論文の概要: Deriving the Traveler Behavior Information from Social Media: A Case Study in Manhattan with Twitter

• arxiv url: http://arxiv.org/abs/2101.11482v1
• Date: Wed, 27 Jan 2021 15:19:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 22:07:03.875400
• Title: Deriving the Traveler Behavior Information from Social Media: A Case Study in Manhattan with Twitter
• Title（参考訳）: ソーシャルメディアから旅行者行動情報を得る - Twitterによるマンハッタンの事例研究-
• Authors: Zhenhua Zhang
• Abstract要約: Twitterのようなソーシャルメディアプラットフォームは、交通問題に対処する上で、まったく新しい視点を提供する。 本稿では,旅行行動情報の抽出におけるTwitterの可能性について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social media platforms, such as Twitter, provide a totally new perspective in dealing with the traffic problems and is anticipated to complement the traditional methods. The geo-tagged tweets can provide the Twitter users' location information and is being applied in traveler behavior analysis. This paper explores the full potentials of Twitter in deriving travel behavior information and conducts a case study in Manhattan Area. A systematic method is proposed to extract displacement information from Twitter locations. Our study shows that Twitter has a unique demographics which combine not only local residents but also the tourists or passengers. For individual user, Twitter can uncover his/her travel behavior features including the time-of-day and location distributions on both weekdays and weekends. For all Twitter users, the aggregated travel behavior results also show that the time-of-day travel patterns in Manhattan Island resemble that of the traffic flow; the identification of OD pattern is also promising by comparing with the results of travel survey.
• Abstract（参考訳）: Twitterなどのソーシャルメディアプラットフォームは、トラフィック問題に対処するための全く新しい視点を提供し、従来の方法の補完が期待されています。 ジオタグ付きツイートは、Twitterユーザーの位置情報を提供し、旅行者の行動分析に適用される。 本論文では、旅行行動情報の導出におけるTwitterの可能性を探究し、マンハッタンエリアでのケーススタディを行う。 Twitterの位置情報から変位情報を抽出する系統的手法を提案する。 当社の調査によると、Twitterには地元住民だけでなく、観光客や乗客を合わせた独自の人口統計がある。 個々のユーザーにとってTwitterは、平日と週末の時間帯と場所の分布を含む旅行行動機能を明らかにすることができる。 すべてのTwitterユーザにとって、集計された旅行行動の結果は、マンハッタン島の日中の旅行パターンが交通の流れのパターンに類似していることを示し、ODパターンの識別も旅行調査の結果と比較することで有望である。

