Potentials of using social media to infer the longitudinal travel behavior: A sequential model-based clustering method

این مطالعه به بررسی امکان استفاده از داده های رسانه های اجتماعی برای به دست آوردن رفتار سفر طولی می پردازد. داده های رسانه های اجتماعی جغرافیایی نشان می دهد برخی از ویژگی های منحصر به فرد از جمله ویژگی های جمع آوری محل، ویژگی های جدا شده از راه دور و ویژگی های توزیع گاوسی. در مقایسه با نظرسنجی سفر خانواده معمولی، اطلاعات رسانه های اجتماعی ارزان تر است، راحت تر می شود و مهمتر از همه می تواند ویژگی های رفتار سفر طولی فرد را در طول یک دوره مشاهدات بسیار طولانی تر نظارت کند. این مقاله یک روش خوشه بندی مبتنی بر مدل پیوندی را برای گروه بندی مکانهای توییتر با وضوح بالا و استخراج جابجاییهای توییتر پیشنهاد می دهد. علاوه بر این، این مطالعه جزئیات ویژگی های منحصر به فرد از جابجایی های استخراج شده از توییتر از جمله جمعیت شناسایی کاربر توییتر، و همچنین مزایا و محدودیت ها. نتایج حتی با مقالات سفر سنتی سفر خانگی مقایسه می شود، نشان می دهد وعده ها در استفاده از توزیع جابجایی، طول، مدت زمان و زمان شروع برای به دست آوردن رفتار مسافرتی فرد است. بر این اساس، همچنین می توانید پتانسیل استفاده از رسانه های اجتماعی را برای به دست آوردن رفتار سفر طولی و همچنین تعداد زیادی از جابجایی های کوتاه مدت توییتر در توییتر ببینید. نتایج به بررسی سفرهای سنتی و حمایت از مدل رفت و آمد سفر در منطقه شهری خواهد پرداخت.