Eficacia de la red social Twitter en la detección de casos de congestión vehicular
DOI:
https://doi.org/10.47189/rcct.v23i39.554Palabras clave:
congestión, sensores, Twitter, API, Big DataResumen
El trabajo tiene como finalidad demostrar la eficacia del uso de la red social Twitter en la detección en tiempo real de situaciones de congestión vehicular, considerando como caso de estudio a la ciudad de Quito-Ecuador. Para lo cual se utilizó el API (Application Programming Interface) de la red social que recoge datos de posibles puntos de congestión vehicular, mediante herramientas de Big Data. Los datos obtenidos son correlacionados con información obtenida mediante sensores de flujo vehicular, para su posterior análisis lo cual permitió identificar situaciones de congestión vehicular.
Descargas
Citas
Agarwal, A. R. (2011). Sentiment Analysis of Twitter data . ACM Digital Library, 30-38.
Arcila-Calderón, C., Ortega-Mohedano, F., Jiménez-Amores, J., & Trullenque, S. (2017). Análisis supervisado de sentimientos políticos en español: clasificación en tiempo real de tweets basada en aprendizaje automático. Comunicacion Politica. doi:https://doi.org/10.3145/epi.2017.sep.18
Avalos, H., & Gomez, E. O.-C. (2019). Where to park? Architecture and implementation of an empty parking lot, automatic recognition system . Enfoque.
Delgado, R. (04 de Julio de 2016). Memeburn. Obtenido de Memeburn: http://memeburn.com/2016/04/heres-how-big-data-is-being-used-to-fix-traffic-congestion/.
Digi. (01 de 08 de 2022). Digi. Obtenido de Digi: https://es.digi.com/blog/post/smart-city-traffic-management-solutions
Feldman, R. y. (2007). Mining Handbook. Advanced Approaches in Analyzing Unstructured Data. New York, Estados Unidos : Cambridge.
Hasan, A. y. (2018). Machine lear-ning-Based Sentiment Analysis for Twitter Accouts. MDPI, 1-15.
Herrera, S. (2016). Analysis of the Factors Generating Vehicular Traffic. IEEE, 133-137.
Houhton, R. (2015). Trasporte inteligete:Còmo mejorar la movilidad en la ciudadaes. Estadoa Unidos.
IESE. (2017). IESEinsight. España .
Matuschka, C. (2021). Análisis de sentimientos usando la red social Twitter ¿qué sintieron los turistas que volaron en 2020 con seleccionadas aerolíneas sudamericanas? Revista de Turismo e Identidad, 13(1), 55-71. doi:Matuschka
Owen, R. y. (2012). Mahout in action . Manning Publications Co.
Pozo, E. (2016). Quito Camino a una movilidad sostenible . Quito: Editorial General GK.
Quito, A. (01 de Enero de 2011). Distrito Metropolitano de Quito. la congestion vehicular sigue sin solucion en Quito.
Quito, M. d. (2014). Diagnostico de la movilidad en el distrito Metropolitano de Quito para el Plan Metropolitano de desarrollo territoial PMOT. Quito.
Sankalp , S., Dheeraj , S., & Maniram, A. (2017). Sentiment analysis based on text and emoticons. 2017 International Conference on Innovative Mechanisms for Industry Applications (ICIMIA). India. Obtenido de https://ieeexplore.ieee.org/xpl/conhome/7966475/proceeding
Schmind, H. (18 de 04 de 2018). Tree Trager.dvi. Obtenido de http://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/.
Varghese Babu, N., & Fabeela, A. (2021). Multiclass Sentiment Analysis in Text and Emoticons of Twitter Data: A Review. Transactions on Computational Science and Computational Intelligence , 61-68.
Wang, L. (2015). Classifications of clinical teeets using Apache Mahout. Classifications of clinical teeets using Apache Mahout. Kansas City, Wuhan, China .
Zafarani, R. y. (2014). Social Media Mining:An Introduction. New York: Universityt Cambridge.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Revista Científica Ciencia y Tecnología
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
