Hurricanes are a major threat to life and property of coastal resi-dents. The devastation caused in the US by the hurricanes from the2005 Atlantic hurricane season (Katrina, Wilma, and Rita), Hurri-cane Sandy in 2012, Hurricane Matthew in 2016 and most recently,hurricanes Irma and Harvey in 2017 have been significant. Theloss of lives from these devastating hurricanes highlights the im-portance of effective evacuation strategy. Hurricane evacuationis a complex dynamic process governed by many factors such ashurricane trajectory, household locations, warning system, andcharacteristics of the evacuees and their households [18]. Althoughmandatory or voluntary evacuation orders are issued by the author-ities in the wake of a hurricane due to the anticipated storm surge,many people defy these orders risking their lives [2, 9]. Some statesin the US have criminal sanctions for failure to comply with themandatory evacuation orders (e.g. New York), however, these lawsare rarely enforced. A variety of factors including risk perception,prior experience, and the severity of the storm itself affect the resi-dents’ decision to evacuate or not [2]. Considering the significantrisk to non-evacuees as well as the first responders, a better under-standing of the factors which influence the evacuation behaviorof the coastal residents could be helpful in planning a better evac-uation policy. Traditionally, the various aspects of the householdevacuation decision, such as whether to evacuate or stay, when toevacuate, where to evacuate, mode of transport, when to come back,etc. have been determined by post-evacuation questionnaire sur-veys, (usually) months following the hurricane [1, 5, 11, 45]. Usingthese surveys, researchers aim to find the reason behind variousevacuation decisions based on the strong correlation between thedecision and the household and individual attributes such as house-hold income, vehicle availability, social circle, previous experiencewith emergencies, etc. Not discounting the importance of such rep-resentative surveys in modeling evacuation