الگوهای تحرک انسانی مبتنی بر فعالیت استنباط شده از داده های تلفن همراه: یک مطالعه موردی از سنگاپور Activity-Based Human Mobility Patterns Inferred from Mobile Phone Data: A Case Study of Singapore
- نوع فایل : کتاب
- زبان : فارسی
- ناشر : آی تریپل ای IEEE
- چاپ و سال / کشور: 2016
توضیحات
رشته های مرتبط: مهندسی فناوری اطلاعات و فناوری اطلاعات و ارتباطات، مخابرات سیار، دیتا، سامانه های شبکه ای و شبکه های کامپیوتری
۱٫ مقدمه برای بهبود تحرک، قابلیت دسترسی، و کیفیت زندگی، درک این موضوع که چگونه افراد مسافرت می کنند و فعالیت های خودشان را انجام می دهند، تمرکز اصلی برنامه ریزان شهری و حمل ونقل و جغرافیادانان می باشد [۱]، [۲]، [۳]، [۴]. در گذشته، این کار با جمع آوری داده های بررسی در نمونه های ساده کوچک و فرکانس های پایین (بعنوان مثال، سازمان های برنامه ریزی مناطق کلان شهر در کشورهای توسعه یافته که یک درصد از سفرهای خانوادگی را یک یا دو بار در یک دهه انجام میدهند) انجام می شد. با تکامل جامعه و نوآوری در فن آوری، شهرها در مقایسه با هر زمان دیگری در جهان متصل بهم متنوع تر و پیچیده تر شده اند. امروزه بیش از نیمی از جمعیت جهان (۵۴ درصد در سال ۲۰۱۴) در مناطق شهری زندگی می کنند، و پیش بینی می شود که تا سال ۲۰۵۰ جمعیت ساکن در شهرها به ۲٫۵ میلیارد نفر برسد [۵]. رو ش های مرسوم که عمدتا در حوزه برنامه ریزی- حمل-ونقل کاربرد دارند به منظور وفق دادن و تناسب سازی داده های کوچک و البته پرهزینه ی جمع آوری شده توسعه می یابند، و چالش های فعلی را برآورده نمی سازند. این موضوع برای محققان شهری ضروری است تا به منظور رفع چالش های شهری مانند ازدحام ترافیک، آلودگی محیط زیست و تخریب، و افزایش مصرف انرژی و انتشار گازهای گلخانه ای رویکردهای جدیدی را دنبال کنند. با ظهور فن آوری های سنجش همه جا حاضر، و همچنین ردپای انسان دیجیتال، که اثرات و علائم دیجیتالی است که مردم در زمان تعامل با فضاهای فیزیکی سایبری به جا می گذارند ([۶]، [۷])، می توان در مقیاس های بدون محدودیت و وسیع همراه با فرکانس بالا و هزینه های پائین هر فعل و انفعالی را ثبت نمود. این فرصت بزرگی را برای تغییر چشم انداز در تئوری تحقیقات شهری برای یک افق جدید به ارمغان می آورد (بعنوان مثال، [۸]، [۹]، [۱۰]، [۱۱])، و مستلزم فن آوری برای پیوند به داده های عظیم با تئوری شهری است و همچنین نیازمند تفکری است که دانش جدید شهری، به نام محاسبات شهری یا علم نوین شهری را به دست آورد [۷]، [۱۲]، [۱۳]. این مقاله کاربرد تحلیل های داده های بزرگ را نشان می دهد که داده های تلفن همراه همه جا حاضر به الگوهای تحرک انسانی قابل تفسیر برنامه ریزان برگردان می شود، سنگاپور (یک ایالت شهری) بعنوان مثال در نظر گرفته می شود. با توسعه خط لوله داده کاوی، توزیعات فضایی الگوهای سفر را توسط ساکنین مناطق مختلف شهر مقدارسنجی می کنیم. هدف نهایی این است که به برنامه ریزان کمک شود تا بطور کارآمدی دانش شهری را از داده های بزرگ به منظور هدف