أكثر

الحصول على أجزاء الطريق من بيانات OSM وتخصيص الوقت المقدر للوصول لها


لدي مشكلة في تخصيص الوقت المتوقع للوصول لطريق ما. حتى الآن ، لدي ما يلي:

  1. بيانات OSM للمدينة.
  2. لدي بيانات مفتوحة المصدر لمسارات سيارات الأجرة لنفس المدينة.

الآن ، أخطط لتقسيم بيانات OSM إلى مقاطع مسار بمعرف فريد لكل منها. بمعنى أن كل جزء هو مسار بدون أي تقاطع / تفرع آخر للمسار وسيتم تعيين قيمة.

بالنسبة لكل شريحة ، سأبحث في بيانات سيارات الأجرة الخاصة بي لمعرفة ما إذا كانت قد سافرت في هذا الجزء. إذا كانت الإجابة بنعم ، فكم من الوقت استغرقت.

أردت أن أعرف ما إذا كان هذا قد تم بالفعل. نظرت إلى GraphHopper حيث يمكنني الحصول على المسارات ، ولكن ليس الأجزاء.

قبل الخوض في pgRouting ، أردت أن أسأل ما إذا كان هناك أي حل مفتوح المصدر أفضل متاح للجميع؟


كما تم التعليق عليه بالفعل: إذا كنت بحاجة إلى تقدير سرعات أفضل لكل طريق من مسارات سيارات الأجرة الخاصة بك ، فهذا ممكن تمامًا باستخدام GraphHopper ومكون مطابقة الخريطة مفتوح المصدر هذا.


يبدو أنك تحاول تنفيذ ما يعرف بـ بيانات السيارة العائمة (FCD) التحليلات. لقد حظي هذا المجال باهتمام كبير من الباحثين لأن التحليل بعيد عن أن يكون تافهاً في معظم الحالات. هناك العديد من المشكلات التي يتعين عليك حلها ، بما في ذلك على سبيل المثال لا الحصر مطابقة الخرائط والتوجيه. اعتمادًا على الدقة الزمنية لمسارات سيارات الأجرة الخاصة بك ، قد يكون تنفيذ بعض الخطوات أكثر أو أقل صعوبة. بقدر ما أعرف ، لا يوجد حاليًا نظام FCD مفتوح المصدر جاهز للاستخدام.

تحقق من كيفية عمل خريطة OSM قابلة للتوجيه لمعرفة كيفية إنشاء رسم بياني للتوجيه من OSM.


إذا فهمتك بشكل صحيح ، فستسمح لبيانات سيارات الأجرة (التكاليف المسجلة) أن يكون لها بعض التأثير على الرسم البياني المحسوب بالفعل مع التكاليف الثابتة والتأثير بطريقة أو بأخرى على المسار أثناء (أو قبل ذلك؟) الحساب؟ هل تم تخصيص بياناتك بالفعل لـ OSM-Ids (طرق؟) أو ، كما ذكرت من قبل ، ينبغي بدلاً من ذلك تخصيصها لمقاطع (طرق جزئية بين التقاطعات)؟ تم تصميم واجهة برمجة تطبيقات osm2po لتكون قابلة للتخصيص بدرجة عالية. خاصة لهذه الأنواع من الأسئلة. ولكن كما يوحي اختصار API ، ستحتاج إلى أجزاء صغيرة مكتوبة بلغة Java لتحقيق النجاح. يمكن العثور على سؤال مختلف قليلاً يشرح كيفية استخدام Eclipse مع osm2po هنا:

كيفية تمديد OSM2PO مع فترات العبارة؟

ولا تخف من كلمة "برنامج مجاني" ، لأنها تشير فقط إلى النواة ، والتي يجب أن يُنظر إليها على أنها نوع من أنواع أنظمة التشغيل (المغلقة). جميع الأشياء الأخرى حولها مفتوحة وقابلة للتوصيل. تعني قابلية التوصيل ، أنك لا تتعامل مع الكثير من كود المصدر الأجنبي و / أو تضطر إلى استنساخ / الخروج من مشاريع بأكملها. فقط ركز على مهمتك. بالمناسبة ، يمكنك حتى حزم بيانات سيارة الأجرة الخاصة بك في ملف الرسم البياني (حاوية) osm2po إذا لزم الأمر ونشرها بهذه الطريقة.

إذا كان هذا هو ما تحتاجه ، فإن الخطوة الأولى هي الارتباط بواجهة برمجة التطبيقات وتخصيص / الكتابة فوق ملفDefaultJoinFilter، ادمج بيانات تاكسي وأدخل التنفيذ الخاص بك في osm2po.config أو مباشرة كمعامل سطر أوامر.

للأسئلة التفصيلية ، يرجى الاتصال بي عبر البريد.


كيف يمكنني تسجيل موقفي بانتظام في نموذج GIS؟

لدي نموذج GIS حيث تغادر الشاحنة موزعًا رئيسيًا ، وتزور العديد من العملاء على طول الطريق لإجراء عمليات التسليم ، ثم تعود إلى الموزع بمجرد أن تصبح فارغة. يتم اختيار الطريق بناءً على قرب الوكلاء من الموزع الرئيسي ومن بعضهم البعض. أحاول معرفة كيفية تسجيل المسار الذي سلكته الشاحنة من أجل إجراء عمليات التسليم ، على الرغم من أنني لم أتمكن من القيام بذلك حتى الآن. أي مساعدة يحظى بتقدير كبير. شكرا لك!


بما في ذلك معلومات الحوادث في التخطيط التلقائي لطريق الدراجات للمناطق الحضرية

بين عامي 2005 و 2007 ، كان هناك 9071 حادث مرور للدراجات داخل لندن ، وتوضح هذه الورقة فائدة نظم المعلومات الجغرافية كأداة لتحليل وتصور هذه الحوادث. من خلال ربط هذه المواقع المكانية بمجموعة بيانات شبكة الشوارع ، كان من الممكن إنشاء مجموعة متنوعة من المعلومات الاستخبارية حول أنواع البنية التحتية للشوارع حيث تحدث الحوادث في الغالب. بالإضافة إلى ذلك ، تم تكييف خوارزمية توجيه الشبكة لمراعاة تكرار الحوادث ضمن سلسلة من الرحلات المقترحة. قارن تطبيق التوجيه التجريبي هذا المسار الأسرع مع المسار المرجح لتجنب الحوادث بين سلسلة من الأصول والوجهات. أظهرت النتائج أن الطرق التي تتجنب المناطق ذات حجم الحوادث المرتفع لم تزيد من طول الرحلة بشكل كبير ولكنها قدمت طريقًا "أكثر أمانًا" استنادًا إلى الأدلة التجريبية على حجم مواقع الحوادث.

1 المقدمة

نمت شعبية ركوب الدراجات كوسيلة من وسائل السفر في لندن على مدى السنوات العشر الماضية ، مع تقدير النقل في لندن (TFL) أن حوالي 2 ٪ من جميع الرحلات تتم الآن بالدراجة وهو ارتفاع بنسبة 0.8 ٪ منذ عام 2000 [1]. على الرغم من أن هذا صغير من حيث النسبة المئوية عند مقارنته بجميع أوضاع السفر الأخرى المتاحة ، إلا أن هذا يعادل 545000 رحلة يومية فردية بالدراجة [2]. يعد اختيار ما إذا كنت تريد الدورة أم لا أمرًا معقدًا ، وهناك عدد كبير من الأدبيات التي تحدد العديد من العوامل المؤثرة المرتبطة بعملية صنع القرار هذه. تتم مراجعة الأدبيات حول هذا المجال بشكل شامل في مكان آخر ، وبالتالي لن تتكرر هنا [3]. تتعلق هذه الورقة بالتحليل المكاني للبيانات التي توضح بالتفصيل مواقع جميع حوادث الدراجات الهوائية في لندن بين عامي 2005 و 2007. تُعرّف هذه البيانات الحادث على أنه حوادث ركوب الدراجات التي تنطوي على إصابة شخصية ، والتي تحدث على طريق سريع عام وبالتالي يتم إبلاغ الشرطة بها. خلال الفترة 2005-2007 ، كان هناك ما مجموعه 9071 من هذه الحوادث في لندن ، مع ارتفاع عدد الحوادث من 2977 في 2005 إلى 3058 في 2007 (

2.7٪ زيادة). من بين تلك الحوادث التي وقعت في عام 2007 ، أدى 461 حادثًا إلى مقتل أو إصابة مستخدم الطريق بجروح خطيرة [4]. الهدف من هذه الدراسة هو إنشاء سلسلة من الخرائط التي تمثل التركيز المكاني للحوادث التي تحدث داخل شبكة شوارع لندن واستخدام هذه المعلومات بشكل أكبر لإبلاغ الخدمة الآلية التجريبية التي توفر خيارات توجيه الدورة التي تتجنب المناطق ذات أحجام الحوادث المرتفعة المسجلة .

هناك الكثير من الأدبيات الدولية السابقة المتعلقة بحوادث ركوب الدراجات. يتعلق جزء كبير من هذا بتقييم جوانب البنية التحتية للطرق أو ظروف الطرق المرتبطة بزيادة احتمالية وقوع حادث أو وفاة. تشمل البنية التحتية العامة للنقل التي تم تناولها في هذه الدراسات ، تقاطعات الطرق [5 ، 6] ، عدد ممرات الطرق [7] ، الرصيف / الأرصفة [8 ، 9] ، الحجم الدائري [10 ، 11] ، ووجود أو عدم وجود مسارات دورة مرتفعة [12]. وقد ثبت أن العوامل المؤثرة الأخرى تشمل سرعات مستخدمي الطريق [13] ، والازدحام [14] ، ومستوى خبرة راكبي الدراجات [9] ، ومستوى الحرمان في المنطقة [15] ، والمجموعة الديموغرافية [16].

يختلف التحليل المقدم هنا عن هذه الدراسات السابقة [17] من خلال النظر في توزيع حوادث الدراجات وحدها دون مراعاة العوامل البيئية أو البشرية المحتملة التي قد تؤثر على حدوثها. على هذا النحو ، فإن الهدف من هذه الدراسة ليس الإضافة إلى هذه الأدبيات التوضيحية ، ولكن بدلاً من ذلك أولاً إنشاء تمثيل مكاني مرئي لكثافة الحوادث داخل شبكة الطرق ، وثانيًا ، محاولة استخدام هذه المعلومات لإعلام راكبي الدراجات بتلك الطرق التي ترتفع فيها تورط عدد من راكبي الدراجات في الحوادث ، ثم عرض طرق بديلة محتملة حيث يمكن التخفيف من هذه المخاطر. ومع ذلك ، فإن هذه المعلومات مع التحذير من أن البنية التحتية للطرق نفسها لم يتم احتسابها في هذا التحليل. لقد ثبت أن راكبي الدراجات سيحاولون تقليل المخاطر الكلية المتصورة ، وهذا الخطر يوفر رادعًا للدورة المحتملة [18 ، 19]. على هذا النحو ، إذا كان من الممكن تقديم معلومات حول طرق ركوب الدراجات التي لديها تكرار أقل للحوادث المسجلة ، فقد يكون لهذا تأثير إيجابي في تشجيع المزيد من الأشخاص على ركوب الدراجات. ومع ذلك ، قد تستجيب مجموعات مختلفة من راكبي الدراجات بطرق مختلفة. على سبيل المثال ، تبين أن النفور من المخاطرة ليس دافعًا رئيسيًا لاختيار الطريق للعديد من راكبي الدراجات الذين يفضلون الطرق التي تحيد قليلاً عن المسار الأدنى وتميل إلى التمسك بالطرق الرئيسية [7] ، على الرغم من أن هذه تتعلق بالبنية التحتية للشبكة حيث تكون أعلى يتم تسجيل معدلات الحوادث. ومع ذلك ، فقد أظهرت مجموعات راكبي الدراجات الأخرى وعيًا أكبر بالمخاطر. على سبيل المثال ، تبين أن بعض مجموعات راكبي الدراجات يفضلون الطرق ذات التنظيم المحدد بوضوح لسلوك مستخدم الطريق [20] ، مثل التقاطعات التي يتم التحكم فيها بواسطة إشارات المرور فوق الدوارات.

الهدف الأسمى لهذه الورقة هو إنشاء تمثيل جغرافي لتلك الأجزاء من شبكة النقل في لندن الأكثر عرضة لحوادث ركوب الدراجات. كحد أدنى ، يمكن استخدام هذه المعلومات لزيادة الوعي بتلك الطرق التي تتطلب يقظة إضافية من قبل راكبي الدراجات أو مستخدمي الطريق الآخرين أو يمكن استخدامها لإعلام سياسات ركوب الدراجات المتمايزة مكانيًا [21]. بالإضافة إلى ذلك ، من خلال توضيح كيفية دمج هذه المعلومات في تطبيق تخطيط الطريق الآلي التجريبي ، فإنه يهدف إلى توفير الأدوات التي يمكن استخدامها في النهاية لتقديم طرق بديلة تساعد راكبي الدراجات على تجنب المناطق ذات التردد العالي للحوادث.

ومع ذلك ، هناك عدد من المحاذير لهذه التحليلات. أولاً ، تركز المخاطر ، كما هو محدد في هذه الدراسة ، على الحوادث المسجلة فقط ، وعلى هذا النحو قد يكون هناك نقص غير معروف في الإبلاغ عن الحوادث التي لم يتم تسجيلها بواسطة مجموعة البيانات. في المملكة المتحدة ، تقدر الجمعية الملكية لمنع الحوادث أن نقص الإبلاغ عن حوادث ركوب الدراجات يصل إلى 60-90٪ [22] ومع ذلك ، تستند هذه الأرقام إلى تقدير لجميع الحوادث ، وعلى وجه التحديد تلك الحوادث البسيطة ، وعلى هذا النحو أقل أهمية. بالإضافة إلى ذلك ، في أي تمثيل أو خدمة تهدف إلى توفير معلومات حول مستويات المخاطر على طرق معينة ، فإن هذا من المحتمل أن يؤدي إلى إزاحة الحوادث إلى مواقع جديدة حيث يسلك راكبو الدراجات طرقًا جديدة. على هذا النحو ، لا ينبغي أن يكون الترويج لخدمة تقدم إرشادات بشأن الطرق الخطرة مستقلاً عن الرسائل الأوسع حول سلامة الدورة أو التدريب. أخيرًا ، في هذه الورقة ، يُنظر إلى "المخاطر" على أنها التكرار المطلق للحوادث وليس مقياسًا نسبيًا مقارنة بحجم حركة المرور حيث لا توجد بيانات شاملة متاحة للجمهور لتدفق حركة المرور على مستوى الشارع في لندن. هذا ليس مثاليًا ، لكن نقص المعلومات يعني أن هذه الدراسة يجب أن تعتمد على القيم المطلقة. ومع ذلك ، فيما يتعلق بتوفير معلومات المستخدم النهائي ، قد تظل قيم الحوادث المطلقة مفيدة للمستخدمين النهائيين ، على سبيل المثال ، أخذ مثال تقاطع مزدحم به تدفق مرتفع لحركة المرور وحجم مرتفع من الحوادث لراكب الدراجة. في محاولة لتجنب المناطق ذات المخاطر الشخصية العالية ، قد يكون المقياس النسبي مضللاً ، وقد يجدون بدلاً من ذلك أن المستوى المطلق للحوادث داخل منطقة معينة أكثر فائدة. علاوة على ذلك ، اتخذنا تعريفًا كميًا للمخاطر في هذه الدراسة ، ومع ذلك ، لاحظنا أن الآخرين قد جادلوا بأن المخاطر المتصورة يمكن بناؤها اجتماعيًا [23] وتؤثر بشكل خاص على الاستجابات السلوكية التي تهدف إلى التخفيف من المخاطر الشخصية.

2. التمثيل المكاني لمواقع مخاطر الحوادث

تم توفير مجموعة البيانات المستخدمة في هذه الدراسة من قبل وزارة النقل (موقع DfT هو http://www.dft.gov.uk/) كجزء من مبادرة أوسع تمكن الجمهور العام من الوصول إلى القطاع العام الخام غير الشخصي. البيانات (انظر http://innovate.direct.gov.uk/2009/03/10/pedalling-some-raw-data/). لا تحتوي هذه البيانات على أي معلومات خاصة بالخصائص ولكنها توضح بالتفصيل إحداثيات الشرق والشمال (الشبكة الوطنية GB) لمواقع الحوادث لمدة سنة تسجيل (2005 ، 2006 ، 2007). يؤدي توفر هذه البيانات إلى توسيع إمكانية نوع التحليل المكاني عالي الدقة الذي يفتقر عادةً إلى الكثير من التفسير الرسمي لبيانات الحوادث في لندن (انظر http://www.tfl.gov.uk/corporate/projectsandschemes/roadsandpublicspaces/ 2840.aspx للإبلاغ الرسمي عن الضحايا في لندن الكبرى). عند فحص هذه البيانات وجد أن مواقع جغرافية محددة تحتوي على حالات متعددة من الحوادث. يمكن أن يكون التفسير المحتمل لهذه الأحداث هو ما إذا كان العديد من راكبي الدراجات متورطين في حادث في نفس الموقع ، أو إذا تم إدخال الحادث في قاعدة البيانات المصدر بدقة زائفة. على سبيل المثال ، قد يكون راكب الدراجة قادرًا على تحديد الطريق الذي تعرض لحادثته ، ولكن ليس الموقع الدقيق على الطريق الذي وقع فيه الحادث. في ظل هذه الظروف ، قد يتم استخدام موقع النقطه الوسطى للطريق أو بعض المعرفات الشائعة الأخرى بدلاً من ذلك. من أجل اختبار الفرضية القائلة بإمكانية استخدام المواقع المركزية لأجزاء الطريق في إجراء الترميز الجغرافي ، تم استخراج النقاط الوسطى لكل رابط كمواقع نقطية. ثم تمت مقارنة موقع كل حادث بمواقع الوصلة المركزية هذه. وقد وجد أنه في مواقع الحوادث تلك التي حدثت فيها مرة واحدة فقط ، حدث حوالي 0.44٪ في حدود متر واحد و 11.16٪ في نطاق 5 أمتار من مواقع نقطة منتصف الارتباط. في تلك المواقع التي تم فيها تسجيل حوادث متعددة ، وقع 0.8٪ في نطاق متر واحد و 16.4٪ في نطاق 5 أمتار من مواقع نقطة منتصف الرابط. يشير هذا إلى أنه قد يكون هناك درجة معينة من الخطأ في تشفير تلك المواقع التي تعرضت لحوادث متعددة ، ومع ذلك ، تظل هذه غير حاسمة نظرًا لعدم تسجيل أي حوادث في موقع نقطة المنتصف الدقيق. يمكن أن تكون أخطاء الترميز الجغرافي هذه مشكلة ، ولكن بشكل خاص عند التفكير في الطرق التي تتعرض لعدد كبير من حوادث ركوب الدراجات. قد تعطي المواقع الخاطئة مؤشرًا خاطئًا عن مكان وقوع الحوادث بشكل متكرر وبالتالي تضلل المستخدمين النهائيين المحتملين بهذه المعلومات. يوضح الجدول 1. حجم المواقع المكانية ذات الحوادث المتعددة. وهذا يوضح أن 7.7٪ من البيانات في قاعدة البيانات بها حوادث متعددة لكل موقع ، ومع ذلك ، فإن حجم المواقع التي تحتوي على أكثر من مضاعفين يتناقص بشكل كبير مع وقوع الحوادث.

بدون البيانات الوصفية التفصيلية المتعلقة بكيفية تكويد الحوادث جغرافيًا ، من الصعب فصل هذه المعلومات ، وبالتالي ، في التحليلات التالية التي تهدف إلى توضيح طرق التصور المختلفة القابلة للتطبيق على بيانات حوادث الدراجات ، تم استبعاد مواقع النقاط التي بها حادثان مسجلان أو أكثر ، مما يترك مجموعة فرعية من 7605 نقطة بيانات. تم الانتهاء من المعالجة المكانية لهذه البيانات في ArcGIS من ESRI Ltd (http://www.esri.com/) وهو مثال لنظام المعلومات الجغرافية (GIS: [24]). يمكّن نظام المعلومات الجغرافية من استيراد البيانات المكانية الأولية ومن ثم إجراء مجموعة متنوعة من المعالجة والتحليل والتصور والتي تكون إما غير ممكنة أو صعبة أو بطيئة في الحزم الإحصائية التقليدية. تتمثل المرحلة الأولى في تحويل هذه البيانات المكانية إلى معلومات مفهومة في إنشاء تصور أساسي يعتمد على الخريطة [25]. هناك العديد من الاحتمالات التي تتراوح في التعقيد لتمثيل البيانات المكانية بصريًا ووصف الأنماط الجغرافية. يمكن عرض البيانات ببساطة على الخريطة كسلسلة من النقاط (انظر الشكل 1).


