها پس از پیش‌پردازش و برچسب‌گذاری، با دو روش: مدل‌گرا و غیرمدل‌گرا، بررسی و تحلیل احساسات با زبان برنامه‌نویسی پایتون، انجام‌شده است. مقایسه این دو روش نشان داد که از میان الگوریتم‌های یادگیری ماشین، ایکس. جی.بوست با بیشترین دقت (87%)، کی-نزدیکترین همسایه و ماشین بردار پشتیبان با دقت کمتر، قابلیت پیش‌بینی احساسات در فضاهای سبز را دارند. روش لغوی (استفاده از فرهنگ لغت ویدر) در مقایسه با یادگیری ماشین، قابلیت پیش‌بینی کمتری دارد. در نهایت مدل یادگیری گروهی از نوع پشته‌سازی که برای بالا بردن دقت مدل استفاده‌شده که بر اساس نتایج ماتریس درهم‌آمیختگی (96%) قابلیت پیش‌بینی احساسات را دارد. بنابراین با بهره‌گیری از روش مبتنی بر داده‌های فضای مجازی، می‌توان، به پیش‌بینی احساسات کاربران سایر فضاهای سبز شهری با سرعت و دقت بالا در شهر تهران دست یافت.

users’ emotions analysis in urban parks based on data in virtual space; using model-oriented and non-model-oriented methods: the case study of mellat park in tehran

among the types of urban spaces, urban green spaces and parks, as city breathing spaces, are lush and relaxing areas that have been selected as the case of this research paper. therefore, this article aims to analyze the emotions of users of mellat park in tehran in the form of analytical research based on a quantitative method (supervised machine learning approach and lexical-based. after preprocessing and labeling, the data were examined and analyzed using two methods, such as model-oriented and non-model-oriented. emotions were also examined and analyzed using the python programming language. the comparison of these two methods revealed that among the machine learning algorithms, xgboost has the highest accuracy at 87%, while k-nearest neighbors and support vector machines have lower accuracy but are still capable of predicting emotions in green spaces. the lexical method (using the vader dictionary) has a lower predictive ability compared to machine learning. finally, the stacking ensemble learning model, which was used to increase the accuracy of the model, has the ability to predict emotions based on the results of the confusion matrix (96%). therefore, using the method based on virtual space data, it is possible to predict the emotions of users of other urban green spaces with high speed and accuracy in tehran.