[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 6، شماره 3 - ( 9-1397 ) ::
جلد 6 شماره 3 صفحات 1-13 برگشت به فهرست نسخه ها
شناسایی کاربری در محیط‌های شهری بر مبنای رفتار کاربران در شبکه‌های اجتماعی مکان‌مبنا
مرتضی طیبی، فرید کریمی پور
دانشگاه تهران
چکیده:   (247 مشاهده)
امروزه پس از گذشت زمان نسبتاً کوتاهی از ظهور شبکه‌های اجتماعی مکان‌مبنا، این رسانه‌های اجتماعی به یک عنصر جدایی‌ناپذیر از زندگی اجتماعی به‌خصوص در شهرهای بزرگ تبدیل ‌شده‌اند. افزایش محبوبیت شبکه‌های اجتماعی، پیشرفت فناوری‌های تعیین موقعیت مکانی از جمله سیستم تعیین موقعیت جهانی(GPS) و هم‌چنین فراگیر شدن گوشی‌های تلفن هوشمند که علاوه بر مجهز بودن به GPS به‌راحتی به شبکه جهانی وب متصل می‌شوند، باعث تولید انبوه داده‌های مکانی به‌روز، کم‌هزینه و ارزشمند شده است. در کنار کاربرد‌های متعدد، از این داده‌ها می‌توان در راستای برطرف نمودن چالش‌های شهری سود جست. به عنوان نمونه‌ای از این کاربرد‌ها، در این تحقیق از رفتار کاربران در شبکه‌های اجتماعی مکان‌مبنا جهت تعیین کاربری اجتماعی در محیط‌های شهری استفاده شده است. در این راستا ابتدا با خوشه‌بندی داده‌های مکانی کاربران به تشخیص مناطق در محیط‌های شهری پرداخته شده، و سپس ضمن استخراج الگوهای تغییرات تعداد داده‌های کاربران و جابجایی شهروندان در مناطق شهری در شبکه‌های اجتماعی در طول شبانه‌روز، از این الگوها به ‌عنوان شاخص تعیین کاربری استفاده شده و به هر منطقه، یک نوع کاربری اجتماعی نسبت داده می‌شود. به منظور ارزیابی روش پیشنهادی ماتریس در هم گسیختگی بر مبنای حضور مکان‌های ثبت شده با کاربری معین در مناطق شناسایی شده تشکیل شد و مقدار دقت کلی و شاخص کاپا به ترتیب 79 و 71 درصد محاسبه گردید. همچنین مقایسه نتایج حاصل با تصاویر ماهواره‌ای نشان‌دهنده‌ پتانسیل بالای شبکه‌های اجتماعی مکان‌مبنا برای شناخت محیط‌های شهری و حل چالش‌های موجود است.
واژه‌های کلیدی: شبکه اجتماعی مکان‌مبنا، خوشه‌بندی، کاربری اجتماعی
متن کامل [PDF 1300 kb]   (130 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: ۱۳۹۷/۱۰/۴ | پذیرش: ۱۳۹۷/۱۰/۴ | انتشار: ۱۳۹۷/۱۰/۴
فهرست منابع
1. [1] microsoft_research. (4/11/2016). Available: https://www.microsoft.com/en-us/research/project/urban-computing/
2. [2] M. Hosseinpour and M. Malek, "Location Based Social Networks: Opportunities and Challenges," Geospatial Engineering Journal, vol. 6, pp. 51-62, 2015.
3. [3] A. Kheiri, F. Karimipour, and M. Forghani, "Intra-Urban Movement Patterns Estimation Based on Location Based Social Networking Data," Journal of Geomatics Science and Technology, vol. 6, pp. 141-158, 2016.
4. [4] Q. Li, Y. Zheng, X. Xie, Y. Chen, W. Liu, and W.-Y. Ma, "Mining user similarity based on location history," in Proceedings of the 16th ACM SIGSPATIAL international conference on Advances in geographic information systems, 2008, p. 34. [DOI:10.1145/1463434.1463477]
5. [5] Y. Zheng, Y. Chen, X. Xie, and W.-Y. Ma, "GeoLife2. 0: a location-based social networking service," in 2009 Tenth International Conference on Mobile Data Management: Systems, Services and Middleware, 2009, pp. 357-358. [DOI:10.1109/MDM.2009.50]
6. [6] N. Li and G. Chen, "Analysis of a location-based social network," in Computational Science and Engineering, 2009. CSE'09. International Conference on, 2009, pp. 263-270. [DOI:10.1109/CSE.2009.98]
7. [7] S. Scellato, C. Mascolo, M. Musolesi, and V. Latora, "Distance Matters: Geo-social Metrics for Online Social Networks," in WOSN, 2010.
8. [8] J. Cranshaw, R. Schwartz, J. I. Hong, and N. Sadeh, "The Livehoods Project: Utilizing Social Media to Understand the Dynamics of a City," in Proceedings of the Sixth International AAAI Conference on Weblogs an Social Media (ICWSM 2012), Trinity College in Dublin, Ireland, 2012.