decisions, this exerciseis usually time-consuming (could take up to a few months after theemergency) and expensive. Also, there are concerns regarding thelack of time to fill the survey questionnaire, inexact recollectionof the sequence of events during a stressful activity such as evacu-ation, the length of the survey, and the emotional, psychological,and physical issues with which coastal residents were coping [23].With the increased popularity of social media, a large numberof users express their opinion, activities, decisions, discussionsetc. on popular social media platforms such as Facebook, Twitter,FourSquare etc. During extreme events, there is a spike in theactivity of users on social media, where they document the real-time,geo-tagged chain of events and activities [39]. This self-documented,fine-grained spatiotemporal data of residents’ experiences duringan emergency provides an opportunity to gain insights into their16130利用地理标记的推文了解紧急情况下的疏散动态：以飓风桑迪为例0Dheeraj Kumar & Satish V. Ukkusuri美国印第安纳州西拉法叶普渡大学土木工程学院{kumar299 , sukkusur}@purdue . edu0摘要0飓风疏散是一个复杂的过程，了解沿海居民的疏散行为可能有助于制定更好的疏散政策。传统上，通过事后疏散问卷调查来确定家庭疏散决策的各个方面，这通常是耗时且昂贵的。社交媒体用户在紧急情况下的活动增加，尤其是在紧急情况下，以及帖子的地理标记，提供了一个机会，通过社交媒体数据作为传统调查数据的补充，了解用户的决策过程，以及通过社交媒体数据来衡量公众舆论和活动。本文利用飓风桑迪期间在纽约市（NYC）发布的地理标记推文，了解居民的疏散行为。根据地理标记的推文位置，我们将纽约市的Twitter用户分为三类：疏散区外、疏散者和非疏散者，并研究了每个组在飓风不同阶段发布的推文类型。我们建立了社交连接与用户疏散或留下决策之间的强关联。我们分析地理标记的推文，了解疏散和返回时间以及疏散者的疏散位置模式。本文提出的分析对于当局制定更好的疏散活动计划以最小化紧急灾区居民生命风险可能有用。0CCS概念0• 信息系统 → 移动信息处理系统； • 网络 → 社交媒体网络； •以人为本的计算 → 社交媒体；0关键词0飓风疏散；地理标记的推文；疏散建模0ACM参考格式：Dheeraj Kumar & Satish V. Ukkusuri. 2018.利用地理标记的推文了解紧急情况下的疏散动态：以飓风桑迪为例。在WWW'18 Companion: The 2018 Web Conference Companion, April 23–27,2018, Lyon, France. ACM, New York, NY, USA, 8 pages. https://doi .org/10 . 1145/3184558 . 31916190本文发表在Creative Commons Attribution 4.0 International (CC BY4.0)许可下。作者保留在个人和公司网站上传播作品的权利，并附上适当的归属。WWW'18Companion, April 23–27, 2018, Lyon, France © 2018 IW3C2 (International WorldWide Web Conference Committee)，根据Creative Commons CC BY4.0许可发布。ACM ISBN 978-1-4503-5640-4/18/04. https://doi . org/10 .1145/3184558 . 