قرار دادن مناطق شهری مخصوص برای زیرساختار آتی و بهبود برنامه ریزی خدمات اشتقاق یا بهره برداری کنند. بقیه مقاله به شرح زیر است. در بخش ۲، منابع حالت هنر در کاوش الگوهای تحرک انسانی از داده های تلفن همراه را بررسی می کنیم. سپس در بخش ۳، حوزه مطالعه و داده ها را بررسی می کنیم که شامل سوابق جزئیات تماس (CDR)، سرشماری، و داده های بررسی مسافرت خانوادگی (برای اهداف اعتبارسنجی) است. در بخش ۴، روش-های داده کاوی برای استخراج برآوردهای قابل اطمینان از منظر آمار از شبکه های تحرک فردی از داده های CDR را معرفی می کنیم. در بخش ۵، اقداماتی را به منظور اندازه گیری و تعیین کمیت توزیع فضایی شبکه های تحرک در شرایط شهری ارائه می کنیم. در نهایت، در بخش ۶ درباره پیامدهای برنامه ریزی از یافته ها برای توسعه آتی شهر بحث می کنیم. ۲٫ بررسی منابع هم چنان که اتصال پذیری تلفن همراه مسیر ارتباطات مردم، کار، و بازی را تغییر داده است، از اینرو داده های تلفن همراه به منظور دستیابی به اطلاعات فوری مکانی از محل نگهداری ناشناس کاربران تلفن برای آنالیز الگوهای تحرک آنها استفاده می شود [۱۴]، [۱۵]، [۱۶]. اگرچه چنین داده هایی اغلب در فضا و زمان کمیاب هستند، با اینحال حجم زیاد و دوره مشاهده طولانی از داده های تلفن همراه را می توان به منظور ردیابی ردپای انسانی در مقیاس بی سابقه استفاده کرد [۱۷]، [۱۸]، [۱۹]. بلوندل و همکاران [۲۰] پیشرفت های وسیع اخیرا به دست آمده را توسط مطالعات بر روی موضوعات تحرک انسانی، پارتیشن بندی جغرافیائی، برنامه ریزی شهری، توسعه و امنیت و حفظ حریم خصوصی بررسی می کنند. کالابرس و همکاران [۲۱] مطالعه متمرکزی را بر روی ایده ها و تکنیک ها ارائه می کنند که داده های تلفن همراه را برای سنجش شهری به کار می برد. در این مطالعه، بر استفاده از داده های تلفن همراه متمرکز می شویم تا تحرک انسانی را درک کنیم. اثر قبلی در این جنبه الگوئی از بازده ترجیحی برای موقعیت های بازدید شده قبلی و کاوش اماکن جید بعنوان یک مشخصه کلی و جهانی را نشان می-دهد [۱۸]، [۲۲]، [۲۳]، [۲۴]. بر اساس این مشخصه، این موضوع محتمل است که موقعیت های فعالیت انسانی معنادار با استفاده از داده های تلفن همراه برآورد شود. CDRها بعنوان داده های قدیمی مسافرت انسانی ایجاد می-شوند که حاوی اطلاعات مکانی و زمانی برای مقاصد فعالیت معنادار است، یا به بیانی دقیق تر داده های GPS است که دقت و فرکانس بالاتری را ارائه می کند [۲۵]. با اینحال، یک تولید جانبی برای اهداف صورتحساب بطور معمول انجام شده توسط حامل های خدمات تلفن همراه، داده های CDR را می توان در در هزینه ای بسیار کمتر و در مقیاسی بزرگتر به دست آورد. CDRها اطلاعات مکانی و زمانی تحرکات کاربران تلفن همراه را در برج سلولی یا سطح دانه ریز، با توجه به فن آوری موقعیت یابی مکانی به کار رفته توسط حامل های خدمات ارائه می کنند. در بخش های زیر، بطور دقیق مطالعات قبلی را بررسی می کنیم که داده های CDR را به منظور استنتاج تحرک انسانی در شهرها استفاده می کند.