المعلومات التي تنقلها هذه الخريطة محدودة الاستخدام وتسلط الضوء في الغالب على وقوع المزيد من الحوادث في وسط لندن وعلى الطرق الشريانية المزدحمة حيث من المرجح أن يكون تدفق راكبي الدراجات أعلى. لا يسلط الضوء بشكل فعال على شدة النقاط الساخنة للحوادث [26] ، والتي قد تكون مفيدة عند تحديد تلك المناطق من شبكة النقل التي تتطلب مزيدًا من الدراسة. لذلك يمكن إنشاء تمثيل بديل عن طريق تراكب سلسلة من الشبكات وإحصاء تكرار الحوادث داخل الخلايا. بالنسبة لثلاث درجات دقة مختلفة للشبكات ، يظهر هذا التحليل في الأشكال 2 (أ) -2 (ج). توضح هذه التمثيلات مشكلة الوحدة المساحية القابلة للتعديل (MAUP: [27]) وهي ظاهرة تؤثر على العلاقات الإحصائية بين ملاحظات النقاط عند تجميعها والنظر فيها ضمن مناطق تعريف مختلفة (في هذه الحالة المربعات). على الرغم من أنه يجب توخي الحذر لعدم الإشارة إلى مغالطة بيئية [28] ، يمكن للمرء أن يستنتج بشكل عام من هذه الخرائط أن هناك تركيزًا للحوادث داخل وسط لندن ، مما يؤكد تلك النتائج من الدراسات السابقة ذات التركيز الإقليمي [26 ، 29].


(أ) شبكة بطول 1000 متر
(ب) شبكة بطول 500 متر
(ج) شبكة بطول 300 متر
(أ) شبكة بطول 1000 متر
(ب) شبكة بطول 500 متر
(ج) شبكة بطول 300 متر دورة النقاط الساخنة للحوادث على النحو المحدد داخل شبكة 1000 متر (أ) و 500 متر (ب) و 300 متر (ج) عبر لندن.

3. إنشاء قاعدة بيانات شبكة طرق الحوادث

على الرغم من أن الخرائط الموضحة في الشكل 2 مناسبة عند فحص الأنماط المصنفة لحوادث الدراجات ، إلا أنها تفشل في توفير تمثيل مناسب عند استخدامها في التحليلات على المستوى المحلي. على سبيل المثال ، يوضح الشكل 3 (أ) شبكة 500 متر لمنطقة وسط لندن مع شبكة الطرق ومواقع نقاط حوادث الدراجات كتراكب. يمكن ملاحظة أنه داخل الخلايا ، تقتصر مواقع النقاط في الغالب على طرق معينة تعبر هذه المناطق ، وبالتالي ، سيكون من الخطأ (مغالطة بيئية) تقديم استنتاجات حول خصائص طرق معينة بناءً على المعلومات المجمعة المستمدة من خلايا الشبكة. لهذا السبب ، عند تحديد موقع النقاط الساخنة لحوادث ركوب الدراجات في هذه المناطق الجغرافية الأكثر تقييدًا ، تصبح شبكة الطرق نفسها وحدة التحليل الأكثر منطقية. كانت بيانات الطرق المستخدمة في هذا التحليل عبارة عن مجموعة فرعية من طبقة شبكة النقل المتكاملة (ITN) في لندن والتي تأتي كجزء من منتج Mastermap لمسح الذخائر (وكالة رسم الخرائط الوطنية في بريطانيا). بيانات ITN هي مجموعة بيانات شبكة تحتوي على تفاصيل عن جميع الطرق مع مجموعة متنوعة من الخصائص مثل اسم الطريق والتسلسل الهرمي (على سبيل المثال ، طريق رئيسي / طريق فرعي ، وما إلى ذلك). تم استيراد بيانات ITN وإعدادها للاستخدام في ArcGIS باستخدام ESRI UK Productivity Suite (http://www.esriuk.com/productivitysuite). ضمن بيانات ITN ، يتم تعريف جزء الخط على أنه جزء من الطريق بين عقدتين والتي تمثل عادةً تقاطعًا يتكون من تقاطع أو تقاطع دائري. وبالتالي ، يمكن أن يتكون طريق واحد من عدة أجزاء.


(أ) الحوادث داخل شبكة بطول 500 متر مع وجود شبكة طرق ومواقع نقاط الحوادث كتراكب
(ب) تمثيل شبكي لحوادث الدراجات
(أ) الحوادث داخل شبكة بطول 500 متر مع وجود شبكة طرق ومواقع نقاط الحوادث كتراكب
(ب) تمثيل شبكي لحوادث الدراجات

بمجرد استيراد بيانات ITN إلى نظام المعلومات الجغرافية ، تم تحقيق عدد مرات تكرار مواقع الحوادث غير المكررة على طول كل جزء من أجزاء الطريق من خلال استكمال ارتباط مكاني ربط موقع نقطة الحادث بأقرب جزء من الطريق.كانت هناك حاجة لعملية مطابقة لأقرب جزء من الطريق نظرًا لأن بعض الحوادث بها مواقع مسجلة بدقة متغيرة بالنسبة لطبقة بيانات شبكة الطرق ، بالإضافة إلى أن بعض الحوادث قد تكون وقعت في موقع غير خاص بالطرق مثل المسار. علاوة على ذلك ، كما نوقش في القسم السابق والموضح في الجدول 1 ، أظهرت بعض البيانات النقطية داخل قاعدة البيانات المصدر دقة زائفة تتعلق بالترميز الجغرافي غير الدقيق ، ومع ذلك ، فإن نموذج الشبكة يتيح طريقة لإعادة إدخال هذه البيانات في التحليل. عندما يكون لنقطة البيانات المكانية حادثان أو أكثر من حوادث الدراجات المنسوبة إليها ، تم إجراء تحليل منفصل أولاً لتعيين مجموع الحوادث في هذا الموقع لأقرب جزء من الطريق. نظرًا لأن الطريق يمكن أن تتكون من أجزاء متعددة ، فقد تم بعد ذلك قسمة مجموع الحوادث على إجمالي عدد الأجزاء التي يتكون منها الطريق وإسنادها إلى كل جزء وفقًا لذلك. بمجرد أن يتم ترميز جميع أجزاء الخط في بيانات لندن ITN مع تكرار مناسب للحوادث ، يمكن تغيير حجم الخطوط التي تمثل الطرق لإنشاء تمثيل بديل أكثر ملاءمة لتحليلات النطاق المحلي (انظر الشكل 3 (ب)).

من المهم أن نعيد التأكيد على أن طرق التمثيل المرئي هذه تقدم دليلاً على تلك المناطق التي تحتوي عمليًا على تكرار أعلى لحوادث ركوب الدراجات ، ومع ذلك ، فهي لا تقدم سببية حول سبب حدوث هذه الأحداث. على هذا النحو ، فإن المعلومات المقدمة هنا مفيدة في المقام الأول لتوليد الفرضيات ، أو لتحديد وترتيب أولويات تلك المجالات التي تتطلب تدخلًا أكثر إلحاحًا. على سبيل المثال ، يمكن تحديد أفضل طريقين في لندن مع أعلى معدل تكرار لحوادث ركوب الدراجات باسم "المول" و "نيوينجتون كوزواي" ، وكلاهما به 20 حادثًا. القاسم المشترك بين كلا موقعي الطريقين هو أن جزءًا من امتدادهما يقع على تقاطعات مزدحمة جدًا أو يقترب منها (انظر الشكل 4). يحتوي كلا الطريقين على عدد من حوادثهما مخصصة لمواقع غير دقيقة ، وبالتالي يظل من الصعب الفصل دون مزيد من المعلومات عما إذا كان سبب هذه الحوادث مرتبطًا بالطريق أم بالدوار نفسه. في الواقع ، تم التأكيد على خطر دوار الفيل والقلعة لراكبي الدراجات من خلال إضافة توقيع لطريق التفافي عبر طرق ثانوية أصغر.


(أ) حركة المرور في ساعة الذروة على الدوار المقترب من المركز التجاري والتي يمكن رؤيتها من خلال الأقواس
(ب) حركة المرور في ساعة الذروة على جسر Newington ، عند الاقتراب من دوار الفيل والقلعة
(أ) حركة المرور في ساعة الذروة على الدوار المقترب من المركز التجاري والتي يمكن رؤيتها من خلال الأقواس
(ب) حركة المرور في ساعة الذروة على جسر Newington ، عند الاقتراب من دوار الفيل والقلعة

بالإضافة إلى تحديد مجالات دراسة الحالة المركزة ، تتيح هذه المعلومات أيضًا جمع المزيد من المعلومات الاستخبارية حول تواتر الحوادث من خلال سلسلة من بيانات السمات الملحقة بـ ITZ. على سبيل المثال ، يمكن أن نجد أن أنماط الحوادث غير متجانسة بين كلا نوعي الطرق (انظر الجدول 2) والعناصر المختلفة للبنية التحتية للنقل (انظر الجدول 3).

4. التوجيه والتقييم المحسن للسلامة

على عكس العديد من الدراسات السابقة التي تعتبر البنية التحتية جزءًا من نموذج اختيار المسار [30] ، يهدف هذا التحليل إلى توضيح كيف يمكن تكييف تطبيق التوجيه البسيط المنفذ في نظام المعلومات الجغرافية من خلال إضافة ذكاء مكاني جديد على تكرار الحوادث. أظهرت الدراسات السابقة أن راكبي الدراجات في الغالب يحسنون اختيارهم للطريق بناءً على وقت السفر [7 ، 31]. على هذا النحو ، ستقارن هذه التحليلات أقصر طريق مع مسار يتجنب المناطق ذات الحوادث المرتفعة المسجلة. يتم توفير بيانات ITN المستخدمة في هذه الدراسة بموجب ترخيص أكاديمي وبالتالي فهي غير متاحة للاستخدام في خدمة التوجيه عبر الإنترنت دون تكلفة كبيرة. يمكن اشتقاق مجموعة بيانات شبكة الطرق البديلة التي يتم توفيرها بدون مثل هذه القيود من OpenStreetmap (http://www.openstreetmap.org/) ومع ذلك ، فإن هذه البيانات لا تحتوي حتى الآن على تغطية بنسبة 100٪ للندن. بالإضافة إلى ذلك ، هناك مشاكل أخرى مرتبطة بكيفية تنظيم هذه البيانات. عندما تم رقمنة الطرق ولكن لم يتم تقسيمها إلى أجزاء ، فإن هذا يؤدي إلى حدوث مشكلات عند استخدامها لتطبيقات التوجيه ، حيث لن تكون خوارزمية تخطيط المسار المؤتمتة على دراية بوجود تقاطع طرق. على هذا النحو ، تم إنشاء تطبيق التوجيه المقدم هنا في وضع عدم الاتصال باستخدام بيانات ITN و ArcGIS كدليل على دراسة المفهوم لفحص جدوى إنتاج خدمة عبر الإنترنت في المستقبل. من خلال عزو حوادث الحوادث إلى بيانات شبكة الطرق ، أدى ذلك إلى إنشاء مجموعة أساسية من القيود التي يمكن استخدامها لتقييم نموذج توجيه الشبكة القائم على المسافة الذي يحسن رحلة راكب الدراجة بعيدًا عن الطرق ذات الحوادث المرتفعة. من الناحية المثالية ، سيتم تطبيع ترددات الحوادث هذه لحساب التعرض بالنسبة إلى الحجم الإجمالي لراكبي الدراجات الذين يستخدمون هذه الطرق ، ومع ذلك ، للأسف ، لا تتوفر بيانات التدفق هذه.

تم إنشاء هذه الأداة باستخدام ميزات محلل الشبكة في ArcGIS والتي تستخدم خوارزمية Dijkstra للعثور على أقصر مسار بين موقعين (عقدتين) في ظل مجموعة من قيود شبكة الطريق (الحافة) [32]. تم حساب طول مقطع الطريق الموزون عن طريق اختيار تلك الحواف مع الحوادث المخصصة وضرب الطول في تكرار الحوادث. وبالتالي ، في حالة وقوع أكثر من حادث على جزء من الطريق ، تمت زيادة الطول الموزون باستخدام الخوارزمية بعامل يتناسب مع تكرار الحوادث. وبالتالي ، في أجزاء الطريق التي حدثت فيها حوادث واحدة فقط أو لم تقع حوادث ، تم إعطاء هذه الأجزاء طولًا يساوي طولها الفعلي بالأمتار. يفضل استخدام خوارزمية Dijkstra الترجيحية أقصر طريق ولكنها تأخذ في الاعتبار (كتكلفة) تلك الطرق التي بها حوادث تكرار عالية. وبالتالي ، يتم تعيين القيود في هذا النموذج كمجموعة من الأوزان لحساب المسافة بين العقد كما تم قياسها بالأمتار وتكرار حوادث ركوب الدراجات المسجلة. يتم حساب خوارزمية Dijkstra على النحو التالي: (أ) داخل الشبكة ، يتم تعيين قيمة اللانهاية لجميع العقد ، باستثناء عقدة الأصل التي تم تعيين صفر (ب) يتم تمييز جميع العقد على أنها غير مرئية بصرف النظر عن العقدة الأصلية ( ج) تتم مقارنة المسافة بين العقدة الأصلية بجميع العقد المرتبطة الأخرى والمسافة الموزونة المحسوبة (طول جزء الطريق أو طول جزء الطريق الموزون) (د) يتم وضع علامة على العقدة الأصلية على أنها تمت زيارتها (لن تتم زيارتها مرة أخرى) ولها أدنى المسارات الموزونة المحسوبة (هـ) تنتقل الخوارزمية بعد ذلك إلى العقدة التالية المرتبطة بأصغر مسافة مرجحة ، ثم تعود الخوارزمية إلى الخطوة (ج) ، وتستمر العملية.

توضح الأمثلة التالية أسرع مسار بين نقطتين لمسارين محتملين. تتم مقارنة المسارات الموزونة نتيجة الحوادث بالإصدارات غير الموزونة التي تم تحسينها على أساس المسافة وحدها. المثال الأول (انظر الشكل 5) يمتد على دوار الفيل والقلعة. يتنقل أسرع طريق (أسود) عبر وسط الدوار على طريق تراكمي خلال 2005-2007 به 24 حادثًا للدراجات. المسار المرجح للحوادث (أزرق) به 8 حوادث. وتجدر الإشارة إلى أن هذه منطقة في لندن بها نسبة عالية جدًا من حوادث ركوب الدراجات.


يتعلق المثال الثاني بطريق عبر نهر التايمز يتطلب من راكب الدراجة استخدام جسر. بشكل عام ، الجسور في وسط لندن بها مستوى مرتفع من الحوادث بشكل معقول (انظر الجدول 4) وهو أمر غير مفاجئ نظرًا لحجم حركة المرور التي تمر فوقها [1].

في هذا المثال (انظر الشكل 6) يتنقل أسرع طريق (أسود) عبر جسر فوكسهول (6 حوادث) حيث يكون مجموع جميع الحوادث على الشبكة هو 12. يعبر المسار المرجح بالسلامة جسر لامبيث البديل (حادث واحد) على الطريق حيث كان هناك ما مجموعه 6 حوادث مسجلة.


تم حساب تقييم أكثر شمولاً لأداء التوجيه من خلال إنشاء مصفوفة من الرحلات بين مواقع أصل ووجهة متعددة. تم تحديدها تلقائيًا عن طريق تراكب شبكة من النقاط بطول 1000 متر فوق النطاق الكامل لمدينة لندن الكبرى. تم تعديل هذه المواقع بعد ذلك بحيث تداخلت ODs في أقرب جزء من الطريق ، مما يتيح التوجيه داخل شبكة النقل. تم بعد ذلك اشتقاق أقصر مسار للمسارات المرجحة بالسلامة وغير الموزونة لجميع المواد OD وتواتر الحوادث والطول التراكمي لكل مسار محسوب. على عدد من مسارات OD ، بقيت المسافة الإجمالية وحساب مجموع الحوادث كما هي. تم تجاهل هذه في التحليل التالي لأنها حدثت عندما كان الطريق الأكثر أمانًا يمثل أسرع طريق ، على سبيل المثال ، في منطقة لم تقع فيها حوادث. تم الانتهاء من تحليل لمقارنة الطرق العادية والمُرجحة للسلامة من حيث المسافة الإجمالية المقطوعة ومجموع إجمالي الحوادث على طول الطريق. من بين 1،650،095 رحلة تم تقييمها ، نتج عن 1،599،218 رحلة (96.9٪) مسارات ذات عدد أقل من الحوادث على الطرق الأسرع. نظرًا للطريقة التي تعمل بها الخوارزمية على تحسين اختيار المسار ، فإن جميع المسارات المحسَّنة للسلامة لها مسافات أطول. عبر مصفوفة OD بأكملها ، تراوح هذا من زيادة الرحلة من أقل من متر إلى 3725 مترًا. كانت القيمة المتوسطة على الشبكة بأكملها 436 ويظهر الرسم البياني للمدى الإجمالي لأطوال السفر المتزايدة في الشكل 7. وهكذا ، أدى حوالي 30٪ من إجمالي الرحلات إلى زيادة مسافة الرحلة التي تقل عن 100 متر. ومع ذلك ، فإن غالبية راكبي الدراجات في لندن لديهم أطوال رحلات يبلغ متوسطها 8 كيلومترات [33]. وهكذا ، تم إنشاء تحليل ثانٍ قام بحساب مدرج تكراري إضافي لتلك OD حيث كان أقصر مسار إجمالي 8 كيلومترات أو أقل. في هذا التقييم الأكثر واقعية لأطوال رحلات الدراج ، انخفض المتوسط ​​إلى 111 مترًا وزاد توزيع السفر كما هو موضح في الشكل 8. في هذه المجموعة الأكثر محلية من الرحلات ، تمت زيادة حوالي 70٪ من الرحلات بمقدار 100 متر فقط.



رسم بياني للطول المتزايد للطريق الذي يتم تدويره عن طريق اختيار طريق محسّن للسلامة حيث كانت معظم الرحلات المباشرة أقل من 8 كيلومترات.

5. المناقشة والاستنتاجات

قدمت هذه الورقة تحليلاً لمواقع حوادث ركوب الدراجات في لندن من 2005 إلى 2007. أظهرت سلسلة من الخرائط بعض المشكلات عند تصور بيانات النقاط الكثيفة لمناطق حضرية كبيرة واقترحت أنه من خلال استخدام التمثيلات القائمة على الشبكة يمكن التخفيف من حدة القضايا. بالإضافة إلى ذلك ، من خلال ربط بيانات النقطة بشارع مجموعة بيانات الشبكة ، كان من الممكن إنشاء تصورات بديلة مناسبة لفحص أنماط الحوادث على المستوى المحلي. باستخدام سمات شبكة الطرق ، تم اشتقاق سلسلة من الأفكار حول طبيعة مواقع حوادث الدراجات. على سبيل المثال ، وجد أن حوادث ركوب الدراجات تقع في الغالب على الطرق أحادية الاتجاه والطرق A. من خلال هذه المعلومات ، من الممكن الافتراض حول الأسباب المحتملة التي يمكن اختبارها لاحقًا عن طريق تحليل دراسة حالة إحصائية أو محلية أكثر صرامة. تم إنشاء قاعدة بيانات خاصة بلندن تربط تواتر حوادث ركوب الدراجات بموقعها على شبكة الطرق. باستخدام مصدر المعلومات هذا ، تم تكييف خوارزمية توجيه شبكة مؤتمتة لمراعاة تكرار الحوادث خلال الرحلة المقترحة. تمت مقارنة المسار الأسرع والمسار المرجح نتيجة الحوادث بين سلسلة من الأصول والوجهات في جميع أنحاء لندن ، ووجد أن النتائج المرجحة بالحادث لم تزيد من طول الرحلة بشكل كبير ، ولكنها قدمت مسارًا "أكثر أمانًا" استنادًا إلى الأدلة التجريبية على مدى تواتر مواقع الحوادث.

نموذج التوجيه المقدم في هذه الورقة هو نموذج تجريبي ويمكن تطويره بشكل أكبر في المستقبل. سيكون من الأفضل نشر النموذج على الإنترنت من خلال أداة توجيه عبر الإنترنت ، ومع ذلك ، قد يتطلب ذلك أن تكون بيانات الشبكة الأساسية متاحة للاستخدام على الإنترنت دون تكاليف ترخيص مقيدة ، أو إذا كانت مستمدة من مصادر مجانية مثل OpenStreemap ، فإن هذه تتطلب تغطية جغرافية كاملة وأن تكون منظمة بطريقة مناسبة للتوجيه. سيكون من المهم أيضًا مقارنة الفرق بين النموذج الذي تم تطويره في هذه الورقة بنموذج آخر يعتمد على الأدلة التجريبية حول المخاطر النسبية الناجمة عن الترتيبات أو أنواع مختلفة من البنية التحتية للشوارع. على سبيل المثال ، يمكن توجيه راكب دراجة بعيدًا عن جميع الدوارات المزدحمة إذا اعتبر ذلك عاملاً يزيد في المتوسط ​​من احتمالية وقوع الحوادث. بالطبع ، هناك قدر معقول من الخلاف في الأدبيات حول التأثيرات المحددة لأنواع معينة من البنية التحتية ، وبالتالي ، قبل اشتقاق هذه الأنواع من النماذج ، يلزم إجراء تحليل أكثر شمولاً لتحديد هذه التأثيرات بشكل مناسب. لذلك ، ستقوم الأبحاث المستقبلية بمراجعة هذا النموذج لدمج المعلومات الاستخبارية حول تلك المخاطر المرتبطة بالبنية التحتية لشبكة النقل وإنشاء تطبيق توجيه يمكن نشره عبر الإنترنت. أخيرًا ، لوحظ أن هناك بعض أخطاء الترميز الجغرافي المحتملة الموجودة في البيانات الأساسية وأن هذه تتطلب مزيدًا من التحقيق لفحص احتمال حدوث خطأ منهجي. على سبيل المثال ، قد يكون من المفيد فحص تلك الأخطاء التي قد تنتج عند الترميز الجغرافي لأوصاف اللغة الإنجليزية للحوادث في مواقع محددة.

