Please wait a minute...
Advanced Search
数据分析与知识发现  2020, Vol. 4 Issue (12): 136-147     https://doi.org/10.11925/infotech.2096-3467.2020.0596
     研究论文 本期目录 | 过刊浏览 | 高级检索 |
基于知识图谱与目标检测的微博交通事件识别*
孙鑫瑞1,孟雨2,王文乐1()
1江西师范大学软件学院 南昌 330022
2曲阜师范大学数学科学学院 曲阜 273100
Identifying Traffic Events from Weibo with Knowledge Graph and Target Detection
Sun Xinrui1,Meng Yu2,Wang Wenle1()
1School of Software, Jiangxi Normal University, Nanchang 330022, China
2School of Mathematics Science, Qufu Normal University, Qufu 273100, China
全文: PDF (3022 KB)   HTML ( 16
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】 利用交通知识图谱和目标检测的方法实现微博中交通事件的识别,辅助解决交通问题。【方法】 基于开源数据构建交通知识图谱和事理图谱,针对微博文本部分使用交通知识图谱进行交通事件的识别;针对微博中的图片使用目标检测进一步提升三类事件的识别准确率。【结果】 以2018年青岛市区的交通微博数据为例进行方法验证,基于文本的交通事件识别准确率为94.55%,基于图片的交通事件识别准确率为95.53%。【局限】 交通知识图谱构建人工参与度较高,目标检测算法可进一步优化。【结论】 相关交通事件识别方法可以在实际应用中帮助城市交通管理部门进行交通事件的预警与交通问题的发现并辅助决策。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
孙鑫瑞
孟雨
王文乐
关键词 智能交通系统交通知识图谱交通事件识别交通目标检测    
Abstract

[Objective] This paper identifies traffic events from Weibo (microblog) posts with the help of knowledge graph and target detection techniques, aiming to address traffic management issues. [Methods] First, we constructed traffic knowledge graph and event evolution graph based on open data. Then, we identified traffic events from microblog texts. Third, we retrieved microblog images with target detection to further improve the recognition accuracy of three types of events. [Results] We examined our method with microblog data on Qingdao’s traffics in 2018. The precision of traffic event detection based on texts and images were 94.55% and 95.53%. [Limitations] More research is needed to reduce the manual construction of traffic knowledge graph, and improve the target detection algorithm. [Conclusions] The proposed method could help urban traffic management departments detect road incidents or traffic problems, and then facilitate their decision-makings.

Key wordsIntelligent Traffic System (ITS)    Traffic Knowledge Graph    Traffic Event Identification    Traffic Target Detection
收稿日期: 2020-06-23      出版日期: 2020-12-25
ZTFLH:  G350  
基金资助:*国家社会科学基金项目“高质量发展视域下环保税政策有效性的测度与评价研究”(19CTJ014);国家自然科学基金项目“基于彩色眼底图像的青光眼辅助诊断关键技术研究”(62062040);江西省教育厅科学技术研究项目“面向多处理器环境的混合实时系统调度算法研究”(GJJ170234)
通讯作者: 王文乐     E-mail: wenlewang@jxnu.edu.cn
引用本文:   
孙鑫瑞,孟雨,王文乐. 基于知识图谱与目标检测的微博交通事件识别*[J]. 数据分析与知识发现, 2020, 4(12): 136-147.
Sun Xinrui,Meng Yu,Wang Wenle. Identifying Traffic Events from Weibo with Knowledge Graph and Target Detection. Data Analysis and Knowledge Discovery, 2020, 4(12): 136-147.
