People-as-a-Sensor of disruptive events (spanish)

https://kemlg.upc.edu
People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents
People-as-a-Sensor ofPeople-as-a-Sensor of
Disruptive EventsDisruptive Events
Arturo Tejeda-Gómez, Sergio Alvarez-Napagao, Darío
García-Gasulla, Luis Oliva-Felipe, Ignasi Gómez-
Sebastià y Javier Vazquez-Salceda
jatejeda@lsi.upc.edu
Mayo, 2014

© Arturo Tejeda-Gómez, KEMLG, 2014 2
En contextoEn contexto
 Datos de redes sociales
 Twitter, Instagram y Foursquare
 Smartphones (GPS)
 Usuarios distribuidos geograficamente en el tiempo
 Información en tiempo real
 Twitter
 Enero 2009 – 2 Millones de Tweets por día
 Enero 2014 – 500 Millones de Tweets por día
Incremento del 2400%
 Que tipo de información producen los usuarios?

Información en redes socialesInformación en redes sociales
 99.99999% información personal
 0.000001% información relevante

Información en redes socialesInformación en redes sociales
 Generación extrema de información
 Continental Airlines Vuelo 1404
 US Airways Vuelo 1549

Atributos delAtributos del Social MediaSocial Media
 Geolocalización
 Latitud: 41.419050200,
 Longitud: 2.139523600
 Texto
 “Accidente en la Ronda...”
 Imagenes
 Geodata

Visualización delVisualización del Social MediaSocial Media
Barcelona
http://mapcelona.org
21/05/2013 2:00 am

Visualización deVisualización de Social MediaSocial Media
Mexico DF Rio de Janeiro

Entonces,
¿Que podemos detectar con mensajes geolocalizados
de las redes sociales?

Rumbo a la detección de eventosRumbo a la detección de eventos
 Contexto
 Areas geográficas (GeoHash)
 Densidad
 Temporalidad
 Trayectorias de mobilidad (Patrones)
 Comportamientos de la ciudad

Comportamiento de la ciudadComportamiento de la ciudad
Barcelona 17:30hrs
“Normal” “Anormal”
10/09/2013
11/09/2013

Detección de eventos disruptivosDetección de eventos disruptivos
 Evento disruptivo: Situación anormal que ocurre en un
espacio y tiempo determinados; y puede causar efectos
colaterales.
 Accidente → Tráfico → Retardo de buses
 Manifestación → Calles cerradas → Tráfico →...
 Concierto → Calles cerradas → ….
 Partido de fútbol → ...
 Inundación → ...
 Dejar/recoger niños del colegio → ...

Enriqueciendo el contextoEnriqueciendo el contexto
 Agregación de otras fuentes de datos:
 Tráfico
 Transporte Público
Horarios: Bus, Metro, Tram, etc.
 BikeSharing
 Parkings
 Eventos planeados
 Condiciones atmosféricas
Contaminación
Clima
 Fuentes oficiales en redes sociales: Policia, Tráfico, etc.

Nuestro approachNuestro approach
 Objetivos primarios
 Explotación de fuentes de datos
 Modelar la detección de eventos disruptivos
 Desarrollar una aplicación en tiempo real de detección de
eventos
“simple models and a lot of data trump more elaborate models
based on less data” Halevy et al. 2009

Nuestro approachNuestro approach
 Simplificar, unificar y agregar fuentes de datos
 Actividad de los usuarios en un lugar y tiempo
determinados
 Fortalecer el aprendizaje complejo
 Explicar actividades pasadas
 Entender eventos actuales
 Predecir futuros eventos

Trabajos previosTrabajos previos
 El procesamiento de datos es complicado...
 Por la naturaleza de los datos
Procesamiento de Lenguaje Natural de los tweets (140
caracteres)
 Por su heterogeneidad:
Procesamiento de imagenes (Instagram)
 Por su semantica no-revelada
Ontologías y taxonomias (categorias de Foursquare)
 Por el comportamiento del usuario
Tweet/Retweet (Post/Share)

Modelo de detección de eventosModelo de detección de eventos
 Identificar la “normalidad“
 Por cada area y ventana de tiempo
Cual es el comportamiento esperado de la ciudad un martes entre
las 12:15 y 12:30 hrs.?
 La mediana y el rango intercuartil
Desviación de datos.. algo raro esta pasando!
Anormalidad de datos... algo crítico esta pasando!
 Construyendo el modelo
 De la desviación obtenemos
certeza en el tiempo.
 La forma de un evento es
pseudo-trapezoide
Empieza (a-) y termina (a+)
Title:event.eps
Creator:GIMP PostScript file plugin V 1,
CreationDate:Wed Feb 12 12:40:16 2014
LanguageLevel:2

AplicacionesAplicaciones
 Desubrimiento de eventos masivos
 Un evento esta compuesto por 2 o más ventanas de tiempo con
una actividad anormal en el area
 Un promedio de 3.1 eventos por dia
 Cuales serían los eventos detectados más significativos?
15 FCBarcelona games 2 RCDEspanyol games
10 Concerts 5 New Year's eve events
5 Airport events 2 touristic atractions
1 Barcelona Fashion Week
 Evento TOP: FCBarcelona vs Real Madrid

Aplicaciones (II)Aplicaciones (II)
 Características de los eventos detectados
 Clasificación de eventos basados en su popularidad
Partidos de la liga de campeones tienen más impacto que un partido
de liga normal
La clasificación de un concierto depende de la popularidad del
cantante
 Dia de año nuevo (patrones únicos de actividad)
 Otros eventos detectados:
Salida al mercado del iPhone 5s
Paros en las estaciones de tren
Congresos (MWC, Smart Cities, etc.)
Barcelona Shopping Night

Aplicaciones (III)Aplicaciones (III)
 Estimando el impacto del evento desde nuestro modelo
 Correlación entre el impacto en tiempo real de los eventos
detectados con su posterior calculo de asistencia:
Pearson
correlation
coefficient
0.82

Aplicaciones (IV)Aplicaciones (IV)
 Monitor en tiempo real de eventos disruptivos
 Encuentra areas que su comportamiento esta fuera de lo normal
Title:hot_cold.eps
Creator:GIMP PostScript file plugin V 1,
CreationDate:Fri Feb 14 17:14:18 2014
LanguageLevel:2

Futuras aplicacionesFuturas aplicaciones
 Y algunas más...
 Entender el comportamiento de los eventos
Como se forman?
Cuanto duran y cual es su impacto?
Como se dispersan?
Como preceden a otros?
 Entender la correlación de los eventos
Eventos en area de bares preceden a eventos en un area de
clubs
 Construir perfiles de usuarios y segmentar los resultados de
los eventos y trayectorias (en progreso)

ConclusionesConclusiones
 Problema: Modelo complejo a través de datos simples.
 El comportamiento de una ciudad es un problema complejo que
tiene millones de dependencias.
 Big Data
 Simplificar el modelo para permitir escalabilidad y
paralelización.
 Resultados
 Un modelo simple puede representar dominios complejos si hay
la “suficiente cantidad de datos”
 Algunas otras aplicaciones
Analisis de la mobilidad de la ciudad
Respuestas y acciones en tiempo real a eventos disruptivos
Simulación de politicas de mobilidad

Arturo Tejeda Gómez
jatejedajatejeda@lsi.upc.e@lsi.upc.edudu
https://kemlg.upc.edu

People-as-a-Sensor of disruptive events (spanish)

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (19)

Semelhante a People-as-a-Sensor of disruptive events (spanish)

Semelhante a People-as-a-Sensor of disruptive events (spanish) (20)

Mais de Knowledge Engineering and Machine Learning Group

Mais de Knowledge Engineering and Machine Learning Group (13)

Último

Último (20)

People-as-a-Sensor of disruptive events (spanish)