DOI: https://doi.org/10.1038/s41597-025-06534-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41484113
تاريخ النشر: 2026-01-03
المؤلف: Jianrong Cai وآخرون
الموضوع الرئيسي: تنقل البشر والتحليل القائم على الموقع
نظرة عامة
تقدم هذه القسم نظرة عامة مفصلة عن مجموعة بيانات زمنية مكانية تتعلق بعمليات الدراجات المشتركة في شيامن، الصين، تم جمعها على مدار خمسة أيام عمل (21-25 ديسمبر 2020) خلال ساعات الذروة الصباحية (6:00-10:00 صباحًا). تتضمن مجموعة البيانات 220,675 سجل رحلة من نقطة الانطلاق إلى الوجهة من 53,630 دراجة فريدة، مع ميزات مثل إحداثيات GPS، والطوابع الزمنية، وحالة القفل؛ 2,849,243 نقطة تتبع مسار GPS تم تسجيلها بفواصل تتراوح من 30 ثانية إلى دقيقتين؛ و14,071 سجل سياج إلكتروني يحدد حدود مناطق وقوف الدراجات. تأخذ مجموعة البيانات أيضًا في الاعتبار العوامل البيئية، مثل الطقس، مع ضمان خصوصية المستخدم من خلال التشفير لإخفاء الهوية.
تعد مجموعة البيانات مصدرًا قيمًا لتحليل أنماط التنقل الحضري، وسلوك ركوب الدراجات، وتوقع الطلب. يتم إثبات فائدتها من خلال تحليلات متنوعة، بما في ذلك توزيع زمني، وتصوير نمط مكاني، وتجمع إقليمي، وتوقع الطلب باستخدام الشبكات العصبية. يبرز البحث أهمية أنظمة الدراجات المشتركة في النقل الحضري المستدام، خاصة في معالجة الاتصال من البداية إلى النهاية في المناطق ذات الكثافة السكانية العالية. أدى النمو السريع لأنظمة الدراجات المشتركة بدون رصيف في الصين، المدعوم بالتقدم في تقنيات إنترنت الأشياء وGPS، إلى توليد بيانات تنقل مكانية زمنية كبيرة، يمكن الاستفادة منها في تخطيط النقل الحضري وتطبيقات المدن الذكية.
الطرق
في هذه الدراسة، استخدمنا أنظمة مراقبة متقدمة في الوقت الحقيقي من مشغلي الدراجات المشتركة الرئيسيين في شيامن لجمع البيانات التشغيلية. استخدمت الأنظمة بنية تحتية لإنترنت الأشياء، بما في ذلك أقفال ذكية ثنائية الوضع BeiDou/GPS ووحدات اتصال 4G، مما يسمح بتتبع دقيق لاستخدام الدراجات. تم ضبط فترات الإبلاغ عن البيانات ديناميكيًا بين 30 ثانية ودقيقتين بناءً على حالة الاستخدام، مما يتيح تجميع المعلومات في الوقت الحقيقي مثل موقع المركبة وحالة القفل من خلال واجهات API موحدة.
لتحليل الزمن، قمنا بتجميع أحداث فتح الدراجات على مقاييس زمنية مختلفة لكشف أنماط الاستخدام. تم اعتماد نهج هرمي، حيث تم فحص التغيرات داخل اليوم (فترات 30 دقيقة) خلال فترة التنقل الصباحية وأنماط بين الأيام على مدار خمسة أيام عمل متتالية. كشفت هذه التحليلات عن اتساق يومي وتقلبات في مستويات الاستخدام، مما يوفر رؤى حول استقرار أنماط الاستخدام والتأثيرات الخارجية. بالإضافة إلى ذلك، أجرينا فحصًا مفصلًا لفترة المراقبة الصباحية (6:00-10:00) لتحديد أوقات الاستخدام القصوى المهمة للتخطيط التشغيلي.
في التحليل المكاني، استخدمنا مواقع الفتح والإغلاق الدقيقة كنقاط انطلاق ووجهة للرحلات الفردية، مما يسمح بفهم عميق لأنماط الاستخدام المكاني والمسارات الشائعة. تم إنشاء خرائط حرارية باستخدام تقدير كثافة النواة (KDE) لتصور التوزيع المكاني لأنشطة الدراجات المشتركة، مع الإشارة إلى أن الألوان الأكثر دفئًا تدل على تركيزات استخدام أعلى. يقدم هذا التحليل الشامل للأبعاد الزمنية والمكانية رؤى قيمة لتحسين عمليات الدراجات المشتركة في البيئات الحضرية.
المناقشة
ت outlines قسم المناقشة في ورقة البحث المنهجية والنتائج من دراسة حول استخدام الدراجات المشتركة في شيامن، التي أجريت من 21 إلى 25 ديسمبر 2020، خلال ساعات التنقل الصباحية. كان الهدف من جمع البيانات هو التقاط سلوكيات التنقل النموذجية في أيام العمل مع تجنب عدم الانتظام في عطلات نهاية الأسبوع. تم بناء مجموعة بيانات متعددة الأبعاد، تدمج سجلات ترتيب الرحلات (220,675 إدخال)، بيانات المسار، معلومات السياج الإلكتروني، والمتغيرات السياقية مثل الطقس وبيانات شبكة الطرق. سمحت الدقة العالية لمجموعة البيانات في الفضاء وبنيتها متعددة المصادر بإجراء تحليل مفصل لديناميات التنقل وكفاءة التشغيل، على الرغم من نطاقها الزمني المحدود.
