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

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.

کلیدواژه ها:

مدلسازی نواحی عملکردی شهری ، تعامل فضایی ، مدل تعامل وزندار فضایی مبتنی بر شبکه عصبی گراف ، الگوریتم تشخیص جامعه Infomap