链接本文:  
http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2020.0596      或      http://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2020/V4/I12/136
Fig.1  本文技术路线图
事件类别 基础要素 补充信息 计算指标
交通拥堵 位置、时间、拥堵特征表述(词、短句) 程度、原因、建议 完备度、拥堵指数、可信度
交通事故 位置、时间、事故特征表述 涉事车辆/人物、程度、后果 完备度、严重指数、可信度
交通反馈 位置、时间、反馈对象、对象状态/行为 后果 完备度、紧急指数、可信度
Table 1  交通事件抽取模板
Fig.2  交通知识图谱基本构建过程示意图
顶层节点 包含实体 实体属性 数据来源
司机、行人、交警、路段养护人员、商贩等 性别、年龄段等 自定义
按用途分类、按行驶道路条件分类 通用属性,包括大小、颜色、别称等,进一步细化到车的品牌、型号等 《中国汽车分类标准(GB9417-89)》、
大型汽车垂直网站
城市市区道路 路名、类型、交叉路、方向、车道数、所属区域 城市公开数据、交通管理部门提供数据
信息点(Point of Information, POI) 名称、所属道路、所属区域 中国POI数据网采集
环境 天气 名称、类别 天气种类自定义
道路交通安全设施 名称、类别、作用、正常状态、异常状态 交通百科
Table 2  交通知识图谱本体四要素
Fig.3  交通事理图谱中的基本事件链条
Fig.4  道路交通微博事件抽取流程
事件类型 表述形式 示例 标注
交通拥堵 直接表述-关键词 堵车、堵了、拥堵 EV-CON-D-S
直接表述-状态短语 堵成、堵的、堵到 EV-CON-D-S
间接表述-指代词 交通瘫痪、交通压力 EV-CON-I-S
交通事故 直接表述-关键词(名) 交通事故、车祸 EV-ACC-KWN
直接表述-关键词(动) 追尾、碰撞、刮蹭、撞 EV-ACC-KWV
间接表述-示意词 吻了、亲密接触 EV-ACC-I-NS
交通反馈 直接表述-基础事件词 乱停车、违停、闯红灯 EV-FD-KW-BH
Table 3  交通事件触发词的识别与标注
地点要素 表述形式 示例词 标注
路名 全称 山东路、香港路 LO-RD
简称 海尔桥、杭鞍高架、杭鞍 LO-RD-S
别称 东西快速路->杭鞍高架路 LO-RD-B
定位信息 附属定位词 交叉口、入口、路口 LO-CW
车道 直行车道、左转车道 LO-RD-LA
POI名称 鞍山路小学、市图书馆 LO-POI
距离描述词 一公里、100米 LO-DIS
方向 双向、北向南、东往西 LO-RD-DI
Table 4  位置信息的识别与标注
表述形式 示例词 标注
时间点 9点10分、9:30、八点半 TIME-CP
时间段-一天不同时段 上午、早、晚上 PERIOD-DAY
时间段-日期 7月5日、今天、昨日 PERIOD-DATE
时间点-指代表述 这个点、此时、这个时候 TIME-RW
时间段-持续时间 半个小时、40多分钟、100秒 PERIOD-HMS
时间段-模糊表述 早高峰、高峰时段 TIME-PE-NC
Table 5  时间信息的识别与标注
抽取要素 表述形式 示例词 标注
车信息 车型 公交车、轿车、SUV VE-TP
大小 大车、小车 VE-SIZE
品牌、型号 奔驰车、斯柯达、奥迪A4 VE-MB
颜色 红车、白车 VE-CO
车牌 鲁B12345 VE-PL
数量词 量词+车 两车、一辆 VE-NUM
Table 6  车辆元素的识别与标注
环境元素 表述形式 示例词 标注与抽取方法
天气 形容词+天气 好天气、下雨天 EN-WE-DW
具体天气词 大雨、大雾、大雪、雾霾 EN-WE-TP
动词+天气词 下雨、下雪 EN-WE
交通安全设施 信号灯 信号灯、红绿灯、红灯 EN-TL
交通标志 禁停标志、直行标志 EN-TS
交通标线 斑马线、黄色网格线 EN-TLM
道路护栏 护栏、栏杆、隔离 EN-GB
路面状态 直接表述 路面破损 EN-RDSF
间接表达-状态 坑坑洼洼、积水深 EN-RDSF-DW
其他 直接表述 电线杆、天桥、花坛 EN-OTE
Table 7  环境元素的识别与标注
人物元素 表述形式 示例词 标注
司机 车+司机 公交车司机、宝马司机 PE-DR-VE
描述信息+司机 男司机、女司机、无德司机 PE-DR-DE
行人 群指-无明确个人 行人、路人 PE-CP
个指-有描述信息 老人、小孩、学生 PE-CH
交警 原称 交警、警察 PE-PO
别称 交警蜀黍、焦警 PE-PO-B
其他 道路服务人员 施工人员、清洁工 PE-RS
商贩 商贩、摊贩 PE-SE
行乞人员 乞讨者 PE-BE
Table 8  人物元素的识别与标注
Fig.5  目标检测数据
关键词组合方式 具体内容
城市名+路名 青岛+1180条青岛市区道路名称
城市名+交通种子词 青岛+8个基础道路交通事件特征词(堵、事故、车祸、追尾、撞、信号灯、红绿灯、乱停车)
@+城市交通官方账号 20个青岛交通官方微博账号(青岛交通广播FM897、青岛交警、青岛邱磊、市北交警、李沧交警、青岛发布、青岛公安、市南交警、青岛随手拍、半岛都市报等)
Table 9  数据采集关键词组合方式
事件类别 完备事件数 独立事件数
交通拥堵 2 991 1 826
交通事故 1 046 680
交通反馈 2 463 1 450
总计 6 500 3 956
Table 10  基于交通知识图谱抽取的交通事件统计结果
事件类别 准确率/% 召回率/% F1值/%
交通拥堵 96.46 94.58 95.51
交通事故 94.31 93.27 93.79
交通反馈 92.89 90.51 91.68
总计 94.55 92.79 93.66
Table 11  交通事件检测实验结果
检测目标 准确率/% 召回率/% F1值/%
轿车(Car) 92.61 88.67 90.60
公交车(Bus) 93.42 85.94 89.52
卡车(Truck) 92.17 87.69 89.87
货车(Van) 90.33 89.91 90.12
摩托车(Motorbike) 95.29 90.64 92.91
行人(Person) 96.47 87.58 91.81
信号灯(Traffic Light) 91.58 90.13 90.85
Table 12  交通目标元素检测实验结果
Fig.6  图片检测示例
事件类型 准确率/% 召回率/% F1值/%
交通拥堵 96.64 95.19 95.91
交通事故 94.88 92.83 93.84
交通反馈 95.07 91.33 93.16
