مدلسازی نواحی عملکردی شهری با استفاده از مدل تعامل وزندار فضایی مبتنی بر شبکه عصبی گراف

چکیده مقاله

مدل سازی نواحی عملکردی شهری برای درک سازماندهی فضایی اجتماعی و بهبود برنامه ریزی شهری و تخصیص منابع اهمیت زیادی دارد اگرچه پژوهش های بسیاری بر شناسایی این نواحی در گذشته و حال تمرکز داشته اند، توسعه ی رویکردهای پیش بینی کننده برای ترسیم تکامل آینده ی آنها کمتر مورد توجه قرار گرفته است این مطالعه چارچوبی نوین برای پیش بینی پویایی نواحی عملکردی در شهر شیکاگو معرفی می کند که بر داده های سفر تاکسی استوار است روش پیشنهادی شامل دو مرحله است: نخست، کالیبراسیون مدل تعامل فضایی وزندار مبتنی بر شبکه عصبی گراف GNN SWIM با داده های تاریخی سفر در ۴۸ بازه نیم ساعته و تولید سفرهای پیش بینی شده؛ دوم، استفاده از الگوریتم Infomap برای استخراج تغییرات زمانی نواحی عملکردی از شبکه های پیش بینی شده نتایج نشان می دهد که چارچوب پیشنهادی در بازتولید تعداد، مرزها و الگوهای روزانه ی نواحی عملکردی با داده های واقعی همخوانی بالایی دارد و تحلیل خودهمبستگی فضایی نیز دقت مدل در بازنمایی ساختارهای مکانی زمانی را تایید می کند این رویکرد ابزاری کارآمد برای تحلیل پیش بینانه ی شهری و پشتیبانی از تصمیم گیری در مدیریت پویای نواحی عملکردی به شمار می آید

کلیدواژه‌ها

نویسندگان

مرجان قنبری

دانشکده مهندسی عمران و نقشه برداری، دانشگاه خواجه النصیرالدین طوسی، ایران

محمد کریمی

دانشکده مهندسی عمران و نقشه برداری، دانشگاه خواجه النصیرالدین طوسی، ایران

کریستف کلارامونت

Naval Academy Research Institute, Brest, France

محمد احمدلو

اداره تمرکز، اداره کل خدمات فنی، سازمان نقشه برداری، ایران

قنبری، مرجان و کریمی، محمد و کلارامونت، کریستف و احمدلو، محمد،1404،مدلسازی نواحی عملکردی شهری با استفاده از مدل تعامل وزندار فضایی مبتنی بر شبکه عصبی گراف،بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو،تهران

ارائه‌شده در

مجموعه مقالات بیست و نهمین همایش و نمایشگاه ملی مهندسی نقشه برداری و اطلاعات مکانی ژئوماتیک ۱۴۰۴ و پنجمین نمایشگاه بین المللی ایران ژئو29 آبان 1404 · تهران