基于社交媒体共词网络的灾情发展态势探测方法

对灾害发生过程中产生的社交媒体数据进行主题演化探测和分析可以反映灾情的发展态势。提出了一种基于共词网络社区演化进行灾情发展态势感知的方法,首先依据词频-逆文档频率方法筛选出与主题相关的关键词汇,基于关键词的共现关系,构建以关键词为节点的社交媒体共词网络,结合模块度最优化思想,对社交媒体共词网络进行主题社区探测;然后在验证主题探测的基础上,基于时间窗口划分,对相邻时间窗口的主题社区进行演化类型判别,进而得到主题社区演化的结果;最后以2012年"7.21北京特大暴雨"灾害事件为例,利用该方法对收集到的含关键词的微博数据进行主题演化分析。实验结果表明,该方法能够很好地反映主题的演化过程,并能进一步揭示灾情的发展态势,帮助应急管理者了解灾害的发展过程,从而辅助管理者在合适的时间采取相应的应急响应措施。     

社交网络时空大数据聚类挖掘有效选择分析

来自社交网络的时空大数据具有海量和高动态的特性,有效选择时空数据进行聚焦挖掘分析至关重要。以微博位置签到数据为例,首先,对时空大数据空间聚类挖掘的有效选择问题进行了研究,针对社交网络时空数据不确定性问题,提出了时空大数据针对聚类挖掘的有效选择方法。聚类挖掘有效选择方法提出从空间、时间或属性等维度对时空大数据进行分割。然后,对分割得到的数据集进行空间探索分析(exploratory spatial data analysis,ESDA),得到具有聚类挖掘潜力的数据集。最后,以武汉市微博位置签到数据进行商圈热点探测为例,对提出的社交网络时空大数据聚类挖掘有效选择方法进行验证。结果表明,有效选择方法可以得到挖掘效率和精准性更高的时空数据集。     

面向新浪微博签到数据的时空热点事件检测方法

传统面向文本数据的事件检测方法在处理以微博为代表的社交媒体数据时面临着效率和准确性的挑战。同时,社交媒体数据中富含的位置信息常常不能被有效地识别和利用,这无疑会影响到事件检测的效果。本文基于对已有研究的总结归纳,定义了一类面向微博签到数据的时空热点事件,并提出了一种新的微博时空热点事件检测方法对其进行识别。通过两组实际数据的实验,证明该方法能够有效地从海量的微博数据中挖掘出具有时空特征的热点事件。     

基于改进Markov算法的人类活动信息挖掘

近年来,基于位置的社交媒体飞速发展,为人类移动规律的挖掘与研究带来新的数据源。基于扩展Markov模型,加入时间维度,提出一种利用社交媒体时空数据挖掘人类活动规律的方法,探索用户的活动位置和活动位置的变化规律。应用该方法对北京市新浪微博用户的个体和群体活动规律进行探索,可有效挖掘人类在以小时为单位细粒度时段的移动规律并由此反映区位人口的动态变化。     

融合图像和时空信息的社交媒体用户活动分类方法

社交媒体签到数据中蕴含着大量的用户活动信息。理解社交媒体用户的活动和行为类型,对探索人类的移动性和行为模式等有着重要意义。提出了一种针对新浪微博（简称为微博）的用户活动分类方法,结合图像表达和时空数据分类技术,识别微博签到数据所代表的用户活动类型。首先,根据兴趣点属性信息将微博签到数据所代表的用户活动分为餐饮、生活服务、校园、户外、娱乐、出行6大类;然后,基于卷积神经网络和K近邻分类方法,融合签到数据中的图像场景信息与时空信息,对微博用户的活动行为进行分类。实验结果表明,所提方法能够显著提高微博用户活动类型识别的准确性,为精确探索人类行为活动提供更加有效的数据支持。     

微博数据位置信息反映台风灾情的有效性分析

准确识别灾情相关的空间位置是利用社交媒体数据进行灾情分析的关键。首先采集2016年正面袭击福建省的两次台风"莫兰蒂"和"鲇鱼"期间新浪微博上灾情相关的微博数据,识别和提取其中的用户注册位置信息、签到位置信息和文本隐含位置信息;然后基于微博数量变化和内容分析3种位置信息与现实台风灾情之间的联系;最后基于分析结果确定台风微博的位置信息,利用台风微博对两次台风主要灾情进行提取与制图。结果表明利用该方法得到的台风微博位置信息可以有效反映灾情的空间分布。     