总计 95.53 93.12 94.30
Table 13  实验结果
事件类型 应识别数 正确
识别数
准确率/
%
召回率/
%
F1值/
%
交通拥堵 50 47 100.00 94.00 96.91
Table 14  不完备交通拥堵事件图片事件检测实验结果
[1] Rosi A, Mamei M, Zambonelli F, et al. Social Sensors and Pervasive Services: Approaches and Perspectives [C]//Proceedings of 2011 IEEE International Conference on Pervasive Computing and Communications Workshops. IEEE, 2011: 525-530.
[2] Misra A, Gooze A, Watkins K , et al. Crowdsourcing and Its Application to Transportation Data Collection and Management[J]. Transportation Research Record: Journal of the Transportation Research Board, 2014,2414(1):1-8.
[3] Wang X, Zheng X H, Zhang Q P , et al. Crowdsourcing in ITS: The State of the Work and the Networking[J]. IEEE Transactions on Intelligent Transportation Systems, 2016,17(6):1596-1605.
[4] Wang F Y . The Emergence of Intelligent Enterprises: From CPS to CPSS[J]. IEEE Intelligent Systems, 2010,25(4):85-88.
[5] Wang F Y . Real-Time Social Transportation with Online Social Signals[J]. IEEE Transactions on Intelligent Transportation Systems, 2014,15(3):909-914.
[6] 王飞跃 . 社会信号处理与分析的基本框架:从社会传感网络到计算辩证解析方法[J]. 中国科学:信息科学, 2013,43(12):1598-1611.
[6] ( Wang Feiyue . A Framework for Social Signal Processing and Analysis: From Social Sensing Networks to Computational Dialectical Analytics[J]. Chinese Science: Information Science, 2013,43(12):1598-1611.)
[7] Wang F Y . Crowdsourcing for Field Transportation Studies and Services[J]. IEEE Transactions on Intelligent Transportation Systems, 2015,16(1):1-8.
[8] Endarnoto S K, Pradipta S, Nugroho A S, et al. Traffic Condition Information Extraction & Visualization from Social Media Twitter for Android Mobile Application [C]//Proceedings of the 2011 International Conference on Electrical Engineering and Informatics. IEEE, 2011: 1-4.
[9] Gutiérrez C, Figuerias P, Oliveira P, et al. Twitter Mining for Traffic Events Detection [C]//Proceedings of 2015 Science and Information Conference. IEEE, 2015: 371-378.
[10] Wang S Z, He L F, Stenneth L, et al. Citywide Traffic Congestion Estimation with Social Media [C]//Proceedings of the 23rd SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2015.
[11] Zheng X H, Chen W, Wang P , et al. Big Data for Social Transportation[J]. IEEE Transactions on Intelligent Transportation Systems, 2016,17(3):620-630.
doi: 10.1109/TITS.2015.2480157
[12] Mai E, Hranac R. Twitter Interactions as a Data Source for Transportation Incidents [C]//Proceedings of Transportation Research Board 92nd Annual Meeting. 2013.
[13] D’Andrea E, Ducange P, Lazzerini B , et al. Real-Time Detection of Traffic from Twitter Stream Analysis[J]. IEEE Transactions on Intelligent Transportation Systems, 2015,16(4):2269-2283.
[14] Chen Y Y, Lv Y S, Wang X, et al. A Convolutional Neural Network for Traffic Information Sensing from Social Media Text [C]//Proceedings of the 20th International Conference on Intelligent Transportation Systems. IEEE, 2017.
