Ese es el quid de un estudio de la Universidad de Buffalo que examinó cómo se pueden analizar los tweets relacionados con el clima para reforzar los modelos de computadora que, entre otras cosas, recomiendan velocidades de conducción seguras y qué carreteras deben evitar los automovilistas durante las inclemencias del tiempo.
"No importa si alguien tuitea sobre cuán hermosa es la nieve o si se queja de caminos no pavimentados. Los usuarios de Twitter proporcionan una cantidad incomparable de datos hiperlocales que podemos usar para mejorar nuestra capacidad de dirigir el tráfico durante tormentas de nieve yclima adverso ", dijo Adel Sadek, PhD, director del Instituto de Transporte y Logística Sostenible de la UB y autor principal del estudio.
coautores del estudio, que se publicó en octubre en la revista Registro de investigación de transporte , incluyen Qing He, PhD, The Stephen Still Profesor Asistente en Ingeniería de Transporte y Logística en la UB; Jing Gao, PhD, profesor asistente en el Departamento de Ciencias de la Computación e Ingeniería en la UB; Ming Ni, un candidato a doctorado en la UB; yLei Lin, quien obtuvo un doctorado de la UB en 2015.
Los planificadores de tráfico confían en modelos que analizan datos vehiculares de cámaras y sensores, así como datos meteorológicos de estaciones meteorológicas cercanas.
El enfoque funciona, sin embargo, su precisión es limitada porque las observaciones del tráfico y el clima no brindan información sobre las condiciones de la superficie de la carretera. Por ejemplo, el modelo no considera el hielo que permanece después de una tormenta, o que los quitanieves han despejado una carretera.
Twitter puede ayudar a abordar esta limitación porque sus usuarios a menudo tuitean sobre el clima y las condiciones de la superficie de la carretera, y muchos optan por compartir su ubicación a través de GPS.
El estudio examinó más de 360,000 tweets en la región de Buffalo Niagara desde 19 días en diciembre de 2013. Los investigadores identificaron aproximadamente 3,000 tweets relevantes al etiquetar palabras clave como "nieve" y "derretir".
Luego, refinaron los datos a través de un método que llaman Observación de eventos meteorológicos de Twitter que clasifica los eventos de dos maneras. El primer ejemplo, a continuación, es una "emisión meteorológica", mientras que el segundo, también a continuación, es un "informe meteorológico".
* Las carreteras son un desastre en los suburbios por todas partes. Nevando como LOCO aquí ... conduzca a salvo todos.
* #BuffaloNY #Weather #Outside. #Cold #Snowing #Windy. @Parkside Candy
Una vez que el número de eventos alcanza un umbral durante un tiempo determinado, se cuentan como un "evento meteorológico de Twitter". Los investigadores probaron la confiabilidad de estos eventos a través de métricas diseñadas para eliminar los tweets que no coinciden con el clima real.coordenadas geográficas, los investigadores pudieron mapear las ubicaciones exactas de donde se informó el mal tiempo.
Luego, observaron el momento de los tweets y vieron un patrón. Cuando cae la nieve, aumenta el número de tweets relacionados con el clima, la velocidad promedio de los vehículos de motor cae y los volúmenes de tráfico disminuyen lentamente.
Luego, los investigadores insertaron los datos de Twitter en un modelo que contenía información sobre el tráfico y el clima, y descubrieron que la incorporación de dichos datos mejoraba la precisión de dichos modelos. En particular, los investigadores encontraron que los datos de Twitter eran más efectivos durante el día cuando más personastweet, y donde la población es mayor en el caso del estudio, Buffalo tiene aproximadamente cinco veces más personas que las Cataratas del Niágara, Nueva York.
Los modelos más precisos pueden introducir una serie de mejoras en las autopistas durante las inclemencias del tiempo. Por ejemplo, permitirán a los planificadores de tráfico recomendar mejores velocidades de conducción seguras, qué caminos deben despejarse o evitarse en las carreteras y los tiempos de llegada esperados para los automovilistas.
Los investigadores planean continuar mejorando su modelo mediante la adquisición de datos adicionales de Twitter por períodos de tiempo más largos y en diferentes ubicaciones.
Fuente de la historia :
Materiales proporcionado por Universidad de Buffalo . Original escrito por Cory Nealon. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :