کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10226010 1701238 2018 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Identifying tourists and analyzing spatial patterns of their destinations from location-based social media data
ترجمه فارسی عنوان
شناسایی گردشگران و تجزیه و تحلیل الگوهای فضایی مقصد خود را از داده های رسانه های اجتماعی مبتنی بر محل
کلمات کلیدی
گردشگران، رفتار مسافرت، انتخاب مقصد، رسانه اجتماعی مبتنی بر مکان، فلوریدا، فراگیری ماشین، طبقه بندی، خوشه بندی
ترجمه چکیده
داده های قابل اطمینان مسافرت در سفر، یک پیش شرط برای روند برنامه ریزی حمل و نقل است. گردشگران در شهرهای وابسته به بزرگ گردشگری، جمعیت پویا ترین جمعیت هستند که اندازه و گزینه های سفر آنها برای برنامه ریزان ناشناخته است. نظرسنجی های سفر سنتی به طور کلی رفتار رفت و آمد مسافران را رصد می کنند و به ندرت گردشگران را هدف قرار می دهند. استفاده های گسترده از سیستم عامل های رسانه های اجتماعی در گوشی های هوشمند، فرصتی فوق العاده ای را برای جمع آوری عوارض دیجیتال گردشگران در مقیاس وسیع ایجاد کرده است. در این مقاله، چارچوبی در مورد نحوه استفاده از داده های مبتنی بر مکان از رسانه های اجتماعی برای جمع آوری و تجزیه و تحلیل رفتار رفت و آمد گردشگران ارائه شده است. ما با استفاده از رابط جستجوی خود برای فلوریدا جمع آوری اطلاعات از حدود 67،000 کاربر از توییتر. ابتدا چندین مرحله فیلتر کردن را برای ایجاد یک نمونه قابل اطمینان از داده های جمع آوری شده توییتر پیشنهاد می کنیم. یک روش طبقه بندی گروه بندی برای دسته بندی گردشگران و ساکنان از مختصات کاربر پیشنهاد شده است. دقت طبقه بندی پیشنهاد شده در مقایسه با روش های طبقه بندی پیشرفته تر مقایسه شده است. در نهایت، روش های مختلف خوشه بندی برای یافتن الگوهای فضایی انتخاب مقصد های گردشگری استفاده شده است. نتایج قابل توجهی از خوشه های خروجی پیدا شده است، زیرا آنها بیشترین مکان های توریستی و همچنین برخی از جاذبه های گردشگری در فلوریدا را نشان می دهند. عملکرد تکنیک های خوشه بندی پیشنهاد شده با استفاده از شاخص های اعتبار سنجی خوشه ای داخلی ارزیابی شده است. ما الگوهای زمانی گردشگران و ساکنان را برای بررسی اعتبار طبقه بندی کاربران در دو گروه جداگانه از گردشگران و ساکنان تحلیل کرده ایم. فیلترهای پیشنهاد شده، شناسایی و تکنیک های خوشه بندی به طور قابل توجهی برای ساخت مدل های تقاضای مسافرتی در سطح فردی از داده های رسانه های اجتماعی مفید خواهد بود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
شناسایی گردشگران و تجزیه و تحلیل الگوهای فضایی مقصد خود را از داده های رسانه های اجتماعی مبتنی بر محل
چکیده انگلیسی
Reliable travel behavior data is a prerequisite for transportation planning process. In large tourism dependent cities, tourists are the most dynamic population group whose size and travel choices remain unknown to planners. Traditional travel surveys generally observe resident travel behavior and rarely target tourists. Ubiquitous uses of social media platforms in smartphones have created a tremendous opportunity to gather digital traces of tourists at a large scale. In this paper, we present a framework on how to use location-based data from social media to gather and analyze travel behavior of tourists. We have collected data of about 67,000 users from Twitter using its search interface for Florida. We first propose several filtering steps to create a reliable sample from the collected Twitter data. An ensemble classification technique is proposed to classify tourists and residents from user coordinates. The accuracy of the proposed classifier has been compared against the state-of-the-art classification methods. Finally, different clustering methods have been used to find the spatial patterns of destination choices of tourists. Promising results have been found from the output clusters as they reveal most popular tourist spots as well as some of the emerging tourist attractions in Florida. Performance of the proposed clustering techniques has been assessed using internal clustering validation indices. We have analyzed temporal patterns of tourist and resident activities to validate the classification of the users in two separate groups of tourists and residents. Proposed filtering, identification, and clustering techniques will be significantly useful for building individual-level tourist travel demand models from social media data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Transportation Research Part C: Emerging Technologies - Volume 96, November 2018, Pages 38-54
نویسندگان
, ,