El futuro papel de las redes sociales en la planificación urbana
Los ciudadanos continuamente generan información sobre dónde se encuentran y qué están haciendo a través de LBSN.
Enrique Frías-Martínez |
Blogthinking.com
El concepto de ciudades inteligentes generalmente implica el despliegue de infraestructuras inteligentes utilizadas para mejorar los servicios para los ciudadanos. Varias ciudades han lanzado proyectos que van desde la optimización del transporte hasta la minimización del impacto de la actividad urbana en el medio ambiente, siendo un buen ejemplo del trabajo realizado por Telefónica en SmartSantander.
Aunque el despliegue de tales infraestructuras es clave, cualquier ciudad ya tiene una infraestructura de sensores implícita construida usando los teléfonos que llevan sus ciudadanos. En ese sentido, las capacidades cada vez mayores de los dispositivos móviles permiten a las personas dejar atrás la huella de su interacción con el entorno urbano, particularmente con el uso de las redes sociales basadas en la ubicación (LBSN).
Las LBSN tienen la propiedad de asignar una geolocalización a la actividad realizada por un individuo, por ejemplo, Twitter geolocalizado asigna las coordenadas donde estaba el usuario cuando se hizo un comentario; o FourSquare da una indicación de dónde se encuentra un usuario y cuál es la actividad de ese lugar en particular. Esta capacidad de geolocalización está siendo utilizada por un gran número de aplicaciones como Facebook Places, Urbanspoon, Yelp, Google Places, Loopt, Flickr o Instagram, entre otros.
Como resultado, una ciudad y sus ciudadanos generan continuamente información sobre dónde se encuentran y qué están haciendo a través de LBSN. Esta información proporciona una vista sin precedentes de una ciudad, especialmente con respecto a cómo los ciudadanos la usan y cuáles son sus opiniones, que tiene el potencial de ser utilizada para aplicaciones de planificación urbana.
En Telefónica I + D hemos trabajado en dos áreas que utilizan los datos proporcionados por LBSN para mostrar cómo se pueden utilizar para mejorar la planificación urbana: (1) Inferir la actividad del usuario y (2) Comprender las quejas de los ciudadanos sobre su entorno.
Utilizando la ubicación, el contexto y la información proporcionada por LBSN podemos inferir la actividad del usuario en un área urbana específica y, por extensión, podemos ayudar en el proceso de planificación urbana, ya que podemos verificar en qué medida se está utilizando un entorno urbano tal como fue planificado. las autoridades. Hemos trabajado en una serie de técnicas [1] [2] que al usar solo la ubicación de tweets geolocalizados, podemos identificar los usos de la tierra. Nuestra técnica determina automáticamente los usos del suelo en áreas urbanas al agrupar regiones geográficas con patrones similares de actividad de Twitter. Usando la actividad agregada de tweets, estudiamos el uso del suelo en Manhattan, Madrid y Londres. En los dos primeros casos identificamos cuatro usos: residencial, comercial, de ocio diurno (principalmente parques y áreas turísticas) y áreas de vida nocturna. En Londres, también establecimos usos industriales de la tierra. Estos resultados fueron validados con fuentes de datos abiertas. La principal ventaja de nuestro enfoque es que respeta la privacidad individual porque no se necesita ningún identificador del usuario real ni se usa el contenido del twitter. Como ejemplo, la Figura 1 presenta los usos del suelo identificados en Londres utilizando tweets geolocalizados.
Utilizando la ubicación, el contexto y la información proporcionada por LBSN podemos inferir la actividad del usuario en un área urbana específica y, por extensión, podemos ayudar en el proceso de planificación urbana, ya que podemos verificar en qué medida se está utilizando un entorno urbano tal como fue planificado. las autoridades. Hemos trabajado en una serie de técnicas [1] [2] que al usar solo la ubicación de tweets geolocalizados, podemos identificar los usos de la tierra. Nuestra técnica determina automáticamente los usos del suelo en áreas urbanas al agrupar regiones geográficas con patrones similares de actividad de Twitter. Usando la actividad agregada de tweets, estudiamos el uso del suelo en Manhattan, Madrid y Londres. En los dos primeros casos identificamos cuatro usos: residencial, comercial, de ocio diurno (principalmente parques y áreas turísticas) y áreas de vida nocturna. En Londres, también establecimos usos industriales de la tierra. Estos resultados fueron validados con fuentes de datos abiertas. La principal ventaja de nuestro enfoque es que respeta la privacidad individual porque no se necesita ningún identificador del usuario real ni se usa el contenido del twitter. Como ejemplo, la Figura 1 presenta los usos del suelo identificados en Londres utilizando tweets geolocalizados.
