Your SlideShare is downloading. ×
0
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
People-as-a-Sensor of disruptive events (spanish)
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

People-as-a-Sensor of disruptive events (spanish)

168

Published on

La gente produce y consume información de las redes sociales. El contenido de estos mensajes puede ayudar a modelar el comportamiento de una ciudad. Éste modelo puede identificar anormalidades y …

La gente produce y consume información de las redes sociales. El contenido de estos mensajes puede ayudar a modelar el comportamiento de una ciudad. Éste modelo puede identificar anormalidades y entonces eventos disruptivos.

Published in: Data & Analytics
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
168
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
1
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. https://kemlg.upc.edu People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents People-as-a-Sensor ofPeople-as-a-Sensor of Disruptive EventsDisruptive Events Arturo Tejeda-Gómez, Sergio Alvarez-Napagao, Darío García-Gasulla, Luis Oliva-Felipe, Ignasi Gómez- Sebastià y Javier Vazquez-Salceda jatejeda@lsi.upc.edu Mayo, 2014
  • 2. © Arturo Tejeda-Gómez, KEMLG, 2014 2 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents En contextoEn contexto  Datos de redes sociales  Twitter, Instagram y Foursquare  Smartphones (GPS)  Usuarios distribuidos geograficamente en el tiempo  Información en tiempo real  Twitter  Enero 2009 – 2 Millones de Tweets por día  Enero 2014 – 500 Millones de Tweets por día Incremento del 2400%  Que tipo de información producen los usuarios?
  • 3. © Arturo Tejeda-Gómez, KEMLG, 2014 3 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Información en redes socialesInformación en redes sociales  99.99999% información personal  0.000001% información relevante
  • 4. © Arturo Tejeda-Gómez, KEMLG, 2014 4 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Información en redes socialesInformación en redes sociales  Generación extrema de información  Continental Airlines Vuelo 1404  US Airways Vuelo 1549
  • 5. © Arturo Tejeda-Gómez, KEMLG, 2014 5 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Atributos delAtributos del Social MediaSocial Media  Geolocalización  Latitud: 41.419050200,  Longitud: 2.139523600  Texto  “Accidente en la Ronda...”  Imagenes  Geodata
  • 6. © Arturo Tejeda-Gómez, KEMLG, 2014 6 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Visualización delVisualización del Social MediaSocial Media Barcelona http://mapcelona.org 21/05/2013 2:00 am
  • 7. © Arturo Tejeda-Gómez, KEMLG, 2014 7 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Visualización deVisualización de Social MediaSocial Media Mexico DF Rio de Janeiro
  • 8. © Arturo Tejeda-Gómez, KEMLG, 2014 8 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Entonces, ¿Que podemos detectar con mensajes geolocalizados de las redes sociales?
  • 9. © Arturo Tejeda-Gómez, KEMLG, 2014 9 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Rumbo a la detección de eventosRumbo a la detección de eventos  Contexto  Areas geográficas (GeoHash)  Densidad  Temporalidad  Trayectorias de mobilidad (Patrones)  Comportamientos de la ciudad
  • 10. © Arturo Tejeda-Gómez, KEMLG, 2014 10 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Comportamiento de la ciudadComportamiento de la ciudad Barcelona 17:30hrs “Normal” “Anormal” 10/09/2013 11/09/2013
  • 11. © Arturo Tejeda-Gómez, KEMLG, 2014 11 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Detección de eventos disruptivosDetección de eventos disruptivos  Evento disruptivo: Situación anormal que ocurre en un espacio y tiempo determinados; y puede causar efectos colaterales.  Accidente → Tráfico → Retardo de buses  Manifestación → Calles cerradas → Tráfico →...  Concierto → Calles cerradas → ….  Partido de fútbol → ...  Inundación → ...  Dejar/recoger niños del colegio → ...
  • 12. © Arturo Tejeda-Gómez, KEMLG, 2014 12 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Enriqueciendo el contextoEnriqueciendo el contexto  Agregación de otras fuentes de datos:  Tráfico  Transporte Público Horarios: Bus, Metro, Tram, etc.  BikeSharing  Parkings  Eventos planeados  Condiciones atmosféricas Contaminación Clima  Fuentes oficiales en redes sociales: Policia, Tráfico, etc.
  • 13. © Arturo Tejeda-Gómez, KEMLG, 2014 13 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Nuestro approachNuestro approach  Objetivos primarios  Explotación de fuentes de datos  Modelar la detección de eventos disruptivos  Desarrollar una aplicación en tiempo real de detección de eventos “simple models and a lot of data trump more elaborate models based on less data” Halevy et al. 2009