319161901 引言0Track: Exploitation of Social Media for Emergency Relief and Preparedness WWW 2018, April 23-27, 2018, Lyon, France16140决策过程以及作为传统调查数据的补充来衡量公众意见。尽管研究人员利用了不同社交媒体平台的数据，但Twitter是研究公众对紧急情况感知的首选社交媒体[12，29，37]。Twitter在以下方面独特：拥有大量的月活跃用户，可以发布带有地理标记的推文，推文长度限制为140个字符，并且通过API轻松提供数据的基础设施。在紧急情况下利用社交媒体数据的大部分研究属于以下两类：1）使用社交媒体帖子的文本来评估用户对紧急情况的反应；2）挖掘地理标记帖子的时空变化，以了解极端事件期间的人类流动情况。然而，目前对于利用空间坐标、时间模式以及发布的文本来理解紧急情况下受灾地区居民疏散相关行为决策的研究还很有限。在本文中，我们利用飓风桑迪期间发布在纽约市（NYC）的带有地理标记的推文的位置、时间和文本，以了解居民的疏散行为。飓风桑迪于2012年10月袭击纽约，是美国历史上损失最严重的飓风之一，造成的损失超过710亿美元[33]，导致100多人丧生，其中大部分是因为溺水[10]，65万栋房屋受损或被摧毁[32]。在飓风桑迪期间，曾下令对纽约市沿海地区的“A区”居民进行强制疏散；然而，一些居民拒绝离开[4]。在本文中，我们利用飓风桑迪期间发布在纽约市（NYC）的带有地理标记的推文的位置、时间和文本，以了解纽约市居民的疏散行为。我们分析用户的时空模式和推文内容，以建模各种与疏散相关的决策。我们根据他们的地理标记推文位置将Twitter用户划分为疏散者或非疏散者，并展示了疏散者和非疏散者的关注者和好友分布之间的明显差异。我们还分析了疏散者在飓风前、期间和后期的推文GPS坐标，以了解疏散和返回时间以及疏散地点。我们的分析发现用户的疏散模式存在很大的变化，这很可能是由于纽约市居民缺乏应对这种情况的先前经验所致。接下来，我们将介绍本研究中使用的飓风桑迪Twitter数据集。02 文献综述0在生命威胁紧急情况下，对个人和家庭的疏散行为进行建模是一项具有挑战性的任务。它取决于一系列潜在因素，包括但不限于靠近海岸的程度、社会经济和人口特征以及过去经历类似灾害的经验。越来越多的文献研究探讨了各种因素对各种疏散行为决策的建模作用。其中大部分研究[3，13，14，17，19，44]使用面对面访谈、邮寄或电话调查等方式在紧急情况发生几个月后从受灾地区居民那里收集数据。居民和当局在各种社交媒体平台上的存在增加，使其成为一个流行的信息来源0紧急情况下的实时信息共享。研究人员最近开始将社交媒体视为评估紧急疏散各个方面的宝贵数据来源。[24，34，35，41]研究了使用社交媒体帖子进行紧急情况下的公民应对，而[8，36]则使用社交媒体响应的时间和地点模式来检测日本地震。Huang和Xiao[20]首次尝试将社交媒体消息分类为不同的灾难阶段，如准备、响应、影响和恢复。[31]研究了飓风桑迪前后Twitter用户的行为变化，用户通过使用幽默、分享照片和签到地点来应对灾难。除了表达观点，许多社交媒体平台还允许用户以地理标记的帖子形式发布其实时位置。随着手机等GPS启用设备的普及，这些帖子已经变得很常见。地理标记的社交媒体帖子已成功用于在紧急情况下识别用户的空间模式[22，37，38]。[27]中进行了一项关于接近飓风桑迪路径和社交媒体活动之间关系的多尺度分析。Wang和Taylor[42，43]利用地理标记的推文提取了不同灾害（如飓风、台风、地震、风暴和野火）中的时空人类流动模式。[6，7]开发了用于紧急情况下相关推文发现和空间可视化的实时工具。Martin等人[30]将[6，7]中的技术应用于飓风马修的案例研究中，以评估社交媒体在居民疏散参与和遵守方面的潜力。接下来，我们将介绍本研究中使用的飓风桑迪Twitter数据集。03 飓风桑迪推特数据集0在本研究中，我们分析了2012年10月15日至11月12日期间发布的推文的公开可用数据，这些推文带有“#sandy”的标签或包含一个或多个与事件及其后果相关的关键词。有关数据收集过程和原始数据集的详细信息可以在[25,26]中找到。原始数据集包括约5250万条推文和约1370万个用户，其中约46%（约2410万条）推文和约600万个用户带有地理标记。这些地理坐标分布在全球各地，如图1(a)所示，该图显示了按GPS坐标计算的推文数量的热力图。图1(a)中的每个点代表一个10 km ×10km的正方形，显示了美国东半部和纽约市地区（飓风桑迪最受影响的地区）的最大推特活动。在本研究中，我们关注纽约市居民的疏散决策，因此我们提取了那些在纽约市地区发布的推文（基于它们的地理坐标）。我们找到了来自39889个用户的464478条这样的推文。