[論文レビュー] Real-time Road Traffic Information Detection Through Social Media

Chandra Khatri|arXiv (Cornell University)|Jan 16, 2018

Human Mobility and Location-Based Analysis参考文献 28被引用数 7

ひとこと要約

本論文では、米国からの位置タグ付きツイートをマイニングすることで、混雑状況や事故などの道路交通情報をリアルタイムで検出するシステムを提案している。自動化されたストリーミング、分類、時空間分析を用いて、全600万件の位置タグ付きツイートから12万件の交通関連ツイートを抽出・分類した。主な貢献は、特にTwitterのようなソーシャルメディアデータが、実際の交通パターンを正確に反映できることを示し、統計的妥当性を伴って都市レベルの交通混雑、安全性、認識度の順位付けを可能にすることである。

ABSTRACT

In current study, a mechanism to extract traffic related information such as congestion and incidents from textual data from the internet is proposed. The current source of data is Twitter. As the data being considered is extremely large in size automated models are developed to stream, download, and mine the data in real-time. Furthermore, if any tweet has traffic related information then the models should be able to infer and extract this data. Currently, the data is collected only for United States and a total of 120,000 geo-tagged traffic related tweets are extracted, while six million geo-tagged non-traffic related tweets are retrieved and classification models are trained. Furthermore, this data is used for various kinds of spatial and temporal analysis. A mechanism to calculate level of traffic congestion, safety, and traffic perception for cities in U.S. is proposed. Traffic congestion and safety rankings for the various urban areas are obtained and then they are statistically validated with existing widely adopted rankings. Traffic perception depicts the attitude and perception of people towards the traffic. It is also seen that traffic related data when visualized spatially and temporally provides the same pattern as the actual traffic flows for various urban areas. When visualized at the city level, it is clearly visible that the flow of tweets is similar to flow of vehicles and that the traffic related tweets are representative of traffic within the cities. With all the findings in current study, it is shown that significant amount of traffic related information can be extracted from Twitter and other sources on internet. Furthermore, Twitter and these data sources are freely available and are not bound by spatial and temporal limitations. That is, wherever there is a user there is a potential for data.

研究の動機と目的

• ソーシャルメディア、特にTwitterからリアルタイムで交通関連情報を自動検出するためのシステムを開発すること。
• 機械学習モデルを用いて位置タグ付きツイートを交通関連または非交通関連に分類すること。
• 交通関連ツイートの空間的・時間的パターンを分析し、現実の交通フローを推定すること。
• ソーシャルメディアデータを用いて都市レベルの交通混雑、安全性、認識度の順位付けを生成すること。
• モデルの出力を広く受け入れられている既存の交通順位付け基準と照合して検証すること。

提案手法

• 自動パイプラインを用いてTwitterから位置タグ付きツイートのリアルタイムストリーミングとマイニングを行う。
• テキストのツイートに含まれる交通関連コンテンツを特定するための二値分類および多値分類モデルの学習を行う。
• 米国都市部におけるツイート分布のパターンを分析するために、空間的・時間的クラスタリングを用いる。
• 交通混雑度、安全性の認識、交通状況に対する一般の感情を定量化するための指標を開発する。
• モデルが生成した順位付けを、既存の交通パフォーマンスインデックスと照合して統計的妥当性を検証する。
• 実際の車両移動パターンと比較可能な交通関連ツイートの流れを可視化する。

実験結果

リサーチクエスチョン

• RQ1 位置タグ付きソーシャルメディア投稿のテキスト的コンテンツから、リアルタイムで交通状況を正確に推定できるか？
• RQ2 交通関連ツイートの空間的・時間的パターンは、実際に観察される都市交通フローとどの程度一致するか？
• RQ3 ソーシャルメディアデータは、米国都市の混雑状況および安全性の順位付けをどの程度信頼性を持って生成できるか？
• RQ4 ソーシャルメディアに反映される交通に対する一般の認識は、客観的な交通指標とどの程度相関するか？
• RQ5 スケールを考慮した上で、自動分類モデルは交通関連ツイートと非交通関連コンテンツを効果的に区別できるか？

主な発見

• 本システムは、全600万件の位置タグ付きツイートから12万件の位置タグ付き交通関連ツイートを正常に抽出した。
• 交通関連ツイートの空間的・時間的可視化は、都市部における実際の車両フローのパターンとよく一致した。
• ソーシャルメディアデータから導き出された交通混雑および安全性の順位付けは、既存の基準と強い統計的相関を示した。
• 感情分析やコンテンツ分析から導き出された交通に対する一般の認識は、都市ごとに有意義に変動し、既知の都市交通特性と整合した。
• モデルは、自由に入手可能なソーシャルメディアデータが、従来の交通監視システムの代替としてスケーラブルかつリアルタイムに機能できることを示した。
• 本研究は、Twitterデータが現実の交通状況を的確に反映しており、都市の移動行動に関する実用的インサイトを生成できると確認した。