کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6921980 864886 2015 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A scalable framework for spatiotemporal analysis of location-based social media data
ترجمه فارسی عنوان
چارچوب مقیاس پذیر برای تجزیه و تحلیل فضایی و زمانی داده های رسانه های اجتماعی مبتنی بر مکان
کلمات کلیدی
ترجمه چکیده
در چند سال گذشته، رسانه های اجتماعی (به عنوان مثال توییتر و فیس بوک) افزایش قابل ملاحظه ای در محبوبیت داشته اند و تبدیل به یک مکان همه جا برای گفتمان، اشتراک محتوا و شبکه های اجتماعی شده است. با استفاده گسترده از دستگاه های تلفن همراه و خدمات مبتنی بر مکان، رسانه های اجتماعی به طور معمول به کاربران اجازه می دهد تا مکان های فعالیت های روزانه را به اشتراک بگذارند (به عنوان مثال، چک کردن و گرفتن عکس ها)، بنابراین نقش رسانه های اجتماعی را به عنوان یک پروکسی برای درک رفتارهای انسانی و دینامیک اجتماعی پیچیده در فضاهای جغرافیایی. بر خلاف داده های مرسوم فضایی، این روش جدید داده ها پویا، عظیم و به طور معمول در جریان رسانه های بدون ساختار (مثلا متون و عکس ها) نشان داده می شود، که نمایانگر بنیادی، مدل سازی و چالش های محاسباتی در تجزیه و تحلیل فضایی زمانی و علمی جغرافیایی است. در این مقاله، یک چارچوب محاسباتی مقیاس پذیر برای ارزیابی داده های رسانه های اجتماعی مبتنی بر موقعیت مکانی برای تحلیل داده های فضایی و ماتریس کارآمد و سیستماتیک توصیف می کنیم. در این چارچوب، مفهوم مسیرهای فضا-زمان (یا مسیرها) برای نشان دادن فعالیت های پروفایل کاربران اجتماعی استفاده می شود. یک مدل دادههای فضایی زمانبندی سلسله مراتبی، یعنی مدل مکعب اطلاعات مکانی، بر اساس مجموعهای از مسیرهای فضا-زمان برای نشان دادن پویایی جمعی کاربران کاربران از طریق مرزهای تجمیع در مقیاسهای فضایی-زمانی چندگانه است. این چارچوب براساس یک جریان اطلاعات عمومی از خوراک توییتر ارسال شده در قاره آمریکای شمالی اجرا می شود. برای نشان دادن مزایا و عملکرد این چارچوب، یک رابط نقشه برداری تعاملی (شامل نقشه برداری جریان تک منبع و چند منبع) برای توسعه اکتشاف بصری در زمان واقعی و تعاملی از دینامیک حرکت در داده های رسانه های اجتماعی مبتنی بر مکان های گسترده در مقیاس های مختلف
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
چارچوب مقیاس پذیر برای تجزیه و تحلیل فضایی و زمانی داده های رسانه های اجتماعی مبتنی بر مکان
چکیده انگلیسی
In the past several years, social media (e.g., Twitter and Facebook) has experienced a spectacular rise in popularity and has become a ubiquitous location for discourse, content sharing and social networking. With the widespread adoption of mobile devices and location-based services, social media typically allows users to share the whereabouts of daily activities (e.g., check-ins and taking photos), thus strengthening the role of social media as a proxy for understanding human behaviors and complex social dynamics in geographic spaces. Unlike conventional spatiotemporal data, this new modality of data is dynamic, massive, and typically represented in a stream of unstructured media (e.g., texts and photos), which pose fundamental representation, modeling and computational challenges to conventional spatiotemporal analysis and geographic information science. In this paper, we describe a scalable computational framework to harness massive location-based social media data for efficient and systematic spatiotemporal data analysis. Within this framework, the concept of space-time trajectories (or paths) is applied to represent activity profiles of social media users. A hierarchical spatiotemporal data model, namely a spatiotemporal data cube model, is developed based on collections of space-time trajectories to represent the collective dynamics of social media users across aggregation boundaries at multiple spatiotemporal scales. The framework is implemented based upon a public data stream of Twitter feeds posted on the continent of North America. To demonstrate the advantages and performance of this framework, an interactive flow mapping interface (including both single-source and multiple-source flow mapping) is developed to allow real-time and interactive visual exploration of movement dynamics in massive location-based social media data at multiple scales.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers, Environment and Urban Systems - Volume 51, May 2015, Pages 70-82
نویسندگان
, , , , , ,