يتزايد حجم راكبي الدراجات في لندن ، وبدون معلومات أفضل عن موقع الحوادث وأسبابها ، سيكون هناك خطر متزايد للإصابات أو الوفيات في المستقبل. أظهرت التحليلات والنماذج المقدمة في هذه الورقة أنه يمكن إنشاء قدر كبير من الذكاء من خلال ربط مواقع الحوادث الأولية بمعلومات الطرف الثالث المستمدة من مجموعات بيانات شبكة النقل.

مراجع

  1. TFL ، "تقرير اتجاهات وتطورات السفر في لندن # x2014key رقم 1 ،" في لندن، TF ، لندن ، المملكة المتحدة ، 2009. عرض على: الباحث العلمي من Google
  2. TFL ، "مايور يبدأ ثورة ركوب الدراجات في لندن بصيف مليء بالأحداث ،" في لندن، TF ، لندن ، المملكة المتحدة ، 2009. عرض على: الباحث العلمي من Google
  3. جيه دي هانت وجي إي أبراهام ، "التأثيرات على استخدام الدراجات ،" وسائل النقل، المجلد. 34 ، لا. 4 ، ص 453-470 ، 2007. عرض على: موقع الناشر | منحة جوجل
  4. DFT ، "ضحايا حوادث الطرق في بريطانيا العظمى: التقرير السنوي لعام 2007 ،" في المواصلات، DFT، London، UK، 2008. عرض على: الباحث العلمي من Google
  5. P. G & # xe5rder ، و L. Leden ، و T. Thed & # xe9en ، "الآثار المترتبة على سلامة مسارات الدراجات عند التقاطعات ذات الإشارات" ، تحليل الحوادث والوقاية منها، المجلد. 26 ، لا. 4، pp.429–439، 1994. عرض على: موقع الناشر | منحة جوجل
  6. Y. Wang and N.L Nihan ، "تقدير مخاطر الاصطدام بين الدراجات والسيارات عند التقاطعات ذات الإشارات ،" تحليل الحوادث والوقاية منها، المجلد. 36 ، لا. 3، pp 313–321، 2004. عرض على: موقع الناشر | منحة جوجل
  7. ألتمان هول ، إف إل هول ، وبي بي بايتز ، "تحليل طرق ركاب الدراجات باستخدام أنظمة المعلومات الجغرافية: الآثار المترتبة على تخطيط الدراجات ،" سجل أبحاث النقل، رقم. 1578، pp. 102–110، 1997. View at: Google Scholar
  8. E. Eilert-Petersson and L. Schelp ، "دراسة وبائية للإصابات المتعلقة بالدراجات ،" تحليل الحوادث والوقاية منها، المجلد. 29 ، لا. 3، pp.363–372، 1997. View at: Google Scholar
  9. L. Aultman-Hall and M.G Kaltenecker ، "معدلات أمان ركاب الدراجات في تورنتو ،" تحليل الحوادث والوقاية منها، المجلد. 31 ، لا. 6، pp.675–686، 1999. View at: Google Scholar
  10. إم. Rasanen و H. Summala ، "تعديلات سائقي السيارات لراكبي الدراجات عند الممرات الدائرية ،" عوامل النقل البشرية، المجلد. 2 ، لا. 1، pp.1-17، 2000. View at: Google Scholar
  11. T. Hels و I. Orozova-Bekkevold ، "تأثير ميزات تصميم الدوار على معدل حوادث الدراج ،" تحليل الحوادث والوقاية منها، المجلد. 39 ، لا. 2، pp.300–307، 2007. عرض على: موقع الناشر | منحة جوجل
  12. P. G & # xe5rder ، و L. Leden ، و U. Pulkkinen ، "قياس تأثير الأمان عند عبور الدراجات المرتفعة باستخدام منهجية بحث جديدة ،" سجل أبحاث النقل، رقم. 1636 ، الصفحات من 64 إلى 70 ، 1998. عرض على: الباحث العلمي من Google
  13. إم ستون وج. بروتون ، "Getting off your bike: cycling Accidents in Great Britain in 1990 & # x20131999،" تحليل الحوادث والوقاية منها، المجلد. 35 ، لا. 4، pp.549–556، 2003. عرض على: موقع الناشر | منحة جوجل
  14. ر. ب. نولاند وم. أ. قدوس ، "الازدحام والأمان: تحليل مكاني للندن ،" بحوث النقل الجزء أ، المجلد. 39 ، لا. 7-9 ، الصفحات من 737 إلى 754 ، 2005. عرض على: موقع الناشر | منحة جوجل
  15. آر بي نولاند وم. تحليل الحوادث والوقاية منها، المجلد. 36 ، لا. 6 ، ص 973-984 ، 2004. عرض على: موقع الناشر | منحة جوجل
  16. G. B. Rodgers ، "أنماط وفيات راكبي الدراجات ومخاطر الوفاة" ، تحليل الحوادث والوقاية منها، المجلد. 27 ، لا. 2، pp.215–223، 1995. View at: Google Scholar
  17. B.W Landis ، و V. R. Vattikuti ، و M. T. Brannick ، ​​"Real-time human perceptions: نحو مستوى خدمة دراجات ،" سجل أبحاث النقل، رقم. 1578، pp. 119–131، 1997. View at: Google Scholar
  18. هيلمان ود. مورجان ، ركوب الدراجات نحو الصحة والسلامة # x26، كتب BMJ ، لندن ، المملكة المتحدة ، 1992.
  19. P. Hopkinson and M. Wardman ، "تقييم الطلب على مرافق الدورة الجديدة ،" سياسة النقل، المجلد. 3 ، لا. 4، pp.241–249، 1996. عرض على: موقع الناشر | منحة جوجل
  20. M. M & # xf8ller and T. Hels ، "تصور راكبي الدراجات للمخاطر في الدوارات ،" تحليل الحوادث والوقاية منها، المجلد. 40 ، لا. 3 ، ص 1055-1062 ، 2008. عرض على: موقع الناشر | منحة جوجل
  21. G. Vandenbulcke، I. Thomas، B. de Geus et al. ، "رسم خرائط لاستخدام الدراجات وخطر وقوع الحوادث للركاب الذين يقودون دراجاتهم للعمل في بلجيكا ،" سياسة النقل، المجلد. 16 ، لا. 2، pp. 77–87، 2009. عرض على: موقع الناشر | منحة جوجل
  22. ROSPA ، حوادث الدراجات & # x2014 حقائق وأرقام & # x2014 مارس 2009الجمعية الملكية لمنع الحوادث برمنغهام المملكة المتحدة 2009.
  23. جيه. آدمز ، مخاطرة، مطبعة UCL ، لندن ، المملكة المتحدة ، 1995.
  24. P.A Longley و M.F Goodchild و D.J Maguire و D.W Rhind ، نظم المعلومات الجغرافية والعلوم، John Wiley & # x26 Sons، Chichester، UK، 2nd edition، 2005.
  25. إم دودج ، إم ماكديربي ، إم تورنر ، التصور الجغرافي: المفاهيم والأداة والتطبيقات، John Wiley & # x26 Sons ، تشيتشيستر ، المملكة المتحدة ، 2008.
  26. تي أندرسون ، "مقارنة الأساليب المكانية لقياس حوادث الطرق & # x201chotspots & # x201d: دراسة حالة من لندن ،" مجلة الخرائط، المجلد. 2007 ، ص 55-63 ، 2007. عرض على: الباحث العلمي من Google
  27. S. Openshaw ، مشكلة الوحدة المساحية القابلة للتعديل، جيو بوكس ​​، نورويتش ، المملكة المتحدة ، 1984.
  28. إم ترانمر ودي جي ستيل ، "استخدام بيانات التعداد للتحقيق في أسباب المغالطة البيئية ،" البيئة والتخطيط أ، المجلد. 30 ، لا. 5، pp.817–831، 1998. View at: Google Scholar
  29. مكارثي وك. جيلبرت ، "وفيات راكبي الدراجات على الطرق في لندن 1985 & # x20131992: السائقون والمركبات والمناورات والإصابات ،" تحليل الحوادث والوقاية منها، المجلد. 28 ، لا. 2، pp.275–279، 1996. عرض على: موقع الناشر | منحة جوجل
  30. تي هيودو ، إن سوزوكي ، وك.تاكاهاشي ، "نمذجة مسار الدراجات وسلوك اختيار الوجهة لخطة شبكة طرق الدراجات" ، سجل أبحاث النقل، رقم. 1705 ، ص 70-76 ، 2000. عرض على: الباحث العلمي من Google
  31. إم إيه ستينسون وسي آر بهات ، "اختيار طريق راكب الدراجة الهوائية للركاب: التحليل باستخدام مسح التفضيل المحدد ،" سجل أبحاث النقل، رقم. 1828 ، ص 107 - 115 ، 2003. عرض على: الباحث العلمي من Google
  32. E. W. Dijkstra ، "ملاحظة حول مشكلتين مرتبطتين بالرسوم البيانية ،" عدد الرياضيات، المجلد. 1 ، لا. 1، pp.269–271، 1959. عرض على: موقع الناشر | الباحث العلمي من Google | Zentralblatt MATH | MathSciNet
  33. TFL ، ملاحظة استعلام جسر التايمز جيتواي # & # x2014 طول الرحلات بالدراجة في لندن، النقل في لندن ، لندن ، المملكة المتحدة ، 2006.

حقوق النشر

حقوق النشر & # xa9 2011 Alex D. Singleton and Daniel J. Lewis. هذا مقال مفتوح الوصول يتم توزيعه بموجب ترخيص Creative Commons Attribution License ، والذي يسمح بالاستخدام غير المقيد والتوزيع والاستنساخ في أي وسيط ، بشرط الاستشهاد بالعمل الأصلي بشكل صحيح.


نتائج

تعريف inness أنا

يوضح الشكل 1 القوى المرتبطة بالأنماط المورفولوجية لمدينة ما والتي تشكلت من خلال تخطيطات البنية التحتية والتخطيطات الاجتماعية والاقتصادية. في حالة الشبكة المربعة ، كما هو موضح في الشكل 1 أ ، أقصر الطرق بين أي نقطتين على مسافة ص إما أن تتوافق بشكل تافه مع الخط الذي يربط بينهما مباشرة ، أو أنها مسارات متدهورة تعبر الشبكة في أي اتجاه. يؤدي أخذ متوسط ​​المسارات المتعددة إلى إلغاء أي تحيز اتجاهي متعلق بمركز الشبكة. ومع ذلك ، فإن اضطرابًا بسيطًا في هذا الانتظام يمكن أن يغير هذه الميزة المحايدة بشكل كبير ، كما هو موضح في الشكل 1 ب ، حيث نحول النقاط الأربع الخارجية إلى الداخل لوضعها على الحلقة الثانية من المركز. النقاط الموجودة على هذه الحلقة لها أقصر الطرق التي تقع على طول المحيط ، وبالتالي يتم إدخال قوة تشتت بعيدًا عن المركز (تم تمييزها على أنها أسهم زرقاء). في الشكل 1 ج ، نزيد من اضطراب الهيكل بإضافة أربعة أسطر من الحلقة الخارجية إلى الحلقة الداخلية (المميزة باللون الأخضر) وبالتالي زيادة الاتصال باتجاه المركز. أقصر المسارات بين الأزواج الموجودة على الحلقة الخارجية تمر عبر الحلقة الداخلية وتكون منحنية باتجاه وسط المدينة ، مما ينتج عنه قوة جذابة (ممثلة بأسهم حمراء). إلى جانب هذا المثال البسيط ، والذي يعد في الأساس دالة للطوبولوجيا وينطبق على أقصر المسارات ، هناك عوامل أخرى تلعب دورًا مثل وقت السفر وسرعة المسار كما هو مذكور في المرجع. 24 ، سيؤثر ذلك بالضرورة على الأنماط التي تظهر في أسرع المسارات. علاوة على ذلك ، يفترض الرسم التوضيحي وجود مركز ثقل واحد ، كما كان ، في حين أن مثل هذا التأثير قد يظهر على مستويات متعددة ، مما يؤدي إلى إلغاء أي قوة قابلة للقياس تجاه مركز مدينة مفترض.

وجدت قوى التحيز في التشكل الحضري. تشترك ثلاثة ترتيبات شوارع حضرية تخطيطية في بنية طوبولوجية متشابهة ، لكن المخططات الهندسية المختلفة تؤدي إلى ديناميكيات مختلفة. أ هيكل الشبكة حيث لا تُظهر أقصر المسارات بين النقاط في نفس نصف القطر أي تحيز اتجاهي. ب تظهر قوى التنافر المتعلقة بالأصل (المميزة باللون الأزرق) عندما نكسر تناظر الشبكة عن طريق إعادة تحديد موقع النقاط الخارجية الأربعة على خط الحلقة الداخلية متساوية البعد. المسارات الموجودة على هذه الحلقة لديها الآن أقصر المسارات التي تعبر المحيط وتتجنب المركز. ج المزيد من التشويش على الهيكل عن طريق زيادة الاتصال بالمركز (تم وضع علامة على أربعة خطوط خضراء) يؤدي الآن إلى أقصر المسارات التي تمر عبر المركز كما لو كانت هناك قوة جذابة (مميزة باللون الأحمر)

لمعرفة ما إذا كان هذا التأثير يظهر على نطاق المدينة ، أو أنه محايد بالفعل بسبب "التفكيك" على المقاييس الأصغر ، فإننا نحدد مقياسًا يسمى inness أنا. يوضح الشكل 2 ج كيف يمكن تقسيم المسار النموذجي بين أي زوج من الأصل والوجهة (OD) إلى أجزاء منحازة اتجاهيًا نحو وسط المدينة أو بعيدًا عنه كما تم قياسه بالنسبة للمسافة الجيوديسية س بين الزوجين. نقوم بتسمية النقاط القريبة من المركز من النقاط الداخلية الجيوديسية بينما تلك الموجودة بعيدًا هي النقاط الخارجية. على سبيل المثال ، في المخطط الموضح في الشكل 2 ج ، النقاط الموجودة في المنطقة المظللة باللون الوردي هي نقاط داخلية ، والنقاط الموجودة على الجانب المقابل (باللون الأزرق المظلل) هي نقاط خارجية. نحدد منطقة السفر الداخلية المحددة بواسطة مضلع النقاط الداخلية والخط الجيوديسي ، الذي نخصص له علامة موجبة. على العكس من ذلك ، يتم تحديد منطقة السفر الخارجية بالخط الجيوديسي ومجموعة النقاط الخارجية ، التي تكون علامتها سلبية. وبعد اعتماد هذه الاتفاقية ، أنا هو الفرق بين المنطقة الداخلية ومناطق السفر الخارجية:

والتي يمكن حسابها باستخدام صيغة رباط الحذاء للمضلعات (انظر الطرق). في الشكل 2 د ، نعرض ثلاثة تحسينات محتملة لطريق واحد به منطقة سفر خارجية فقط (أزرق) ، وواحد به منطقة سفر داخلية فقط (أحمر) ، وواحد بمزيج من مناطق السفر الخارجية والداخلية (مزيج من الأزرق و أحمر).

أخذ عينات البيانات وتعريف inness أنا. أ تم تخصيص ستة وثلاثين زوجًا من الأصل والوجهة (OD) (متباعدة على فترات من 10 درجات) على طول محيط الدوائر على مسافة 2 و 5 و 10 و 15 و 20 و 30 كم من وسط المدينة ج. ب لكل زوج OD ، نستعلم عن Open Source Map API ونجمع أقصر الطرق (باللون الأحمر) وأسرع المسارات (باللون الأزرق) (الموضحة هنا لزوج OD تمثيلي في باريس). ج زوج OD نموذجي مع خط مستقيم يربط بينهما يمثل المسافة الجيوديسية س ص هي المسافة الشعاعية من المركز و θ هو الفصل الزاوي بالنسبة للمركز. نحدد inness (أنا) ليكون الفرق بين منطقة السفر الداخلية (مضلع محدد بنقطة داخلية حمراء وخط مستقيم) ومنطقة السفر الخارجية (مضلع محدد بنقطة خارجية زرقاء وخط مستقيم). د ثلاثة تكوينات مسار محتملة بين أزواج OD متعددة. واحدة بها منطقة سفر خارجية حصرية (زرقاء) ، وواحدة بها منطقة سفر داخلية حصرية (حمراء) ، وواحدة بها مزيج من الاثنين معًا

إن عدم وجود عقدة في شبكة الطرق هو نتيجة لتجميع خصائص جميع المسارات الممكنة التي تمر عبر تلك النقطة. في الواقع ، يعكس هيكل الشبكة لأنه مقياس يتأثر بالطوبولوجيا والاتصال بالشبكة. ومع ذلك ، بالإضافة إلى ذلك ، فإنه يلتقط الجوانب الهندسية للشبكة لأنه مقياس يعتمد على انحناء الطرق على طول الطريق ويقوم بتشفير المعلومات الهيكلية على المستويين العالمي والمحلي. بهذا المعنى ، يمكن للمرء أن يعتبر أنه يحتوي على عناصر من مختلف مقاييس الشبكة الهيكلية القياسية (انظر الملاحظة التكميلية 2 للحصول على التفاصيل والمقارنة بسلسلة من مقاييس الشبكة). نلاحظ أن مثل هذه المقاييس - لا سيما تلك التي هي مقاييس عالمية مثل مركزية البينية - قد تم استخدامها سابقًا لتصنيف المدن. ومع ذلك ، فإن النتائج الأخيرة تلقي بظلال من الشك على فعالية تدابير المركزية في التمييز بين المدن 35. من ناحية أخرى ، كما سنوضح ، فإن inness ، بالإضافة إلى كونه مقياسًا بسيطًا نسبيًا ، يشفر الجوانب الهندسية والبنية التحتية والجغرافية والاجتماعية والاقتصادية للنظم الحضرية.

متوسط ​​inness لأقصر الطرق وأسرعها

نبدأ تحليلنا بفحص الاتجاهات النوعية لـ أنا. في الشكل 3 أ-و ، نرسم متوسط ​​inness ( langle langle I right rangle ) (المتوسط ​​على 92 مدينة) لكل من الأقصر (المنحنى الأخضر) وأسرع المسارات (المنحنى الأرجواني) على أنه وظيفة الفصل الزاوي θ، لأنصاف أقطار متعددة ص. بالقرب من وسط المدينة حوالي 2-5 كيلومترات (الشكل 3 أ ، ب) ، نرى اتجاهًا محايدًا لأقصر الطرق ( يسار (< يسار لانجلي أنا يمين رانجل تقريبًا 0> يمين ) ) على الرغم من زيادة التقلبات مع الفصل الزاوي (80 درجة ≤ θ ≤ 160 درجة). تتوقع التقلبات تحيزًا داخليًا واضحًا يظهر على مسافة ص ≥ 10 كم (الشكل 3 ج – و) ، تظهر على أنها قمة موجبة واضحة في ( يسار لونل أنا يمين rangle ) تنمو بشكل تدريجي حاد مع الزيادة ص. يشير الاتجاه النوعي لـ ( left langle I right rangle ) إلى وجود بنية شبكة الشوارع الأساسية المحيطية الموجودة بدرجات متفاوتة عبر جميع المدن 36 ويشير إلى أن القوى الجذابة المقدمة في الشكل 1 تميل لتظهر نفسها على نطاق المدينة بأكملها ، مشيرة إلى وجود مركز فعال (في المتوسط). في الواقع ، للثبات ص، المسافة الجيوديسية س بين أي زوج OD هو دالة متزايدة بشكل رتيب في θ. وكلما زادت المسافة ، زادت احتمالية انحراف المسار نحو المركز - نظرًا لزيادة الاتصال في المركز مقارنةً بالمحيط. هذا تفسير محتمل للتحيز الداخلي الملحوظ ويشير إلى انخفاض كثافة الشوارع بشكل تدريجي في الأطراف.