۱٫ مقدمه برای بهبود تحرک، قابلیت دسترسی، و کیفیت زندگی، درک این موضوع که چگونه افراد مسافرت می کنند و فعالیت های خودشان را انجام می دهند، تمرکز اصلی برنامه ریزان شهری و حمل ونقل و جغرافیادانان می باشد [۱]، [۲]، [۳]، [۴]. در گذشته، این کار با جمع آوری داده های بررسی در نمونه های ساده کوچک و فرکانس های پایین (بعنوان مثال، سازمان های برنامه ریزی مناطق کلان شهر در کشورهای توسعه یافته که یک درصد از سفرهای خانوادگی را یک یا دو بار در یک دهه انجام میدهند) انجام می شد. با تکامل جامعه و نوآوری در فن آوری، شهرها در مقایسه با هر زمان دیگری در جهان متصل بهم متنوع تر و پیچیده تر شده اند. امروزه بیش از نیمی از جمعیت جهان (۵۴ درصد در سال ۲۰۱۴) در مناطق شهری زندگی می کنند، و پیش بینی می شود که تا سال ۲۰۵۰ جمعیت ساکن در شهرها به ۲٫۵ میلیارد نفر برسد [۵]. رو ش های مرسوم که عمدتا در حوزه برنامه ریزی- حمل-ونقل کاربرد دارند به منظور وفق دادن و تناسب سازی داده های کوچک و البته پرهزینه ی جمع آوری شده توسعه می یابند، و چالش های فعلی را برآورده نمی سازند. این موضوع برای محققان شهری ضروری است تا به منظور رفع چالش های شهری مانند ازدحام ترافیک، آلودگی محیط زیست و تخریب، و افزایش مصرف انرژی و انتشار گازهای گلخانه ای رویکردهای جدیدی را دنبال کنند. با ظهور فن آوری های سنجش همه جا حاضر، و همچنین ردپای انسان دیجیتال، که اثرات و علائم دیجیتالی است که مردم در زمان تعامل با فضاهای فیزیکی سایبری به جا می گذارند ([۶]، [۷])، می توان در مقیاس های بدون محدودیت و وسیع همراه با فرکانس بالا و هزینه های پائین هر فعل و انفعالی را ثبت نمود. این فرصت بزرگی را برای تغییر چشم انداز در تئوری تحقیقات شهری برای یک افق جدید به ارمغان می آورد (بعنوان مثال، [۸]، [۹]، [۱۰]، [۱۱])، و مستلزم فن آوری برای پیوند به داده های عظیم با تئوری شهری است و همچنین نیازمند تفکری است که دانش جدید شهری، به نام محاسبات شهری یا علم نوین شهری را به دست آورد [۷]، [۱۲]، [۱۳]. این مقاله کاربرد تحلیل های داده های بزرگ را نشان می دهد که داده های تلفن همراه همه جا حاضر به الگوهای تحرک انسانی قابل تفسیر برنامه ریزان برگردان می شود، سنگاپور (یک ایالت شهری) بعنوان مثال در نظر گرفته می شود. با توسعه خط لوله داده کاوی، توزیعات فضایی الگوهای سفر را توسط ساکنین مناطق مختلف شهر مقدارسنجی می کنیم. هدف نهایی این است که به برنامه ریزان کمک شود تا بطور کارآمدی دانش شهری را از داده های بزرگ به منظور هدف قرار دادن مناطق شهری مخصوص برای زیرساختار آتی و بهبود برنامه ریزی خدمات اشتقاق یا بهره برداری کنند. بقیه مقاله به شرح زیر است. در بخش ۲، منابع حالت هنر در کاوش الگوهای تحرک انسانی از داده های تلفن همراه را بررسی می کنیم. سپس در بخش ۳، حوزه مطالعه و داده ها را بررسی می کنیم که شامل سوابق جزئیات تماس (CDR)، سرشماری، و داده های بررسی مسافرت خانوادگی (برای اهداف اعتبارسنجی) است. در بخش ۴، روش-های داده کاوی برای استخراج برآوردهای قابل اطمینان از منظر آمار از شبکه های تحرک فردی از داده های CDR را معرفی می کنیم. در بخش ۵، اقداماتی را به منظور اندازه گیری و تعیین کمیت توزیع فضایی شبکه های تحرک در شرایط شهری ارائه می کنیم. در نهایت، در بخش ۶ درباره پیامدهای برنامه ریزی از یافته ها برای توسعه آتی شهر بحث می کنیم. ۲٫ بررسی منابع هم چنان که اتصال پذیری تلفن همراه مسیر ارتباطات مردم، کار، و بازی را تغییر داده است، از اینرو داده های تلفن همراه به منظور دستیابی به اطلاعات فوری مکانی از محل نگهداری ناشناس کاربران تلفن برای آنالیز الگوهای تحرک آنها استفاده می شود [۱۴]، [۱۵]، [۱۶]. اگرچه چنین داده هایی اغلب در فضا و زمان کمیاب هستند، با اینحال حجم زیاد و دوره مشاهده طولانی از داده های تلفن همراه را می توان به منظور ردیابی ردپای انسانی در مقیاس بی سابقه استفاده کرد [۱۷]، [۱۸]، [۱۹]. بلوندل و همکاران [۲۰] پیشرفت های وسیع اخیرا به دست آمده را توسط مطالعات بر روی موضوعات تحرک انسانی، پارتیشن بندی جغرافیائی، برنامه ریزی شهری، توسعه و امنیت و حفظ حریم خصوصی بررسی می کنند. کالابرس و همکاران [۲۱] مطالعه متمرکزی را بر روی ایده ها و تکنیک ها ارائه می کنند که داده های تلفن همراه را برای سنجش شهری به کار می برد. در این مطالعه، بر استفاده از داده های تلفن همراه متمرکز می شویم تا تحرک انسانی را درک کنیم. اثر قبلی در این جنبه الگوئی از بازده ترجیحی برای موقعیت های بازدید شده قبلی و کاوش اماکن جید