图1(b)显示了这些在纽约市地区带有地理标记的推文的GPS位置的热力图，其中每个点代表一个100 m × 100m的正方形。曼哈顿地区的推特活动最为活跃，在研究期间，某些100 m × 100m的正方形区块的推文数量高达约64000条。推特用户在数据收集期间非常活跃，这可以从每个用户的推文数量的直方图（图2）中看出。在数据收集期间，有37%的用户发布了超过10条推文。这些地理标记推文的序列0主题：利用社交媒体进行紧急救援和准备 WWW 2018，2018年4月23日至27日，法国里昂-80-60-40-200204060801 10 100 1000 10000 1000002000005000001e+06 40.440.540.640.740.840.9411 10 100 1000 10000 02000400060008000100001200040.540.640.740.840.94116150-150 -100 -50 0 50 100 150 经度0纬度0(a) 全球（每个点代表一个10 km × 10 km的区域）0-74.2 -74.1 -74 -73.9 -73.8 -73.7 经度0纬度0(b) 纽约市（每个点代表一个100 m × 100 m的区域）0图1：地理标记推文的热力图0由同一用户发布的推文有助于理解他们的疏散决策。接下来，我们将描述基于推文的时空序列将用户分类为疏散区外、疏散者和非疏散者的框架。04 从推文中对用户进行分类0为了了解用户的疏散行为，我们首先根据他们的位置在飓风前、期间和后期是否在疏散区内或外将他们分类为疏散者、非疏散者或疏散区外的人。具体而言，我们的目标是将纽约市的Twitter用户分为以下三类：0(1) 飓风前、期间和后期都在疏散区外。(2)飓风前和期间在疏散区内，即要求疏散但未疏散的人。我们称之为“非疏散者。”01 2-5 6-10 11-20 21-50 51-100 101-1000 >1000 每个用户的推文数量0用户数量0图2：每个用户的推文数量的直方图0(3)飓风前在疏散区内，但在飓风期间移出疏散区，即“疏散者。”02012年飓风桑迪登陆纽约市时，其飓风应急计划基于三个疏散区（命名为A、B和C），总共涉及200多万人口[40]，后来修订为涵盖约300万居民的六个区域（命名为1至6）[28]。图3显示了飓风桑迪期间纽约市的疏散区和疏散点[40]。飓风疏散区是可能被风暴潮淹没或被风暴潮水隔离的城市区域。飓风桑迪期间，“A区”的居民被下令强制疏散，该地区的居民被要求疏散到非疏散区或疏散中心的亲友家中。飓风桑迪期间，“A区”的居民被下令强制疏散，该地区的居民被要求疏散。我们将问题定义为将用户分类为以下之一的问题0-74.2 -74 -73.8 经度0纬度0A区 B区C区0撤离中心0图3：纽约市撤离区和撤离中心0Track: Exploitation of Social Media for Emergency Relief and Preparedness WWW 2018, April 23-27, 2018, Lyon, France123456 Outside evacuation zones Non-evacuees Evacuees-0.1-0.0500.050.10.15 Outside evacuation zones Non-evacuees Evacuees16160通过首先将时间刻度分为四个时间段来划分上述三个类别，如下所述：0（1）撤离前：从数据收集期开始到2012年10月25日/26日午夜，因为安德鲁∙科莫州长于2012年10月26日宣布了紧急状态。（2）撤离：从2012年10月25日/26日午夜到2012年10月29日下午8点。桑迪飓风于2012年10月29日晚上在新泽西州沿海登陆。（3）飓风：2012年10月29日晚上8点至2012年10月31日/11月1日午夜[15]。（4）飓风后：从2012年10月31日/11月1日午夜到数据收集期结束。0自从为A区居民发布强制撤离令以来，我们将地理标记推文的GPS坐标划分为“撤离区内”（A区内的区域）或“撤离区外”（不在A区内）。我们使用推文位置在四个时间间隔内是否在撤离区内或撤离区外的模式将用户归类为之前描述的三个用户类别之一。表1列出了属于每个用户类别的已识别用户数量。请注意，许多用户中的许多用户，总共39,889名用户中，发布了至少一条推文在纽约市，由于在一个或多个时间段内缺乏推文活动，无法确认属于这三个用户类别中的任何一个。0表1：属于不同用户类别的Twitter用户0撤离区外0非撤离者 撤离者0用户数量 13,551 636 980至少在纽约市发布了一条推文的39,889名用户中，由于在一个或多个时间段内缺乏推文活动，无法确认属于这三个用户类别中的任何一个。