  • 14. © Arturo Tejeda-Gómez, KEMLG, 2014 14 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Nuestro approachNuestro approach  Simplificar, unificar y agregar fuentes de datos  Actividad de los usuarios en un lugar y tiempo determinados  Fortalecer el aprendizaje complejo  Explicar actividades pasadas  Entender eventos actuales  Predecir futuros eventos
  • 15. © Arturo Tejeda-Gómez, KEMLG, 2014 15 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Trabajos previosTrabajos previos  El procesamiento de datos es complicado...  Por la naturaleza de los datos Procesamiento de Lenguaje Natural de los tweets (140 caracteres)  Por su heterogeneidad: Procesamiento de imagenes (Instagram)  Por su semantica no-revelada Ontologías y taxonomias (categorias de Foursquare)  Por el comportamiento del usuario Tweet/Retweet (Post/Share)
  • 16. © Arturo Tejeda-Gómez, KEMLG, 2014 16 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Modelo de detección de eventosModelo de detección de eventos  Identificar la “normalidad“  Por cada area y ventana de tiempo Cual es el comportamiento esperado de la ciudad un martes entre las 12:15 y 12:30 hrs.?  La mediana y el rango intercuartil Desviación de datos.. algo raro esta pasando! Anormalidad de datos... algo crítico esta pasando!  Construyendo el modelo  De la desviación obtenemos certeza en el tiempo.  La forma de un evento es pseudo-trapezoide Empieza (a-) y termina (a+) Title:event.eps Creator:GIMP PostScript file plugin V 1, CreationDate:Wed Feb 12 12:40:16 2014 LanguageLevel:2
  • 17. © Arturo Tejeda-Gómez, KEMLG, 2014 17 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents AplicacionesAplicaciones  Desubrimiento de eventos masivos  Un evento esta compuesto por 2 o más ventanas de tiempo con una actividad anormal en el area  Un promedio de 3.1 eventos por dia  Cuales serían los eventos detectados más significativos? 15 FCBarcelona games 2 RCDEspanyol games 10 Concerts 5 New Year's eve events 5 Airport events 2 touristic atractions 1 Barcelona Fashion Week  Evento TOP: FCBarcelona vs Real Madrid
  • 18. © Arturo Tejeda-Gómez, KEMLG, 2014 18 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Aplicaciones (II)Aplicaciones (II)  Características de los eventos detectados  Clasificación de eventos basados en su popularidad Partidos de la liga de campeones tienen más impacto que un partido de liga normal La clasificación de un concierto depende de la popularidad del cantante  Dia de año nuevo (patrones únicos de actividad)  Otros eventos detectados: Salida al mercado del iPhone 5s Paros en las estaciones de tren Congresos (MWC, Smart Cities, etc.) Barcelona Shopping Night
  • 19. © Arturo Tejeda-Gómez, KEMLG, 2014 19 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Aplicaciones (III)Aplicaciones (III)  Estimando el impacto del evento desde nuestro modelo  Correlación entre el impacto en tiempo real de los eventos detectados con su posterior calculo de asistencia: Pearson correlation coefficient 0.82
  • 20. © Arturo Tejeda-Gómez, KEMLG, 2014 20 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Aplicaciones (IV)Aplicaciones (IV)  Monitor en tiempo real de eventos disruptivos  Encuentra areas que su comportamiento esta fuera de lo normal Title:hot_cold.eps Creator:GIMP PostScript file plugin V 1, CreationDate:Fri Feb 14 17:14:18 2014 LanguageLevel:2
  • 21. © Arturo Tejeda-Gómez, KEMLG, 2014 21 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Futuras aplicacionesFuturas aplicaciones  Y algunas más...  Entender el comportamiento de los eventos Como se forman? Cuanto duran y cual es su impacto? Como se dispersan? Como preceden a otros?  Entender la correlación de los eventos Eventos en area de bares preceden a eventos en un area de clubs  Construir perfiles de usuarios y segmentar los resultados de los eventos y trayectorias (en progreso)
  • 22. © Arturo Tejeda-Gómez, KEMLG, 2014 22 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents ConclusionesConclusiones  Problema: Modelo complejo a través de datos simples.  El comportamiento de una ciudad es un problema complejo que tiene millones de dependencias.  Big Data  Simplificar el modelo para permitir escalabilidad y paralelización.  Resultados  Un modelo simple puede representar dominios complejos si hay la “suficiente cantidad de datos”  Algunas otras aplicaciones Analisis de la mobilidad de la ciudad Respuestas y acciones en tiempo real a eventos disruptivos Simulación de politicas de mobilidad
  • 23. © Arturo Tejeda-Gómez, KEMLG, 2014 23 People-as-a-SensorofDisruptiveEventsPeople-as-a-SensorofDisruptiveEvents Arturo Tejeda Gómez jatejedajatejeda@lsi.upc.e@lsi.upc.edudu https://kemlg.upc.edu

×