一种从社交媒体数据检测交通事故的深度学习方法
社会与信息网络
2018-01-08 v1 其他统计学
摘要
本文采用深度学习从社交媒体数据中检测交通事故。首先，我们深入考察了两个都市区——北弗吉尼亚和纽约市——超过一年的300万余条推文内容。结果表明，配对词元能够捕捉事故相关推文中固有的关联规则，并进一步提升交通事故检测的准确性。其次，我们研究并实现了两种深度学习方法：深度信念网络（DBN）与长短期记忆网络（LSTM）于所提取的词元上。结果显示，DBN在约44个独立词元特征与17个配对词元特征下可取得85%的总体准确率。DBN的分类结果优于支持向量机（SVM）与有监督隐狄利克雷分配（sLDA）。最后，为验证本研究，我们将事故相关推文与高速公路交通事故日志及来自15000个环形检测器的地方道路交通数据进行比较。发现近66%的事故相关推文可由事故日志定位，其中逾80%可与附近异常交通数据关联。比较还揭示了利用Twitter检测交通事故的若干重要问题，包括位置与时间偏差，以及有影响力用户与标签的特征。
引用
@article{arxiv.1801.01528,
title = {A deep learning approach for detecting traffic accidents from social media data},
author = {Zhenhua Zhang and Qing Heb and Jing Gao and Ming Ni},
journal= {arXiv preprint arXiv:1801.01528},
year = {2018}
}
备注
17