Diseño físico de negocios, vida nocturna, ocio y clusters industriales en Londres. Las áreas no marcadas con ningún color indican el uso del suelo residencial.
Otro enfoque que hemos tomado para identificar las actividades de los usuarios y los usos de la tierra es usar FourSquare [3]. FourSquare ya contiene información sobre la actividad del lugar donde se encuentra el usuario porque los lugares se clasifican de acuerdo con categorías predefinidas. Al considerar la distribución de las categorías de FourSquare y su popularidad en términos de números de facturación, construimos un conjunto de características de aprendizaje automático que pueden explotarse para inferir las características cualitativas de las áreas urbanas. La Figura 2 presenta una clasificación de la ciudad de Madrid de acuerdo con las actividades del usuario identificadas a partir de las categorías de FourSquare. Cada celda en los mosaicos está coloreada con la actividad más popular que se caracteriza por explotar la popularidad de los lugares cercanos de FourSquare.
Clasificación de la ciudad de Madrid según las actividades del usuario identificadas a partir de las categorías FourSquare.
Con respecto a la identificación de quejas en entornos urbanos, los ciudadanos representan la primera línea al capturar el pulso de la ciudad. En ese sentido, son los primeros en identificar problemas con su entorno. Tradicionalmente, los ayuntamientos cuentan con servicios telefónicos donde las personas pueden informar estos problemas. Recientemente, las ciudades han creado cuentas de Twitter para que los usuarios puedan enviar quejas y comunicarse con el ayuntamiento y sus servicios (por ejemplo, la policía, el departamento de transporte, el metro, los servicios de limpieza, etc.) a través de Twitter.
En [4] estudiamos en qué medida las quejas expresadas por los usuarios que utilizan los servicios telefónicos tradicionales eran similares a las expresadas con las cuentas específicas de Twitter creadas por el ayuntamiento. Centramos nuestro estudio en la ciudad de Nueva York y utilizamos las fuentes de datos abiertas disponibles. Nuestros resultados indicaron que las quejas telefónicas y específicas de Twitter son muy similares, es decir, la cuenta específica de Twitter del ayuntamiento ya maneja el mismo volumen y tipo de quejas que el servicio telefónico. En cualquier caso, solo proporcionan una vista parcial de los problemas de la ciudad y se centran principalmente en el transporte y las quejas relacionadas con la calle.
Después de eso, evaluamos en qué medida estas quejas formales de Twitter representan la visión general de la ciudad al compararlas con un conjunto de tweets generales que identificamos como quejas o áreas de mejora. En este caso, mostramos que el uso de tweets genéricos (es decir, tweets no dirigidos a los departamentos del ayuntamiento) permitió una perspectiva global sobre las áreas para mejorar en la ciudad, como las quejas de ruido y la falta de limpieza.
LBSN son excelentes fuentes de información para capturar el pulso de un entorno urbano y, como tal, se pueden utilizar para una variedad de aplicaciones de planificación urbana como la identificación del uso del suelo, la identificación de áreas para mejorar en una ciudad o la planificación del transporte. Si bien cada una de estas fuentes de datos son muy poderosas por sí mismas, el principal desafío para el futuro será combinar la información provista por diferentes LBSN de una manera significativa.
Referencias
[1] “Spectral Clustering for Sensing Urban Land Use using Twitter Activity”, V. Frias-Martinez, E. Frias-Martinez, Engineering Applications of Artificial Intelligence, Vol. 35, October 2014, Pages 237–245, 2014
[2]“Characterizing Urban Landscapes using Geolocated Tweets”, V. Frias-Martinez, V. Soto, H. Hohwald, E. Frias-Martinez, 2012 Int. Conference on Social Computing (SocialCom), Amsterdam, The Nederlands, 2012
[3] “Exploiting Foursquare and Cellular Data to Infer User Activity in Urban Environments”, A. Noulas, C. Mascolo and E. Frias-Martinez, IEEE Mobile Data Management 2013 (MDM 2013)
[4] “To Call, or To Tweet? Understanding 3-1-1 Citizen Complaint Behaviors”, V. Frias-Martinez, A. Sae-Tang, E. Frias-Martinez, Sixth Int. Conf. on Social Computing, SocialCom 2014, Stanford, CA, USA
