Journal of Geomatics Science and Technology

fa تعیین کاربری اجتماعی در محیط‌های شهری بر مبنای بعد معنایی داده‌های شبکه‌های اجتماعی مکان‌مبنا Characterization of Social Land use in Urban Environments Based on the Semantic Dimension of Location Based Social Networks’ Data سامانه های اطلاعات مکانی GIS ترویجی Tarviji <div style="text-align: justify;">شناخت محیط‌های شهری و درک رفتار حرکتی شهروندان یک زمینه تحقیقاتی مهم در حوزه تحلیل داده‌های مکانی است. شبکه‌های اجتماعی مکان‌مبنا داده‌های به‌روز، غنی و عظیمی را که کاربران به‌طور صادقانه‌ای از رفتار مکانی، زمانی و معنایی خود به اشتراک می‌گذارند، ثبت و جمع‌آوری می‌کنند. در این تحقیق تلاش شده است بر مبنای داده‌های مکانی و معنایی شبکه‌های اجتماعی مکان‌مبنا، محیط‌های شهری بر مبنای کاربری‌های اجتماعی خوشه‌بندی شوند. بدون تردید ساختار فیزیکی و همچنین کاربری یک منطقه شهری بر روی رفتار مکانی شهروندان تأثیر می‌گذارد و این تأثیر به داده‌های شبکه‌های اجتماعی مکان‌مبنا نیز سرایت می‌کند. در این راستا در اولین گام با به‌کارگیری یک الگوریتم خوشه‌بندی مبتنی بر شبکه عصبی رقابتی (SOM) داده‌های مکانی کاربران خوشه‌بندی می‌گردد. سپس با رسم دیاگرام ورونوی بر روی مراکز خوشه‌ها، محیط شهری به چند منطقه افراز شده و داده‌هایی که کاربران در هر منطقه ثبت کرده‌اند مشخص می‌شود. پس از استخراج درصد هر گروه از داده‌های معنایی و با در نظر گرفتن وزن هر یک از این گروه‌ها، با بهره‌گیری از الگوریتم فرا ابتکاری ژنتیک شاخص بهینه‌ای برای تعیین کاربری اجتماعی محاسبه می‌گردد. سپس با استفاده از یک الگوریتم خوشه‌بندی بر مبنای شاخص تعیین شده، به هر منطقه یک بعد معنایی که نماینده کاربری اجتماعی آن منطقه است، نسبت داده شد. به‌منظور ارزیابی روش پیشنهادی، نمودار تغییرات زمانی تعداد داده‌ها در طول شبانه‌روز برای پنج روز کاری هفته و دو روز پایان هفته برای هر گروه از داده‌های معنایی رسم شده و برای خوشه‌های شناسایی‌شده از روش پیشنهادی نیز استخراج گردید. سپس از همبستگی بین این نمودارها به‌عنوان شاخص ارزیابی روش پیشنهادی استفاده شد. نتایج حاصل از این تحقیق، بیانگر پتانسیل بالای شبکه‌های اجتماعی مکان‌مبنا برای شناخت محیط‌های شهری می‌باشد.  </div> Recognizing the urban environments and understanding the citizens’ motion behavior is an important research field in the area of spatial data <a name="OLE_LINK12"></a><a name="OLE_LINK11">a</a><a name="OLE_LINK10"></a><a name="OLE_LINK9">nalysis</a>. The location-based social networks record and gather update, rich, and <a name="OLE_LINK14"></a><a name="OLE_LINK13">enormous</a> data that users share them honestly through their spatial, temporal and semantic behavior. Undoubtedly the physical structure of an urban area as well as its land use impress the spatial behavior of its citizens and this<a name="OLE_LINK18"></a><a name="OLE_LINK17"> impression </a>propagates to the data of location-based social networks. Because of that, <a name="OLE_LINK20"></a><a name="OLE_LINK19">nowadays</a>, researchers use the users’ data in location-based social networks in order to recognize urban environments. In this research, we attempted to cluster urban environments based on social land uses by using the location-based social networks’ spatial and semantic data. In this regard, in the first step, the spatial data of users are clustered by employing a clustering algorithm that is based on a competitive neural network (SOM). To cluster the spatial data of users, we first should calculate the optimal number of clusters. In this regard, Elbow chart was used as DB index. Then, the urban environment is partitioned into several regions by drawing the Voronoi diagram on the cluster centers and the data which users have been recorded in each region are identified. The number of data available in each region was computed for semantic categories separately, then the vector of each region was normalized. Similarly, these operations were repeated for all data in whole urban environment and the. The initial idea is usage of the abundance of each category of semantic data; however, this criterion cannot determine the land use of a region properly; because it is possible that users share more information about, for example, creation places than residential ones. Finally after extracting the percentage of the different groups of semantic data and by considering the weight of each group, a semantic dimension that is the representative of the region’s social land use was <a name="OLE_LINK22"></a><a name="OLE_LINK21">assign</a>ed to each region by taking advantage of a clustering algorithm based on the semantic dimension of users’ data. To evaluate the proposed method, the number of data in each category was calculated for every 15 minutes of a day to verify the validity of data that users share about their activities in the foursquare social network. To more accurate study, the working days and weekend days were studied separately; i.e. for each category, we formed a vector with 192 members. The chart of temporal variations of data numbers during a day (24 hours) was plotted for clusters identified from proposed method too. Then, the <a name="OLE_LINK27">correlation</a> among these charts was used as the evaluation index of the proposed method. This research and the performed evaluation show that the big data of social networks are not only low cost and updated but also shared by citizens honestly and have suitable validity. Also, the urban regions with common or similar social land uses have spatial continuity. The results of the research show the high potential of the location-based social networks to recognize urban environments.   شبکه‌های اجتماعی مکان‌مبنا, خوشه‌بندی SOM, کاربری اجتماعی محیط‌های شهری, شاخص DB Location-based Social Networks, SOM Clustering, the Land use of Urban Environments, DB Index 133 145 http://jgst.issgeac.ir/browse.php?a_code=A-10-650-1&slc_lang=fa&sid=1 F. Karimipour فرید کریمی پور Fkarimipour@ut.ac.ir 10031947532846005402 10031947532846005402 Yes بدون سازمان M. Tayebi مرتضی طیبی mortezatayebi@ut.ac.ir 10031947532846005403 10031947532846005403 No بدون سازمان K. Amozande کیمیا آموزنده 10031947532846005404 10031947532846005404 No بدون سازمان