کاوش الگوهای پرتکرار فضایی فعالیتهای شهری مورد مطالعه: بانکها و موسسات مالی و اعتباری شهر تهران

نوع مقاله : پژوهشی - کاربردی

نویسنده

عضو هیات علمی دانشکده جغرافیای دانشگاه تهران، تهران، ایران

10.22059/jurbangeo.2023.347390.1727

چکیده

معمولا عوارض جغرافیایی دارای نوعی چسبندگی به هم هستند و یک عارضه درکنار خود سایر عوارض را جذب می کند برای مثال یک در کنار بیمارستان یا درمانگاه، مجموعه ای از مطب های پزشکان، داروخانه ها، رادیولوژی، آزمایشگاه، رستوران، اغذیه، گل فروشی ، سوپرمارکت و ...، قرار می گیرند . این مجموعه ها در کنار هم قرار می گیرند تا در نتیجه تجمع و استقرار در مجاورت هم مکمل یکدیگر باشند و نیازهای مشتریان را تامین نمایند. ترکیب چنین مجموعه هایی تحت تاثیر عوامل اقتصادی، اجتماعی، فرهنگی، سیاستی، برنامه ریزی، کالبدی و.. قرار دارند. برای انجام این تحقیق از موقعیت شعب و موسسات مالی و اعتباری شهری تهران استفاده شده است، 3773 شعبه به عنوان موقعیتی برای جمع آوری داده ها و ساخت مجموعه اقلام استفاده شد. 56 کلاس عارضه شهری برای تحلیل و استخراج داده ها در نظر گرفته شد و کلیه عوارضی که در محدوده 200 متری شعب قرار داشتند استخراج شدند و سپس با استفاده از روش اپریوری مورد تحلیل قرار گرفتند. روش اپریوری از جمله روشهای کاوش الگوهای مکرر و یا پرتکرار می باشد که به دنبال کشف پیوندها، ارتباطات و همبستگی در مجموعه ای از داده های مشخص است. نتایج این تحقیق مجموعه ای قواعد انجمنی است که در نتیجه کاوش در داده ها بدست آمدند به کمک این قواعد می توان مشخص نمود که چه عوارض باهم در یک بسته به عنوان مجموعه اقلام قرار می گیرند و در بخشهای مختلف شهر تکرار می شوند.

کلیدواژه‌ها


عنوان مقاله [English]

Mining frequent spatial patterns of urban activities Case study: Banks and financial and credit institutions of Tehran

نویسنده [English]

  • HassanAli Faraji Sabokbar
Human Geography,Faculty of Geography, University of Tehran
چکیده [English]

Usually, geographical features have a kind of adhesion to each another, and a feature attracts other features, for example, near to a hospital or clinic, there are set items of doctors' offices, pharmacies, radiology, laboratories, restaurants, food, flower shops, supermarkets. These item set are placed near to each other so that as a result of accumulation and establishment in the neighbor they complement each other and meet the needs of customers. In this article, we explore the frequent pattern of urban features that are Frequent repeated in different parts of Tehran. To perform research, we have used the location of branches of banks and financial and credit institutions in Tehran (3773 branches) as a case study. Urban feature included 56 classes and in total, 81066 features were used for processing. Apriori algorithm has been used to discover patterns. Apriori is an algorithm for frequent item set mining and association rule learning. The features located within a 200-meter radius of bank branches have been extracted. Then they have been converted into geographic binary matrix and transferred to the Python environment. To run the model, we consider the minimum support level of 0.05 (5%), in other words, only items that occur at least 5% will be used in the model. After processing the information, the association rules were mining. The most frequent urban items was insurance and restaurant which played a greater role in the construction of frequent urban itemset.

کلیدواژه‌ها [English]

  • Spatial Data Mining
  • Frequent Pattern Mining (FPM)
  • Frequent itemset
  • Itemset