Tweets geolocalizados para la movilidad diariametodología de análisis y detección de residencias en el área urbana de Valencia

  1. Zornoza Gallego, Carmen 1
  2. Salom Carrasco, Julia 1
  1. 1 Universidad de Valencia (España)
Revista:
BAGE. Boletín de la Asociación Española de Geografía

ISSN: 0212-9426,  2605-3322

Año de publicación: 2018

Número: 79

Tipo: Artículo

DOI: 10.21138/BAGE.2464 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: BAGE. Boletín de la Asociación Española de Geografía

Objetivos de desarrollo sostenible

Resumen

Se analizan los datos geolocalizados de la red social Twitter con el fin de conocer las posibilidades que ofrecen para el estudio de las pautas de movilidad diarias, aplicado al caso del área urbana de Valencia, España. Basado en dicho análisis, se propone una metodología para el tratamiento y explotación de los datos, focalizada en la detección del lugar de residencia de sus usuarios, información básica en el análisis de la movilidad. El buen ajuste de los resultados con distintas fuentes de comprobación ratifica la adecuación de la metodología y las amplias posibilidades de la fuente analizada.

Referencias bibliográficas

  • Béjar, J., Álvarez, S., García, D., Gómez, I., Oliva, L., Tejeda, A., & Vázquez-Salceda, J. (2016). Discovery of spatio-temporal patterns from location-based social networks. Journal of Experimental & Theoretical Artificial Intelligence, 28(1–2), 313–329. https://doi.org/10.1080/0952813X.2015.1024492
  • Bojic, I., Massaro, E., Belyi, A., Sobolevsky, S., & Ratti, C. (2015). Choosing the Right Home Location Definition Method for the Given Dataset (pp. 194–208). In T.Y. Liu, C. Scollon & W. Zhu (Eds.), Social Informatics. SocInfo 2015. Lecture Notes in Computer Science. Springer. https://doi.org/10.1007/978-3-319-27433-1_14
  • Frias-Martinez, V., & Frias-Martinez, E. (2014). Spectral clustering for sensing urban land use using Twitter activity. Engineering Applications of Artificial Intelligence, 35, 237–245. https://doi.org/10.1016/j.engappai.2014.06.019
  • Gabrielli, L., Rinzivillo, S., Ronzano, F., & Villatoro, D. (2014). From Tweets to Semantic Trajectories: Mining Anomalous Urban Mobility Patterns. In Jordi Nin & Daniel Villatoro (Eds.), Citizen in Sensor Networks (pp. 26–35). Switzerland: Springer International Publishing. https://doi.org/10.1007/978-3-319-04178-0_3
  • García-Palomares, J. C., Gutiérrez, J., & Mínguez, C. (2015). Identification of tourist hot spots based on social networks: A comparative analysis of European metropolises using photo-sharing services and GIS. Applied Geography, 63, 408–417. https://doi.org/10.1016/j.apgeog.2015.08.002
  • Goodchild, M. (2007). Citiziens as sensors: the word of volunteered geography. GeoJournal, 69, 211–221. https://doi.org/10.1007/s10708-007-9111-y
  • Gonzalez, M. C., Hidalgo, C. A., & Barabasi, A. L. (2008). Understanding individual human mobility patterns. Nature, 453(7196), 779–782. https://doi.org/10.1038/nature06958
  • Gutiérrez-Puebla, J., García-Palomares, J. C., & Salas-Olmedo, M. H. (2016). Big (Geo)Data in Social Sciences:Challenges and Opportunities. Revista de estudios andaluces, 33, 1–23. http://dx.doi.org/10.12795/rea.2016.i33.01
  • Hasan, S., Zhan, X., & Ukkusuri, S. V. (2013, August). Understanding urban human activity and mobility patterns using large-scale location-based data from online social media. In Proceedings of the 2nd ACM SIGKDD international workshop on urban computing (pp. 1–8). Chicago. https://doi.org/10.1145/2505821.2505823
  • Huang, W., Li, S., Liu, X., & Ban, Y. (2015). Predicting human mobility with activity changes. International Journal of Geographical Information Science, 29(9), 1569–1587. https://doi.org/10.1080/13658816.2015.1033421
  • Jurdak, R., Zhao, K., Liu, J., AbouJaoude, M., Cameron, M., & Newth, D. (2015). Understanding human mobility from Twitter. PloS one, 10(7), e0131469. https://doi.org/10.1371/journal.pone.0131469
  • Kwan, M. P. (1999). Gender, the home-work link, and space-time patterns of nonemployment activities. Economic geography, 75(4), 370–394. https://doi.org/10.1111/j.1944-8287.1999.tb00126.x
  • Masquenegocio. (2016, January). Twitter users in Spain [PDF report]. Retrieved from http://www.masquenegocio.com/wp-content/uploads/2016/01/Twitter-en-Espan%CC%83a.pdf
  • Song, C., Qu, Z., Blumm, N., & Barabási, A. L. (2010). Limits of predictability in human mobility. Science, 327(5968), 1018–1021. https://doi.org/10.1126/science.1177170
  • Li, S., Dragicevic, S., Castro, F., Sesterd, M., Wintere,S., Coltekin, A., … Chengi, T. (2016). Geospatial big data handling theory and methods: A review and research challenges. Isprs journal of photogrammetry and remote sensing, 115, 119–133. https://doi.org/10.1016/j.isprsjprs.2015.10.012
  • Llorente, A., Garcia-Herranz, M., Cebrian, M., & Moro, E. (2015). Social media fingerprints of unemployment. PloS one, 10(5), e0128692. https://doi.org/10.1371/journal.pone.0128692
  • Serrano Estrada, L., Serrano Salazar, S., & Álvarez Álvarez, F. J. (2014). Las redes sociales y los SIG como herramientas para conocer las preferencias sociales en las ciudades turísticas: el caso de Benidorm. Presented at the XVI Congreso Nacional de Tecnologías de Información Geográfica (pp. 1005–1012). Alicante, Spain, June 25–27. Madrid: Asociación de Geógrafos Españoles.
Fuente de los datos: Dialnet