[논문 리뷰] Estimating hourly population distribution change at high spatiotemporal resolution in urban areas using geo-tagged tweets, land use data, and dasymetric maps

Ming‐Hsiang Tsou, Hao Zhang외 2명|arXiv (Cornell University)|2018. 10. 15.

Human Mobility and Location-Based Analysis참고 문헌 20인용 수 5

한 줄 요약

이 연구는 샌디에이고 카운티의 도시 지역에서 시간당 인구 분포 변화를 추정하기 위해 지리 태그가 된 트위터 트윗, 토지 이용 데이터 및 다심트릭 맵핑을 활용한 시공간 프레임워크를 제안한다. 인간이 생성한 트윗을 걸러내기 위해 반자동 검증 절차를 적용한 후, 저자들은 시간대별로 1km 격자 해상도에서 고유 사용자 수를 계산하고, 인구 조사 데이터와 토지 이용 자료에서 유도된 시간적 및 공간적 요인을 활용해 이를 조정함으로써 샌디에이고 카운티에서 높은 해상도의 동적 인구 지ap 맵핑을 가능하게 하였다. 비교 지도를 통한 강력한 검증을 통해 검증된 결과이다.

ABSTRACT

This paper introduces a spatiotemporal analysis framework for estimating hourly changing population distribution in urban areas using geo-tagged tweets (the messages containing users' physical locations), land use data, and dasymetric maps. We collected geo-tagged social media (tweets) within the County of San Diego during one year (2015) by using Twitter's Streaming Application Programming Interfaces (APIs). A semi-manual Twitter content verification procedure for data cleaning was applied first to separate tweets created by humans and non-human users (bots). The next step is to calculate the number of unique Twitter users every hour with the two different geographical units: (1) census blocks, and (2) 1km by 1km resolution grids of LandScan. The final step is to estimate actual dynamic population by transforming the numbers of unique Twitter users in each census block or grid into estimated population densities with spatial and temporal variation factors. A temporal factor was based on hourly frequency changes of unique Twitter users within San Diego County, CA. A spatial factor was estimated by using the dasymetric method with land use maps and 2010 census data. Several comparison maps were created to visualize the spatiotemporal pattern changes of dynamic population distribution.

연구 동기 및 목표

• 도시 환경에서 고시공간 해상도로 동적 인구 분포를 추정하는 방법을 개발하는 것.
• 정적 인구 데이터의 한계를 극복하여 실시간 인간 이동 패턴을 포착하는 것.
• 소셜 미디어 데이터(지리 태그가 된 트위터 트윗)를 토지 이용 및 인구 조사 데이터와 융합하여 인구 추정 정확도를 향상시키는 것.
• 시공간적 인구 패턴의 시각적 및 정량적 비교를 통해 프레임워크를 검증하는 것.

제안 방법

• 2015년 일년 동안 샌디에이고 카운티의 지리 태그가 된 트위터 트윗을 트위터의 스트리밍 API를 사용해 수집하였다.
• 로봇 활동과 인간이 생성한 트윗을 구분하기 위해 반자동 콘텐츠 검증 절차를 적용하였다.
• 인구 조사 블록과 1km×1km LandScan 격자 두 가지 공간 해상도에서 시간대별 고유 트위터 사용자 수를 집계하였다.
• 연구 지역 전역의 고유 사용자 수 시간대 변동을 기반으로 시간 요인을 계산하였다.
• 2010년 인구 조사 데이터를 사용하여 토지 이용 유형에 따라 인구를 비례적으로 분배하는 다심트릭 방법을 활용해 공간 요인을 추정하였다.
• 시간적 및 공간적 요인을 조합하여 원시 사용자 수를 시간과 공간에 따라 변동하는 추정 인구 밀도로 변환하였다.

실험 결과

연구 질문

• RQ1 지리 태그가 된 트위터 트윗은 도시 지역에서 시간대별 실시간 인구 분포 변화를 얼마나 정확하게 반영할 수 있는가?
• RQ2 토지 이용 데이터와 다심트릭 맵핑은 소셜 미디어에서 유도된 인구 추정의 공간 해상도와 정확도를 어느 정도 향상시킬 수 있는가?
• RQ3 소셜 미디어 활동의 시간 패턴은 도시 환경에서 실제 인간 이동 및 인구 역학과 어느 정도 상관관계가 있는가?
• RQ4 비인간 사용자 필터링이 소셜 미디어 데이터에서 유도된 인구 추정의 신뢰성에 어떤 영향을 미치는가?

주요 결과

• 이 프레임워크는 샌디에이고 카운티에서 시간대별로 고해상도(1km×1km)의 동적 인구 지도를 성공적으로 생성하였다.
• 트윗 활동의 시간 패턴은 낮 동안 업무 지구에서 인구가 집중되고 밤에는 주거 지역에서 인구가 집중되는 등의 알려진 일일 인간 이동 추세를 잘 반영하고 있었다.
• 다심트릭 보정은 균일하거나 블록 수준의 분배 방식에 비해 토지 이용 유형에 따라 더 현실적으로 인구를 분포시킴으로써 공간 정확도를 크게 향상시켰다.
• 비교 지도를 통해 인구 변화의 명확하고 일관된 시공간 패턴이 드러나, 모델이 도시 역학을 포착하는 데 성공했음을 검증하였다.