Um Framework de Extração e Etiquetamento de Informações de Trânsito

• Leonardo Teteo UNIRIO
• Pedro Moura UNIRIO
• Elton F. de S. Soares UNIRIO
• Carlos Alberto V. Campos UNIRIO

DOI: https://doi.org/10.5753/wperformance.2019.6472

Resumo

Com o grande avanço nas tecnologias computacionais, está cada vez mais possı́vel usar as redes sociais para a coleta e análise de informações de indivı́duos, comunidades e a respeito da dinâmica das cidades em tempo real. O excesso de informação, porém, é um desafio até mesmo no contexto das cidades, onde muitos eventos ocorrem em paralelo. Neste contexto, este trabalho propõe um framework que tem como função facilitar a extração, tratamento e identificação de eventos e suas localidades em tweets escritos na Lı́ngua Portuguesa utilizando a técnica Conditional Random Fields para realizar a tarefa de Reconhecimento de Entidades Nomeadas. Os resultados obtidos demonstram o potencial da ferramenta em identificar eventos de trânsito em uma dada localidade de interesse.

Palavras-chave: Cidades Inteligentes, Aprendizado de Máquina, Conditional Random Fields, Framework, Twitter

Referências

Anantharam, P., Barnaghi, P., Thirunarayan, K., and Sheth, A. (2015). Extracting city traffic events from social streams. ACMTrans. Intell. Syst. Technol., 6(4):43:1–43:27.

Bajaj, G., Agarwal, R., Bouloukakis, G., Singh, P., Georgantas, N., and Issarny, V. (2016). Towards building real-time, convenient route recommendation system for public tran- sit. In 2016 IEEE International Smart Cities Conference (ISC2), pages 1–5.

Dobbelaere, P. and Esmaili, K. S. (2017). Kafka versus rabbitmq: A comparative study of two industry reference publish/subscribe implementations: Industry paper. In 11th ACM DEBS, pages 227–238.

Eugster, P. T., Felber, P. A., Guerraoui, R., and Kermarrec, A.-M. (2003). The many faces of publish/subscribe. ACM Computing Surveys (CSUR), 35(2):114–131.

FarajiDavar, N., Kolozali, S., and Barnaghi, P. M. (2017). A deep multi-view learning framework for city event extraction from twitter data streams. CoRR, abs/1705.09975.

Finkel, J. R., Grenager, T., and Manning, C. (2005). Incorporating non-local information into information extraction systems by gibbs sampling. In 43rd annual meeting on association for computational linguistics, pages 363–370.

Neirotti, P., De Marco, A., Cagliano, A. C., Mangano, G., and Scorrano, F. (2014). Cur- rent trends in smart city initiatives: Some stylised facts. Cities, 38:25–36.

P Hancke, G. and Silva, B. (2012). The role of advanced sensing in smart cities. Sensors (Basel, Switzerland), 13:393–425.

Puiu, D., Barnaghi, P., T¨onjes, R., Kumper, D., Ali, M. I., Mileo, A., Parreira, J., Fischer, M., Kolozali, S., Farajidavar, N., Gao, F., ggena, T., Pham, T.-L., Nechifor, C.-S., Pus- chmann, D., and Fernandes, J. (2016). Citypulse: Large scale data analytics framework for smart cities. IEEE ACCESS, 4:1086–1108.

Twitter (2019). Twitter streaming api connection guidelines. https://developer. twitter.com/en/docs/tutorials/consuming-streaming-data. html. Accessed: 2019-03-24.

Zanella, A., Bui, N., Castellani, A., Vangelista, L., and Zorzi, M. (2012). Internet of things for smart cities. Internet ofThings Journal, IEEE, 1.