A scalable framework for spatiotemporal analysis of location-based social media data

Abstract

a b s t r a c tIn the past several years, social media (e.g., Twitter and Facebook) has experienced a spectacular rise in popularity and has become a ubiquitous location for discourse, content sharing and social networking. With the widespread adoption of mobile devices and location-based services, social media typically allows users to share the whereabouts of daily activities (e.g., check-ins and taking photos), thus strengthening the role of social media as a proxy for understanding human behaviors and complex social dynamics in geographic spaces. Unlike conventional spatiotemporal data, this new modality of data is dynamic, massive, and typically represented in a stream of unstructured media (e.g., texts and photos), which pose fundamental representation, modeling and computational challenges to conventional spatiotemporal analysis and geographic information science. In this paper, we describe a scalable computational framework to harness massive location-based social media data for efficient and systematic spatiotemporal data analysis. Within this framework, the concept of space-time trajectories (or paths) is applied to represent activity profiles of social media users. A hierarchical spatiotemporal data model, namely a spatiotemporal data cube model, is developed based on collections of space-time trajectories to represent the collective dynamics of social media users across aggregation boundaries at multiple spatiotemporal scales. The framework is implemented based upon a public data stream of Twitter feeds posted on the continent of North America. To demonstrate the advantages and performance of this framework, an interactive flow mapping interface (including both single-source and multiple-source flow mapping) is developed to allow real-time and interactive visual exploration of movement dynamics in massive location-based social media data at multiple scales.

Visualizing the Data City

“…La idea básica se halla en definir la estructura de datos y enlazarlos de modo que su uso sea más eficaz y accesible, siendo las bases de datos enlazadas una de las claves en las que radica también el Big Data (Sareh et al, 2012). Una de las herramientas fundamentales de Internet y las TIC son las redes sociales, que permiten crear, almacenar, compartir e intercambiar información con otros usuarios (Cao et al, 2014). Su función general consiste en la interacción con otras personas a través de diferentes medios, generándose diariamente una importante cantidad de datos.…”

“…Al ser pasadas por un programa lector, permiten el almacenamiento de patrones de viaje de sus usuarios, siendo un modo muy útil de analizar dinámicas urbanas a corto, medio y largo plazo. Entre la información que se genera destacan el medio de transporte utilizado, la parada de origen, y en algunos casos la parada de destino, los trasbordos efectuados, y el tiempo empleado en el viaje (Cao et al, 2014).…”

“…Esta herramienta consiste en una base de datos tridimensional donde se pueden examinar las dinámicas de un individuo en las redes sociales a múltiples niveles de escalas espacio-temporales y a diferentes reglas de agregación. Una vez construido el datacube se puede proceder a la construcción de trayectorias de los usuarios de Twitter y a la realización de análisis visuales y espacio-temporales en un SIG, permitiendo también crear un interfaz de cartografía online para representar las dinámicas de movimiento a partir de las trayectorias creadas (Cao et al, 2014).…”

“…Fuente: (Cao et al, 2014) Utilizando metodología 3D, en la ciudad estadounidense de Columbiase usaron redes sociales para detectar fenómenos de aislamiento de grupos sociales particulares en el ámbito metropolitano, en este caso ciudadanos coreanos. Una vez recopilada la información, se visualizaron en 3D recorridos espaciotemporales, superficies de densidades creadas con estimaciones kernel, ventanas de tiempo basadas en relojes de 24 horas, todo ello reflejado en círculos concéntricos que mostraban diferentes actividades en anillos de una hora (Imagen 4) (Kwan y Lee, 2011).…”

A spatiotemporal algebra in Hadoop for moving objects

“…Spatiotemporal data projects are also applied in motion planning of intelligent vehicles (González et al 2016). Other projects include visual exploration of big spatiotemporal urban data (Ferreira et al 2013), location-based social networks (Cao et al 2015), and spatial crowd-sourcing (Chung et al 2015).…”