متوسط ​​inness عبر 92 مدينة. المتوسط ​​والانحراف المعياري لـ أنا ك وضيفة من θ معروض لأنصاف أقطار متعددة ص تقاس من وسط المدينة أ 2 كم ، ب 5 كم ، ج 10 كم ، د 15 كم ، ه 20 كم و F 30 كم. يظهر منحنى أقصر طريق باللون الأخضر وأسرع طريق باللون الأرجواني. مخطط كثافة ( يسار langle أنا يمين rangle ) في وظيفة ص و θ لأقصر الطرق ز وأسرع الطرق ح. عدم التطبيع أو البعد ( يسار لونج < قبعة أنا> يمين رانجل = يسار لانج <>> s ^ 2> right rangle ) للأقصر أنا وأسرع الطرق ي. ك نسبة inness الطبيعي للأسرع ( left langle < hat I> right rangle _ < rm f> ) وأقصر المسارات ( left langle < hat I> right rangle _ < rm s> )

يتم تنظيم الطرق في مجموعة البيانات الخاصة بنا بطريقة هرمية تتكون من الطرق السريعة والطرق الرئيسية والطرق الرئيسية في أعلى التسلسل الهرمي والطرق السكنية والخدمية في المستويات الأدنى (الشكل التكميلي 2). تتكون أقصر المسارات التي تم النظر فيها حتى الآن بشكل أساسي من الطرق الثانوية والسكنية (الشكل التكميلي 3) ، وعلى العكس من ذلك ، تميل الطرق الأسرع إلى استخدام مجموعة فرعية أصغر من الشبكة الإجمالية ، وخاصة الطرق السريعة التي تعد بشكل عام طرقًا سريعة رئيسية ذات أقسام مادية تفصل التدفقات في الاتجاه المعاكس. اتجاهات مثل الطرق السريعة والطرق السريعة (الشكل التكميلي 4). لا بد أن يؤدي هذا التباين في سعة الطريق إلى إدخال اختلافات في ملفات تعريف inness لأقصر الطرق وأسرعها. يعكس ذلك ، يرى المرء تحيزًا داخليًا للطرق السريعة يظهر على بعد حوالي 10 كيلومترات ، ولكنه أقل وضوحًا بشكل ملحوظ مما هو عليه في أقصر الطرق ، على الرغم من الاتجاه النوعي لزيادة التحيز الداخلي مع ص يتم الحفاظ عليه. يمكن تفسير التحيز الداخلي الأقل للطرق الأسرع بحقيقة أن الطرق السريعة تقع عادةً في محيط المدن. بالإضافة إلى ذلك ، فإن النطاق الزاوي للانحياز الداخلي الملحوظ أقل من النطاق الملحوظ لأقصر المسارات (45 درجة ≤) θ ≤ 120 درجة) والتقلبات أكبر بكثير. يشير هذا إلى التوزيع المكاني غير المتجانس لمحات السرعة في الطرق الأولية عبر المدن (بسبب اختلاف مستويات البنية التحتية) ، إلى جانب حقيقة أنها أطول بشكل عام من الطرق الثانوية.

تظهر التبعيات الزاويّة والشعاعيّة الجماعية لـ ( langle I right rangle ) كمخططات كثافة لأقصر الطرق وأسرعها في الشكل 3g، h. الزيادة الرتيبة لـ ( يسار langle أنا يمين rangle ) مع ص واضح في كلتا الحالتين على وجه الخصوص في ص

15 كم (كما هو موضح صراحة في الشكل التكميلي 5 أ). يمكن رؤية الاختلافات في التبعية الزاويّة بوضوح من خلال أسرع المسارات التي تحتوي على ( langle langle I right rangle ) حاد في نطاق زاوي أقل من المسارات الأقصر. من الملاحظ عدم وجود أي انحياز خارجي (القيم السالبة لـ ( left langle I right rangle )) في أي نطاق شعاعي أو زاوي.

Inness بلا أبعاد ( hat I _ <> ^ <>> )

لا تأخذ الاتجاهات الملحوظة في inness في الاعتبار تأثيرات مناطق السفر المختلفة على مسافات مختلفة من المركز ، أو التباين في الحجم الحضري عبر المدن المدروسة. لحساب هذه التأثيرات ، نلاحظ أن منطقة السفر (المتوسط ​​عبر المدن) تزداد تربيعًا تقريبًا مع المسافة الجيوديسية س (الشكل التكميلي 5 ك) ، وهو اتجاه لوحظ أيضًا في المرجع. 23 حيث الأشكال المميزة لطرق المدينة لها مناطق سفر ا(س 2). لذلك ، لحساب أي تحيز من الاختلافات في منطقة السفر داخل المدن وعبرها ، نحدد inness معاد قياسه

في الشكل 3i ، j ، نرسم ( left langle hat I right rangle ) لأقصر الطرق وأسرعها لإيجاد أن تأثير inness قوي للتحيزات المحتملة بسبب طول أو مساحة الرحلات. في حين أن السلوك النوعي مشابه للسلوك المرئي لـ ( left langle I right rangle ) ، فإن الاتجاه الداخلي للمسارات موجود على نطاق أوسع ص و θ لكل من أقصر الطرق وأسرعها. على سبيل المثال ، تظهر التحيزات الداخلية على مسافة 5 كيلومترات من وسط المدينة ، وهو تأثير تم إخماده في ( left langle I right rangle ) بسبب مساحة السفر الأصغر المقابلة. علاوة على ذلك ، نجد الآن توزيعًا أكثر تجانسًا نسبيًا مع اعتماد أضعف نسبيًا على ص و θ. يستمر الاتجاه لـ ( left langle hat I right rangle ) في دعم بنية محيطية أساسية في المدن التي ندرسها (وبالتالي مركز المدينة) ، إلى جانب توزيع الكثافة المتناقص بسلاسة للشوارع بعيدا عن هذا المركز. الاعتماد الزاوي الأضعف ، على وجه الخصوص ، يلمح إلى اختلاف الخواص في كثافة تقاطعات الشوارع.

يعد توزيع ( left langle hat I right rangle ) أقل تجانسًا نسبيًا بالنسبة لأسرع المسارات ، ويرجع ذلك أساسًا إلى غلبة الطرق عالية السعة (الشكل التكميلي 2) ، مما يضيف مزيدًا من التباين إلى ملف تعريف inness. عبر مجموعة واسعة من ص و θ، ( left langle hat I right rangle ) بشكل عام أقل من أقصر الطرق ، بينما هناك زيادة حادة عند 15 ≤ ص 30 و 40 θ ≤ 100. هذا يرجع على الأرجح إلى أن بعض الطرق السريعة هي هياكل متخصصة مثل الطرق الدائرية أو الممرات الالتفافية التي تعمل كجذب لحركة المرور في محيط المدينة. يتم تأكيد ذلك من خلال رسم النسبة ( left langle < hat I> right rangle _ < rm f> < mathrm> left langle < hat I> right rangle _ < rm s> ) في الشكل 3 ك ، حيث يرى المرء عاملًا من اثنين أو أكثر من التحيز الداخلي في أسرع المسارات مقارنة بأقصر المسارات بالقرب من محيط المدينة (

توزيع inness للمدن الفردية

بعد فحص خصائص التحيزات الاتجاهية المتوسطة عبر المناطق الحضرية ، نوجه انتباهنا الآن إلى الأنماط في المدن الفردية. في الواقع ، كما تظهر التقلبات في الشكل 3 أ-و ، هناك تباين في نمط inness عبر المدن ، مما يعكس الاختلافات في مستوى التسلسل الهرمي للطرق والتنظيم. يختلف تكوين أقصر الطرق وأسرعها من حيث التسلسل الهرمي للطرق بشكل كبير من مدينة إلى أخرى. على سبيل المثال ، في بعض المدن (أتلانتا وهيوستن ومدريد) تميل أسرع الطرق إلى أن تكون عبر الطرق السريعة ، بينما في مدن أخرى (لواندا وكلكتا وبيون) تميل إلى أن تتكون من طرق أولية (الشكل التكميلي 4) هذه الاختلافات هي من المحتمل أن تؤثر على ملفات تعريف inness الخاصة بهم.

لاستقصاء تأثير هذه الاختلافات ، قمنا برسم كل مدينة كدالة للانحراف المعياري ومتوسط ​​ ( hat I _ <> ^ <> ) لأقصر المسارات (الشكل 4 أ-ج). تقع معظم المدن في النطاق (0.0 le left langle < hat I> right rangle le 0.08 ) مع بعض القيم المتطرفة في كل من القيم الإيجابية والسلبية. تجاهل القيم المتطرفة في الوقت الحالي ، بشكل تقريبي ، نحدد ثلاث مناطق: الانحراف المعياري المنخفض والمتوسط ​​المنخفض (LL) ، والانحراف المعياري المنخفض والمتوسط ​​العالي (LH) ، والانحراف المعياري العالي والمتوسط ​​(HH). (انظر الشكلين التكميليين 6 و 7 والملاحظة التكميلية 5 للحصول على تفاصيل حول المدن الفردية والنائية.) يتم أيضًا تلوين كل مدينة وفقًا لثلاثة مقاييس تعكس البنية التحتية والميزات الجغرافية: في 4 أ ، نعرض الطول الإجمالي للطرق ضمن مسافة 30 كم من وسط المدينة في الشكل 4 ب ، نعرض مقياسًا للقيود الجغرافية (GC) الذي يلتقط وجود وحجم الحواجز مثل الأنهار أو الخطوط الساحلية أو الجبال أو المنشآت الصناعية أخيرًا في الشكل 4 ج ، نعرض مقياسًا للاتصال المحيطي بمثابة وكيل لوجود طرق دائرية في المدينة (تفاصيل لكل مقياس في الملاحظة التكميلية 4). في الشكل 4 د-و ، نعرض مجموعة مختارة من المدن من كل منطقة ، جنبًا إلى جنب مع مخطط الكثافة ( هات I ) من مدينة تمثيلية موضحة في الشكل الداخلي.

الإحصائيات والتوزيع المكاني للمدن الفردية. تم رسم الانحراف المعياري في دالة متوسط ​​inness لكل مدينة. تنقسم المدن إلى ثلاث مجموعات حسب قيمها من المتوسط ​​والانحراف المعياري: منخفض - منخفض (LL) ، منخفض - مرتفع (LH) ، مرتفع - مرتفع (HH). يشير لون النقاط إلى طول الطريق أ، مستوى القيد الجغرافي (GC) ب، وقياس الاتصال المحيطي ج. نقوم بتوسيع ثلاث مناطق تحمل علامة LL و LH و HH ونقوم بتسمية المدن بشكل صريح دF بالإضافة إلى العرض الداخلي ( hat I ) ، للمدن التمثيلية في كل منطقة (برلين ، مومباي ، كولكاتا). في ز, ح، و أنا نرسم التوزيع المكاني لـ ( hat I ) المسقط على الخرائط المادية للمدن التمثيلية الثلاث. يتوافق لون تقاطعات الشوارع مع متوسط ​​ ( hat I ) لجميع المسارات التي تمر عبر التقاطع ، مع وجود قيم في الفاصل (- 0.3 le hat I le 0.3 ) وتتراوح من الأزرق إلى الأحمر مع زيادة ( قبعة أنا )

يبدو أن المدن داخل كل منطقة تميل إلى مشاركة بعض الميزات المشتركة فيما يتعلق بهذه المقاييس وملفات تعريف inness الخاصة بها. تميل تلك الموجودة في مجموعة LL إلى امتلاك طول إجمالي أطول للطرق ، وقيود جغرافية أقل ، واتصال محيطي قوي ، مما يشير إلى مستويات عالية من تطوير البنية التحتية. عادةً ما يكون ملف تعريف inness محايدًا (كما يمكن رؤيته في برلين) ، مما يشير إلى عدم وجود مركز واضح للمدينة يتم رسم الطرق إليه. من ناحية أخرى ، تميل المدن في مجموعة HH إلى أن يكون لها أطوال طرق أقصر ، واتصال محدود في الأطراف (مما يشير إلى مستويات أقل نسبيًا من تطوير البنية التحتية) ، وقيود جغرافية أكثر من مجموعة LL. تتمتع هذه المدن أيضًا بملف تعريف إيجابي ملحوظ (يظهر لكولكاتا) مما يشير إلى أن قابلية التنقل في المدينة تمر عبر قلب مركزي. يبدو أن مجموعة LH تعرض مزيجًا من القيم العالية والمنخفضة من حيث مقاييس البنية التحتية ، ومع ذلك فهي ملحوظة في إظهار قيود جغرافية أعلى بشكل ملحوظ من المدن في المناطق الأخرى. ينعكس هذا في ملف تعريف غريب إلى حد ما يتجلى بشكل إيجابي على مسافات قصيرة ، ولكنه سلبي في نطاقات أطول.

لمزيد من التحقيق في هذه الاتجاهات ، قمنا برسم التوزيع المكاني لـ ( hat I ) على خريطة جغرافية لمدينة تمثيلية من كل منطقة. يتم إنشاء التوزيع المكاني من خلال النظر في كل نقطة وسيطة في طريق المدينة ، وحساب متوسط ​​ ( hat I ) لجميع المسارات التي تمر عبر هذا الموقع المحدد. في التين.4g ، نعرض التوزيع المكاني لـ ( hat I ) لبرلين. في جميع أنحاء منطقة برلين ، نجد توزيعًا متجانسًا للإيجابية المتوسطة (شبه محايدة) (أحمر) ، مع الطرق القريبة من حدود المدينة تظهر قيمة سالبة هامشية (أزرق). لوحظت أنماط مماثلة في التجمعات الحضرية الكبيرة الأخرى مثل طوكيو وباريس (الشكل التكميلي 10 أ ، ج). تعد هذه المدن إلى حد كبير مناطق حضرية كبيرة ذات بنية تحتية متطورة ومستويات اتصال قوية.

بعد ذلك ، نركز على مجموعة المدن LH ، تلك التي بها مزيج من التحيز الداخلي والخارجي في أنماط الطريق. في الشكل 4 ح ، نعرض الملف الشخصي المكاني لمومباي الذي يعرض منطقتين متميزتين مع تحيز داخلي وخارجي. يفصل بين المنطقتين بحر العرب ، وتربطهما جسور (قليلة). يتوافق الجانب الأيسر من الخريطة مع الجزء الأكثر ارتباطًا من مومباي (مركزها الاقتصادي) ، وبالتالي فإن معظم الطرق داخل هذه المنطقة لها انحياز داخلي. يرجع ظهور التحيز الخارجي في المنطقة الأخرى إلى عدم وجود اتصال مباشر مع المركز الاقتصادي ، حيث يجب أن تمر الطرق عبر أحد الجسور القليلة التي تربط الجزيرة بالبر الرئيسي وبالتالي تخضع لانعطاف كبير. يظهر نمط مماثل في مدن أخرى في هذه المجموعة ، وكلها تقريبًا بها حواجز جغرافية (أنهار ، وبحار ، وتلال ، وجبال) تنتشر في جميع أنحاء المدينة ، أو تقسم المدينة إلى مناطق متميزة. بالإضافة إلى ذلك ، توجد مدن في هذه المجموعة لا توجد بها حواجز جغرافية ، ولكن هناك حواجز مصطنعة تعزو تأثيرًا مشابهًا على ملفات تعريف المسار. ومن الأمثلة البارزة على ذلك ميامي التي تضم موقعًا صناعيًا بارزًا لتعدين الصخور في مقاطعة غرب ميامي ديد (انظر الشكل التكميلي 10 هـ ، ز لهذا وأمثلة أخرى).

أخيرًا ، قمنا بفحص التوزيع المكاني لـ ( hat I ) لكولكاتا كمدينة في فئة HH ، كما هو موضح في الشكل 4i. من الواضح أن الصورة الشخصية أكثر تميزًا من تلك التي شوهدت في برلين. يوجد نمط المحور ونوع الكلام مع وجود المتحدث الذي يُظهر مستويات عالية من التداخل ، ويفترض أن ذلك يرجع إلى وظيفته التي تربط المناطق الخارجية بوسط المدينة. في الواقع ، يظهر مركز مدينة واضح مع وجود اتصالات محدودة أو معدومة عبر الأطراف. يُلاحظ نمط مماثل لمدن أخرى في هذه المجموعة (القاهرة ، ميدان ، الشكل التكميلي 10 ط ، ك). هناك سببان محتملان على الأقل لهذا السبب: إما أن هذه المدن لديها منطقة حضرية فعالة أصغر نسبيًا (مناطق ذات اتصال قوي) ، أو أنها تجمعات حضرية كبيرة ذات بنية تحتية محدودة أو متخلفة.

الفروق بين أقصر الطرق وأسرعها في المدن

يشير الاتصال المقاس لملفات inness مع مؤشرات البنية التحتية إلى أنه يمكن الحصول على مزيد من المعلومات من خلال دراسة الاختلافات بين الطرق الأقصر والأسرع. في الواقع ، في حين أن الأول أكثر ارتباطًا بالقيود المكانية والجغرافية ، فإن الأخير يشترك في ارتباط أكثر طبيعية بمؤشرات التنمية. لتقدير هذا الاختلاف بشكل أفضل ، نقيس معامل ارتباط بيرسون ρ بين ( يسار لونج < قبعة أنا> يمين rangle _ < rm f> ) و ( يسار لونل < قبعة I> يمين rangle _ < rm s> ) ، من أجل كل مدينة ، كما هو موضح في الشكل 5 هـ بترتيب تصاعدي من القيم السالبة إلى القيم الموجبة. تظهر كخطوط عمودية متقطعة هي نتائج استخدام ك- يعني التجميع و Jenks الفواصل الطبيعية الأمثل لتقسيم المدن إلى ثلاث مجموعات مع إنتاج كلتا الطريقتين تقسيمات متطابقة تقريبًا. (كشفت طرق التجميع البديلة عن نتائج مماثلة ، انظر الملاحظة التكميلية 6.)

الفرق بين أقصر الطرق وأسرع الطرق. أقصر الطرق أ وأسرع الطرق ب لبرلين. أقصر الطرق ج وأسرع الطرق د لمومباي. تُظهر الأشكال الداخلية مخططات الكثافة لـ ( hat I ) بنفس النطاق كما في الشكل 4. ه معامل ارتباط بيرسون ρ بين أنماط inness لأقصر الطرق وأسرعها لكل مدينة. يتم تصنيف المدن إلى ثلاث مجموعات (يتم تمييزها بخطوط متقطعة عمودية) بناءً على أ ك-يعني التجميع وتحسين فواصل جنكس الطبيعية ، بشرط مستوى الارتباط بينهما ρ. يتم سرد أسماء المدن في كل نوع في الملاحظة التكميلية 6. ثلاثة مؤشرات اجتماعية اقتصادية ، مؤشر الإنتاجية F، مؤشر تطوير البنية التحتية زونصيب الفرد من الناتج المحلي الإجمالي ح، كدالة ρ يظهر اتجاه تنازلي واضح بشكل رتيب. النقاط هي متوسطات على المدن التي تم تجميعها في فترات زمنية قدرها 0.2 ، وتمثل الأشرطة الخطأ القياسي

للتحقيق في هذا التقسيم ، نختار مدينة تمثيلية من كل طرف: برلين مع ρ & lt 0 ومومباي مع ρ ≈ 1. يوضح الشكل 5 أ ، ب التوزيع المكاني لـ ( hat I _ <> ^ <> ) في برلين لأقصر الطرق وأسرعها. على عكس الاتجاه المحايد الذي شوهد لأقصر الطرق ، تظهر أسرع الطرق انحيازًا خارجيًا قويًا يبدأ من مسافة شعاعية تبلغ 15 كم ، والتي يبدو أنها نتيجة للطرق الشريانية الشبيهة بالحلقات التي تشتت حركة المرور بعيدًا عن المركز. في الواقع ، هذا يدعم استعارتنا للقوى المتنافسة الموضحة في الشكل 1 ، حيث يميل الاتصال العالي للشوارع في وسط برلين إلى جذب التدفق نحو المدينة (يشهد عليه ملف التعريف الإيجابي إلى حد ما لأقصر الطرق) بينما تدفع الطرق الأسرع الطرق. الى الخارج. يُلاحظ اتجاه مماثل لجميع المدن ذات الارتباط السلبي (طوكيو وباريس الموضحان في الشكل التكميلي 10 أ-د) ، مع وجود طرق دائرية شريانية (تم بناؤها على الأرجح لتخفيف الازدحام) بالقرب من محيط المدينة كونها المحرك الرئيسي الاختلافات (بما يتماشى مع القيم الأعلى للاتصال المحيطي التي تم قياسها مسبقًا). تتوافق غالبية هذه المدن ، التي هي أعضاء في القسم من النوع الأول ، مع تلك الموجودة في المجموعة LL في الشكل 4 د.

على عكس برلين ، تعرض مومباي ملفات تعريف متطابقة تقريبًا بين أقصر الطرق وأسرعها ، كما هو موضح في الشكل 5 ج ، د ، مع عدد أقل من الطرق الشريانية أو الطرق الالتفافية التي يمكن أن تحول حركة المرور بعيدًا عن وسط المدينة. في حالة مومباي ، يرجع ذلك إلى قيود جغرافية بارزة ، ولكن لوحظ نمط مماثل أيضًا في مدن أخرى مثل كولكاتا ، التي تفتقر أيضًا إلى الطرق الطرفية. وبالتالي ، فإن المدن التي تعاني من نوع من القيود الجغرافية أو البنية التحتية المتخلفة نسبيًا تميل إلى إظهار ارتباط أعلى بين نوعي الطرق. تشمل هذه المدن الموجودة في القسم من النوع الثالث غالبية المدن في المجموعة HH وعدد قليل من مجموعات LH في الشكل 4.

تميل المدن ذات الارتباط الوسيط في القسم من النوع الثاني إلى أن تكون تلك التي تحتوي على ملف تعريف يُرى في مجموعة LH في الشكل 4. يبدو أن السلوك الموضح هنا هو مزيج من العوامل التي تحرك الاتجاهات التي نشهدها في مدن النوع الأول والنوع الثالث. لكن كما يحدث ، هناك حالة استثنائية لنيويورك. تشترك المدينة في نفس الميزات مثل مدن النوع الأول ، أي أنها منطقة حضرية كبيرة ، مع بنية تحتية متطورة للغاية حتى الآن ، يبدو أن هناك علاقة قوية بين أسرع الطرق وأقصرها (الشكل التكميلي 14). من المحتمل أن يكون هذا بسبب الجغرافيا الفريدة للطرق السريعة في منطقة نيويورك الحضرية الحضرية ، والتي على عكس المدن النموذجية من النوع الأول لا تحتوي على طرق سريعة تشبه الحلقات في الأطراف. بدلاً من ذلك ، تتكون نيويورك من سلسلة من الطرق السريعة الشعاعية والشبيهة بالشبكة والتي يتمثل تأثيرها الإجمالي في إلغاء أي تحيز اتجاهي يمكن ملاحظته.

