Analyzing Social-Geographic Human Mobility Patterns Using Large-Scale Social Media Data

Ebrahimpour, Zeinab; Wan, Wanggen; García, José Luis Velázquez; Cervantes, Ofelia; Hou, Li

doi:10.3390/ijgi9020125

Cited by 28 publications

(23 citation statements)

References 39 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…While sometimes the data can be extracted by offering some rewards and benefits to users, for which they provide their information intentionally, the location of a user can be identified through the LBSN services, such as Wechat Nearby. Some of the LBSN services provide features to identify their friends' location as well [25,26].…”

Section: Discussionmentioning

confidence: 99%

“…A lot of work has been carried out by using KDE. The previous studies in density estimation from Weibo data mostly used a single technique such as KDE to estimate density on the maps and applied this for a specific task such as gender analysis in green parks and also focused upon the green spaces [22,23], tourism [24,25], and point of interest recommendations [26], etc. Researchers used Weibo to explore the spatial characteristics of check-in data using a single technique; i.e., the spatial analysis of check-in data was carried out using point density in Wuhan [27], and in [28], the authors used KDE to observe gender-based check-in behavior using Weibo data.…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

Role of Big Data in the Development of Smart City by Analyzing the Density of Residents in Shanghai

et al. 2020

View full text Add to dashboard Cite

In recent decades, a large amount of research has been carried out to analyze location-based social network data to highlight their application. These location-based social network datasets can be used to propose models and techniques that can analyze and reproduce the spatiotemporal structures and symmetries in user activities as well as density estimations. In the current study, different density estimation techniques are utilized to analyze the check-in frequency of users in more detail from location-based social network dataset acquired from Sina-Weibo, also referred as Weibo, over a specific period in 10 different districts of Shanghai, China. The aim of this study is to analyze the density of users in Shanghai city from geolocation data of Weibo as well as to compare their density through univariate and bivariate density estimation techniques; i.e., point density and kernel density estimation (KDE) respectively. The main findings of the study include the following: (i) characteristics of users’ spatial behavior, the center of activity based on their check-ins, (ii) the feasibility of check-in data to explain the relationship between users and social media, and (iii) the presentation of evident results for regulatory or managing authorities for urban planning. The current study shows that the point density and kernel density estimation. KDE methods provide useful insights for modeling spatial patterns using geo-spatial dataset. Finally, we can conclude that, by utilizing the KDE technique, we can examine the check-in behavior in more detail for an individual as well as broader patterns in the population as a whole for the development of smart city. The purpose of this article is to figure out the denser places so that the authorities can divide the mobility of people from the same routes or at least they can control the situation from any further inconvenience.

show abstract

Section: Discussionmentioning

confidence: 99%

Section: Related Workmentioning

confidence: 99%

Role of Big Data in the Development of Smart City by Analyzing the Density of Residents in Shanghai

et al. 2020

View full text Add to dashboard Cite

show abstract

“…Al mismo tiempo, los dataset rara vez se dejan disponibles para la comunidad científica debido a los problemas de privacidad previamente mencionados. En este sentido, muchos autores han utilizado contenido público geo-localizado extraído de redes sociales, especialmente check-ins realizados por los usuarios [22] [23] [24]. Sin embargo, estos datos no son representativos, ya que no se puede conocer cuánto tiempo pasan los usuarios en cada lugar, además de que los usuarios normalmente omiten hacer check-ins en lugares cotidianos (como la casa o el trabajo) o embarazosos (como lugares de comida rápida) [25].…”

Section: Motivaciónunclassified

“…Es común que los grandes fabricantes de celulares tengan sus propias versiones de Android modificadas con una capa de software extra propia del fabricante: One UI de Samsung 21 , EMUI de Huawei 22 , MIUI de Xiaomi 23 , entre otros. Es normal que aparte de modificaciones estéticas, los fabricantes también agreguen modificaciones de comportamiento tales como como restricciones de batería adicionales o permisos propios de su marca.…”

