Análise da Mobilidade Urbana por meio de Redes Sociais Baseadas em Localização: Estudo de Caso em Cidades Inteligentes

• João A. S. Silva Pontifícia Universidade Católica de Minas Gerais
• Felipe D. Cunha Pontifícia Universidade Católica de Minas Gerais
• Silvio Jamil F. Guimarães Pontifícia Universidade Católica de Minas Gerais

DOI: https://doi.org/10.5753/sbbd_estendido.2023.233144

Resumo

O número de pessoas que fazem uso de redes sociais cresce a cada dia, com isso, a quantidade de dados disponı́veis a cerca dos usuários também aumenta. Atualmente, cerca de 4, 8 bilhões de pessoas fazem uso das redes sociais em todo o mundo, o que equivale a cerca de 59% da população mundial. Tendo em vista este cenário, na literatura podem ser encontrados trabalhos que abordam técnicas para coleta e amostragem de dados advindo das redes sociais que permitem a interpretação dos mesmos para análises de diferentes domı́nios, como por exemplo, mobilidade urbana, classificação de regiões, entre outros. Este trabalho faz uso de Redes Sociais baseadas em Localização (LBSN) para analisar a mobilidade humana dentro de centros urbanos. Foram coleados check-ins dispostos pelo mundo, foi possı́vel a identificação do comportamento distinto entre habitantes de diferentes regiões do planeta, de acordo com a concentração de registros em determinadas localidades. Resultados indicam que, embora a disparidade na disposição espacial dos dados, as LBSNs são capazes de retratar a realidade das cidades mesmo em culturas diferentes, mostrando-se um bom meio para a coleta de dados voltados para cidades inteligentes, devido a disponibilidade dos dados e a fácil escalabilidade de suas aplicações.

Palavras-chave: Mineração e análise de dados, Bases de dados multidimensionais e temporais, Redes sociais e crowdsourcing

Referências

Brito, M., Santos, C., Oliveira, H., Cerqueira, E., and Rosário, D. (2022). Air pollution calculation for location based social networks multimodal routing service. In Anais do VI Workshop de Computação Urbana, pages 280–293. SBC.

Gubert, F. R., Munaretto, A., and Silva, T. H. (2022). Multilayered analysis of urban mobility. In Anais Estendidos do XXVIII Simpósio Brasileiro de Sistemas Multimídia e Web, pages 57–60. SBC.

Le Falher, G., Gionis, A., and Mathioudakis, M. (2021). Where is the soho of rome? measures and algorithms for finding similar neighborhoods in cities. Proceedings of the International AAAI Conference on Web and Social Media, 9(1):228–237.

Machado, K., Silva, T. H., de Melo, P. O. V., Cerqueira, E., and Loureiro, A. A. (2015). Urban mobility sensing analysis through a layered sensing approach. In 2015 IEEE International Conference on Mobile Services, pages 306–312. IEEE.

Machado, K. L., Boukerche, A., Cerqueira, E. C., and Loureiro, A. (2018). A data-centric approach for social and spatiotemporal sensing in smart cities. IEEE Internet Computing, 23(1):9–18.

Santala, V., Costa, G., Gomes-Jr, L., Gadda, T., and Silva, T. H. (2020). On the potential of social media data in urban planning: Findings from the beer street in curitiba, brazil. Planning Practice & Research, 35(5):510–525.

Santos, F. A., Silva, T. H., Loureiro, A. A., and Villas, L. A. (2020). Automatic extraction of urban outdoor perception from geolocated free texts. Social Network Analysis and Mining, 10:1–23.

Santos, F. A., Silva, T. H., Loureiro, A. A. F., and Villas, L. A. (2018). Uncovering the perception of urban outdoor areas expressed in social media. In 2018 IEEE/WIC/ACM International Conference on Web Intelligence (WI), pages 120–127. IEEE.

Senefonte, H. C. M., Delgado, M. R., Lüders, R., and Silva, T. H. (2022). Predictour: Predicting mobility patterns of tourists based on social media user’s profiles. IEEE Access, 10:9257–9270.

Silva, J., Cunha, F., and Guimarães, S. (2023). Estudo do comportamento de consumo de bebida em centros urbanos usando redes de sensoriamento participativo. In Anais do VII Workshop de Computação Urbana, pages 68–81, Porto Alegre, RS, Brasil. SBC.

Silva, T., De Melo, P. V., Almeida, J., Musolesi, M., and Loureiro, A. (2014). You are what you eat (and drink): Identifying cultural boundaries by analyzing food and drink habits in foursquare. In Proceedings of the International AAAI Conference on Web and Social Media, volume 8, pages 466–475.

Silva, T. H., Viana, A. C., Benevenuto, F., Villas, L., Salles, J., Loureiro, A., and Quercia, D. (2019). Urban computing leveraging location-based social network data: a survey. ACM Computing Surveys (CSUR), 52(1):1–39.

Zhang, M., Li, T., Li, Y., and Hui, P. (2021). Multi-view joint graph representation learning for urban region embedding. In Proceedings of the Twenty-Ninth International Conference on International Joint Conferences on Artificial Intelligence, pages 4431– 4437.