تنعكس المستويات المتقدمة للبنية التحتية عادةً في التحسينات عبر مجموعة متنوعة من المؤشرات الاجتماعية والاقتصادية. لفحص ما إذا كان السلوك المقاس لـ inness يلتقط أيًا من هذا ، فإننا نأخذ في الاعتبار ثلاثة مؤشرات اجتماعية واقتصادية: مؤشر الإنتاجية الذي تم الحصول عليه من مؤشر ازدهار المدينة (CPI) الذي أنشأته الأمم المتحدة (http://cpi.unhabitat.org/download -raw-data) ، ومؤشر تطوير البنية التحتية (مصدره أيضًا CPI) ، وأخيرًا نصيب الفرد من الناتج المحلي الإجمالي من https://www.lloyds.com/cityriskindex/locations. في الشكل 5f – h ، نرسم هذه المقاييس كدالة لمعامل الارتباط ρ التي تم استخدامها لتجميع المدن. في جميع الحالات الثلاث ، هناك انخفاض رتيب واضح في المؤشرات مع زيادة ρ، مما يشير إلى أن inness يشفر أيضًا المعلومات حول التنمية الاجتماعية والاقتصادية. يظهر نمط واضح نسبيًا حيث غالبية المدن من النوع الأول عبارة عن تجمعات حضرية كبيرة ذات بنية تحتية متقدمة ومؤشرات اجتماعية واقتصادية قوية ، والمدن من النوع الثالث عمومًا لديها بنية تحتية محدودة وتنمية اجتماعية واقتصادية محدودة ، وأخيراً تشترك مدن النوع الثاني في مزيج من هذه الميزات.


النتائج والاستنتاجات

نقدم هنا نتيجة تحليل شبكة النقل متعدد الوسائط لمنطقة طوكيو الكبرى باستخدام الطرق المذكورة أعلاه. نظرًا لأن تحليلنا استكشافي بشكل أساسي ، فإننا نبذل جهودًا لوصف الميزات التي تم الكشف عنها لأنماط استخدام نظام النقل بدقة. على الرغم من أن هدفنا هنا ليس إجراء عمليات محاكاة دقيقة لحركة المرور وإعادة إنشاء تدفق دقيق لحركة المرور ، فإننا نقوم بإجراء مقارنة محدودة للاستخدام المكشوف مع البيانات التجريبية للتحقق من صحة الوجه لأساليبنا. ثم نغطي بعض الآثار والتفسيرات لهذه النتائج في قسم الاستنتاجات أدناه.

تردد استخدام الحافة

أولاً ، ننظر إلى ترددات استخدام الحافة الواردة في الشكل 8 والجدول 3 (بالنسبة المئوية ، تتاح أعداد الاستخدام في الملف الإضافي 1). على الرغم من أن استخدام الحافة أقل إفادة لأنماط استخدام الوضع من الوقت المستغرق (الجدول 4) والمسافة المقطوعة (الجدول 5) ، إلا أنها أكثر إفادة للأنماط الجغرافية وإحصاءات استخدام معينة مثل عمليات النقل وروابط الوصول. لاحظ الدرجة العالية جدًا من التشابه بين أعمدة بيانات العمل ومن العمل. هناك اختلافات ، ونستكشفها لاحقًا ، لكن من الناحية العملية يمكننا اعتبارها متكافئة.

خريطة لمنطقة طوكيو تُظهر حل التدفق الذي وجدته الخوارزمية البسيطة باستخدام عينة من مليون شخص / وظيفة (أعلى) وتكرار استخدام الحافة بين 300000 رحلة تم إنشاؤها إلى العمل (أسفل - عكس خريطة الرحلة المتاحة في إضافية ملف 1). لتركيز الانتباه على الممرات المستخدمة بكثرة ، قمنا بتصفية الحواف بأقل من 100 رحلة في هذه المخططات (ولكن ليس في تحليلنا). لاحظ أن الحواف التي تسير في كل اتجاه لكل زوج من العقد تتداخل ، وحتى عند 0.3 عتامة ، قد يكون بعض الاختلاف في اللون ناتجًا عن ترتيب z. مربعات الخرائط بواسطة Stamen Design (2019) ، بيانات الخريطة بواسطة OpenStreetMap (OpenStreetMap Contributors 2019).

نتائج الرحلة التي تم إنشاؤها عشوائياً تشبه إلى حد كبير نتائج خوارزمية simplex ، ولكن هنا تكشف اختلافات الاستخدام عن اختلافات مهمة بين الطريقتين. على سبيل المثال ، استخدمت خوارزمية simplex 480 (0.007٪) رابط نقل ناقل ، بينما ولدت الرحلات المولدة 1744 (0.019٪). بالنسبة لكلا النظامين ، يعد استخدام نقل الحافلات هو أقل نوع ارتباط ، ولكن من المرجح أن تستخدم الرحلات التي تم إنشاؤها نقل الحافلة بثلاث مرات تقريبًا. تستخدم خوارزمية simplex أيضًا ضعف عدد الروابط السداسية و 5٪ روابط اتصال أكثر (كلاهما أكثر فائدة للسفر قصير المدى). وللتعويض عن ذلك ، تستخدم الرحلات التي تم إنشاؤها عشوائياً 3٪ المزيد من روابط القطارات و 6٪ المزيد من روابط الطرق. من حيث العدد الهائل من الوصلات ، تهيمن شبكة الطرق بنسبة 40٪ ، ولكن كما سنرى فإن هذا لا يترجم إلى تدفق مرتفع لأن متوسط ​​طول الوصلة لشبكة الطرق قصير.

أنماط استخدام الوضع

بحسب ال مسح خصائص الحركة الحضرية على مستوى الدولة، باستخدام بيانات الرحلات المجمعة عبر أكبر ثلاث مدن في اليابان ، استخدمت 26٪ من الرحلات اليومية خلال أيام الأسبوع القطار كوضع سفر رئيسي ، و 2.7٪ تستخدم الحافلة ، و 33٪ تستخدم سيارة ، و 16.8٪ دراجة ، و 21.5٪ تستخدم المشي أو وسائل أخرى ( وزارة الأراضي 2010 ب). نظرًا لأن هذا لا يعكس سوى وسيلة النقل الرئيسية (وليس جميع وسائط النقل على طول الطريق) ، ويجمع بين جميع أغراض السفر (وليس منعزلًا عن السفر بين المنزل والعمل) ، فإن البيانات ليست مقارنة مثالية لنتائجنا أو أغراضنا . ومع ذلك ، كما ذكرنا سابقًا ، فإن توافر البيانات في اليابان محدود للغاية مقارنة بالدول المتقدمة الأخرى (كاواساكي 2015) ، لذلك علينا أن نتعامل مع ما لدينا.

يمكننا تقييم فائدة ارتباط أو وضع باستخدام الوقت المستغرق والمسافة المقطوعة عبر هذا الرابط أو الوضع. أحد الأسباب التي تجعل هذا أفضل من عدد / نسب استخدام الحافة هو أنه في شبكة متعددة الوسائط يكون التباين في مسافة الارتباط والسرعة والاتصال أكبر بكثير مقارنة بالوضع الفردي. يوضح الجدول 4 النسبة المئوية لإجمالي وقت السفر المستخدم بواسطة كل وضع نقل بينما يفعل الجدول 5 نفس الشيء بالنسبة للمسافات.

استنادًا إلى نسب إجمالي الوقت والمسافة الإجمالية المستخدمة ، يمكننا إجراء بعض الاستدلالات حول متوسط ​​خصائص الأوضاع. الروابط السداسية والربط ، بالإضافة إلى روابط الوصول والتحويل ، هي وسائل بطيئة ولكنها ضرورية لربط وسائط النقل الأكثر كفاءة ، وبالتالي فهي تشكل نسبة مئوية صغيرة لمعظم الرحلات ، ولكنها جزء من كل رحلة. النتيجة الرئيسية هنا هي أن القطار + الطريق يشكلان ما يقرب من 66٪ من الوقت ولكن أكثر من 94٪ من المسافة المقطوعة ، مع روابط أخرى (أبطأ) تملأ الشقوق لتوفير الوصول عبر الوسائط والوصول إلى المواقع المحلية. تشكل الحافلات نسبة منخفضة بشكل مدهش من الوقت والمسافة. على الرغم من أن المعدلات التي تم إنشاؤها تتطابق مع بيانات المسح التي تبلغ 2.7٪ فقط من رحلات التنقل تستخدم الحافلة كوضع رئيسي ، فإننا نتوقع أن نرى الحافلات المستخدمة في دور داعم (على سبيل المثال ، من المنزل إلى المحطة). نعود إلى هذه النقطة أدناه.

تكشف الاختلافات بين الجداول 3 و 4 و 5 كيف يؤثر عدم تجانس الوضع على النتائج. على سبيل المثال ، على الرغم من أن السفر على الطريق يشكل 36٪ أو 43٪ من حواف الرحلات الفردية والرحلات المُنشأة على التوالي ، إلا أنه يمثل فقط 16٪ و 18٪ من الوقت المُستخدم (قيم مماثلة للمسافة). الروابط السداسية والوصلة كلها قصيرة (250 م) ويتم اجتيازها بسرعات مشي ، لذا فهي تشكل 38٪ من الروابط ، ولكن 29٪ من الوقت و 5٪ من المسافة للتدفق البسيط. بالنسبة لتدفق الرحلة الذي تم إنشاؤه ، تنتقل روابط المشي هذه من 28٪ من الحواف إلى 18٪ من الوقت و 3٪ من المسافة. بشكل عام ، تؤكد هذه النتائج على أهمية أوزان الحواف الزمنية والمادية عند تحليل شبكات النقل المدمجة جغرافيًا. النماذج التي تجرد هذه التفاصيل بعيدًا عن قياس خصائص بنية الشبكة بشكل أكثر بساطة تفتقد إلى هذا الجانب الرئيسي لتحليل شبكة النقل.

النقل بالحافلات

كما ذكرنا سابقًا ، فإن روابط نقل الحافلات هي الأقل استخدامًا لكلتا الطريقتين. أحد أسباب ذلك هو المستوى المنخفض بشكل عام لاستخدام الحافلات (1٪ من الروابط للخط البسيط ، و 0.7٪ للرحلات المولدة) ، ولكن حتى مع الأخذ في الاعتبار أن عمليات النقل غير ممثلة تمثيلاً ناقصًا. تم استخدام روابط الوصول إلى الحافلات 35،280 و 30،900 مرة بواسطة البسيط وطرق الرحلة المولدة على التوالي ، مما يعني ضمناً 17،640 و 15،450 رحلة بالحافلة. هذا يعني أن 2.72٪ فقط من رحلات الحافلات اشتملت على عمليات نقل بسيطة و 11.29٪ للرحلات المولدة. في الواقع ، تعتبر عمليات نقل الحافلات غير شائعة إلى حد ما في نظام النقل بطوكيو لأن الحافلات تستخدم عادةً لربط المناطق النائية بأقرب محطة قطار أو لتوصيل محطات / مواقع القطار البعيدة معًا عبر الحافلات السريعة. وبالتالي فإن معظم عمليات نقل الحافلات تتم في محطات القطار ، ومن تلك النقاط يكون استخدام القطار أسرع عادةً. على الرغم من أننا لا نملك حتى الآن بيانات صلبة حول معدلات نقل الحافلات لإجراء مقارنة كمية (فقط التقارير والأدلة السردية) ، فإننا نعتبر هذا المعدل المنخفض لنقل الحافلات نقطة تحقق معتدلة للطرق المستخدمة هنا.

نقص استخدام الحافلات

على الرغم من توقع النسب المئوية المنخفضة لنقل الحافلات ، إلا أننا توقعنا ارتفاع معدلات استخدام الحافلات بشكل عام. الحافلات ممثلة تمثيلا ناقصا بكلتا الطريقتين وللسبب نفسه. تستخدم الحافلات شبكة الطرق ولكنها تأتي مع تكلفة وقت التحميل والتفريغ. لذلك ، نظرًا لأن تحليلنا الحالي ينظر فقط إلى كفاءة الوقت ، فإن استخدام شبكة الطرق مباشرة سيكون أسرع من استخدام شبكة الحافلات لنفس المسار. الاستثناءان لهذا هما (1) حيث تكون شبكة الطرق المضمنة متناثرة للغاية لأن الطرق أصغر من الدرجة الثالثة و (2) الحافلات السريعة التي تعمل على الطرق السريعة المستبعدة أيضًا من شبكة الطرق الحالية لدينا. بالطبع ليس لدى الجميع سياراتهم الخاصة لاستخدامها (يمتلك أقل من نصف الأسر في طوكيو سيارة جمعية معلومات فحص السيارات وتسجيلها (2017)) ، والسبب الرئيسي لاستخدام الحافلة بدلاً من التاكسي هو التكلفة وليس الوقت. من المرجح أن يؤدي العمل المستقبلي الذي يتضمن التكاليف المالية بالإضافة إلى تكاليف الوقت إلى إنشاء أنماط استخدام أكثر واقعية للحافلات. ومع ذلك ، يؤكد تحليل الشبكة متعددة الوسائط ما نعرفه بالفعل: إذا لم يكن المال ومواقف السيارات مشكلة ، فإن القيادة تُفضل دائمًا على ركوب الحافلة.

مدة الرحلة والوضع

كما ذكرنا سابقًا ، تتمثل إحدى مزايا طريقة الرحلات المُنشأة في أنها توفر بيانات غنية بشأن الأوضاع المستخدمة على طول الطريق بالإضافة إلى إجمالي مسافات وأوقات السفر. متوسط ​​وقت الاجتياز الإجمالي لرحلاتنا المولدة هو 64 دقيقة (الحد الأقصى هو 223 والدقيقة 1.95 دقيقة). وفقًا لمسح NHK لعام 2015 ، فإن متوسط ​​وقت التنقل في اتجاه واحد للأشخاص الذين يعملون في منطقة طوكيو الكبرى هو 51 دقيقة (NHK Culture Research Institute 2015). على الرغم من أن هذا أقل إلى حد ما مما وجدناه ، إلا أن وقت التنقل النموذجي (في صناديق 10 دقائق) يتراوح من 60 إلى 69 دقيقة (20.6٪) ، لذا فإن طريقة الرحلة التي تم إنشاؤها تنتج رحلات معقولة في هذا الصدد أيضًا. قد تكون قيمتنا المتوسطة أعلى بسبب أزواج العمل من المنزل غير العملية ، أو ربما لأن بيانات المسح تضمنت وظائف غير مكتبية يعمل الأشخاص في (على سبيل المثال) المتاجر والمطاعم من المرجح أن يعملوا بالقرب من المنزل. من نفس الاستطلاع (NHK Culture Research Institute 2015) ، أفاد 85.2 ٪ من موظفي المكاتب أنهم يتنقلون بالقطار. يقارن هذا بشكل إيجابي مع اكتشافنا أن 88.5٪ من الرحلات التي تم إنشاؤها تحتوي على مكون قطار. إذا تمكنا من الحصول على نتائج أكثر دقة من هذا الاستقصاءات وغيرها فيما يتعلق باستخدام وضع التنقل التجريبي والوقت والمسافة وما إلى ذلك ، فيمكننا إجراء مقارنة أكثر صرامة للتوزيعات للتحقق من صحة النتائج ومعايرة وظائف توليد الرحلات الأكثر تعقيدًا.

ربط عوامل تحديد الاستخدام

نحن هنا نتحرى ما إذا كانت ميزات ارتباط معينة تزيد من احتمالية عبورها إما في تجارب الرحلة البسيطة أو التي تم إنشاؤها. من الواضح أن العامل المحدد الرئيسي هو وجود موقع بين السكان ومراكز التوظيف ، ولكن بعد ذلك يبدو من المعقول أن يتم استخدام الروابط التي تغطي مسافة أكبر في وقت أقل بشكل تفضيلي. يوضح الجدول 6 ارتباط بيرسون لتردد استخدام الحافة بالسرعة والمسافة ووقت الاجتياز للشبكة بأكملها وثلاثة أوضاع رئيسية للنقل (أي باستثناء روابط الاتصال والعرافة ، والأخيرة جميعها متطابقة في المسافة والوقت).

بشكل بديهي ، يتم استخدام القطارات لأنها وسيلة سفر عالية السرعة وفعالة ، مما يعني أننا يجب أن نتوقع أن تهيمن القطارات السريعة على استخدام القطارات وأن تكون القطارات المحلية أقل شيوعًا. بالنظر إلى شبكة النقل بأكملها ، يتم استخدام الروابط الأسرع والأطول في الواقع بشكل تفضيلي بواسطة كلتا الطريقتين. بالنسبة للرحلات التي تم إنشاؤها ، ينطبق هذا على القطارات (0.163) ، ولكن بالنسبة لطريقة الإرسال البسيط ، لا ترتبط القطارات الأسرع بالتردد (0.051) على الرغم من استخدام الروابط الطويلة (والتي غالبًا ما تكون قطارات سريعة) بشكل تفضيلي (0.127).

من المفترض أن ركوب الحافلات الأطول ليس أسرع بكثير من رحلات الحافلات الأقصر لأنها مقيدة بظروف حركة المرور وحد السرعة ، لذلك على الرغم من أن ركوب الحافلات الأطول (السريع) يتم استخدامه بشكل تفضيلي بواسطة طرق الإرسال البسيط (0.251) والرحلات المولدة (0.299) ، السرعة غير مرتبطة. نتيجة لذلك ، ترتبط أوقات السفر الطويلة بالحافلة أيضًا في كلا الطريقتين. على الرغم من عدم وجود علاقة ملحوظة بين ميزات الطريق والاستخدام ، إلا أن المسافة ووقت الاجتياز لهما ارتباطات صغيرة وسلبية ، مما يشير إلى أن الطرق تُستخدم غالبًا للرحلات القصيرة (على سبيل المثال ، الركوب من المنزل إلى المحطة أو القيادة مباشرةً حيث يكون استخدام القطارات شديد الالتفاف ).

من الشكل 8 لكلٍّ من التدفقات المتولدة ، يبدو أن الروابط التي تتدفق إلى القلب لها الأوزان الأكبر ، ومع ذلك ، نجد أنه من بين الروابط المستخدمة فعليًا ، لا يتم استخدام الروابط داخل القلب نفسه بكثرة مثل الطرق الموجودة في الوسط. على وجه التحديد ، فإن الارتباط بين مسافة مركز الحواف إلى محطة طوكيو يرتبط ارتباطًا سلبيًا قليلاً بتردد استخدامها (البسيط: -0.175 رحلة تم إنشاؤها: -0.12). أحد التفسيرات هو أن الوجهات داخل المركز متنوعة ، والشبكة أكثر كثافة في تلك المنطقة ، وبالتالي تشتت حركة المرور عبر العديد من الحواف. على النقيض من ذلك ، فإن مسارات الركاب التي تتدفق من المركز وإليه قليلة ، وبالتالي تركز الاستخدام على عدد قليل من الطرق الرئيسية. على الرغم من أنه من المؤكد أن أعلى روابط حركة المرور هي روابط الركاب هذه ، إلا أننا نجد أن النمط أكثر عمومية. الروابط المحيطية (خارج الضواحي) هي الأكثر شيوعًا والأقل استخدامًا ، لكن قطارات الضواحي تجذب الركاب الثقيل بعيدًا عن وسط المدينة.

خصائص الرحلة

يكشف التحليل الإضافي لبيانات الرحلة التي تم إنشاؤها عن / يؤكد بعض أنماط الاستخدام الإضافية. يلخص الجدول 7 بعض العلاقات الرئيسية ذات الأهمية. بالنسبة إلى وسائط النقل الأربعة الرئيسية (باستثناء روابط الوصول والربط) ، يمكننا أن نرى الفرق بين متوسط ​​طول الحافة في الشبكة الكاملة مقارنة بمتوسط ​​طول الحافة المستخدم في الرحلات المولدة. بطبيعة الحال ، لم تتغير الروابط السداسية لأن جميع الروابط السداسية يبلغ طولها 250 مترًا ، ومع ذلك ، فإن روابط القطارات والحافلات أطول وروابط الطريق أقصر. علاوة على ذلك ، فإن روابط القطارات التي تقترب من ضعف متوسط ​​الطول تكشف عن استخدام القطارات السريعة (مع أطوال الوصلات من 2 إلى 5 مرات أطول من القطارات المحلية) ، ولكن ليس من خلال كثرة الرحلات. غالبًا ما لا تحتوي قطارات المدينة الداخلية على خطوط سريعة وهذا هو المكان الذي يحدث فيه ركوب القطار.