基于微博文本的灾害事件信息时空过程聚合方法

各类灾害事件频发已成为全球可持续发展面临的重大威胁。在大数据环境下,微博文本逐渐被应用于灾害管理的预防、准备、响应和恢复工作。以往研究多关注微博文本中灾情信息的获取,却忽略对这些碎片化信息进行有序化整合。本文从时空视角构建多层次的灾害事件信息模型,在抽取出微博文本中灾害事件信息要素的基础上,提出基于“对象-状态”的过程信息聚合方法,解决微博文本中灾害事件信息分散化、时空粒度多样化和无序化的问题。基于新浪微博进行台风“利奇马”事件的案例分析,结果表明,本文方法能够全面地获取灾害事件过程中各个时空节点上的灾情信息,有利于从微博文本中挖掘小尺度下的灾害突发状况。     

基于社交媒体的城市污染信息探测

了解城市污染状况是治理城市污染的首要环节。社交媒体中包含了能够反映人们对周围环境的感受的数据资料,可以帮助人们更直观地了解城市污染现状。本文以新浪微博为例,提出了从社交媒体中获取城市污染相关数据的方案,设计了基于社交媒体的城市污染信息分类法和可视化方法,在实验部分以北京市为例对本方法的结果进行了分析与讨论。     

基于社交媒体的应急信息系统设计与实现

随着手持设备的广泛普及、通信技术的高速发展,社交媒体在突发事件中发挥着重要作用。当突发事件发生时,社交媒体数据不断产生,并携带大量的应急信息,其中包括不同的应急主题、时空分布等信息。本文设计并实现了基于社交媒体的突发事件应急信息系统,重点介绍基于社交媒体的应急信息挖掘技术,以及系统实现的功能。     

基于社交媒体的突发事件应急信息挖掘与分析

社交媒体越来越多地被看作是随人们移动的传感器,感知周围发生的事件。当突发事件发生时,大量含有位置信息的文字迅速地充斥整个社交网络。本文探讨突发事件应急信息挖掘与分析的一种新思路。基于社交媒体,建立实时应急主题分类模型,从大量、实时的文本流中快速提取、定位应急信息;针对不同主题,利用统计分析和空间分析方法,探寻突发事件的时间趋势和空间分布,为应急响应提供决策支持。     

基于多策略的微博位置数据获取方法研究

随着Web2.0时代发展的成熟,在以微博为代表的新社交网络平台上产生了大量含有空间位置信息和时间标识的数据,即位置数据(location data)。位置数据是大数据的一个重要组成部分,现已作为一种战略性资源被广泛应用于社会生活的多个领域,而位置数据的获取是位置数据挖掘和应用的基础。深刻分析了基于API、基于网络爬虫和基于网络数据流3种目前常用的微博数据获取方法的特点,在此基础上提出了一种基于多策略的微博位置数据获取方法,详细阐述了该方法的基本原理、基本流程和主要特点。最后通过获取新浪微博的位置数据进行实验验证,结果证实,该方法可以实现全面、高效地获取微博位置数据。     

基于GIS的突发事件网络舆情传播可视化探究

我国处于社会转型期,对突发事件引起的网络舆情分析需求迫切。微博由于其大数据特点为公众舆论和自然环境知识发现提供大量数据,将其与位置信息联系能给地理分析提供新的发现。通过用户发布的微博消息进行分析挖掘,为公众舆论监督提供帮助,为政府决策提供信息。本文在微博数据帮助下进行了数据挖掘,在空间维度上分析了舆论传播模式,使用可视化与统计方法相结合的方式探究了舆情传播规律。     

An Iterative Detection and Removal Method for Detecting Spatial Clusters of Different Densities

A fundamental element of exploratory spatial data analysis is the discovery of clusters in a spatial point dataset. When clusters with distinctly different local densities exist, the determination of suitable density level is still an unsolved problem. On that account, an iterative detection and removal method is proposed in this study. In each step of the novel method, there are two stages. In the detection stage, density level is statistically modeled as a significance level controlled by the number and support domain of the points in the dataset, and then a hypothesis test is used to detect the high‐density points. In the removal stage, the Delaunay triangulation network is used to construct clusters and support domains for the identified high‐density points, and then the high‐density points and their support domains are removed from the dataset. The detection and removal operation are iteratively implemented until no high‐density points can be detected. Experiments and comparisons show that the proposed method, on the one hand, outperforms four state‐of‐the‐art methods for detecting clusters of complex shapes and diverse densities, and on the other hand, no user‐specified parameters are required. In addition, the support domains of clusters are very useful for spatial analysis.     

