View
449
Download
0
Category
Preview:
DESCRIPTION
https://sites.google.com/site/prj311/
Citation preview
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
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
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
基礎統計
200万人
人口上位1000メッシュのday-to-dayの人口変化
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
・機械学習によって精度75%ほどで予測が可能に
ディズニー
羽田空港
二子玉川
川崎
帰宅意思決定行動モデル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
•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
帰宅するか待機するか
徒歩で帰宅
公共交通で帰宅
朝まで待機
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
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?
Recommended