روابط الحافلات المستخدمة أطول بـ 15 مرة من متوسط ​​روابط الحافلات ، مما يشير إلى أن الحافلات تستخدم بشكل حصري تقريبًا للخدمات السريعة. كما تمت مناقشته سابقًا ، تكون شبكة الطرق أسرع للمسافات الأقصر ، ومن المؤكد أننا وجدنا أن الطرق يتم استخدامها للوصول المحلي لأن روابط الطرق المستخدمة أقصر من متوسط ​​روابط الطرق. على الرغم من التركيز على روابط المسافات الطويلة ، فإن استخدام الحافلات يشكل أقل من المسافة الإجمالية (1.5٪) من الروابط السداسية (1.6٪). يرتبط استخدام الروابط السداسية والطريق بشكل عكسي بطول الرحلة الإجمالي ، بينما يرتبط استخدام القطار بشكل إيجابي.

كمقياس لمدى كفاءة المسار ، نقيس دائرة كل رحلة كنسبة المسافة المقطوعة إلى المسافة الإقليدية (Huang and Levinson 2015 Lee et al. 2015). نجد أن الحد الأقصى للدوران لرحلات العمل يبلغ 6.82 (حول خليج طوكيو) ، ومتوسط ​​1.28 ، وقيمة لا تقل عن 1 (توجد رحلة واحدة على الأقل بين السداسيات المجاورة). يرتبط الاستخدام الأكبر للقطار ارتباطًا سلبيًا بعدم كفاءة المسار (−0.214). على الرغم من أن القطارات سريعة ، إلا أنه يتعين على المرء أن يبتعد عن طريقه من وإلى المحطات لاستخدامها ، مما يؤدي بشكل بديهي إلى مزيد من الدوران. بدلاً من الإشارة إلى أن رحلات القطارات أقل تداخلًا ، ما يخبرنا به هذا هو أن القطارات تُستخدم كثيرًا في الحالات التي تكون فيها أقل التفافًا (من المفترض أن يتم استخدام الطرق عندما تكون طرق القطارات ملتوية للغاية).

بالإضافة إلى التفاصيل المذكورة أعلاه ، نجد أيضًا أن 18.29٪ من الرحلات تستخدم روابط صفرية سداسية عشرية ، مما يعني أنهم كانوا قادرين على استخدام روابط الاتصال للوصول إلى عقدة نقل مباشرة من المنزل السداسي وعرافة العمل. في 0.05٪ فقط من الرحلات ، تم استخدام روابط سداسية عشرية فقط ، مما يشير إلى أن شخصًا واحدًا من بين 2000 شخص يمشي مباشرة إلى العمل هو في الواقع أكثر طرق السفر كفاءة من حيث الوقت. على الرغم من استخدام رابط قطار واحد على الأقل في 88.54٪ من الرحلات ، استخدم 3.1٪ فقط القطارات والسداسيات ، مما يشير إلى أن الرحلات من وإلى المحطات تعتمد على أوضاع أخرى (على سبيل المثال ، استخدام الطرق للوصول إلى المحطة). في المقابل ، استخدمت 96.53٪ من الرحلات بعض روابط الطرق و 10.27٪ استخدمت روابط طرق فقط (وعرافة). استخدمت خمسة بالمائة من الرحلات روابط حافلات ، لكن 0.05٪ فقط استخدمت حافلات بدون وصلات قطار أو سيارة (نفس النسبة المئوية للروابط السداسية). تخبرنا نتائج الرحلات التي تم إنشاؤها أن السفر الفعال من وإلى العمل متعدد الوسائط حقًا ، ولكن مع استخدام 2.82 ٪ فقط من الرحلات التي تستخدم جميع وسائط النقل الرئيسية الأربعة ، فإن أفضل مزيج من الأوضاع يكون سياقيًا للغاية.

الرحلات المتولدة إلى مقابل من

لقد فوجئنا في البداية أنه في أقل من ثلث الرحلات (96219 من 300000) تم اتخاذ مسار مختلف من وإلى نفس الزوج من النقاط. تذكر الجدول 3 لترددات استخدام الحافة على الرغم من وجود درجة عالية من التشابه بوضوح ، إلا أن هناك أيضًا بعض الاختلافات الملحوظة (انظر أيضًا الخرائط التي توضح أوزان التردد في كل اتجاه في الملف الإضافي 1). قد لا يبدو هذا مفاجئًا في شبكة موجهة ، ولكن تقريبًا جميع الروابط متبادلة ومرجحة بشكل متماثل. بالنسبة لتلك الوصلات الموزونة بشكل غير متماثل ، مثل روابط تحميل / تفريغ الحافلات والقطارات ، سيظل إجمالي وقت الرحلة متماثلًا نظرًا لوجود رابط تحميل وتفريغ على كل جانب من جوانب رحلة القطار أو الحافلة.

سبب العدد الكبير من رحلات العودة غير المتطابقة هو أننا استخدمنا خوارزمية مسار Dijkstra أحادي المصدر ولا تُرجع سوى مسارًا واحدًا من العديد من مسارات وقت السفر المكافئة. تحسباً لذلك ، فضلنا العثور على جميع المسارات ووزن الأعداد بعدد المسارات (كما هو الحال عادةً في الحسابات البينية) ، لكننا لم نتمكن من القيام بذلك بسبب متطلبات الوقت الحسابي (أكثر من 20x أطول). في الواقع ، في جميع الحالات التي اتخذت فيها الرحلات من وإلى الرحلات مسارات مختلفة ، كان الوقت المستغرق لا يزال متطابقًا. هذه مشكلة خاصة في جزء الشبكة السداسي عشرية من الشبكة حيث يمكن العثور على العديد من المسارات المميزة ذات الطول والوقت المكافئين. عندما نقوم بالتصفية إلى تلك المسارات التي تم من خلالها استخدام عدد مختلف من روابط القطارات أو الحافلات أو الطرق ، يقل عدد رحلات العودة غير المتطابقة إلى 7856.

بالنسبة لأسوأ اختلاف في مسافة السفر ، قطعت رحلة العمل 75 كيلومترًا (65 كيلومترًا بالقطار) للوصول إلى وظيفة على بُعد 43 كيلومترًا. استخدمت رحلة العودة 16 كم فقط من السكك الحديدية ، ولكن 21 كم من وصلات الحافلات لمسافة سفر إجمالية تبلغ 52 كم. استغرقت الرحلتان نفس القدر من الوقت بالضبط. يحدث أكبر فرق في عدد الخطوات بين زوج يفصل بينهما 18 كم. استخدمت رحلة العمل في الغالب روابط طرق (68 من 90 كانت عبارة عن حواف طرق) ، بينما استخدمت رحلة العودة 18 رابطًا للطرق و 7 روابط قطارات من إجمالي 41 رابطًا. لم يتم استخدام حافلات في أي من الاتجاهين. تربط روابط الطرق التقاطعات بينما تربط روابط القطارات المحطات البعيدة عن بعضها البعض. اختلفت المسافة الإجمالية المقطوعة بمقدار 1.7 كم فقط ، لذا فإن الاختلاف يسلط الضوء مرة أخرى على أهمية التدابير القائمة على أسس جغرافية من حيث المسافات والوقت بدلاً من الخصائص الهيكلية للشبكة. سيتم تحسين الاختلافات بين الرحلات من وإلى الرحلات ، أو بالأحرى وجود مسارات مكافئة متعددة بين النقاط ، إلى حد كبير من خلال وظيفة توليد رحلة أكثر تعقيدًا تتضمن التكاليف ، وعقوبات النقل ، والمسافات الدنيا لكل وضع ، وجوانب أخرى.

صيغة المسار

كما هو موضح أعلاه ، فإن نسب مقدار استخدام كل وضع متشابهة جدًا بين طريقتي الرحلات البسيطة والمتولدة عشوائيًا ، حتى عند قياسها على أنها الوقت المستخدم أو المسافة المقطوعة. توضح التفسيرات للاختلافات المقدمة أعلاه المفاضلة بين الفوائد الحسابية للخوارزمية البسيطة مقابل ثراء البيانات وبديهية إنشاء رحلات O-D. هنا نطرح سببًا قويًا لتفضيل طريقة الرحلات التي تم إنشاؤها عشوائيًا والتي تجمع النتائج المختلفة المذكورة أعلاه: المسارات التي تم إنشاؤها أكثر قابلية للتصديق.

يوضح الشكل 9 الروابط المستخدمة بواسطة كل وضع لكلتا الطريقتين المركزة على وسط طوكيو والتي تمت تصفيتها لإظهار الحواف المستخدمة 10 مرات على الأقل (الخرائط الكاملة مع جميع الروابط المتاحة في الملف الإضافي 1). تم الكشف عن الافتراض الضمني للطريقة البسيطة بأن الأشخاص يأخذون أقرب وظيفة متاحة من منازلهم في عدد كبير من الرحلات القصيرة ذات الروابط السداسية. أكثر من ذلك ، فإن استخدام الطرق والحافلات والقطارات هو أيضًا أكثر تجزئة ومحلية. على النقيض من ذلك ، تكشف طريقة الرحلة التي تم إنشاؤها عن أنماط استخدام أكثر عضوية واتساقًا وتتبع نمطًا متفرّعًا مألوفًا مع الفروع المشتركة وعقد الأوراق المعزولة.

تم تكبير خريطة منطقة طوكيو لإظهار الروابط المستخدمة بواسطة الوضع للخوارزمية المفرد (أعلى) والرحلات التي تم إنشاؤها إلى العمل (أسفل) لتصفية الحواف بأقل من 10 عمليات اجتياز. الخطوط الزرقاء عبارة عن قطارات ، والأخضر عبارة عن حافلات ، والأحمر عبارة عن طرق ، والأرجواني عبارة عن روابط interhex ، وروابط المشي المتصلة باللون البرتقالي. مربعات الخرائط بواسطة Stamen Design (2019) ، بيانات الخريطة بواسطة OpenStreetMap (OpenStreetMap Contributors 2019).

المشكلة في النتائج البسيطة هي أكثر من مشكلة بصرية. على الرغم من وجود أكثر من ثلاثة أضعاف عدد الأشخاص الذين يتنقلون في محاكاة simplex ، إلا أن كثافة الرحلات في مراكز المدن وتنوع الحواف المستخدمة أقل بشكل ملحوظ. يوضح الجدول 8 عدد الحواف المميزة المستخدمة بواسطة كل وسيلة نقل. من خلاله يمكننا أن نرى أنه على الرغم من أوجه التشابه في ترددات الاستخدام النسبي والأوقات والمسافات ، فإن طريقة simplex تركز استخدامها في النقل في روابط أقل بكثير.

على الرغم من أن كلتا الطريقتين تجريديتان ، إلا أن الطريقة البسيطة هي بالتأكيد أكثر تجريدية. طريقة simplex مناسبة للمشكلات اللوجستية ، على سبيل المثال ، العثور على نمط التوزيع الأمثل من مجموعة من المستودعات إلى العملاء الموزعين. في حالة النقل للركاب ، فإن الحل الفعال ليس بالضرورة حلاً واقعياً. يكشف التشابه في توزيعات الاستخدام شيئًا مثيرًا للاهتمام حول أنماط الاستخدام الأساسية ، ولكن الحجم الأكبر لعينة السكان / الوظيفة لا يُترجم إلى أخذ عينات أكبر (أو أوسع) لشبكة النقل ، فإن إجمالي تردد الحافة لطريقة simplex هو 6،687،938 اجتياز ، لكن 9،324،179 و 9،323،457 للرحلات المتولدة. يأتي الاختلاف من عدد الرحلات القصيرة الكافية لتلبية الطلب المحلي الصافي لخوارزمية الإرسال البسيط. ومع ذلك ، من الناحية التجريبية ، هناك عدد قليل من تنقلات العمل من المنزل قصيرة مثل الخوارزمية البسيطة.

لقد قمنا بالفعل بتغطية العديد من الطرق التي يمكن من خلالها توسيع طريقة الرحلة المُنشأة وتحسينها. حتى بدون هذه التحسينات ، تكشف طريقة الرحلة التي تم إنشاؤها عن نفسها بأنها متفوقة على أسلوب الشبكة البسيط في التقاط أنماط الاستخدام التي تعكس تعقيد شبكات النقل متعدد الوسائط المتكاملة. ربما يمكن أيضًا تنقيح طريقة simplex وتوسيعها للحصول على نتائج أكثر فائدة. لقد ذكرنا بالفعل إمكانية استخدام مستويات الدخل والجودة لمطابقة الأشخاص بشكل أفضل مع الوظائف. يمكن استخدام اعتبارات إضافية لإنشاء توزيعات متعددة للمنزل والعمل ، ويمكن معايرة نتائج تشغيل خوارزمية simplex على كل زوج من التوزيعات لإنتاج أنماط استخدام أكثر واقعية.

مقارنة مع معظم القطارات المزدحمة

بالإضافة إلى أوصاف النتائج الاستكشافية والمقارنات النوعية لأنماط الركاب المعقولة أعلاه ، نقدم هنا تحليلًا كميًا لمدى نجاح أساليبنا في توليد أنماط مشابهة للأنماط التجريبية. تنشر وزارة الأراضي والبنية التحتية والنقل والسياحة (MLIT) قائمة بصيغة PDF تضم قطاعات مختارة من شبكة القطارات بما في ذلك ، على سبيل المثال لا الحصر ، تلك التي تتمتع بأعلى نسبة من القدرة الاستيعابية للركاب في ساعة معينة من التشغيل (وزارة الأراضي 2018). ينصب تركيز البيانات على المقاطع الموجهة التي تتجاوز السعة بدلاً من أعلى عدد ركاب ، ولكن البيانات تتضمن عدد ركاب تلك القطارات. من الناحية المثالية ، سيكون لدينا متوسط ​​قيم عدد الركاب اليومية لكل مقطع ، على الأقل بالنسبة للخطوط الأكثر تسييرًا ، مما يسمح لنا بحساب التداخل المنحاز للرتبة (Webber et al. 2010) وهو قياس تشابه الرتبة الذي يعزز مقارنات القوائم ذات الأطوال المختلفة مع أوزان أثقل لمطابقة الشرائح ذات الترتيب الأعلى. لسوء الحظ ، هذه البيانات غير متاحة للجمهور ، ولا يمكننا سوى تحليل البيانات التي يمكننا الوصول إليها حاليًا.

لمعرفة سبب أهمية ذلك ، ضع في اعتبارك المثال التالي. تبلغ سعة مقطع واحد مدرج 2688 و 3130 ركابًا ، مما يجعله يزيد بنسبة 16 ٪ عن سعته خلال تلك الساعة المحددة من اليوم. تبلغ سعة قطاع خط آخر 34،040 و 32،240 ركابًا خلال ساعة الذروة ، وبالتالي يعمل بنسبة 95 ٪ من السعة. على الرغم من أن القطار الثاني أقل مزدحم في أقصى حد له ، حتى في غير ساعات الذروة ، يحمل ما يقرب من عشرة أضعاف حركة المرور مثل القطار الأكثر ازدحامًا. نظرًا لعدم وجود بيانات سعة غير متجانسة حتى الآن لكل خط قطار ، لا يمكننا مطابقة مستويات الازدحام. ومع ذلك ، يمكننا تحديد الاتفاقية بين ترتيب أعداد الركاب على مقاطع الخط المقدمة وتصنيفات حركة المرور المحاكاة الخاصة بنا على تلك الأجزاء الخطية نفسها.

التحقق من ركاب الجزء الخطي

من بين قطاعات الخط المحددة بواسطة MLIT ، هناك 76 مقطعًا ضمن مجال البحث الخاص بنا. أولاً ، نقوم بعزل الأجزاء المضمنة في البيانات التجريبية من شبكتنا. نحسب بعد ذلك معامل ارتباط بيرسون بين بيانات الركوب للقطاعات وقيم الاستخدام من عمليات المحاكاة التي تقتصر على نفس الأجزاء (رين وآخرون ، 2014). في الحالات التي تعمل فيها أنواع متعددة من الخطوط بين زوج من المحطات ، نستخدم أقصى قيمة للاستخدام بين حواف الشبكة. نحسب ارتباط سبيرمان وكيندال τ لتقييم مدى تطابق عمليات المحاكاة لدينا مع ترتيب الشرائح. يوضح الجدول 9 نتائج اختبارات المقارنة هذه.

علاقة بيرسون بين الراكب التجريبي ومستويات الاستخدام المحاكاة الأربعة ثابتة ، على الرغم من ضعفها ، إيجابية عند مستويات أهمية عالية بشكل معقول (بالقرب من مستوى 0.01). ومع ذلك ، تظهر مقارنة الرتب أن الخوارزمية البسيطة تؤدي أداءً أقل بشكل ملحوظ في مطابقة الأنماط التجريبية وفقًا لكل من ارتباط سبيرمان وكيندال. τ. يتمثل أحد العوامل الرئيسية للأداء الضعيف لمطابقة الرتبة في أنه بالنسبة لـ 28 مقطعًا من 76 مقطعًا ، لم ينتج عن التدفق البسيط أي رحلات. هذه نتيجة أخرى للافتراض غير الطبيعي بأن الناس يأخذون الوظيفة الأقرب إلى منازلهم ، وأنماط العبور غير الطبيعية التي تولدها.

تحقق رحلات O-D التي تم إنشاؤها إلى العمل ومن العمل مستويات ارتباط مماثلة لبيانات التنقل الصباحية. والسبب في ذلك هو الأجزاء المعينة التي اختارها MLIT والتي يقع معظمها في أو بالقرب من المركز المركزي بدلاً من خطوط النقل. بمجرد الاقتراب بما يكفي من المنطقة المركزية كثيفة الوظائف ، تكون القطارات مزدحمة بالفعل في كلا الاتجاهين بسبب الناس (على سبيل المثال) الذين يعيشون غرب المدينة ولكنهم يعملون على الجانب الشرقي من القلب والعكس صحيح. في الواقع ، من بين 76 مقطعًا تم الإبلاغ عنها بواسطة MLIT ، هناك 9 خطوط بها قسمان وخط واحد بثلاثة أجزاء. توجد في البيانات التجريبية أمثلة لخطوط تسير في اتجاهات متعاكسة مع عدد ركاب مماثل.

بالنظر إلى الافتراضات المبسطة التي تم إجراؤها في إنشاء الشبكة ، وصرامة اختبار مطابقة الركاب على 76 فقط من 10،536 مقطعًا ، فإن مستوى الاتفاق بين عمليات المحاكاة والبيانات التجريبية لدينا مرتفع بالفعل بشكل معقول. خاصة في ضوء حقيقة أن السفر بالحافلات وسيارات الأجرة في عمليات المحاكاة لدينا هو أيضًا خيارات متنافسة. من خلال إضافة بيانات عن أوقات النقل والوصول غير المتجانسة ، وقيود الجدول الزمني (على سبيل المثال ، الطرق المسائية فقط) ، ومقايضة التكلفة / الوقت في تخطيط المسار ، نتوقع زيادة تحسين الدقة. على الرغم من أنه يجب ترك هذه الإضافات للعمل في المستقبل (بعد أن نتمكن من الحصول على البيانات) ، هناك شيء يمكننا القيام به الآن لتوسيع تقييمنا: اختبار سطور كاملة بدلاً من شرائح محددة.

التحقق من ملكية الخط بالكامل

في التحليل التالي ، نقوم باستقراء بيانات المقطع التجريبي للخطوط ، ومقارنة حركة المرور المجمعة المحاكاة لكل سطر باستخدام كل من المتوسط ​​والحد الأقصى. لا تغطي البيانات من MLIT سوى نسبة ضئيلة من مقاطع الخطوط (0.72٪) ، ولكنها تشمل على الأقل جزءًا واحدًا من نصف الخطوط تقريبًا في منطقة طوكيو (65 من 131 سطرًا ، إذا لم يتم التمييز حسب النوع). يظهر اثنا عشر مقطعًا تجريبيًا على الخطوط المشتركة ، لذلك لاستقراء القيمة لكل سطر ، نأخذ أولاً متوسط ​​قيم عدد الركاب لكل سطر. نقوم بعد ذلك بعزل تلك السطور الـ 65 الموجودة في البيانات التجريبية من بياناتنا المحاكاة. نقوم بعد ذلك بتجميع بيانات الاستخدام المحاكاة لتلك الخطوط على أنها القيمة المتوسطة لجميع أجزاء هذا الخط (بما في ذلك جميع أنواع القطارات لهذا الخط). أخيرًا ، نجري نفس الاختبارات الإحصائية المذكورة أعلاه لتحديد مستوى تشابه النتائج. يوضح الجدول 10 نتائج مقارنة متوسط ​​قيم عدد الركاب على طول كل سطر بالقيم التجريبية المتوسطة لذلك الخط.

كما هو متوقع ، فإن مقارنة المجموع عبر الخط بأكمله مع استخدام الخط المستقرء يحسن الدقة الناتجة في معظم الحالات (فقط ارتباط بيرسون للخوارزمية البسيطة يكون أضعف). يتجاوز ارتباط سبيرمان للرحلات المتولدة إلى العمل 0.45 بينما تكون الرحلات من العمل أقل قليلاً. تشكل هذه النتائج باستخدام متوسط ​​الاستخدام عبر كل سطر حالة أقوى لرحلات O-D التي تم إنشاؤها عشوائيًا.

