[논문 리뷰] Real-time Road Traffic Information Detection Through Social Media

Chandra Khatri|arXiv (Cornell University)|2018. 01. 16.

Human Mobility and Location-Based Analysis참고 문헌 28인용 수 7

한 줄 요약

이 논문은 미국에서 수집한 지리 태그가 부여된 트윗을 분석하여 교통 혼잡도 및 사고와 같은 실시간 도로 교통 정보를 탐지하는 시스템을 제안한다. 자동화된 스트리밍, 분류 및 시공간 분석을 통해 모델은 총 600만 건의 지리 태그가 부여된 트윗 중 12만 건의 교통 관련 트윗을 추출하고 분류한다. 주요 기여는 사회적 미디어 데이터, 특히 트위터가 실제 교통 패턴을 정확하게 반영할 수 있음을 입증하며, 기존 기준과 통계적으로 검증된 도시 수준의 교통 혼잡도, 안전성 및 인식 순위를 산출할 수 있음을 보여준다.

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.

연구 동기 및 목표

• 소셜 미디어, 특히 트위터에서 실시간으로 교통 관련 정보를 탐지하기 위한 자동화된 시스템을 개발하는 것.
• 기계 학습 모델을 사용해 지리 태그가 부여된 트윗을 교통 관련 또는 비교통 관련으로 분류하는 것.
• 교통 관련 트윗의 공간적 및 시간적 패턴을 분석하여 실제 도시 교통 흐름을 유추하는 것.
• 소셜 미디어 데이터를 활용해 도시 수준의 교통 혼잡도, 안전성 및 인식 순위를 산출하는 것.
• 모델의 출력 결과를 널리 인정받는 기존 교통 순위와 비교하여 검증하는 것.

제안 방법

• 자동화된 파이프라인을 사용해 트위터에서 실시간으로 지리 태그가 부여된 트윗을 스트리밍하고 채굴하는 것.
• 텍스트 트윗 내의 교통 관련 콘텐츠를 식별하기 위해 이진 및 다중 분류 모델을 훈련하는 것.
• 미국 주요 도시 지역에서 트윗 분포 패턴을 분석하기 위해 공간적 및 시간적 군집 분석을 활용하는 것.
• 교통 혼잡도 수준, 안전성 인식 및 교통 상황에 대한 대중의 감정을 측정하기 위한 지표를 개발하는 것.
• 기존에 널리 사용되는 교통 성과 지표와 비교하여 모델이 산출한 순위를 통계적으로 검증하는 것.
• 실제 차량 이동 패턴과 비교하기 위해 교통 관련 트윗 흐름을 시각화하는 것.

실험 결과

연구 질문

• RQ1 지리 태그가 부여된 소셜 미디어 게시물의 텍스트 콘텐츠에서 실시간 교통 상황을 정확하게 유추할 수 있는가?
• RQ2 교통 관련 트윗의 공간적 및 시간적 패턴이 실제 도시 교통 흐름과 얼마나 잘 일치하는가?
• RQ3 소셜 미디어 데이터가 미국 도시의 신뢰할 수 있는 혼잡도 및 안전성 순위를 얼마나 잘 산출할 수 있는가?
• RQ4 소셜 미디어에 반영된 대중의 교통에 대한 인식은 객관적인 교통 지표와 얼마나 상관이 있는가?
• RQ5 자동화된 분류 모델이 대규모로 비교통 관련 콘텐츠와 교통 관련 콘텐츠를 효과적으로 구분할 수 있는가?

주요 결과

• 시스템은 총 600만 건의 지리 태그가 부여된 트윗 중 12만 건의 지리 태그가 부여된 교통 관련 트윗을 성공적으로 추출했다.
• 교통 관련 트윗의 공간적 및 시간적 시각화 결과는 도시 지역의 실제 차량 이동 패턴과 밀도 있게 일치한다.
• 소셜 미디어 데이터에서 유도된 교통 혼잡도 및 안전성 순위는 기존 기준과 강한 통계적 상관관계를 보였다.
• 감성 및 콘텐츠 분석을 통해 추론된 대중의 교통에 대한 인식은 도시 간에 의미 있는 차이를 보였으며, 알려진 도시 교통 특성과 일치했다.
• 모델은 자유롭게 이용 가능한 소셜 미디어 데이터가 기존 교통 모니터링 시스템의 확장 가능하고 실시간 대체 수 Mittel이 될 수 있음을 입증했다.
• 이 연구는 트위터 데이터가 실제 도로 교통 상황을 대표할 수 있으며, 도시 이동성에 대한 실질적인 통찰을 제공할 수 있음을 확인한다.