[논문 리뷰] Geotagged tweets to inform a spatial interaction model: a case study of museums

Robin Lovelace, Nick Malleson외 2명|arXiv (Cornell University)|2014. 03. 20.

Geographic Information Systems Studies참고 문헌 43인용 수 10

한 줄 요약

이 연구는 영국 요크셔의 박물관 방문에 대한 공간 상호작용 모델을 캘리브레이션하기 위해 지리적 태그가 부착된 트윗을 사용하는 것을 제안한다. 트윗 데이터를 활용하여 179개 지역 간 방문자 유동을 추정한다. 캘리브레이션 과정에서 트윗을 통한 이동 패턴을 활용할 경우 모델의 적합도가 향상되며, 이는 공식 통계 자료의 보완으로서 소셜 미디어 데이터가 지리학적 행동 모델링에 활용될 수 있음을 보여준다.

ABSTRACT

This paper explores the potential of volunteered geographical information from social media for informing geographical models of behavior, based on a case study of museums in Yorkshire, UK. A spatial interaction model of visitors to 15 museums from 179 administrative zones is constructed to test this potential. The main input dataset comprises geo-tagged messages harvested using the Twitter Streaming Application Programming Interface (API), filtered, analyzed and aggregated to allow direct comparison with the model's output. Comparison between model output and tweet information allowed the calibration of model parameters to optimize the fit between flows to museums inferred from tweets and flow matrices generated by the spatial interaction model. We conclude that volunteered geographic information from social media sites have great potential for informing geographical models of behavior, especially if the volume of geo-tagged social media messages continues to increase. However, we caution that volunteered geographical information from social media has some major limitations so should be used only as a supplement to more consistent data sources or when official datasets are unavailable.

연구 동기 및 목표

• 소셜 미디어에서의 자발적 지리정보(VGI)가 인간 행동에 대한 지리적 모델을 정보화하는 데의 잠재력을 평가하는 것.
• 지리적 태그가 부착된 트위터 데이터를 박물관 방문자 유동의 실제 유동을 대체하는 지표로 사용하여 공간 상호작용 모델을 개발하고 캘리브레이션하는 것.
• 기존의 데이터 소스와 비교할 때 트윗에서 유도된 이동 패턴이 모델 정확도를 얼마나 향상시킬 수 있는지 평가하는 것.
• 공간 행동 모델링에서 소셜 미디어 데이터를 사용할 때의 주요 제약 사항과 실용적 제약 사항을 규명하는 것.

제안 방법

• 179개 행정 구역에서 15개 박물관로의 방문자 유동을 예측하기 위해 공간 상호작용 모델을 구축하였다.
• 트위터 스트리밍 API를 통해 지리적 태그가 부착된 트윗을 수집하고, 박물관 방문과 관련된 메시지만 필터링하였다.
• 원천 지역별로 트윗 데이터를 집계하여 유추된 방문자 이동을 나타내는 유동 행렬을 생성하였다.
• 트윗을 통한 유동과 모델 예측 유동 간의 차이를 최소화함으로써 모델의 파라미터를 캘리브레이션 하였다.
• 모델는 거리와 매력도(예: 박물관의 크기 또는 인기도)에 따라 지역 간 상호작용이 결정되는 중력 기반 공식을 사용하였다.
• 예측된 유동과 지리적 태그가 부착된 트윗에서 추론된 유동 간의 비교를 통해 모델 적합도를 평가하였으며, R-제곱 또는 RMSE와 같은 통계적 지표를 사용하였다(캘리브레이션 과정에 암시됨).

실험 결과

연구 질문

• RQ1 지리적 태그가 부착된 트윗은 문화 관광의 공간 상호작용을 모델링하는 데 신뢰할 수 있는 대체 데이터로 활용될 수 있는가?
• RQ2 소셜 미디어에서 유도된 이동 패턴만으로도 공간 상호작용 모델을 캘리브레이션할 수 있는가?
• RQ3 공식 통계 자료와 비교할 때 트윗 데이터로 훈련된 모델의 적합도는 어떻게 되는가?
• RQ4 소셜 미디어에서의 자발적 지리정보(VGI)를 행동 모델링에 사용할 때의 주요 제약 사항은 무엇인가?

주요 결과

• 지리적 태그가 부착된 트윗 데이터로 캘리브레이션된 공간 상호작용 모델은 적합도가 향상되었으며, 이는 소셜 미디어가 방문자 이동을 대체로 유용한 지표로 기능할 수 있음을 시사한다.
• 트윗에서 유도된 유동 행렬은 특히 고밀도 유동 지역에 대해 실제 박물관 방문 패턴을 합리적으로 반영하고 있었다.
• 연구 결과, 공식 데이터셋이 확보되지 않거나 일관성이 없을 경우 소셜 미디어 데이터가 모델 캘리브레이션을 향상시킬 수 있음을 확인하였다.
• 다른 한편으로는 저자들은 VGI가 젊고 기술에 능숙한 사용자 중심으로 편향되어 있으며, 특정 인구 집단을 충분히 반영하지 못할 수 있음을 경고하였다.
• 지리적 태그가 부착된 트윗의 수와 공간 분포는 모델의 신뢰성과 캘리브레이션 정확도에 영향을 미치는 핵심 요소로 확인되었다.