KANDOR : um método de clustering para análise de conhecimento de dinâmicas em vizinhanças e relacionamentos online em mapeamento urbano

Abstract

Com o surgimento de smartphones e redes sociais baseadas em localização (LBSNs), uma vasta quantidade de dados gerados por usuários se tornou disponível para análise em diversas áreas. Uma destas é a de planejamento urbano, que utilizando estas novas informações pode aprimorar e modernizar sua compreensão de dinâmicas de cidades e a interação entre seus locais e cidadãos. O objetivo deste trabalho é propor o método KANDOR para testar novas formas de representação de clustersa partir de dimensões diferentes de dados de redes sociais, de modo a descobrir informações sobre dinâmicas de cidades e caracterização urbana. Características como avaliação de estabelecimentos, entropia (variedade de usuários) e popularidade podem revelar informações novas e um entendimento mais completo da estrutura e dinâmica da cidade e sua constante transformação. Enquanto os principais trabalhos relacionados utilizam um número reduzido de dimensões dos dados, o método proposto por esta dissertação visa se beneficiar da riqueza de informações existente em redes sociais. Uma pesquisa com usuários foi executada usando uma base de dados de check-ins de Porto Alegre, Brasil e aplicando clustering espectral com os modelos propostos. Os experimentos demonstraram que o uso das dimensões propostas contribui para gerar regiões com características diferentes como tamanho, coesão, desempenho e propagação. O método permite agregar uma vasta diversidade de informações de redes sociais para gerar visões diferentes e complementares da cidade. Logo, aplicando esses métodos em ambientes urbanos, governos e cidadãos podem compreender melhor suas cidades e construir cidades cada vez mais inteligentes.

With the emergence of smartphones and location-based social networks (LBSNs), a large amount of user-generated data has become available for analys in several areas. One example is urban planning, which with this new information can enhance and modernize the understanding of city dynamics and the interactions between venues and residents. The goal of this work is to propose the method KANDOR to generate new forms of cluster representation from different dimensions of social network data, so that information can be discovered about city dynamics and urban characterization. Characteristics such as venue rating, entropy (user variety) and popularity can reveal new information and a better understanding of the structure and dynamic of the city and its constant transformation. While the main related works use a reduced number of data dimensions, the proposed method by this dissertation aims to benefit from the extent of the information existing in social platforms. A user research is executed using a check-in dataset from Porto Alegre, Brazil and applying spectral clustering with the proposed models. The experiments demonstrated that the use of the proposed dimensions contributed to generate regions with different characteristics like size, cohesion, performance and propagation. KANDOR allows the aggregation of a large diversity of information from different social networks to generate different and complementary visualizations of the city. Hence, by applying these methods to urban environments, governments and citizens can better understand and build better sustainable cities together.