ارزيابي تغييرات خودهمبستگي مكاني زماني بر اساس داده هاي حركتي حاصل از شبكه هاي اجتماعي به منظور كشف و بررسي الگوهاي جنبش درون شهري انساني

Study of Spatial Autocorrelation Changes Based on Newly Movement Data for the Purpose of Discovering Patterns of Human Inter-city Movement

كشف الگوهاي جنبش انساني در محيط هاي درون شهري يكي از پارامترهاي بسيار مهم در زمينه تحقيقات متعددي همچون برنامه ريزي هاي شهري، مطالعات جغرافيايي و مطالعات مرتبط با علوم مربوط به سيستم هاي اطلاعات مكاني است. يكي از منابعي كه امروزه به شكل گسترده در كشف و بررسي الگوهاي جنبش انساني استفاده مي شوند، داده هاي حركتي حاصل از رسانه هاي اجتماعي مكان مبنا هستند. اين رسانه ها حجم عظيمي از داده ها را در دو بعد زمان و مكان فراهم مي آورند. هدف از اين مطالعه كشف و بررسي الگوهاي پنهان جنبش درون شهري انساني مبتني بر داده هاي حركتي حاصل از فعاليت هاي روزمره انسان ها در فرآيند به اشترك گذاري اطلاعات در رسانه هاي اجتماعي مكان مبنا و با در نظر گرفتن خوشه بندي بعد معنايي داده ها بوده است. در انجام اين مطالعه از داده هاي حركتي حاصل از رسانه اجتماعي مكان مبنا Foursquare به دليل فراهم آوردن خوشه بندي بعد معنايي براي داده ها (اطلاعات به اشتراك گذاشته شده) استفاده شده است. به منظور كشف الگوهاي پنهان جنبش درون شهري انساني قابليت و كارايي تحليل هاي خودهمبستگي مكاني زماني مورد ارزيابي قرار گرفته شده است. در اين تحقيق با استفاده از تحليل هاي آماري و با در نظر گرفتن بعد زمان در مرحله نخست روند معناداري از تغييرات صورت گرفته در خودهمبستگي مكاني زماني داده هاي مورد مطالعه نسبت به مناطق تقسيم بندي شده شهري مبتني بر روش پليگون بندي تيسن، كشف و در مرحله دوم مسئله روند تغييرات خودهمبستگي مكاني زماني و ارتباط بين اشتراك گذاري اطلاعات، موقعيت و كاربري ناحيه شهري در طول ساعات روز به منظور استخراج الگوهاي پنهان جنبش درون شهري به صورت جزئي و دقيق تر، با بهره گيري از خوشه بندي معنايي داده هاي مكان مبنا اين رسانه اجتماعي، به تفكيك برجسته ترين الگوهاي جنبش شهري در هر بازه زماني پرداخته شده است. نتايج بدست آمده در اين تحقيق نشان دهنده قابليت بالاي تحليل هاي خودهمبستگي مكاني زماني مبتني بر خوشه بندي بعد معنايي داده هاي حركتي حاصل از رسانه اجتماعي مكان مبنا Foursquare در كشف الگوهاي پنهان ناشي از جنبش انساني در سطح نواحي درون شهري بوده است.

The discovery of patterns of human movement in inner-city environments is one of the most important parameters in studies such as urban planning and geospatial studies. One of the sources that are widely used today to explore patterns of human movement is movement-based social media data. These media provide a huge amount of data in two dimensions of time and space. The purpose of this study is to explore and survey the hidden patterns of human inter-urban movement based on movement data derived from human daily activities in the process of sharing information on location-based social media and taking into account the semantic dimension of the data. In this study, movement data from the foursquare social media is used to provide a semantic dimension to the data. In order to discover the hidden patterns of human inter-urban movement, the capability and efficiency of spatial-temporal autocorrelation analysis have been evaluated. In this research, using statistical analysis and considering the time dimension in the first stage, a significant process of changes in the spatial-temporal autocorrelation of the studied data is revealed with respect to the urban subdivision based on Thiessen polygonization method. Secondly, the problem of the trend of spatial-temporal autocorrelation changes and the relationship between information sharing, location and urban area at different times of day, in order to extract precise intra-urban movement patterns using semantic clustering of location-based data has been examined in the most prominent patterns of urban movement in different time periods. The results of this study demonstrate the high capability of spatial-temporal autocorrelation analyzes based on the semantic dimension of movement data derived from foursquare social media in discovering hidden patterns of human movement at the urban level.