"Det är väldigt spännande att se den här metoden leda till bättre förutsägelser om morgonpendeltrafik så sent som 5:XNUMX, och jag tror att detta snabbt kan distribueras i många av våra transporthanteringscentra", säger Sean Qian. (Kreditera: Shutter Runner / Flickr)
Forskare har använt information extraherad från tweets för att ge oöverträffad noggrannhet för att förutsäga morgontrafikmönster.
Pendeltiden på morgonen är en av de mest trafikerade tiderna på dagen; det har dock visat sig vara den svåraste tiden att förutsäga trafikmönster. Detta beror på att de flesta metoder för trafikförutsägelse är beroende av att ha ett konstant flöde av trafikdata från tiden fram till den förutsagda perioden.
Majoriteten av människorna tillbringar dock tiden före deras pendla sova eller utföra sina morgonrutiner hemma och lämna ett stort gap i förutsägbar trafikinformation.
Forskarnas metod löser detta problem genom att hämta data från tweets som skickas mellan kvällen före och tidigt på morgonen nästa dag. De använde först Twitters applikationsprogrammeringsgränssnitt (API) för att identifiera tweets inom ett visst område (i detta fall staden Pittsburgh) med geotaggar som anger varifrån de skickades. De använde sedan ett annat program som heter Twint, en webbskrapa, som drog andra inlägg från användare med geotaggade tweets, för att skapa en bättre bild av tiderna och det allmänna området inom vilket användaren var aktiv. All data anonymiserades och avlägsnades från all personlig identifierbar information innan publicering.
"Vi hävdar att tweets fångar upp tre typer av användbar information för att förklara morgontrafik nästa dag, som inkluderar människors sömnväckningsstatus, lokala händelser och (planerade) trafikincidenter," författare Sean Qian, docent i civil- och miljöteknik, och Weiran Yao, Qians doktorand, skriver.
Ytterligare förstärkning av denna dataset gjorde det möjligt för forskarna att extrahera ytterligare information. Med hjälp av språkanalys identifierade teamet söktermer som kan indikera en trafikincident. Detta inkluderar inte bara olyckor utan också planerade stängningar eller stora evenemang som en konsert, ett sportspel eller semestern.
Enkla personliga tweets som "Hade en explosion i Pirates-spelet!" eller "Den här fenderböjaren kommer att göra mig sent", kan faktiskt ge viktig information, särskilt när den är taggad med en geotagg eller informeras av andra tweets från den användaren. Ytterligare uppgifter hämtades också från officiella konton, såsom nyheter och lokala myndigheter, som ofta twittrar direkta rapporter om olyckor och planerade stängningar.
När de kombineras ger dessa metoder en stor uppsättning information som indikerar den geografiska fördelningen och troligen sömn / vakningstid pendlare, samt både planerade och oavsiktliga trafikincidenter som kan påverka deras pendling. Detta överbryggade informationsgapet som skapades av nattvakt i trafiken.
Med denna information kunde Qian och Yao tillhandahålla trafikprognoser för Pittsburghs morgonpendeltid med tidigare osynlig noggrannhet och har skapat en omfattande ram för att förutsäga morgontrafikförhållanden i städer områden.
Denna information gör det också möjligt för dem att börja göra observationer och förutsägelser i större, dag till dag skala. Det inkluderar att upptäcka att Pittsburghs morgontrafik i allmänhet var mer överbelastad på tisdagar, onsdagar och torsdagar, vilket kunde göra det möjligt för transportbyråer att bättre hantera morgonpendlingen. Denna typ av observationer - tidigare omöjliga på grund av oförmågan att exakt förutsäga morgonförhållanden - kan informera större beslut om resebehovshantering, signalstyrningskontroll och personlig destinationsruttning.
"Denna forskning utnyttjar maskininlärning och stora data för att förstå mänskligt beteende samtidigt som den individuella integriteten bevaras", säger Qian.
"Det är väldigt spännande att se den här metoden leda till bättre förutsägelser om morgonpendeltrafik så sent som 5 AM, och jag tror att detta snabbt kan distribueras i många av våra transporthanteringscentra."
Om författarna
Deras resultat visas i Transportforskning. - ursprungliga studien
Relaterade böcker:
Atomiska vanor: Ett enkelt och bevisat sätt att bygga goda vanor och bryta dåliga
av James Clear
Atomic Habits ger praktiska råd för att utveckla goda vanor och bryta dåliga, baserat på vetenskaplig forskning om beteendeförändring.
Klicka för mer info eller för att beställa
De fyra tendenserna: de oumbärliga personlighetsprofilerna som avslöjar hur du kan göra ditt liv bättre (och andra människors liv bättre också)
av Gretchen Rubin
De fyra tendenserna identifierar fyra personlighetstyper och förklarar hur förståelse av dina egna tendenser kan hjälpa dig att förbättra dina relationer, arbetsvanor och din totala lycka.
Klicka för mer info eller för att beställa
Tänk igen: Kraften att veta vad du inte vet
av Adam Grant
Think Again utforskar hur människor kan ändra sina åsikter och attityder, och erbjuder strategier för att förbättra kritiskt tänkande och beslutsfattande.
Klicka för mer info eller för att beställa
Kroppen behåller poängen: hjärna, sinne och kropp i läkning av trauma
av Bessel van der Kolk
The Body Keeps the Score diskuterar sambandet mellan trauma och fysisk hälsa och ger insikter om hur trauma kan behandlas och läkas.
Klicka för mer info eller för att beställa
The Psychology of Money: Tidlösa lektioner om rikedom, girighet och lycka
av Morgan Housel
The Psychology of Money undersöker hur våra attityder och beteenden kring pengar kan forma vår ekonomiska framgång och övergripande välbefinnande.