بعنوان یک مشخصه کلی و جهانی را نشان می-دهد [۱۸]، [۲۲]، [۲۳]، [۲۴]. بر اساس این مشخصه، این موضوع محتمل است که موقعیت های فعالیت انسانی معنادار با استفاده از داده های تلفن همراه برآورد شود. CDRها بعنوان داده های قدیمی مسافرت انسانی ایجاد می-شوند که حاوی اطلاعات مکانی و زمانی برای مقاصد فعالیت معنادار است، یا به بیانی دقیق تر داده های GPS است که دقت و فرکانس بالاتری را ارائه می کند [۲۵]. با اینحال، یک تولید جانبی برای اهداف صورتحساب بطور معمول انجام شده توسط حامل های خدمات تلفن همراه، داده های CDR را می توان در در هزینه ای بسیار کمتر و در مقیاسی بزرگتر به دست آورد. CDRها اطلاعات مکانی و زمانی تحرکات کاربران تلفن همراه را در برج سلولی یا سطح دانه ریز، با توجه به فن آوری موقعیت یابی مکانی به کار رفته توسط حامل های خدمات ارائه می کنند. در بخش های زیر، بطور دقیق مطالعات قبلی را بررسی می کنیم که داده های CDR را به منظور استنتاج تحرک انسانی در شهرها استفاده می کند.
Description
TO improve urban mobility, accessibility, and quality of life, understanding how individuals travel and conduct activities has been the major focus of city and transportation planners and geographers [1], [2], [3], [4]. In the past, this was accomplished by collecting survey data in small sample sizes and low frequencies (e.g., planning agencies of metropolitan areas in the developed countries conduct 1 percent household travel survey once or twice in a decade). With the evolution of society and innovation in technology, cities have become more diverse and complex than ever before in the increasingly interconnected world. Today more than half of the global population (54 percent in 2014) lives in urban areas, and it is projected that additional 2.5 billion urban population will be added by 2050 [5]. The conventional methods widely practiced in the transportation-planning field were developed to suit the expensively collected small data, and cannot meet current challenges. It is urgent for urban researchers to look for new approaches to address urban challenges such as traffic congestion, environmental pollution and degradation, and increasing energy consumption and greenhouse emission. With the rise of the ubiquitous sensing technologies, digital human footprints, which are the digital traces that people leave while interacting with cyber-physical spaces ([6], [7]), can be recorded in unprecedentedly massive scale with high frequency and low costs. It brings great opportunity to change the landscape of urban research to a new horizon (e.g., [8], [9], [10], [11]), and requires innovation to link the massive data with urban theory and thinking to derive new urban knowledge, called as urban computing or new urban science [7], [12], [13]. This paper demonstrates the application of big data analytics that translates ubiquitous mobile phone data into planner interpretable human mobility patterns, with Singapore (a city-state) as an example. By developing a data-mining pipeline, we quantify spatial distributions of travel patterns by residents in different parts of the city. The ultimate goal is to help planners efficiently derive urban knowledge from big data to target specific urban areas for future infrastructure and service planning improvement. The rest of the paper is organized as follows. In Section 2, we review the state-of-the-art literature on mining human mobility patterns from mobile phone data. We then present the study area and data in Section 3, including call detail record (CDR), census, and household travel survey data (for validation purpose). In Section 4, we introduce the data-mining methods to extract statistically reliable estimates of individual mobility networks from CDR data. In Section 5, we present measures to quantify the spatial distribution of mobility networks in the urban context. Finally, we discuss the planning implications of the findings for future urban development in Section 6.