ومع ذلك ، يتم الإبلاغ عن البيانات التجريبية للساعة الأكثر ازدحامًا في مقاطع الخط المضمنة. نظرًا لأن السعة لخط معين ثابتة إلى حد كبير (ولكن ليس تمامًا) عبر الوقت ، فهذه هي أيضًا قيم الركاب القصوى لهذا الخط. في غضون أي ساعة معينة ، يرتبط ركاب القطار ارتباطًا وثيقًا عبر أجزاء من الطريق. لذلك يتم تمثيل عدد ركاب الخط بالكامل بشكل جيد إلى حد ما من خلال بيانات القطاعات التي لدينا ، خاصة من حيث الرتب. لذا بدلاً من استخدام الوسيلة لاستقراء وتجميع القيم على طول الخط بأكمله ، نقوم الآن بفحص القيم القصوى. بالنسبة للبيانات المحاكاة ، يتم تعيين قيمة الارتباط الأكثر استخدامًا لكل سطر. يوضح الجدول 11 تحسين دقة المطابقة بشكل أكبر باستخدام القيم القصوى مقارنة بالقيم المتوسطة.

تكون ارتباطات سبيرمان أقل بقليل من 0.60 للرحلات التي تم إنشاؤها عشوائيًا ، على الرغم من أنها لا تزال أقل من 0.40 للطريقة البسيطة. بالنظر إلى القيود المفروضة على بناء نموذج النقل لدينا ، والطرق المستخدمة لإنشاء رحلات OD ، وهدفنا المتمثل في إعادة إنشاء أنماط يومية عامة بدلاً من المحاكاة الدقيقة لحركة المرور الخاصة بالوقت ، تمثل هذه النتيجة علاقة قوية بين مستويات الركوب المتوقعة لدينا والتجريبية ترتيب ركاب خط القطار.

لكي تتطابق مستويات الركوب القصوى مع هذا بشكل أفضل بكثير من مستوى الركوب على مستوى الشريحة ، فهذا يعني أن جزءًا مختلفًا من الخط يتلقى استخدامًا أعلى في البيانات المحاكاة.من المحتمل أن ينتج هذا الاختلاف عن مجموعة من التبسيطات المستخدمة لإنشاء نموذجنا الحالي والنطاق المحدود للبيانات التجريبية المتاحة. على الرغم من أن المستوى الحالي من الدقة ليس دقيقًا بما يكفي لاستخدامه في قرارات السياسة أو التوجيه ، فإن النتائج مشجعة للغاية فيما يتعلق بالدقة بما في ذلك التوسعات المخطط لها.

حدود اختبار التحقق

أحد القيود الواضحة لهذا التحليل هو أنه يقارن فقط أحجام المرور على شبكة القطارات. في المستقبل ، نخطط / نأمل في الوصول إلى البيانات المجمعة على غرار نظام تحديد المواقع العالمي (GPS) لتحركات الأشخاص والتي من شأنها أن تغطي جميع وسائل النقل (حتى المشي) وتسمح لنا بمعايرة تدفقات النموذج والتحقق منها بشكل أفضل. يتمثل أحد القيود الأخرى في ندرة البيانات التجريبية ، حيث تحتوي البيانات فقط على عدد ركاب لـ 76 من حواف القطار البالغ عددها 10536. قد لا تكشف مجموعة البيانات الأكبر عن دقة أفضل ، لكنها ستكون اختبارًا أكثر قوة للدقة. هناك قيود أخرى تتمثل في أن البيانات تُبلغ عن عدد الركاب فقط خلال ساعة الذروة وليس إجماليًا ليوم واحد ، على الرغم من أننا نتوقع أن تكون هذه البيانات شديدة الترابط على الأقل بالنسبة للرتب. نظرًا لأننا نحلل التنقل من المنزل إلى العمل ، وتحدث معظم حركة المرور هذه أثناء الاندفاع الصباحي ، فمن المحتمل ألا يمثل هذا القيد مشكلة بالنسبة لتحليل الترتيب لدينا. ومع ذلك ، سيصبح هذا القيد مشكلة عندما نقوم بتضمين السفر لأغراض أخرى مثل التسوق ، والانتقال إلى المدرسة ، وما إلى ذلك خلال يوم كامل.

تدفق الشبكة والتنقل الحضري

يوجد في شبكة النقل المتكاملة الكاملة الخاصة بنا 32 مكونًا ضعيف التوصيل ، لكن المكون الأكبر يحتوي على 99.965٪ من العقد ، وثاني أكبر مكون يحتوي على 63 عقدة ، بينما يحتوي 30 عنصرًا المتبقية على أقل من 10 (جزر على طول الحدود الخشنة). يحتوي الرسم البياني البسيط البسيط على 9862 مكونًا ضعيف التوصيل ، ويحتوي المكون السائد فقط على 106149 من 178793 عقدة ، والعديد من المكونات بها عدة مئات أو آلاف العقد ، ومعظم المكونات بها أقل من 10 عقد. على النقيض من ذلك ، ولدت طريقة الرحلات التي تم إنشاؤها مكونًا واحدًا ضعيف الاتصال يحتوي على 169.220 عقدة. يسهل الجانب المتصل من شبكة الرحلات التي تم إنشاؤها قياسات إضافية تتضمن ميزات الشبكة والوصلات بالبيانات الجغرافية الأساسية المخزنة في العقد السداسية. نترك تحليلاً لمقاييس الوصول الجغرافي - الاقتصادي لدينا (على سبيل المثال ، الأشخاص الذين يمكن الوصول إليهم والوظائف المرجحة بالمسافة) ، ولكن هنا نربط نتائجنا مرة أخرى بمسائل أوسع تتعلق بالتنقل.

باستخدام نفس شبكة النقل متعددة الوسائط المستخدمة لفحص التدفقات الإجمالية للركاب ، يمكننا أيضًا فحص خصائص التنقل في المنطقة. ضع في اعتبارك المقياسين التاليين للتنقل: الوصول المرجح وأبعد نقطة يمكن الوصول إليها. الوصول المرجح أو قابلية الوصول هو مقياس إمكانية الوصول (Levinson 2012 Biazzo et al. 2018) يُحسب ، لكل عقدة سداسية عشرية أنا، عدد السداسيات الأخرى ي يمكن الوصول إليه من أنا، مرجحًا بعكس الوقت للوصول ي:

بحيث راي جاي هو أقصر وقت من عرافة أنا لعرافة ي. بالنسبة للتحليل الحالي ، نقصر النطاق على السداسيات التي يمكن الوصول إليها في غضون 20 دقيقة. نحدد أيضًا مسافة Haversine إلى أبعد مسافة سداسية عشرية يمكن الوصول إليها خلال نفس 20 دقيقة. يوضح الشكل 10 قيم كلا المقياسين لكل سداسي عشري في منطقة طوكيو.

خريطة لمنطقة طوكيو توضح إمكانية الوصول لمدة 20 دقيقة (أعلى) ومسافة أبعد نقطة (بالأمتار ، أسفل) يمكن الوصول إليها في غضون 20 دقيقة. يمكن أن تصل بعض المواقع في المناطق منخفضة الوصول إلى مسافات طويلة ، على سبيل المثال تلك القريبة من محطات السكك الحديدية للركاب. مربعات الخرائط بواسطة Stamen Design (2019) ، بيانات الخرائط من قبل المساهمين OpenStreetMap (2019)

يوفر هذان المقياسان نوافذ مميزة للتنقل: الوصول الموزون هو مقياس للعرض في حين أن المسافة الأبعد هي مقياس العمق. في حالة الانتقال إلى العمل ، قد يهتم المرء في المقام الأول بطريق واحد من منزلك في الضواحي إلى مكتبك في وسط المدينة ويمكن قول شيء مماثل لمناطق التسوق والأنشطة الأخرى. قد يكون وجود مسافة كبيرة يمكن الوصول إليها أكثر أهمية ، ونرى أعلى القيم حول محطات قطار الضواحي والمواقع النائية. يظهر مدى الوصول الموزون بدلاً من ذلك نمطًا يتماشى مع شبكة الطرق ، والتي من الواضح أنها أكثر مهارة في السفر متعدد الاتجاهات من نظام السكك الحديدية. تتمتع بعض المناطق (مثل Shiroi إلى الشمال الشرقي من وسط طوكيو) بحركة عالية جدًا من ناحية (الأبعد مسافة) ، ولكن ضعف الحركة من ناحية أخرى (الوصول).

لاحظ أن وسط طوكيو لا يتمتع بدرجة عالية من الحركة بشكل خاص من خلال أي من المقياسين. هذا صحيح بالنسبة لإصدار 20 دقيقة لأن معظم القطارات في وسط طوكيو محلية وهناك تركيز أكبر على التغطية أكثر من سرعات العبور. ومع ذلك ، نظرًا لأن خطوط الركاب التي توفر تنقلًا عاليًا إلى مواقع الضواحي تنتهي بالقرب من وسط المدينة ، فإن تمديد القطع إلى 45 أو 60 دقيقة يغير توزيع النقاط الساخنة نحو المركز. ومع ذلك ، لا يزال الاختلاف في التنقل القائم على العمق لصالح القطارات والتنقل القائم على العرض لصالح الطرق على جميع المستويات.

ملخص النتائج

أنتج تحليلنا الاستكشافي لتدفقات الأشخاص إلى الوظائف العديد من الاكتشافات المثيرة للاهتمام للأنماط في شبكة النقل متعدد الوسائط في منطقة طوكيو الكبرى. وصفنا العديد من "الحقائق المبسطة" فيما يتعلق بنتائج عمليات المحاكاة لتسهيل المقارنات النوعية والفهم الأوسع لنظام النقل متعدد الوسائط في منطقة طوكيو متبوعًا باختبار التحقق الكمي المحدود باستخدام بيانات ركاب القطار. تُستخدم هذه النتائج كنقطة انطلاق للعمل المستقبلي لتحسين طرق توليد الرحلة ومعايرة قدر الإمكان للبيانات المتاحة الشحيحة.

لقد أنتجنا أيضًا نتائج تعمل كوقود لمقارنة رحلات O-D التي تم إنشاؤها عشوائيًا إلى طريقة الشبكة البسيطة لتوليد التدفقات المناسبة لتحليل إجمالي مثل تحليلنا. تنتج كلتا الطريقتين نتائج متشابهة من حيث الحواف المستخدمة في أغلب الأحيان والنسب المئوية لحركة المرور في كل وضع ، لكنهما ينتجان مسارات مختلفة جدًا. في كلتا الحالتين ، كانت الحافلات غير مستغلة بشكل كافٍ لأنها زائدة عن الحاجة إلى حد كبير لشبكة الطرق الأسرع ، باستثناء الحافلات السريعة. توفر شبكة الطرق وصولاً أسرع إلى المناطق البعيدة عن المحطات للمساعدة في تشتيت الناس من المحطات على طول خطوط القطار عالية الإنتاجية. بشكل عام ، وجدنا أن الرحلات التي تم إنشاؤها أكثر واقعية وتتوافق بشكل أفضل مع البيانات التجريبية من نتائج التدفق البسيط. سننظر بعد ذلك في بعض الآثار المترتبة على هذه النتائج.

ملخص الاستنتاجات

إنه تمييز مهم (يستحق التكرار) أن تحليلنا لا يهدف إلى تتبع طرق تنقل الأفراد الفعلية ، أو توقع الازدحام ، أو عكس التقلبات قصيرة المدى في مواقع الأفراد (Cherdarchuk 2014). نحن مهتمون بالأنماط المستمرة في مد وجذر رأس المال البشري والاقتصادي. مستويات التدفق الاجتماعي والاقتصادي في تحليلنا هي كميات مجردة تمثل الحركة الشاملة والمستدامة لرأس المال الاجتماعي عبر المدينة. بدلا من اقتراح أن الفرد الذي يعيش في ست عشري أ من المرجح أن يكون لديه وظيفة في سداسي عشري ب، فإن توزيعات المنزل والعمل تمثل مصادر ومصارف مجردة لرأس المال البشري والمالي. تهدف أنماط الاستخدام التي تم الكشف عنها إلى أن تكون تقريبًا للتدفق المحتمل الشامل المستند إلى الشبكة للأشخاص من وإلى العمل.

تكتشف خوارزمية الشبكة البسيطة التخصيص الأكثر كفاءة للوقت للأشخاص للوظائف ، ولكن من الواضح أن قلة من الناس يعملون بالفعل في الوظيفة الأقرب إلى منازلهم. تحدد مجموعة كبيرة ومتنوعة من الظروف والظروف والأحداث التاريخية كلا من المنزل ومكان العمل بحيث يكونان مرتبطين ، لكن علاقتهما غير واضحة وغير متجانسة ولا يمكن الوصول إليها بالنسبة لنا. وبالتالي ، فإن طريقة الرحلة التي تم إنشاؤها هي أكثر واقعية بهذا المعنى ، لكن أساليبنا الحالية لم تتضمن بعد آليات تعكس اختيار الأشخاص لمواقع منازلهم بناءً على مواقع عملهم والعكس صحيح. إنها تجريدات مختلفة لتحركات الناس من المنزل إلى مواقع العمل مرجحة باحتمالات مثل هذه الحركات.

العمل المستقبلي

يناقش النص أعلاه بالفعل العديد من التحسينات والتوسعات المخططة لطرق توليد التدفق والمعايرة / التحقق من الصحة. نوضح هذه النقاط بشكل طفيف في هذا القسم.

أحد اهتماماتنا الأساسية هو التحليل المتعمق للتنقل وإمكانية الوصول. بالإضافة إلى إمكانية الوصول الموصوفة أعلاه ، نقيس أيضًا الأعداد المرجحة بالوقت للأشخاص والوظائف التي يمكن الوصول إليها من الموقع. تعمل هذه التدابير على تحويل الأنواع المذكورة أعلاه من نتائج التنقل إلى نتائج إمكانية الوصول الاجتماعية والاقتصادية. لقد خططنا للتحقيق في العلاقة بين التواصل الاجتماعي والفرص الاقتصادية لفهم دور "مراكز الأعمال" بشكل أفضل وتمييزها عن المواقع الأخرى ذات الدرجات العالية في التواصل الاجتماعي. من خلال مقارنة النتائج عبر المناطق الجغرافية ، نأمل في تحديد ما إذا كانت الأنماط الاجتماعية والاقتصادية متكررة وظواهر ذاتية التنظيم أم أنها تعتمد على النطاق والمسار. مثلما يمكن استخدام درجة الاجتماعية لتقييم إمكانية وصول الموقع إلى الأشخاص والأماكن الأخرى ، تشير درجة الفرصة الاقتصادية إلى وصول الموقع إلى الوظائف والموارد الاقتصادية. من المرجح أن يكشف هذا المؤشر وعلاقته بعوامل أخرى مثل الدخل وأسعار المساكن عن رؤى مفيدة للعديد من الأغراض العملية والنظرية. لاعتبارات المكان والزمان ، يتم ترك هذا الجزء من المشروع الحالي للعمل في المستقبل.

كما هو مذكور في قسم البيانات ، هناك بعض الميزات لبياناتنا التي تضعف قوة نتائجنا. وأهم هذه العوامل هو عدم وجود طرق سريعة من بيانات الطريق. مصدر قلق آخر هو الطبيعة غير المتصلة لشبكة الطرق عند النظر فقط في الطرق الثلاثية أو الأكبر ، على الرغم من أن هذا يتم تخفيفه إلى حد كبير من خلال الشبكات السداسية والمشي ، إلا أن هذه الروابط قد تقلل بشكل مصطنع من مساهمة تدفق شبكة الطرق. تعتمد بيانات وقت اجتياز رابط القطار والحافلة حاليًا على عينة من الجداول الزمنية لكل سطر. على الرغم من الاتساق الشديد ، إلا أن هناك اختلافات في مدة الاجتياز والتوافر على مدار اليوم. يُقصد من تحليلنا الحالي أن يكون تدفقًا إجماليًا عبر طرق النقل المتاحة عادةً ، لكن البيانات الأكثر دقة لأنظمة القطارات والحافلات في اليابان يمكن أن تُجري تحليلاً يعتمد على الوقت الممكن من اليوم (Ayed et al. 2011 Cherdarchuk 2014 Idri et al. 2017 بيازو وآخرون 2018).

من الواضح أن وقت السفر ليس هو العامل الوحيد الذي يضعه الناس في الاعتبار عند اتخاذ قرار بشأن وسيلة النقل. نحن نعمل أيضًا على تضمين بيانات عن تكاليف النقل ، والازدحام / الازدحام ، وتوافر مواقف السيارات ، وما إلى ذلك ، بالإضافة إلى وظيفة التكلفة متعددة الأهداف لتحديد المسار (عبد الغني ومحمصاني 2001). نظرًا لأن أهدافنا لا تزال عبارة عن اكتشاف نمط إجمالي بدلاً من جدولة العبور أو تخطيط مسار محدد زمنيًا ، يمكننا أن نمتد الخط الفاصل بين الأساليب المجردة (مثل تلك المستخدمة هنا) والقواعد المستندة إلى الوكيل المفصلة للغاية في عمليات المحاكاة الدقيقة لحركة المرور. يمكننا أيضًا فحص المسافة المقطوعة والطاقة المستخدمة لاستكشاف التأثير البيئي لطرق السفر المختلفة. يتم تحديد تفضيلات الإسكان وأسعاره من خلال العديد من العوامل المتصلة ، ونخطط لتحديد الدرجة التي تؤثر بها إمكانية الوصول إلى السكن / اختيار الوظيفة والطلب (حتا وأوكوارا 1993). من خلال شبكات النقل متعددة الوسائط المفصلة ومجموعات البيانات الغنية لمختلف العوامل الاجتماعية والاقتصادية والجغرافية في جميع أنحاء اليابان ، نتطلع إلى البحث والتعاون المثمر المستمر.


معلومات الكاتب

ساهم هؤلاء المؤلفون بالتساوي: M. M. Vazifeh، P. Santi.

الانتماءات

مختبر المدينة الحساسة ، معهد ماساتشوستس للتكنولوجيا ، كامبريدج ، ماساتشوستس ، الولايات المتحدة الأمريكية

M. M. Vazifeh ، P. Santi & amp C. Ratti

Istituto di Informatica e Telematica del CNR ، بيزا ، إيطاليا

قسم الرياضيات ، جامعة كورنيل ، إيثاكا ، نيويورك ، الولايات المتحدة الأمريكية

كورنيل تك ، مدينة نيويورك ، نيويورك ، الولايات المتحدة الأمريكية

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

يمكنك أيضًا البحث عن هذا المؤلف في PubMed Google Scholar

مساهمات

ملاحظة. عرّف المشكلة وصمم الحل والخوارزميات وساهم في التحليل وكتابة الورقة. م. صمم وأجرى التحليل وطور النماذج والمحاكاة وكتب الورقة. ج. ساهم في تصميم الخوارزمية ونفذ الخوارزميات وساعد في التحليل. س. ساهم في الكتابة. أشرف على البحث وساهم في كتابته.

المؤلف المراسل


الاستنتاجات

يوفر اندماج الشبكة والمقاييس الجغرافية الفرصة لزيادة تدابير تشابه الشبكة بالإضافة إلى سد فجوات البيانات الحاسمة حول كفاءة النقل وإمكانية الوصول والاتصال والسياسات. بينما تهدف معظم تطبيقات التعلم الآلي لشبكات النقل إلى التنبؤ بحركة المرور وكفاءة التدفق وإعادة التوجيه والقوة ، فإننا مهتمون بشكل خاص بإمكانية الوصول إلى وسائل النقل العام. يمكن أن يساعد تحديد المناطق التي تعاني من نقص الخدمات والإفراط في الخدمات في اتخاذ القرارات المتعلقة بالسياسات ، بما في ذلك تخطيط البنية التحتية وتطوير الإسكان. بالإضافة إلى ذلك ، نأمل أن يؤدي اندماج المقاييس الجغرافية والمتعلقة بالشبكة لتسجيل المناطق من خلال ملاءمة وسائط النقل المختلفة والاعتماد عليها إلى اتخاذ قرارات تتعلق بخدمات الموقع (مثل البحث عن شقة ومشاركة الركوب وتحديد مواقع المتاجر الجديدة).

لقد وجدنا أن المقاييس القياسية لهيكل الشبكة لا توفر رؤية مفيدة بشكل خاص لخصائص إمكانية الوصول لشبكات النقل. على الرغم من أن شبكات القطارات والحافلات والطرق تُظهر بعض الاختلافات المتسقة عبر المواقع ، إلا أن هذه الاختلافات الهيكلية لا تُترجم إلى اختلافات في فائدة وسائط النقل. وهذا يعني ، إلى أي مدى يمكن للمرء أن يذهب في فترة زمنية معينة ، وكم عدد المواقع التي يمكن الوصول إليها ، وعدد الأشخاص الذين يمكن خدمتهم هي مقاييس واضحة للفائدة ، ولكن هذه التدابير (والمجموعات التي تنتجها) غير متطابقة جيدًا مع أي ميزات هيكلية لتلك الشبكات. بدلاً من ذلك ، توفر سرعة الروابط وتنوعها ووجهاتها التأثير الأكبر. مع وضع هذا في الاعتبار ، سنعيد النظر في تدابير الشبكة المدرجة في تحليلاتنا المستقبلية ونأمل أن نجد طرقًا جديدة لدمجها للكشف عن المزيد من الخصائص المفيدة.