関連論文リスト

• Leveraging Twitter Data for Sentiment Analysis of Transit User Feedback: An NLP Framework [1.2499537119440245]
  トランジットサーベイを通じてユーザフィードバックを収集する従来の方法は、しばしば時間がかかり、リソースが集中し、コストがかかる。 我々は,Twitterのようなソーシャルメディアプラットフォームで利用可能な膨大な,豊富な,安価なデータを活用する,新しいNLPベースのフレームワークを提案する。 提案フレームワークは,ユーザフィードバックの収集と分析を,コストと時間を要するユーザフィードバック調査を必要とせずに効率化する。
  論文  参考訳（メタデータ） (2023-10-11T00:01:05Z)
• Happy or grumpy? A Machine Learning Approach to Analyze the Sentiment of Airline Passengers' Tweets [17.611366838121064]
  本研究は,航空会社に言及したつぶやきの感情を分析し,顧客満足度を測定することを目的とする。 関連するつぶやきはTwitterのAPIから検索され、トークン化とベクトル化によって処理される。 感情分析に加えて、収集したつぶやきの語彙分析を行い、キーワードの頻度をモデル化する。
  論文  参考訳（メタデータ） (2022-09-28T18:50:11Z)
• Manipulating Twitter Through Deletions [64.33261764633504]
  Twitter上でのインフルエンスキャンペーンの研究は、公開APIを通じて得られたツイートから悪意のあるアクティビティを識別することに大きく依存している。 ここでは,1100万以上のアカウントによる10億以上の削除を含む,異常な削除パターンを網羅的かつ大規模に分析する。 少数のアカウントが毎日大量のツイートを削除していることがわかった。 まず、ツイートのボリューム制限が回避され、特定のアカウントが毎日2600万以上のツイートをネットワークに流すことができる。 第二に、調整されたアカウントのネットワークは、繰り返しのいいね!や、最終的に削除されるコンテンツとは違って、ランキングアルゴリズムを操作できる。
  論文  参考訳（メタデータ） (2022-03-25T20:07:08Z)
• Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
  本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。 また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
  論文  参考訳（メタデータ） (2021-12-08T14:12:24Z)
• BERT based classification system for detecting rumours on Twitter [3.2872586139884623]
  従来の特徴抽出手法ではなく,Twitter上での噂を識別する手法を提案する。 BERTを用いた文埋め込みを用いて、ツイートの文脈的意味に応じて、各ツイートの文をベクターに表現する。 BERTをベースとしたモデルでは,従来の手法に比べて約10%精度が向上した。
  論文  参考訳（メタデータ） (2021-09-07T10:15:54Z)
• Understanding the Hoarding Behaviors during the COVID-19 Pandemic using Large Scale Social Media Data [77.34726150561087]
  われわれは、2020年3月1日から4月30日まで、米国で4万2000人以上のユニークTwitterユーザーによる嫌がらせと反嫌悪のパターンを分析した。 ホアーディンググループと反ホアーディンググループの両方の女性の比率が、一般のTwitter利用者の比率よりも高いことがわかりました。 LIWCの不安度はTwitterの不安度よりもかなり高い。
  論文  参考訳（メタデータ） (2020-10-15T16:02:25Z)
• Sentiment Analysis on Social Media Content [0.0]
  本研究の目的は,Twitterから収集した実データの感情分析を行うモデルを提案することである。 Twitterのデータは非常に非構造化されており、分析が困難である。 提案手法は,教師付き機械学習アルゴリズムと教師なし機械学習アルゴリズムの併用により,この分野の先行研究とは異なる。
  論文  参考訳（メタデータ） (2020-07-04T17:03:30Z)
• Privacy-Aware Recommender Systems Challenge on Twitter's Home Timeline [47.434392695347924]
  ACM RecSysが主催するRecSys 2020 Challengeは、このデータセットを使用してTwitterと提携している。 本稿では,ユーザエンゲージメントを予測しようとする研究者や専門家が直面する課題について述べる。
  論文  参考訳（メタデータ） (2020-04-28T23:54:33Z)
• That Message Went Viral?! Exploratory Analytics and Sentiment Analysis into the Propagation of Tweets [0.0]
  我々は100万ツイート以上のデータセットについて探索分析を行った。 我々は、最も人気のあるメッセージを特定し、複数の内因性次元でつぶやきを分析した。 私たちはいくつかの興味深いパターンを発見し、研究者や実践者が人気のあるバイラルツイートの振る舞いをよりよく理解するための新たな洞察を明らかにしました。
  論文  参考訳（メタデータ） (2020-04-21T02:38:53Z)
• An Iterative Approach for Identifying Complaint Based Tweets in Social Media Platforms [76.9570531352697]
  本稿では,トランスポートドメインに関連する苦情に基づく投稿を識別する反復的手法を提案する。 研究目的のための新しいデータセットのリリースとともに、包括的評価を行う。
  論文  参考訳（メタデータ） (2020-01-24T22:23:22Z)
• #MeToo on Campus: Studying College Sexual Assault at Scale Using Data Reported on Social Media [71.74529365205053]
  我々は、#トレンドが大学フォロワーのプールに与える影響を分析した。 その結果、これらの#ツイートに埋め込まれたトピックの大部分は、セクシャルハラスメントのストーリーを詳述している。 この傾向といくつかの主要地理的地域に関する公式な報告との間には大きな相関関係がある。
  論文  参考訳（メタデータ） (2020-01-16T18:05:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。