[论文解读] Visualizing the "Heartbeat" of a City with Tweets

Urbano L. França, Hiroki Sayama+3 more|arXiv (Cornell University)|Jan 1, 2014

Human Mobility and Location-Based Analysis参考文献 22被引用 34

一句话总结

本研究分析了2013年8月至12月期间来自纽约市的超过600万条地理定位Twitter消息，以可视化该城市的集体每日和每周节奏。通过每小时热力图和距市中心距离的度量，揭示了由通勤模式驱动的昼夜‘节律’，并显示出工作日与周末在活动时间与空间分布上的显著差异，包括机场、旅游景点和体育场馆的活动高峰。

ABSTRACT

Describing the dynamics of a city is a crucial step to both understanding the human activity in urban environments and to planning and designing cities accordingly. Here we describe the collective dynamics of New York City and surrounding areas as seen through the lens of Twitter usage. In particular, we observe and quantify the patterns that emerge naturally from the hourly activities in different areas of New York City, and discuss how they can be used to understand the urban areas. Using a dataset that includes more than 6 million geolocated Twitter messages we construct a movie of the geographic density of tweets. We observe the diurnal "heartbeat" of the NYC area. The largest scale dynamics are the waking and sleeping cycle and commuting from residential communities to office areas in Manhattan. Hourly dynamics reflect the interplay of commuting, work and leisure, including whether people are preoccupied with other activities or actively using Twitter. Differences between weekday and weekend dynamics point to changes in when people wake and sleep, and engage in social activities. We show that by measuring the average distances to the heart of the city one can quantify the weekly differences and the shift in behavior during weekends. We also identify locations and times of high Twitter activity that occur because of specific activities. These include early morning high levels of traffic as people arrive and wait at air transportation hubs, and on Sunday at the Meadowlands Sports Complex and Statue of Liberty. We analyze the role of particular individuals where they have large impacts on overall Twitter activity. Our analysis points to the opportunity to develop insight into both geographic social dynamics and attention through social media analysis.

研究动机与目标

• 利用实时社交媒体数据绘制城市人类活动的时间与空间动态。
• 识别并量化Twitter使用中的昼夜与每周模式，作为集体城市行为的代理指标。
• 探讨社交媒体如何揭示城市的地理社会动态、注意力模式以及异常个体的影响。
• 比较工作日与周末的活动模式，特别是Twitter活动的时间与空间分布差异。
• 评估特定个体在扭曲或主导本地Twitter活动模式中的作用。

提出的方法

• 通过Twitter流媒体API收集覆盖纽约市及周边区域300×300网格的600多万条地理定位推文。
• 将数据聚合为168个每小时的时间片段（7天×24小时），以表示‘典型的一周’。
• 使用双曲正切归一化差异计算与周平均值的偏差：$ d_i^{\text{hour}} = \tanh(\alpha(n_i^{\text{hour}} - \bar{n}_i)) $，其中 $ \alpha = 0.04 $，以生成热力图。
• 构建Twitter活动动态的二维与三维可视化，可通过公开网络门户访问。
• 使用Haversine公式计算与中央公园的平均距离，以追踪活动随时间的空间变化。
• 通过异常检测与时间聚类识别高活跃地点与时间，包括机场、旅游景点和体育场馆。

实验结果

研究问题

• RQ1 纽约市的集体Twitter活动在多大程度上反映了城市的每日与每周节奏？
• RQ2 工作日与周末的Twitter使用在时空模式上有何差异？
• RQ3 通勤模式与工作安排如何塑造Twitter活动的地理分布？
• RQ4 哪些特定地点与时间显著偏离基线Twitter活动水平，其背后由何种事件驱动？
• RQ5 个体用户在多大程度上影响或扭曲本地Twitter活动模式？

主要发现

• 清晰的昼夜‘节律’浮现，曼哈顿的Twitter活动在中午13:00达到高峰，工作日早上6:00郊区出现通勤前的活跃激增。
• 周末活动整体向后推迟约3小时，表现为更晚的起床时间且无通勤前的活跃高峰，表明社会节奏发生变化。
• 周日夜间（凌晨2:00）的Twitter活动显著高于工作日，尤其在曼哈顿、布鲁克林和霍博肯，且地理覆盖范围更广。
• 机场（肯尼迪、纽瓦克、拉瓜迪亚）的活跃度在工作日的下午4至6点达到高峰，且因地点而异，肯尼迪机场在周日的晚上8点出现二次高峰。
• 特定事件驱动的活跃度出现在自由女神像（周日下午2点）和梅多兰兹体育场馆（周六下午2点至9点，周日早上9点至7点）。
• 高参与度的个体可主导本地Twitter活动，造成偏离整体城市模式的局部活跃峰值。