شمل معالجة البيانات تصفية سجلات الرحلات الشاذة بناءً على المدة، مما يضمن الاحتفاظ فقط ببيانات الاستخدام الصالحة. استخدمت الدراسة نهج التجميع الإقليمي لتحسين استراتيجيات إعادة توزيع الدراجات، مستفيدة من عوامل مثل حسابات المسافة والتكامل بين الطلبات بين المناطق. أشارت النتائج إلى أن الظروف الجوية السيئة أثرت بشكل كبير على استخدام الدراجات، مع انخفاض بنسبة 60% في الرحلات خلال الأمطار الخفيفة. كشفت التحليلات الزمنية عن أنماط استخدام متسقة تركزت حول ساعات الذروة، بينما أبرز التوزيع المكاني كثافات استخدام عالية بالقرب من الميزات الحضرية. أثبتت عملية التحقق من نموذج توقع الطلب دقة عالية، حيث تجاوزت معاملات الارتباط 0.98، مما يبرز موثوقية مجموعة البيانات لتحليلات التنقل الحضري المستقبلية وتطبيقات توقع الطلب.
DOI: https://doi.org/10.1038/s41597-025-06534-z
PMID: https://pubmed.ncbi.nlm.nih.gov/41484113
Publication Date: 2026-01-03
Author(s): Jianrong Cai et al.
Primary Topic: Human Mobility and Location-Based Analysis
Overview
This section presents a detailed overview of a spatiotemporal dataset concerning shared bicycle operations in Xiamen, China, collected over five weekdays (December 21-25, 2020) during morning peak hours (6:00-10:00 AM). The dataset includes 220,675 origin-destination trip records from 53,630 unique bicycles, featuring GPS coordinates, timestamps, and lock status; 2,849,243 GPS trajectory tracking points recorded at intervals ranging from 30 seconds to 2 minutes; and 14,071 electronic fence records that define parking zone boundaries. The dataset also accounts for environmental factors, such as weather, while ensuring user privacy through cryptographic anonymization.
The dataset serves as a valuable resource for analyzing urban mobility patterns, cycling behavior, and demand forecasting. Its utility is demonstrated through various analyses, including temporal distribution, spatial pattern visualization, regional clustering, and demand prediction using neural networks. The research highlights the importance of shared bicycle systems in sustainable urban transportation, particularly in addressing first-and-last-mile connectivity in densely populated areas. The rapid growth of dockless shared bicycle systems in China, facilitated by advancements in IoT and GPS technologies, has generated significant spatiotemporal mobility data, which can be leveraged for urban transportation planning and smart city applications.
Methods
In this study, we employed advanced real-time monitoring systems from major shared bicycle operators in Xiamen to collect operational data. The systems utilized IoT infrastructure, including dual-mode BeiDou/GPS smart locks and 4G communication modules, allowing for precise tracking of bicycle usage. Data reporting intervals were dynamically adjusted between 30 seconds and 2 minutes based on usage status, enabling the aggregation of real-time information such as vehicle location and lock status through standardized API interfaces.
For the temporal analysis, we aggregated bicycle unlocking events at various time scales to uncover usage patterns. A hierarchical approach was adopted, examining both intra-day variations (30-minute intervals) during the morning commuting period and inter-day patterns over five consecutive weekdays. This analysis revealed day-to-day consistency and fluctuations in usage levels, providing insights into the stability of usage patterns and external influences. Additionally, we conducted a detailed examination of the morning observation period (6:00-10:00) to identify peak usage times critical for operational planning.
In the spatial analysis, we utilized the precise unlocking and locking locations as origin and destination points for individual trips, allowing for an in-depth understanding of spatial usage patterns and popular routes. Heatmaps were generated using kernel density estimation (KDE) to visualize the spatial distribution of shared bicycle activities, with warmer colors indicating higher usage concentrations. This comprehensive analysis of both temporal and spatial dimensions offers valuable insights for optimizing shared bicycle operations in urban environments.
Discussion
The discussion section of the research paper outlines the methodology and findings from a study on shared bicycle usage in Xiamen, conducted from December 21 to 25, 2020, during morning commuting hours. The data collection aimed to capture typical weekday commuting behaviors while avoiding weekend irregularities. A multidimensional dataset was constructed, integrating trip order records (220,675 entries), trajectory data, electronic fence information, and contextual variables such as weather and road network data. The dataset’s high spatial granularity and multi-source structure allowed for a detailed analysis of mobility dynamics and operational efficiency, despite its limited temporal scope.
Data preprocessing involved filtering out anomalous trip records based on duration, ensuring that only valid usage data were retained. The study employed a regional clustering approach to optimize bicycle redistribution strategies, utilizing factors such as distance calculations and demand complementarity between regions. The findings indicated that adverse weather conditions significantly impacted bicycle usage, with a 60% reduction in trips during light rain. Temporal analysis revealed consistent usage patterns centered around peak commuting hours, while spatial distribution highlighted high usage densities near urban features. The validation of the demand prediction model demonstrated high accuracy, with correlation coefficients exceeding 0.98, underscoring the dataset’s reliability for future urban mobility analyses and demand forecasting applications.