探究社交网络数据在交通需求模型中的潜力
社会与信息网络
2017-07-03 v1 物理与社会
摘要
基于位置的社交网络数据有望以可忽略的成本从大量用户群中在较长时间跨度上收集数据。尽管若干研究已将社交网络数据应用于活动和移动性分析，但一直缺乏与出行日记和总体统计的比较。本文中，我们分析了来自新加坡及邻国大量用户的地理参考Twitter活动。通过结合该数据、人口统计和出行日记并应用聚类技术，我们处理了活动位置的检测，以及这些位置之间的空间分离与转移。由于推特数据的分散性质，核密度估计在检测活动位置方面表现最佳；每用户检测到的活动位置多于出行调查所报告的。描述性分析表明，对于大多数规划区，确定家庭位置比检测工作位置更困难。来自Twitter数据的检测活动位置之间的空间分离——如出行调查所报告并由公共交通智能卡数据所捕获——大多分布相似，但在极短和极长距离上也显示出相关差异。这同样适用于区间之间的转移。Twitter数据与其他数据源之间的差异是源于人口子样本的差异、聚类方法，还是社交网络在特定位置被显著更多地使用，必须由进一步研究确定。尽管存在这些不足，基于位置的社交网络数据仍为洞察活动位置和移动模式提供了有前景的数据源，尤其对于出行调查数据不易获取的地区。
引用
@article{arxiv.1706.10035,
title = {Investigating the potential of social network data for transport demand models},
author = {Michael A. B. van Eggermond and Haohui Chen and Alexander Erath and Manuel Cebrian},
journal= {arXiv preprint arXiv:1706.10035},
year = {2017}
}