دانلود مقاله isi پیش بینی وقایع شهری از طریق شبکه های عصبی محکم و داده های اینستاگرام

دانلود مقاله isi پیش بینی وقایع شهری از طریق شبکه های عصبی محکم و داده های اینستاگرام

زبان مقاله: انگلیسی
سال انتشار: 2019

خلاصه
در دنیای امروز ، کنشگر بودن و آمادگی برای رویدادهایی که هنوز اتفاق نمی افتد بسیار حائز اهمیت است. بنابراین ، جای تعجب ندارد
كه در زمينه تحليل رسانه هاي اجتماعي ، برنامه تحقيق از توسعه روش هاي شناسايي رويداد به يكي ديگر منتقل شده است
منطقه جدید - مدل های پیش بینی رویداد. این زمینه تحقیقاتی برای انواع کاربردها ، از جنبه طبیعی بسیار مهم است
آماده سازی حوادث و پیشگیری از فعالیت های مجرمانه برای مدیریت شهری و توسعه شهرهای هوشمند. با این حال ، حتی
مدلهای پیشرو دارای یک نقطه ضعف مهم هستند: آنها مبتنی بر دانش قبلی درباره وقایع مورد انتظار هستند. بنابراین پیش بینی
سیستم های مبتنی بر چنین مدل هایی به شدت با لیستی از رویدادهایی که پیش بینی می شود محدود می شوند و کلیه وقایع از انواع دیگر خارج می شوند.
دامنه سیستم در این کار ، ما سعی می کنیم به این موضوع بپردازیم و الگوی یادگیری عمیق را پیشنهاد کنیم ، که بتواند زمینه ای از آن را پیش بینی کند
رویداد آینده در محیط شهری این مدل قادر است وضعیت آینده شهر - سطح فعالیت کاربران را در پیش بینی کند
شبکه اجتماعی مبتنی بر مکان اینستاگرام - با میانگین انحراف از حقیقت زمین 1٪ ، و 69٪ به یاد می آورد که چه موقع
حل مشکل پیش بینی حوادث

Abstract
In today’s world, it is crucial to be proactive and be prepared for events which are not happening yet. Thus, there is no surprise
that in the field of social media analysis the research agenda has moved from the development of event detection methods to a
brand new area – event prediction models. This research field is extremely important for all sorts of applications, from natural
disasters preparation and criminal activity prevention to urban management and development of smart cities. However, even the
leading models have an important disadvantage: they are based on prior knowledge about events being expected. So forecasting
systems based on such models are heavily limited by a list of events that can be predicted and all events of other types will be out
of systems’ scope. In this work, we try to address this issue and propose a deep learning model, which is able to predict an area of
the future event in the urban environment. This model is able to predict the future state of the city – a level of users activity in the
location-based social network Instagram – with the average deviation from the ground truth of 1%, and achieves 69% recall when
solving the events prediction problem.