9. [9] X. Liu, J. He, Y. Yao, J. Zhang, H. Liang, H. Wang, et al., "Classifying urban land use by integrating remote sensing and social media data," International Journal of Geographical Information Science, pp. 1-22, 2017. [DOI:10.1080/13658816.2017.1324976]
10. [10] A. Noulas, S. Scellato, C. Mascolo, and M. Pontil, "Exploiting Semantic Annotations for Clustering Geographic Areas and Users in Location-based Social Networks," in Fifth International AAAI Conference on Weblogs and Social Media, 2011.
11. [11] S. Hasan, X. Zhan, and S. V. Ukkusuri, "Understanding urban human activity and mobility patterns using large-scale location-based data from online social media," in Proceedings of the 2nd ACM SIGKDD international workshop on urban computing, 2013, p. 6. [DOI:10.1145/2505821.2505823]
12. [12] TwitterAPI. (4/11/2016). Available: http://apiwiki.twitter.com/
13. [13] M. Ester, H.-P. Kriegel, J. Sander, and X. Xu, "A density-based algorithm for discovering clusters in large spatial databases with noise," in Kdd, 1996, pp. 226-231.
14. [14] V. Frias-Martinez and E. Frias-Martinez, "Spectral clustering for sensing urban land use using Twitter activity," Engineering Applications of Artificial Intelligence, vol. 35, pp. 237-245, 2014. [DOI:10.1016/j.engappai.2014.06.019]
15. [15] J. Yuan, Y. Zheng, and X. Xie, "Discovering regions of different functions in a city using human mobility and POIs," in Proceedings of the 18th ACM SIGKDD international conference on Knowledge discovery and data mining, 2012, pp. 186-194. [DOI:10.1145/2339530.2339561]
16. [16] Y. Liu, X. Liu, S. Gao, L. Gong, C. Kang, Y. Zhi, et al., "Social sensing: A new approach to understanding our socioeconomic environments," Annals of the Association of American Geographers, vol. 105, pp. 512-530, 2015. [DOI:10.1080/00045608.2015.1018773]
17. [17] S. Rinzivillo, S. Mainardi, F. Pezzoni, M. Coscia, D. Pedreschi, and F. Giannotti, "Discovering the geographical borders of human mobility," KI-Künstliche Intelligenz, vol. 26, pp. 253-260, 2012. [DOI:10.1007/s13218-012-0181-8]
18. [18] S. Wakamiya, R. Lee, and K. Sumiya, "Social-urban neighborhood search based on crowd footprints network," in International Conference on Social Informatics, 2013, pp. 429-442. [DOI:10.1007/978-3-319-03260-3_37]
19. [19] J. A. Hartigan and M. A. Wong, "Algorithm AS 136: A k-means clustering algorithm," Journal of the Royal Statistical Society. Series C (Applied Statistics), vol. 28, pp. 100-108, 1979.
20. [20] T. M. Kodinariya and P. R. Makwana, "Review on determining number of Cluster in K-Means Clustering," International Journal, vol. 1, pp. 90-95, 2013.
ارسال پیام به نویسنده مسئول


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Tayebi M, Karimipour F. Land use characterization in urban environments based on the behaviors of location based social networks’ users. jgit. 2018; 6 (3) :1-13
URL: http://jgit.kntu.ac.ir/article-1-614-fa.html

طیبی مرتضی، کریمی پور فرید. شناسایی کاربری در محیط‌های شهری بر مبنای رفتار کاربران در شبکه‌های اجتماعی مکان‌مبنا. مهندسی فناوری اطلاعات مکانی. 1397; 6 (3) :1-13

URL: http://jgit.kntu.ac.ir/article-1-614-fa.html



دوره 6، شماره 3 - ( 9-1397 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.06 seconds with 31 queries by YEKTAWEB 3858