[15] Zhang Z H, He Q, Gao J , et al. A Deep Learning Approach for Detecting Traffic Accidents from Social Media Data[J]. Transportation Research Part C: Emerging Technologies, 2018,86:580-596.
[16] 熊佳茜 . 基于CRF的中文微博交通信息事件抽取[D]. 上海: 上海交通大学, 2014.
[16] ( Xiong Jiaxi . Civil Transportation Event Extraction from Chinese Microblogs Based on CRF[D]. Shanghai: Shanghai Jiao Tong University, 2014.)
[17] 仇培元, 张恒才, 余丽 , 等. 微博客蕴含交通事件信息抽取的自动标注方法[J]. 中文信息学报, 2017,31(2):107-116.
[17] ( Qiu Peiyuan, Zhang Hengcai, Yu Li , et al. Automatic Event Labeling for Traffic Information Extraction from Microblogs[J]. Journal of Chinese Information Processing, 2017,31(2):107-116.)
[18] 郑治豪, 吴文兵, 陈鑫 , 等. 社交媒体大数据的交通感知分析系统[J]. 自动化学报, 2018,44(4):656-666.
[18] ( Zheng Zhihao, Wu Wenbing, Chen Xin , et al. A Traffic Sensing and Analyzing System Using Social Media Data[J]. Acta Automatica Sinica, 2018,44(4):656-666.)
[19] Grant-Muller S M, Gal-Tzur A, Minkov E , et al. Enhancing Transport Data Collection Through Social Media Sources: Methods, Challenges and Opportunities for Textual Data[J]. IET Intelligent Transport Systems, 2015,9(4):407-417.
doi: 10.1049/iet-its.2013.0214
[20] Redmon J, Farhadi A . YOLOv3: An Incremental Improvement[OL]. arXiv Preprint, arXiv: 1804.02767.
[1] 王毅,沈喆,姚毅凡,成颖. 领域事件图谱构建方法综述*[J]. 数据分析与知识发现, 2020, 4(10): 1-13.
[2] 杜建. 医学知识不确定性测度的进展与展望*[J]. 数据分析与知识发现, 2020, 4(10): 14-27.
[3] 聂磊,傅娟,易成岐,杨道玲. 基于移动终端位置数据的企业线下复工水平测算方法研究 *[J]. 数据分析与知识发现, 2020, 4(7): 38-49.
[4] 岳丽欣,刘自强,胡正银. 面向趋势预测的热点主题演化分析方法研究*[J]. 数据分析与知识发现, 2020, 4(6): 22-34.
[5] 潘有能,倪秀丽. 基于Labeled-LDA模型的在线医疗专家推荐研究*[J]. 数据分析与知识发现, 2020, 4(4): 34-43.
[6] 梁艳平,安璐,刘静. 同类突发公共卫生事件微博话题共振研究*[J]. 数据分析与知识发现, 2020, 4(2/3): 122-133.
[7] 邓建高,张璇,傅柱,韦庆明. 基于系统动力学的突发事件网络舆情传播研究:以“江苏响水爆炸事故”为例*[J]. 数据分析与知识发现, 2020, 4(2/3): 110-121.
[8] 胡哲,查先进,严亚兰. 突发事件情境下在线健康社区用户交互行为研究 *[J]. 数据分析与知识发现, 2019, 3(12): 10-20.
[9] 叶光辉,杨金庆. 基于城市地名实体双向链接分析的路线推荐研究 *[J]. 数据分析与知识发现, 2019, 3(11): 79-88.
[10] 凌洪飞,欧石燕. 面向主题模型的主题自动语义标注研究综述 *[J]. 数据分析与知识发现, 2019, 3(9): 16-26.
[11] 刘博文,白如江,周彦廷,王效岳. 基金项目数据和论文数据融合视角下科学研究前沿主题识别 *——以碳纳米管领域为例[J]. 数据分析与知识发现, 2019, 3(8): 114-122.
[12] 文秀贤,徐健. 基于用户评论的商品特征提取及特征价格研究 *[J]. 数据分析与知识发现, 2019, 3(7): 42-51.
[13] 邓诗琦,洪亮. 面向智能应用的领域本体构建研究*——以反电话诈骗领域为例[J]. 数据分析与知识发现, 2019, 3(7): 73-84.
[14] 冯国明, 张晓冬, 刘素辉. 基于CapsNet的中文文本分类研究*[J]. 数据分析与知识发现, 2018, 2(12): 68-76.
[15] 陈云伟, 张瑞红. 用于情报挖掘的典型网络社团划分算法比较研究*[J]. 数据分析与知识发现, 2018, 2(10): 84-94.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn