Recomendados
Recomendados
Mais conteúdo relacionado
Destaque
首都圏における帰宅困難者のモデリング 中間報告
- 1. 首都圏における 帰宅困難者のモデリング 野良分析チーム @y_benjo, @harapon, 他2名
- 2. 問題意識 • 「何故帰宅困難者が発生したのか？」 • 発生要因は何か？ • 地理的要因，鉄道網の停止，情報拡散，意思決定…？ • 次の自然災害での帰宅困難者発生の軽減に繋げる http://ja.wikipedia.org/wiki/%E3%83%95%E3%82%A1%E3%82%A4%E3%83%AB:2011_Sendai_earthquake_Shinjuku_Station.JPG
- 3. 現状の取り組み • ✔ 基礎統計 • 首都圏での人口動向 • ✔ 帰宅困難者発生地域の抽出，予測 • 通勤者の帰宅意思決定行動モデル • 位置情報付きtweetからの情報抽出
- 4. 基礎統計 人口上位1000メッシュのday-to-dayの人口変化 200万人
- 5. 帰宅困難者発生地域抽出 ・震災前と比べ大 きく人口が増加/減 少した地域の抽出 二子玉川 ・機械学習によっ ディズニー て精度75%ほどで 羽田空港 予測が可能に 川崎
- 6. 帰宅意思決定行動モデル • 帰宅しようとした人の意思決定をモデル化 • 何故職場/学校等に待機しなかったのか • 何が要因で帰宅しようとしたのか 帰宅するか 徒歩で帰宅 待機するか 公共交通で帰宅 朝まで待機 • 要因をラベリング，のちモデル化 • 位置情報付きtwからユーザーごとに手作業で要因抽出 • (110名での)モデリングはできそう，次は大規模化
- 7. 位置情報付きtwからの情報抽出 • 前アプローチとは真逆の自然言語処理的手法 • 対象: 首都圏の震災直後∼翌朝のtweet約25,000件 • 現状 • 地域と発言時間を考慮したモデル→微妙な結果に • 失敗例: 横浜近くで「横浜駅」が特徴的に • 動詞などに絞って再実験する必要あり
- 8. 課題・問題点 • 意志決定行動モデルについて • 特徴量の生成をNLP技術でもっと大規模にしたい • tweetからの情報抽出 • 位置関係と時間をもっと上手く扱うには？ • ユーザの移動行動とtweetを結びつけるには？