نحن نقر أيضًا بإمكانية فحص شبكات القطارات والحافلات والطرق بدون الشبكة السداسية بحيث يمكن تطبيق التدابير من التحليلات السابقة. يمكننا بعد ذلك المزج بين هذه المقاييس أحادية الوضع فقط لتجميع المناطق والمقارنة. على الرغم من أن هذا أمر معقول بالنسبة لشبكة القطارات إذا ركزنا على المكون العملاق (الذي يتضمن الغالبية العظمى من المحطات) ، فإن شبكات الحافلات والطرق مجزأة للغاية بحيث لا يمكن أن تكون تحليلاتها المعزولة قوية. وعلى الرغم من أن هذا من شأنه أن يسهل المقارنات مع الأبحاث السابقة حول شبكات النقل التي تركز على وسائط النقل الفردية ، فإننا نعتقد أن التحرك في اتجاه أن تكون أكثر شمولاً لأنماط النقل والبيانات الجغرافية سيكون أكثر إثمارًا.

بشكل عام ، ما وجدناه هو أنه يوجد داخل المدن نمط مألوف للمناطق المركزية التي يسهل الوصول إليها مع انخفاض عدد السكان والمناطق ذات الكثافة السكانية العالية ، مع تناقص عدد السكان مرة أخرى بشكل أكبر. غالبًا ما تحتوي مناطق الضواحي هذه على وسائل نقل عام مريحة إلى مراكز المدينة ، ولكنها تتطلب محليًا حافلات و / أو سيارات للنقل في أي اتجاه آخر. لقد فوجئنا بقوة شبكة الطرق للنقل في جميع أنحاء منطقة طوكيو ، بما في ذلك المنطقة المركزية. بينما تلعب الحافلات دورًا كبيرًا في منطقة الضواحي ، فإن فائدتها موحدة إلى حد كبير في معظم مناطق دراستنا.

وجدنا أن مراكز الأعمال ، على الرغم من انخفاض عدد السكان ، يمكن الوصول إليها بسهولة عبر أنظمة القطارات والطرق بحيث تحقق باستمرار أعلى درجات التواصل الاجتماعي والراحة. تحتوي مناطق الضواحي على أنظمة حافلات أكثر قابلية للخدمة ، ولكن انخفاض الاتصال بشكل عام أدى إلى انخفاض عدد السكان الذين يمكن الوصول إليهم على الرغم من زيادة عدد السكان المحليين. على الرغم من امتلاكنا لأكبر نظام نقل عام وأكثره كثافة في العالم ، نجد أن شبكة الطرق تهيمن باستمرار على شبكات القطارات والحافلات لجميع تدابير الوصول.

في تحليلنا لقابلية الوصول والتواصل الاجتماعي ، وجدنا تباينًا كبيرًا في التجمعات حسب وضع النقل (خاصة لإمكانية الوصول) ، مما يعني (كما هو متوقع) أن شبكات النقل تنتج خصائص وصول مميزة. ومع ذلك ، نجد أيضًا أنه حتى عندما يكون الارتباط بين متغيرين مرتفعًا ، فإن طرق التجميع لا تنشئ باستمرار مجموعات متشابهة من نفس المتغيرات. تذكر مخططات التشتت لقابلية الوصول والتواصل الاجتماعي في الشكل 10. يوضح أن هذين المتغيرين ، وفي الواقع جميع المتغيرات الأساسية ، يمثلان تدرجًا سلسًا إلى حد ما مع كتل عرضية من النقاط للحالات القريبة من الحدود ، مع وجود قيم صفرية ، أو بدون وجود أوضاع معينة . تساعد سلاسة بياناتنا في تفسير الاختلافات الكبيرة بشكل مدهش في التجمعات. في حالة عدم وجود مجموعات واضحة ومميزة من البيانات (وبدون حقيقة أساسية معروفة) ، من الصعب تقييم دقة طرق التجميع ، ومع ذلك ، فإن المجموعات المكتشفة (خاصة عن طريق التجميع الهرمي) تجتاز العديد من فحوصات الواقع البديهية بالإضافة إلى توفير معلومات مفيدة عن الأنماط الجغرافية في العديد من خصائص إمكانية الوصول.

لأن درجات التآزر هي مقاييس للكيفية بالإضافة إلى ذلك الموقع باستخدام الأوضاع معًا ، والنتيجة هي أن الاقتراب من المحطات ومحطات الحافلات والتقاطع يحسن التأثيرات الاندماجية للأنماط أمر مثير للدهشة. من المؤكد أن كونك بالقرب من محطة يجعل شبكة السكك الحديدية أكثر فائدة ، ولكن لماذا تجعل شبكة الحافلات أكثر فائدة أيضًا؟ والسبب هو أنه في تخطيط المدن المتمحور حول القطارات في اليابان ، ترتبط معظم خطوط الحافلات بالمحطات وتعمل معظم الطرق السريعة بالتوازي مع مسارات القطارات. لاحظ المساحة البيضاء في أعلى يسار كل قطعة أرض في الشكل 13 لا توجد مواقع قريبة من محطة قطار وبعيدة عن محطة حافلات. ومع ذلك ، يمكن للحافلات والسيارات أيضًا السفر بعيدًا عن المحطات في اتجاهات لا تستطيع القطارات الذهاب إليها. لذا ، في حين أن القدرة على ركوب الحافلة إلى أقرب محطة يمكن أن تعزز فائدة تلك المحطة ، فإن كونك بالقرب من عقدة نقل من أي نوع يمنحك إمكانية وصول أكبر للشبكة المتكاملة بأكملها.

كشف تحليلنا لهيمنة وضع النقل عن عدة نتائج مثيرة للاهتمام. أولاً ، القيادة هي المهيمنة في كل مكان. وبطبيعة الحال ، فإن الحافلات والسيارات تستخدم نفس الطرق ، والسيارات أسرع من الحافلات ، لذلك ليس من المستغرب أن تتفوق القيادة على الحافلات. بالنسبة لبعض المواقع ، يمكن أن تصل القطارات إلى أبعد من القيادة في فترة زمنية معينة ، ولكن عند تضمين وقت المشي إلى المحطة ، يكون نظام الطريق أفضل في المتوسط. تعزز الطرق أيضًا انتشارًا أكثر انتشارًا عبر المنطقة من السفر بالسكك الحديدية ، وهذا يساهم في سهولة الوصول إليها. مع وضع هذا في الاعتبار ، قمنا بتقييم الهيمنة النسبية: المواقع التي تكون فيها شبكة القطارات أو الحافلات قوية نسبيًا مقارنة بالمناطق الأخرى.في حين أن هذا يخبرنا عما إذا كان أي وضع معين له مزايا على الآخرين ، فقد خلصنا من خلال هذا الجهد إلى أن راحة وضع السفر هي مقياس أكثر فائدة لأغراضنا العملية من الهيمنة.

إن استخدامنا للتجميع لاكتساب نظرة ثاقبة إضافية حول هيمنة وضع النقل أبلغنا بالطبيعة المحلية للغاية لهذه الخاصية. توجد بعض الأنماط الجغرافية حيث ترتبط ارتباطًا وثيقًا ، على سبيل المثال ، بغياب خطوط القطار. ومع ذلك ، يمكن أن تختلف المواقع القريبة بشكل كبير في نقاط قوة الوضع النسبي بناءً فقط على المسافة إلى أقرب محطة. لذلك ، بالنسبة لهذه الخاصية ، تكون نتائج الموقع الفردية أكثر إفادة بكثير من مجموعات مثل هذه الدرجات.

العمل المستقبلي

نظرًا لأن مجموعة البيانات غنية جدًا ، وهناك العديد من الأسئلة التي يمكن استخدامها لمعالجتها ، فهناك بطبيعة الحال العديد من الاتجاهات المخطط لها للعمل في المستقبل. من خلال تضمين بيانات اجتماعية واقتصادية إضافية ، سنقوم بفحص العلاقة بين إمكانية الوصول وعوامل مثل البطالة والدخل وملكية المنزل وهيكل الأسرة والملف العمري والجريمة. نحن مهتمون بتحديد الاختلافات في بنية المجتمع من خلال وضع النقل (Bohlin et al. 2014) ، أي المناطق الجغرافية التي تعتبر جزءًا من الأحياء عند النظر في طرق النقل المختلفة. من الواضح أننا نرغب في متابعة أسئلة المتانة والكفاءة من خلال تحليلات الضربة القاضية والانعطاف. يمكن أن يعالج ذلك الاستجابة للحوادث / الإخفاقات ، ولتحديد التغييرات الهيكلية والإنتاجية المطلوبة للتكيف مع تغييرات الركاب قصيرة الأجل (مثل الألعاب الأولمبية) والتغيرات الديموغرافية طويلة الأجل (على سبيل المثال ، شيخوخة السكان ، والتوسع الحضري).

بالإضافة إلى تعميق تحليلاتنا ، نرغب في توسيع مجموعة البيانات الخاصة بنا وصقلها. على سبيل المثال ، نحن مهتمون بشدة بتأثير برامج مشاركة ركوب الدراجات على تدفق النقل (Pucher and Buehler 2012). على الرغم من أن هذه البرامج كانت شائعة في أوروبا والصين منذ فترة طويلة ، واستخدام الدراجات مرتفع في جميع أنحاء اليابان ، إلا أن هناك القليل جدًا من البيانات أو التحليلات حول استخدام الدراجات وتفاعلها مع وسائط النقل الأخرى. على الرغم من أن جميع شبكاتنا مجردة ، إلا أن التقييمات الأكثر واقعية لنقل الحافلات وأوقات الانتظار ، وأوقات نقل القطارات الخاصة بالخط ، والسرعات العملية للمركبة ، وما إلى ذلك ، ستوفر مقاييس أكثر دقة لأوقات السفر والمسافات. التقديرات التقريبية التي تم إجراؤها هنا كافية لأغراض التصنيف الخاصة بنا في هذه الورقة ، ولكن قد تكون الأغراض الأخرى أكثر حساسية للاختلافات التي قد تصل إلى بضع دقائق.

أدى تسجيلنا متعدد الأوجه للمواقع من خلال وسائل النقل والميزات الديموغرافية الخاصة بها عبر النقل متعدد الوسائط إلى رؤى ثاقبة حول الخصائص التي تشكل أنماطًا جغرافية ولا تشكل أنماطًا جغرافية. وجدنا أنه من خلال تجميع البيانات بطرق مختلفة يمكننا الكشف عن أعطال مفيدة لميزات مختلفة ، مثل التآزر عبر الأوضاع والكفاءات النسبية. تهدف جهودنا الحالية إلى تلخيص وتصور المجموعات بطريقة بديهية وتفاعلية تؤدي إلى رؤى أكبر وأسئلة أعمق. تتضمن بعض هذه الأسئلة الأعمق دور تقنيات تحليل الشبكات التقليدية في تقييم شبكات النقل متعدد الوسائط. ربما يؤدي هذا البحث في توصيف وتصنيف شبكات النقل متعدد الوسائط إلى مقاييس جديدة يمكن تطبيقها على أنواع أخرى من الشبكات.

تستخدم الورقة الحالية مواقع عشوائية ، وهذا له إيجابيات وسلبيات. لقد درسنا أيضًا استخدام طريقة Poisson Disk Sampling (Bridson 2007) للحصول على تغطية أكثر انتظامًا وحتى للمنطقة ، لكننا وجدنا أن وجود بعض النقاط قريبة جدًا من بعضها كان مفيدًا في الكشف عن حساسية بعض المقاييس للاختلافات الصغيرة في الموقع. من الآن فصاعدًا ، سنحسب جميع المقاييس على كل ست عشري ، مما يتيح لنا تمييز الاختلافات الدقيقة في الخصائص بناءً على اختلافات الموقع الصغيرة التي تصل إلى 250 مترًا عبر منطقة طوكيو بأكملها. على الرغم من أن هناك بالتأكيد الكثير من العمل الذي يتعين القيام به لتحقيق هدف فهم إمكانية الوصول بأشكالها العديدة ، فقد أوضحت تحليلاتنا الاستكشافية الأولية الطريق إلى العديد من الخيارات والفرص المثمرة.


توافر البيانات

بناءً على الطلب ، يمكن للمؤلفين توفير بيانات متوسط ​​درجات التنقل حسب برج الهاتف الخلوي ، مصنفة حسب الجنس ، جنبًا إلى جنب مع الوثائق المناسبة لتكرار التحليل ذي الصلة. عند الطلب ، يمكن للمؤلفين أيضًا السماح للباحثين الآخرين بإجراء استعلامات على مجموعات البيانات المخزنة في خوادم Telefónica ، لإعادة إنتاج نتائج الدراسة بالكامل. لا يمكن إتاحة الأعداد الأولية أو المعلومات الفردية لمستخدمي الهواتف المحمولة للجمهور ، أو ترك خوادم Telefónica الخاضعة للمراقبة ، لأسباب تعاقدية وخصوصية.


Xroute

هذه هي النسخة غير المتزامنة من calculateRoute.

لن يتم حظر استدعاء هذه العملية حتى يتم حساب النتيجة. بدلاً من كائن نتيجة ، يتم إرجاع كائن Job الذي يحدد الحساب الذي بدأ. للحصول على تحديثات الحالة لوظيفة قيد التشغيل ، استخدم عملية watchJob. إذا تغيرت إلى SUCCEEDED ، فإن الحساب كان ناجحًا ويمكن الحصول على النتيجة باستخدام fetchRouteResponse. إذا انتهت المهمة بالحالة "فشل" ، يطرح fetchRouteResponse الاستثناء الذي حدث أثناء الحساب.

هذه هي النسخة غير المتزامنة من calculateReachableAreas.

لن يتم حظر استدعاء هذه العملية حتى يتم حساب النتيجة. بدلاً من كائن نتيجة ، يتم إرجاع كائن Job الذي يحدد الحساب الذي بدأ. للحصول على تحديثات الحالة لوظيفة قيد التشغيل ، استخدم عملية watchJob. إذا تغيرت إلى SUCCEEDED ، فإن الحساب كان ناجحًا ويمكن الحصول على النتيجة باستخدام fetchReachableAreasResponse. إذا انتهت المهمة بالحالة FAILED ، فإن fetchReachableAreasResponse يطرح الاستثناء الذي حدث أثناء الحساب.

هذه هي النسخة غير المتزامنة من calculateReachableLocations.

لن يتم حظر استدعاء هذه العملية حتى يتم حساب النتيجة. بدلاً من كائن نتيجة ، يتم إرجاع كائن Job الذي يحدد الحساب الذي بدأ. للحصول على تحديثات الحالة لوظيفة قيد التشغيل ، استخدم عملية watchJob. إذا تغيرت إلى SUCCEEDED ، فإن الحساب كان ناجحًا ويمكن الحصول على النتيجة باستخدام fetchReachableLocationsResponse. إذا انتهت المهمة بالحالة "فشل" ، يطرح fetchReachableLocationsResponse الاستثناء الذي حدث أثناء الحساب.

يجلب النتائج من نوع ReachableAreasResponse لوظيفة معينة. إذا انتهى الحساب مع استثناء ، فسيعيد fetchReachableAreasResponse إعادة طرحه. إذا كان معرف الوظيفة غير معروف ، فسيتم طرح XServerException برسالة "معرف غير معروف".

يجلب نتائج من نوع ReachableLocationsResponse لوظيفة معينة. إذا انتهى الحساب مع استثناء ، فسيعيد fetchReachableLocationsResponse طرحه. إذا كان معرف الوظيفة غير معروف ، فسيتم طرح XServerException برسالة "معرف غير معروف".

يجلب نتائج من النوع RouteResponse لوظيفة معينة. إذا انتهى الحساب مع استثناء ، فسيعيده fetchRouteResponse. إذا كان معرف الوظيفة غير معروف ، فسيتم طرح XServerException برسالة "معرف غير معروف".

إرجاع حالة الوظيفة المعينة.

تعمل هذه العملية تمامًا مثل عملية watchJob لخدمة xRuntime.

محاولات لإيقاف تشغيل وظيفة. إذا تغيرت حالة الوظيفة إلى SUCCEEDED ، فيمكن جلب النتائج الأولية ، إذا كانت متوفرة.

تعمل هذه العملية تمامًا مثل عملية stopJob لخدمة xRuntime.

يحاول حذف وظيفة قيد التشغيل. إذا نجحت ، فإن الوظيفة المرتجعة ستكون بالحالة "محذوف".

تعمل هذه العملية تمامًا مثل عملية deleteJob لخدمة xRuntime.


أفكار وضع العلامات على غرار فلوريدا

يبدو أن الكثير من العلامات هنا في مجموعتين: تكساس والولايات المتحدة / SR / CR. لا أتفق مع كلا الأسلوبين في الدرجات وأود المشاركة في أفكاري الجديدة.

هذا ينبغي أن يكون فقط الطرق السريعة بين الولايات ، رسوم أم لا. يزيد حد السرعة عن 35 ميلاً في الساعة (لأن العديد من جسور الطرق السريعة لها حد منخفض للسرعة). اربط على الطرق وخارجها باستخدام رابط الطريق السريع.

هذا ينبغي أن يكون أي طريق يبدو أنه طريق سريع بدون تحديد بين الولايات. تشمل الخصائص

  • الحد الأقصى للسرعة فوق 50 ميلا في الساعة ، 35 على الجسور
  • مقسومًا على متوسط ​​معظم عمره على الأقل
  • عدد قليل جدًا من التقاطعات على مستوى واحد ، إن وجد (بحد أقصى حوالي 5 تقاطعات لكل مقاطعة)
  • لا تعيين بين الولايات

تذكر أيضًا أنه إذا كان الجذع يحتوي على عدد قليل من الدرجات لمسافة 5 أميال تقريبًا ، ولكن لمسافة 10 أميال ، فقم بتقسيم الطريق إلى خصائص trunk & ltfreeway و gt-Primary & ltmany التقاطعات & gt أو أقل. وخير مثال على ذلك هو طريق بينيدا.

يجب أن يكون هذا أي طريق يمثل ملف الطريق الرئيسي عبر المدينة ، أو تربط بين بلدتين أو مدينتين يزيد عدد سكانهما عن 25000 نسمة. إذا كان يربط 3 بلدات أو مدن أو حتى قرى صغيرة أو أكثر ، فإنه يستحق العلامة الأساسية.

يجب أن يكون هذا أي طريق يمثل ملف طريق رئيسي / معتدل عبر المدينة أو تربط بين بلدتين أو مدينتين أو قرى صغيرة. إذا كان يربط بين بلدتين أو مدينتين يبلغ عدد سكانهما 25000 أو أكثر ، فيجب ترقيته إلى المستوى الأساسي. إذا كان يربط 3 بلدات أو مدن أو قرى صغيرة ، فيجب ترقيته إلى أساسي. (تحديث) يمكن أن يربط هذا قريتين يبلغ عدد سكانهما 10000 أو أقل ، طالما أن كلا الطريقين ينبعان من + ثانوي.

يجب أن يكون هذا أي طريق يمثل ملف طريق معتدل / ثانوي عبر المدينة ، أو بها العديد من المباني السكنية / غير المصنفة التي تتقاطع معها ، فهي أطول من غالبية الطرق في الحي ، وتنتهي أيضًا عند طريق متدرج من الدرجة الثالثة أو أعلى. إذا استمر الطريق بعد المستوى العالي + ثم انتهى عند منطقة سكنية ، فقسّم الطريق إلى المستوى الثالث - والطريق السكني. يمكن أيضًا ربط قرية صغيرة بالمدينة ، طالما أن الطريق يبدأ في المدينة ويوجد طريق مسدود في القرية الصغيرة.

يجب أن يكون هذا أي طريق أدنى من المستوى الثالث ، ولكن به أنشطة تجارية / صناعية أكثر من المنازل. يمكن أيضًا ربط قريعتين ، طالما أن الطريق يبدأ في قرية صغيرة وطرق مسدودة في الأخرى.

يجب أن يكون هذا أي طريق أدنى من مستوى ثالث ، ولكن به في الغالب (85٪ & lt٪) منازل. حد السرعة بشكل عام 25-35. لاحظ أن مدخلات TIGER معطلة وأضافت الكثير من المساكن ، يمكن تحويل الكثير منها إلى غير مصنفة. يجب أيضًا استخدام هذا بدلاً من الطريق السريع = الخدمة للوصول إلى الطرق السكنية.

يجب أن يكون هذا أي طريق ترابي به أقل من 3 منازل ، أو طريق عبر عقار غير مطور. ليس بالضرورة الوصول العام. أضف نوع المسار.

شوارع المشاة مقابل ممرات المشاة

يجب ألا تحدث شوارع المشاة إلا في مناطق وسط المدينة والمتنزهات الترفيهية ، ويجب أن تكون بعرض طريق باتجاه واحد على الأقل. شاهد منطقة وسط مدينة القديس أوغسطين للحصول على مثال جيد. يجب أن تكون مسارات المشاة أي شيء آخر.

إذا كان الحد الأقصى للسرعة غير محدد ، والطريق ممهد وينتهي في طريق مسدود ، فاستخدم هذا. قم بتعيين حد السرعة على 15. إذا كان الطريق غير ممهد ومع ذلك به لافتة "Slow Children At Play" ، فاستخدمها أيضًا. خلاف ذلك ، استخدم طريقًا سكنيًا.

أي طريق ممهدة وتستخدم بشكل أساسي للدخول / وقوف السيارات. إذا كانت غير ممهدة ، ففكر في استخدام Track.