Section: Restricciones Particulares De Cada Fabricanteunclassified

Perfilado inteligente de movilidad de usuarios

Vallejos¹

2021

RIDAA Tesis Unicen

View full text Add to dashboard Cite

Hoy en día, los dispositivos móviles son omnipresentes en nuestra vida cotidiana. Estos dispositivos, en conjunto con Internet, nos permiten realizar prácticamente cualquier tarea, desde buscar información en la web, realizar un comentario en una red social, contactar a un amigo, participar en una clase virtualy hasta realizar compras de manera online. Con el transcurso de los años, loscelulares han ido incrementando su capacidad de cómputo. Los dispositivos móviles modernos permiten procesar y almacenar una gran cantidad de datos. Además, vienen equipados con diversos sensores que permiten capturar datos del contexto del individuo, tales como el acelerómetro, el giroscopio, el barómetro, y el sensor de luz, entre otros. Incluso es posible conocer la ubicación geográfica del dispositivo mediante el GPS que traen equipados.Los celulares han remplazado a diferentes dispositivos individuales (GPS, cámara de fotos, agenda) y se han vuelto indispensablesen nuestra vida.En particular, la capacidad de registrar y procesar datos del contexto del usuario abrió las puertas a distintas líneas de investigación y desarrollo, y puntualmente, permitió estudiar la movilidad de los usuarios. Los datos capturados por los dispositivos móviles permiten aprender los lugares por donde se mueve una persona, identificar su hogar, su lugar de trabajo, los lugares que suele visitar (como un supermercado o un gimnasio), los caminos que toma para ir de un lugar al otro, e incluso sus rutinas (en qué momentos visita cada lugar). A partir de estos datos es posible construir un perfil de movilidad del usuario, que resultaría de gran utilidad tanto en el desarrollo de aplicaciones sensibles al contexto como de ciudades inteligentes.Las utilidades y posibles aplicaciones de un perfil de estas características atrajeron el interés de la comunidad científica. Distintos autores abordaron el aprendizaje de la movilidad del usuario a partir de los datos capturados por su dispositivo móvil personal. Sin embargo, todavía existen problemáticas no abordadas o que necesitan estudiarse con mayor profundidad. Entre estos problemas se destacan: la limitación que presentan los enfoques propuestos para identificar correctamente lugares con distintas dimensiones; la inexistencia en la literatura de un conjunto de datos apto para evaluar las distintas técnicas propuestas de detección de visitas y lugares; los problemas de privacidad implicados al exponer datos sensibles como la ubicación del usuario; y la necesidad de profundizar en la predicción de movilidad,ya que los enfoques propuestos todavía no se acercan a los límites de predictibilidad teóricos establecidos.En este contexto, se propone un enfoque liviano para la construcción de perfiles de movilidad a partir de los datos recolectados por los dispositivos móviles de los usuarios. El enfoque propuesto se ejecutará íntegramente en los dispositivos móviles del usuario,evitando exponer cualquier dato sensible del usuario que comprometa su privacidad. A su vez, este enfoque busca resolver algunas de las problemáticas y limitaciones identificadas en la literatura. En particular, se propone: utilizar información geográficaexterna que permita identificar cuando el usuario está visitando lugares pequeños o lugares de grandes dimensiones; combinar múltiples predictores sencillos que permitan analizar distintos aspectos de la movilidad del usuario para mejorar la predicción; yconstruir un conjunto de datos apto para la evaluación no solo del enfoque propuesto, sino de otras técnicas propuestas en la literatura.

show abstract

“…The purpose of this paper was to analyze the geographies of cultural venues frequently used by expatriates in a globalizing Shanghai. To this end, we used state-of-the-art data and methods put forward in the science and technology of geographic information [1][2][3][4][5][6][7][8][9][10]. Expatriates living in Shanghai constitute a diverse, highly skilled, and mobile workforce [11], and recent research highlights that the presence of this community is both a sign and an enabler of the myriad processes underlying global city development [12][13][14].…”

Section: Introductionmentioning

confidence: 99%

The Geographies of Expatriates’ Cultural Venues in Globalizing Shanghai: A Geo-Information Approach Applied to Social Media Data Platform

Feng

Shen

et al. 2021

IJGI

View full text Add to dashboard Cite

This paper measures the cultural consumption patterns of expatriates in Shanghai by applying a geo-information approach to data derived from social media. In order to reveal the geographical characteristics, the paper zooms in on the level of city districts and presents a typology based on the degree of spatial and functional aggregation of cultural venues. Three major contextual parameters underlying the typology are discerned: the geographies of the Shanghai space-economy, the imprint of Shanghai’s spatio-political strategies, and the overall policy approach toward this community. We discuss how this study can be used as the starting point for further comparative studies on cultural patterns of expatriates in other geographical contexts.

show abstract

Analyzing Social-Geographic Human Mobility Patterns Using Large-Scale Social Media Data

Cited by 28 publications

References 39 publications

Role of Big Data in the Development of Smart City by Analyzing the Density of Residents in Shanghai

Role of Big Data in the Development of Smart City by Analyzing the Density of Residents in Shanghai

Perfilado inteligente de movilidad de usuarios

The Geographies of Expatriates’ Cultural Venues in Globalizing Shanghai: A Geo-Information Approach Applied to Social Media Data Platform

Contact Info

Product

Resources

About