@article { author = {Zhendeh Khatibi, Hanieh and Shariat Mohaymany, Afshin and Shahri, Matin}, title = {Identifying Spatial and Temporal Patterns of Urban Activities Using Mobile Phone Data}, journal = {Iranian Journal of Remote Sensing & GIS}, volume = {}, number = {}, pages = {-}, year = {2023}, publisher = {Iranian Remote Sensing & GIS Society}, issn = {2008-5966}, eissn = {2588-6185}, doi = {10.48308/gisj.2023.103097}, abstract = {Recently, the use of big data from mobile devices has received considerable attention in transportation studies. The need to do activities is the main inducement for urban trip generation. In addition, urban activities and their patterns vary over space and time. Mobile phone data, as a kind of continuous spatiotemporal data, records the location of people at different times. Therefore, such data is appropriate for urban activity level estimation, and its pattern detection. In the present study, mobile phone data was applied to estimate the density of activities (standardized by area) in Shiraz metropolitan area. To examine the spatial dependency of the variable of interest (density of activities), global and local Moran’s I indices were applied on density of activities aggregated over 321 traffic analyses zone in Shiraz on workdays, semi-workdays, and weekends. The results not only confirmed significant positive spatial autocorrelation of density of activities (P_Value<0.001), but also detected the hotspots in the central parts of study areas. Using exploratory analysis of time series and time-series heterogeneity tests, the study identified the trend of activity level, intensity change by time, and change-point of activity in time series. The study also extracted the start time of activities (8 a.m. for workdays and semi-workdays and 9 a.m. for weekends), mid-day peak (12-14), evening peak of trips (20-22), and the minimum activity time (3-6 a.m.). Results of these analyses could be beneficial for appropriate transportation planning, policy-making, demand management, management of population density at hotspots at any time of the day, as well as urban transportation environmental impacts analysis.}, keywords = {Urban Activity Pattern,Spatial analysis,Temporal Analysis,Mobile Phone Data}, title_fa = {شناسایی الگوهای مکانی و زمانی فعالیت‌های شهری با استفاده از داده‌های تلفن همراه}, abstract_fa = {در سال‌های اخیر استفاده از کلان داده‌های تلفن همراه در مطالعات حمل‌ونقلی بسیار مورد توجه متخصصان قرار گرفته است. منشأ ایجاد سفرهای شهری، ‌نیاز افراد به انجام فعالیت است. از طرفی، سطح فعالیت‌های شهری و الگوی آن نیز در زمان‌ها و مکان‌های مختلف متغیر است. داده‌های تلفن همراه، به عنوان نوعی از داده‌های پیوسته مکانی-زمانی، حضور افراد در مکان‌ها و زمان‌های مختلف را ثبت می‌کنند و بنابراین به منظور شناسایی سطح فعالیت شهری و استخراج الگوی فعالیت افراد در زمان‌های مختلف، مناسب و پرکاربرد هستند. در مطالعه حاضر با به‌کارگیری داده‌های تلفن همراه، تراکم سطح فعالیت افراد (استاندارد شده نسبت به مساحت) در سطح ۳۲۱ ناحیه ترافیکی شهر شیراز محاسبه شد. میزان خودهمبستگی مکانی سطح فعالیت، با استفاده از شاخص خودهمبستگی مکانی Moran’s I عمومی و محلی در روزهای کاری، نیمه‌کاری و غیرکاری مورد بررسی قرار گرفت و وجود خودهمبستگی مکانی مثبت و معنادار فعالیت در واحد مساحت نواحی ترافیکی (P_Value < 0.001) تأیید گردید. به‌این‌ترتیب، نواحی مهم با تراکم فعالیت بالا در مناطق مرکزی شهری شناسایی شدند. سپس، با استفاده از تحلیل‌های سری زمانی و تحلیل یکنواختی سری زمانی، الگوی زمانی سطح فعالیت‌ها، بازه زمانی آغاز فعالیت‌ها (ساعت 8 صبح در روزهای کاری و نیمه‎ کاری و ساعت 9 صبح برای روزهای غیرکاری)، بازه اوج میان‌روز (ساعت ۱۴-۱۲)، بازه اوج عصر (ساعت ۲۲-۲۰) و سایر مشخصه‌های سری زمانی بررسی گردید. همچنین کمترین سطح فعالیت روزانه بین ساعت ۳ تا ۶ صبح تشخیص داده شد. نتایج این تحلیل می‌تواند در فرآیند برنامه‌ریزی و سیاست‌گذاری صحیح، مدیریت تقاضا و حضور افراد در مکان‌های پرتراکم شهر و در بازه زمانی دلخواه و همچنین تحلیل‌های مرتبط با اثرات زیست محیطی حمل‌و‌نقل شهری تاثیرگذار باشد.}, keywords_fa = {الگوی فعالیت شهری,تحلیل مکانی,تحلیل زمانی,داده‌های تلفن همراه}, url = {https://gisj.sbu.ac.ir/article_103097.html}, eprint = {} }