A transformer-based multi-feature fusion method for detecting traffic events using Twitter data
Notice bibliographique
Résumé
Early traffic event detection is essential for transportation networks’ quick response and accurate performance recovery. Social media data (e.g. Twitter data) can be a valuable source for detecting and describing traffic events, such as accidents, congestion, and road closures. Integrating spatial and temporal features inherent in Twitter can enhance models by revealing non-trivial information, patterns, and knowledge, resulting in improved performance. Recent research in Deep Learning (DL) has revealed the strength of learning features directly from data to extract potential hidden features that efficiently infer human activities and interactions and detect the relationships to generate fine-grained information. This research explores the efficiency of integrating Twitter data’s spatial, temporal, and semantic features for traffic event detection using DL. A novel framework employing a transformer-based multi-feature fusion approach is proposed, designed to detect traffic incidents comprehensively via Twitter data. The framework classifies tweets based on multiple dimensions: (1) semantic content is numerically represented and categorized traffic incidents, non-traffic, or traffic conditions and information; (2) spatial characteristics are analyzed through hot-spot analysis techniques, classifying locations into hot or cold spots; and (3) temporal attributes (date and time) are visualized and analyzed through heat maps reflecting incident densities. The performance of the models was then evaluated based on various fusion scenarios combining spatial, temporal, and semantic data using performance metrics such as F-score and accuracy. The results showed that the scenario of transformer-based multi-feature fusion of spatial, temporal, and semantic data for traffic event detection yielded better results. The model achieved a 7.93% accuracy improvement when distinguishing between the two classes, “Traffic Incident” and “Non-Traffic”, and a 6.09% increase in accuracy when classifying across three categories: “Traffic Incident,” “Non-Traffic,” and “Traffic Conditions and information.” These findings highlight the effectiveness of using a multifeatured Twitter dataset for improved detection accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».