[論文レビュー] Land Use Detection & Identification using Geo-tagged Tweets.

Saeed Khan, Shahzamal|arXiv (Cornell University)|Jan 9, 2021

Human Mobility and Location-Based Analysis参考文献 14被引用数 5

ひとこと要約

本稿では、ブリスベン、メルボルン、シドニーの地理タグ付きツイッター投稿データにおける空間的・時間的パターンを活用し、教師あり学習手法を提案する。この手法により、商業、住宅、レクリエーション、教育施設など都市の土地利用タイプを同定・予測できる。予測クラスタと公式の区域区分地図との間で最大67.2%の重複率を達成し、データ前処理を最小限に抑えた状態でも、ソーシャルメディアの活動が現実の土地利用パターンを効果的に反映していることを示している。

ABSTRACT

Geo-tagged tweets can potentially help with sensing the interaction of people with their surrounding environment. Based on this hypothesis, this paper makes use of geotagged tweets in order to ascertain various land uses with a broader goal to help with urban/city planning. The proposed method utilises supervised learning to reveal spatial land use within cities with the help of Twitter activity signatures. Specifically, the technique involves using tweets from three cities of Australia namely Brisbane, Melbourne and Sydney. Analytical results are checked against the zoning data provided by respective city councils and a good match is observed between the predicted land use and existing land zoning by the city councils. We show that geo-tagged tweets contain features that can be useful for land use identification.

研究の動機と目的

• リアルタイムのソーシャルメディア活動を用いて、スケーラブルでデータドリブンな都市の土地利用タイプ同定手法を開発すること。
• 地理タグ付きツイッターデータが公式の区域区分や都市計画の代替として使用可能かどうかを検証すること。
• ツイッター活動から導出された土地利用クラスタの空間的正確性を都市委員会の区域区分地図と照合して評価すること。
• 従来のアンケートベースの土地利用評価と比較して、低コストで最新の情報を得られるソーシャルメディアデータの可能性を検討すること。
• 時間的および空間的ツイートパターンが、既知の土地利用カテゴリとどの程度相関しているかを特定すること。

提案手法

• 本手法は、オーストラリアの3都市（ブリスベン、メルボルン、シドニー）における地理タグ付きツイッター投稿から、空間的および時間的パターンを抽出する教師あり学習を適用する。
• ツイッター投稿データは、位置と時刻に基づいてグループ化される空間クラスタリングアルゴリズムを用いて処理され、各区域ごとに特徴的な活動シグネチャが形成される。
• クラスタリングプロセスは、元のデータポイントをフィルタリングまたは破棄せずに、空間的特徴を保持することを目的として設計されている。
• 予測されたクラスタは、都市委員会が提供する公式の土地利用区域区分地図とポリゴン重複解析を用いて比較され、空間的類似度が測定される。
• 本手法は、ピーク活動時刻やツイート数といった時間的行動に基づいて、住宅、商業、レクリエーションなどの土地利用タイプを区別する。
• 本手法はスケーラブルで効率的であり、データ圧縮や空間分解能の損失なしに大規模なツイッターデータを処理可能である。

実験結果

リサーチクエスチョン

• RQ1 地理タグ付きツイッター投稿における空間的・時間的パターンは、公式の土地利用区域区分分類とどの程度一致するか？
• RQ2 ツイッター活動を学習データとして用いた教師あり学習モデルは、住宅、商業、レクリエーション区域といった既知の土地利用タイプを正確に予測できるか？
• RQ3 予測されたツイッタークラスタと公式の区域ポリゴンとの重複率は、土地利用カテゴリごとにどのように変化するか？
• RQ4 クラスタサイズや区域面積の違いが、予測された土地利用区域と公式区域との重複測定の正確性に与える影響は何か？
• RQ5 ソーシャルメディアデータは、従来のアンケートベースの土地利用評価手法に代わる実用的でリアルタイムの代替手段として機能できるか？

主な発見

• 提案手法は、メルボルンの公式レクリエーション区域と予測クラスタの間で最大67.2%の重複率を達成し、空間的整合性が強いことを示している。
• 商業区域では、メルボルンで52.4%、シドニーで62.5%の重複率を示し、都市間で一貫した性能を発揮している。
• 住宅区域のクラスタは公式区域と50–56%の重複率を示し、住宅活動パターンの信頼性ある検出を示している。
• 教育区域では、メルボルンでは0%の重複率にとどまったが、シドニーでは53.5%の重複率を示しており、データ表現に地域差があることが示唆された。
• レクリエーション区域は平均52.6%–67.2%の最高の重複率を示し、ツイッター活動パターンが公共施設やレクリエーションスペースの特定に特に効果的であることが明らかになった。
• 本手法は、データ損失なしに生の未処理ツイッターデータを処理でき、すべてのクラスタで空間的忠実性を維持したため、スケーラビリティと頑健性を示した。