天绘一号卫星遥感影像云雪检测的ResNet与DeepLabV3+综合法

云和雪的检测是卫星遥感影像处理过程中的一部分,也是对其进行后续分析和解译等应用的关键步骤。本文提出了结合ResNet和DeepLabV3+的全卷积神经网络云雪检测方法。采用ResNet50骨干网络,根据云和雪在天绘一号遥感影像上的特点优化DeepLabV3+网络模型,并采用ELU激活函数、Adam梯度下降法以及Focal Loss损失函数来加快收敛速度、提高分割精度。通过天绘一号卫星云雪影像数据集对网络进行训练并测试,试验结果表明,本文方法与传统Otsu法相比,稳健性更强,在检测精度上优于FCN-8s与DeepLabV3+,速度上优于DeepLabV3+,能推广用于不同来源的遥感影像,具有较好的应用前景。     

城市街区和签到数据结合的个性化城市兴趣区域推荐方法

利用社交媒体用户的历史签到数据分析用户空间活动偏好实现用户兴趣区域推荐,在城市商业规划中起着重要作用,也为了解人们的城市生活和需求提供帮助。已有方法获得的ROI具有模糊性和多样性,无法给ROI赋予准确的地理描述信息,对用户来说可解释性不强。因此,本文提出了一种结合城市街区和签到数据的个性化兴趣区域推荐方法(CBCD),引入城市街区概念解决ROI边界模糊问题。首先,通过城市道路网生成城市街区,并将大规模签到数据映射到城市街区转换为区域签到;然后,基于区域签到对用户空间活动偏好和类别偏好分别进行个性化建模;最后,融合空间和类别活动偏好,向用户推荐其可能感兴趣的区域。在真实的数据集上进行试验,结果表明该方法具有较高的推荐精度,对用户感兴趣城市街区的挖掘和推荐具有一定的价值。     

Detection of clusters in traffic networks based on spatio‐temporal flow modeling

Spatio‐temporal clustering is a highly active research topic and a challenging issue in spatio‐temporal data mining. Many spatio‐temporal clustering methods have been designed for geo‐referenced time series. Under some special circumstances, such as monitoring traffic flow on roads, existing methods cannot handle the temporally dynamic and spatially heterogeneous correlations among road segments when detecting clusters. Therefore, this article develops a spatio‐temporal flow‐based approach to detect clusters in traffic networks. First, a spatio‐temporal flow process is modeled by combining network topology relations with real‐time traffic status. On this basis, spatio‐temporal neighborhoods are captured by considering traffic time‐series similarity in spatio‐temporal flows. Spatio‐temporal clusters are further formed by successive connection of spatio‐temporal neighbors. Experiments on traffic time series of central London's road network on both weekdays and weekends are performed to demonstrate the effectiveness and practicality of the proposed method.     

采用聚类技术探测空间异常

提出了一种基于聚类的空间异常探测方法。该方法通过空间聚类获得局部相关性较强的实体集合,分别探测空间异常,给出了一种稳健的空间异常度量指标,提高了异常探测结果的可靠性。通过实例验证以及与SOM方法的比较分析,证明了该方法的正确性和优越性。     

网络约束下局部空间同位模式的扫描统计方法

空间同位模式挖掘旨在发现空间数据库中频繁发生在邻近位置的地理事件。由于空间异质性,地理事件在不同区域邻近出现的频繁程度亦存在差异,进而形成局部同位模式。现有局部同位模式挖掘方法多基于欧氏空间的平面假设,难以客观揭示网络空间（如城市道路）内地理事件间的局部同位规律,因此基于空间扫描统计思想,提出了一种网络约束下的局部同位模式挖掘方法。首先,发展了网络约束下的路径扩展方法,识别可能存在局部网络空间同位模式的候选路径;其次,基于网络约束下的二元泊松分布构建显著性检验的零模型,判别候选路径中局部网络空间同位模式的有效性。通过模拟实验与北京市出租车供需模式分析,发现该方法比现有方法得到的结果更精细、更客观,能够有效地挖掘网络约束下的局部同位模式。