机构名称：
¥ 6.0
如今，公众舆论是许多部门的宝贵数据源。与其他信息提取方法相比，有关运输和流动性部门的实时信息可以通过降低成本收集信息。在本文中，我们定义了一种方法，可以从Twitter收集的信息中提取知识来分析城市流动性。该方法是根据三个主要模块结构的：系统配置，数据分析和可视化。在两个月的两个不同城市中提取了用于演示拟议方法论的信息：纽约，伦敦和墨尔本。由于产生的消息的数量，社交媒体及其分析的文本提取是非常耗时的任务。从Twitter中提取的每条消息通常是简短的，非正式的，并且有很多s语或拼写错误。通过使用NLTK（自然语言工具包）来处理此问题，应用了NLP（自然语言处理）技术，因此算法可以清除和可以理解文本。用于与旅行相关消息的分类，使用了BERT（用于理解语言理解的双向变压器）嵌入模型。该模型是预先训练的，无监督的，并于2018年发布。为了了解一个简单的模型是否可以具有良好的性能，使用了杂物方法。使用了三个与旅行有关的单词列表：（i）一个带有10个与旅行相关的单词的小列表，（ii）一个中型列表，其中有35个与旅行有关的单词，（iii）一个大列表，有344个与旅行有关的单词。结果表明，高度和准确性高于0.80和0.90的高模型性能。流行的单词是火车，步行，街道，汽车，车站，街道和大道。对所有评估的三个城市获得了一致的结果。为了评估公众舆论，根据其情感对与运输和流动性有关的信息进行了分类。然后，为了评估消息的极性（正面，中性或负面），使用了Vader（Valence Aware Away词典和情感Reasone）情感工具。vader是一种易于使用的工具，并且与社交媒体消息和信息文本具有很大的兼容性。这是一种基于词典和规则的工具，可以根据其单词来计算文本情感的复合价值。开发的方法在情感分析中获得了良好的绩效结果，在召回，准确性和F1得分的平均值得分为0.78左右的情况下，精度的平均值得分为0.77。对2017年5月18日在纽约举行的车祸事件进行了特定分析。该分析表明，该方法能够识别指向其起源潜在原因的空间变化和迁移率。发达的工作可以得出结论，即所提出的方法对运输工程师，城市规划师，研究人员和决策者的运输方式非常有帮助，以深入了解公众对城市流动性的看法。
使用社交媒体提取的知识的城市运输评估
主要关键词
相关文件推荐
