<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>پژوهشگاه حمل و نقل طراحان پارسه</PublisherName>
				<JournalTitle>فصلنامه  مهندسی حمل و نقل</JournalTitle>
				<Issn>2008-6598</Issn>
				<Volume>17</Volume>
				<Issue>2</Issue>
				<PubDate PubStatus="epublish">
					<Year>2025</Year>
					<Month>12</Month>
					<Day>22</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Discovering Spatio-Temporal Travel Patterns in Urban Public Transportation: Insights from Smart Card Data Analysis</ArticleTitle>
<VernacularTitle>کشف الگوهای مکانی-زمانی سفر در حمل‌ونقل عمومی شهری: بینش‌هایی از تحلیل داده‌های کارت هوشمند</VernacularTitle>
			<FirstPage>5373</FirstPage>
			<LastPage>5393</LastPage>
			<ELocationID EIdType="pii">228622</ELocationID>
			
<ELocationID EIdType="doi">10.22119/jte.2025.508176.2733</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>شریعت</FirstName>
					<LastName>رادفر</LastName>
<Affiliation>گروه مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران</Affiliation>

</Author>
<Author>
					<FirstName>حمیدرضا</FirstName>
					<LastName>کوشا</LastName>
<Affiliation>گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه فردوسی مشهد، ایران</Affiliation>

</Author>
<Author>
					<FirstName>علی</FirstName>
					<LastName>غلامی</LastName>
<Affiliation>گروه مهندسی عمران، دانشکده مهندسی، دانشگاه گلستان، گرگان، ایران</Affiliation>

</Author>
<Author>
					<FirstName>عاطفه</FirstName>
					<LastName>امین دوست</LastName>
<Affiliation>گروه مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2025</Year>
					<Month>02</Month>
					<Day>22</Day>
				</PubDate>
			</History>
		<Abstract>Public transportation systems exhibit complex travel behaviors influenced by spatial and temporal factors such as passenger origins, time-dependent demand, and urban structural characteristics. Understanding these behaviors is essential for improving transportation planning and urban development. This study investigates zone-based travel trends in the city of Mashhad, Iran, using smart card data collected from bus and metro systems. Temporal travel patterns of passengers across 253 traffic zones were classified into three categories—morning, noon, and evening—using the K-means clustering method. Meanwhile, the Mean Shift clustering method was employed to examine spatial characteristics such as population distribution and urban development within each zone. The results reveal distinct clusters for both temporal and spatial dimensions, highlighting the complex relationships among travel trends, demographic factors, and land-use characteristics. Key findings include a strong association between residential areas and morning trips, commercial and educational centers with midday trips, and the connectivity of peripheral areas with adjacent residential neighborhoods. These results provide practical insights for urban planners and policymakers to improve transportation systems and land-use policies.</Abstract>
			<OtherAbstract Language="FA">&lt;span lang=&quot;FA&quot;&gt;سیستم‌های حمل‌ونقل عمومی، رفتارهای سفر پیچیده‌ای را نشان می‌دهند که تحت تأثیر عوامل مکانی و زمانی مانند مبدأ مسافران، تقاضای مبتنی بر زمان و ویژگی‌های ساختاری شهری قرار دارند. درک این رفتارها برای بهبود برنامه‌ریزی حمل‌ونقل و توسعه شهری بسیار مهم است. این پژوهش، روندهای سفر مبتنی بر مناطق در شهر مشهد، ایران را با استفاده از داده‌های کارت‌های هوشمند سیستم‌های اتوبوس و مترو بررسی می‌کند. الگوهای زمانی سفر مسافران با استفاده از روش خوشه‌بندی&lt;/span&gt;&lt;span dir=&quot;LTR&quot;&gt; K-means &lt;/span&gt;&lt;span lang=&quot;FA&quot;&gt;در ۲۵۳ منطقه ترافیکی، به سه دسته صبح، ظهر و عصر تقسیم‌بندی شدند. در همین حال، از روش خوشه‌بندی&lt;/span&gt;&lt;span dir=&quot;LTR&quot;&gt; Mean Shift &lt;/span&gt;&lt;span lang=&quot;FA&quot;&gt;برای بررسی ویژگی‌های مکانی مانند توزیع جمعیت و توسعه شهری در هر منطقه استفاده شد. نتایج، خوشه‌های متمایزی را برای ابعاد زمانی و مکانی نشان می‌دهد که ارتباط پیچیده بین روندهای سفر، عوامل جمعیتی و کاربری اراضی را برجسته می‌کند. یافته‌های کلیدی شامل ارتباط قوی بین مناطق مسکونی و سفرهای صبحگاهی، مراکز تجاری و آموزشی با سفرهای ظهرگاهی، و اتصال مناطق حاشیه‌ای با محله‌های مسکونی مجاور است. این نتایج، بینش‌های عملی برای برنامه‌ریزان شهری و سیاست‌گذاران فراهم می‌کند تا سیستم‌های حمل‌ونقل و سیاست‌های کاربری اراضی را بهبود بخشند.&lt;/span&gt;</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">الگوهای سفر</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">حمل‌ونقل عمومی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">داده‌های کارت هوشمند</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تحلیل مکانی-زمانی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">خوشه‌بندی</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jte.sinaweb.net/article_228622_b40d0c3499a6ba7447e8170bb5b876e9.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
