論文の概要: Using Twitter Data to Determine Hurricane Category: An Experiment

• arxiv url: http://arxiv.org/abs/2308.05866v1
• Date: Thu, 10 Aug 2023 22:30:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-14 15:34:30.357385
• Title: Using Twitter Data to Determine Hurricane Category: An Experiment
• Title（参考訳）: Twitterのデータを使ってハリケーンカテゴリーを決定する実験
• Authors: Songhui Yue, Jyothsna Kondari, Aibek Musaev, Randy K. Smith, Songqing Yue
• Abstract要約: ソーシャルメディアの投稿には、主要な出来事に関する世論に関する豊富な情報が含まれている。 本稿では,特定地域のTwitterデータと,その地域のハリケーンレベルとの相関について検討する。 また,関連するTwitterデータを用いて,特定分野のハリケーンカテゴリーを予測する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.19573380763700707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social media posts contain an abundant amount of information about public opinion on major events, especially natural disasters such as hurricanes. Posts related to an event, are usually published by the users who live near the place of the event at the time of the event. Special correlation between the social media data and the events can be obtained using data mining approaches. This paper presents research work to find the mappings between social media data and the severity level of a disaster. Specifically, we have investigated the Twitter data posted during hurricanes Harvey and Irma, and attempted to find the correlation between the Twitter data of a specific area and the hurricane level in that area. Our experimental results indicate a positive correlation between them. We also present a method to predict the hurricane category for a specific area using relevant Twitter data.
• Abstract（参考訳）: ソーシャルメディアの投稿には、主要な出来事、特にハリケーンのような自然災害に関する世論に関する豊富な情報が含まれている。 イベントに関連する投稿は通常、イベントの時刻にイベントの場所の近くに住んでいるユーザによって発行される。 ソーシャルメディアデータとイベントの特別な相関は、データマイニング手法を用いて得ることができる。 本稿では,災害の重大度レベルとソーシャルメディアデータとの対応関係について検討する。 具体的には,ハリケーン「ハーヴェイ」と「イルマ」の間に投稿されたtwitterデータを調査し,その地域の特定の地域におけるtwitterデータとハリケーンレベルの相関関係について検討した。 実験の結果,両者は正の相関関係を示した。 また,関連するTwitterデータを用いて,特定地域のハリケーンカテゴリーを予測する手法を提案する。

関連論文リスト

• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• Sarcasm Detection in a Disaster Context [103.93691731605163]
  HurricaneSARCは,意図した皮肉に注釈を付けた15,000ツイートのデータセットである。 私たちの最高のモデルは、データセットで最大0.70F1を得ることができます。
  論文  参考訳（メタデータ） (2023-08-16T05:58:12Z)
• Relevance Classification of Flood-related Twitter Posts via Multiple Transformers [3.7399138244928145]
  そこで本稿では,Twitterのノイズに対処するテキスト分類フレームワークを提案する。 より具体的には、関係のあるTwitter投稿と関連のないTwitter投稿を区別するために、個人と組み合わせて複数のトランスフォーマーを使用しました。
  論文  参考訳（メタデータ） (2023-01-01T01:34:15Z)
• CrisisLTLSum: A Benchmark for Local Crisis Event Timeline Extraction and Summarization [62.77066949111921]
  本稿では,現在までに利用可能な地域危機イベントタイムラインの最大のデータセットであるCrisisLTLSumについて述べる。 CrisisLTLSumには、山火事、地元の火災、交通、嵐の4つの領域にわたる1000の危機イベントタイムラインが含まれている。 最初の実験では, 両タスクの人的性能と比較して, 強いベースライン性能の間に有意な差があることが示唆された。
  論文  参考訳（メタデータ） (2022-10-25T17:32:40Z)
• Clustering Filipino Disaster-Related Tweets Using Incremental and Density-Based Spatiotemporal Algorithm with Support Vector Machines for Needs Assessment 2 [0.0]
  この研究は、フィリピン人がTwitterで災害時に表現したニーズを評価することを目的としている。 データは収集され、災害関連または無関係に分類された。 その結果、インクリメンタルクラスタリングアルゴリズムと密度に基づく時空間クラスタリングアルゴリズムは、それぞれ47.20%と82.28%のスコアでツイートをクラスタリングすることができた。
  論文  参考訳（メタデータ） (2021-08-16T01:38:15Z)
• A multi-modal approach towards mining social media data during natural disasters -- a case study of Hurricane Irma [1.9259288012724252]
  私たちは16,598のユーザーから54,383のTwitterメッセージ(784Kジオロケートメッセージ)を使用して、4つの独立したモデルを開発し、関連性のためにデータをフィルタリングします。 4つのモデルはすべて独立してテストされ、組み合わせてツイートを素早くフィルタリングおよび視覚化できます。
  論文  参考訳（メタデータ） (2021-01-02T17:08:53Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• 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)
• Social Media Information Sharing for Natural Disaster Response [0.0]
  ソーシャルメディアは災害関連情報を投稿するための重要なチャンネルとなり、政府や救援機関が災害管理を改善するためのリアルタイムデータを提供している。 本研究の目的は,災害対応に対する公衆の態度や災害時の防災物資に対する公衆の要求など,ソーシャルメディアデータのマイニング・分析による防災効率の向上である。
  論文  参考訳（メタデータ） (2020-05-08T21:11:39Z)
• Detecting Perceived Emotions in Hurricane Disasters [62.760131661847986]
  私たちはHurricaneEmoを紹介します。HurricaneEmoは、Harvey、Irma、Mariaの3つのハリケーンにまたがる15,000の英語ツイートの感情データセットです。 本稿では, きめ細かい感情を包括的に研究し, 粗い感情群を識別するための分類タスクを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:17:49Z)

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。