05了解撤离 5.1按时间段的Twitter活动0随着纽约市于2012年10月26日宣布紧急状态，用户的Twitter活动大幅增加，在飓风期间由于大部分城市没有电力而稍微下降，在飓风后期人们对情况进行了更加严重的评估。为了有所了解，图4(a)显示了在一段时间内每个人的平均推文数量与撤离前期间每个人的平均推文数量之比（代表正常的Twitter活动）。对于非撤离者来说，每个人的推文数量增加了4到6倍，因为他们是灾难前沿的人。对于在撤离区外的用户来说，在飓风期间，Twitter活动增加了三到四倍。撤离的用户推文较少，可能是因为忙于撤离过程。图4(b)绘制了不同时间段内不同用户类别发布的推文的相对情感。我们使用数据提供商、分析公司Topsy Labs[16]生成的每条推文的情感分数，其中负值表示悲伤/不快乐的情感，反之亦然。作为一种普遍趋势，推文的情感在撤离期间逐渐下降到稍微负面的领域，当人们...0每个人的推文数量0每个人的推文数量（撤离前）0飓风 飓风后 撤离 撤离前0(a) Twitter活动0Topsy相对情感0撤离 飓风后 撤离前0(b) 推文的Topsy相对情感0图4：不同类别用户在不同时间段内的活动和推文情感0从图4(b)可以看出，与其他两组相比，疏散者发布的推文情感更为负面，可能是因为他们离开家园，无法知道自己可能遭受的损失有多大，同时还面临着更大的担忧，如缺乏燃料、交通不便和/或交通拥堵、拥挤的避难所等。05.2 推文内容分析0为了了解人们在推特上发布的内容，我们构建了不同类别用户在不同时间段内的推文词云，即疏散、飓风和飓风后，如表2所示。10月26日宣布进入紧急状态后，飓风桑迪开始在推特上热门。从10月26日到11月12日的期间，与桑迪有关的关键词，如“桑迪”、“HurricaneSandy”、“HurricaneSandy”和“Frankenstorm”是最常被推文的词。为了了解人们在推特上关于飓风桑迪的推文内容，并对讨论有一个更好的了解，我们在形成表2中的词云时删除了上述提到的与桑迪有关的关键词。表2中第一行的非疏散区域外的用户主要推文关于保持安全和风暴到达之前的情况。在飓风期间，他们中的大多数人都没有电力，这是讨论的主要话题。飓风过后，用户主要推文关于恢复电力、加油站排长队以及史坦顿岛上的破坏情况。非疏散者在飓风期间推文关于“洪水”、“水”、“断电”和“风暴”。飓风过后，需要帮助的非疏散者最常推文关于“电力”、“帮助”和“汽油”。另一方面，疏散者在飓风期间推文关于“地铁”、“电力”和“风暴”，但没有关于“洪水”的推文，因为他们已经疏散。在飓风过后的时期，疏散者还推文关于纽约市的电力分配公司ConEdison，很可能是因为重大基础设施损坏导致他们的住房仍然没有电力。对推文内容进行更细粒度的时间尺度分析（持续一天）没有显示出与表2中结果的显著偏差，因此这里不予报告。0Track: Exploitation of Social Media for Emergency Relief and Preparedness WWW 2018, April 23-27, 2018, Lyon, France100101102100101102 Followers (non-evacuees) Friends (non-evacuees) Followers (evacuees) Friends (evacuees)16170表2：飓风桑迪不同阶段各类用户发布的推文词云0疏散期 飓风期 飓风后期0非疏散区域外0非疏散者0疏散者0关注者/好友数量05.3 疏散者与非疏散者0我们的分析发现，总共有734名用户的家庭位于强制疏散区（A区）。其中，636名是非疏散者，98名是疏散者。这两类用户的关注者和好友（互相关注的关注者）的平均值和标准差列在表3中。我们观察到0表3：社交连接性（疏散者与非疏散者）0非疏散者 疏散者0关注者 12.7 ± 22.1 8.2 ± 11.40好友 4.8 ± 9.7 2.5 ± 4.00用户数量0关注者/好友数量0图5：非疏散者和疏散者的关注者和好友度分布0一般来说，疏散的人与未疏散的人相比，社交联系较少（多达2到3倍）。从图5可以得出类似的结论，图5显示了疏散者的关注者和好友的度分布明显低于未疏散者，表明疏散者的社交联系较未疏散者少。05.4 疏散者的疏散位置和时间0我们通过分析每个用户的推文的时间和位置序列，找到了他们的家庭（疏散前）、疏散和飓风后的位置和时间。为了找到家庭位置，我们计算了用户在移动到A区以外的安全位置之前的地理标记推文的位置的平均值。图6显示了疏散者的家庭、疏散和飓风后的位置。0论文标题：利用社交媒体进行紧急救援和准备工作 WWW 2018，2018年4月23日至27日，法国里昂40.540.640.740.840.94140.540.640.740.840.94140.540.640.740.840.94140.740.7240.7440.7640.7840.840.740.7240.7440.7640.7840.840.740.7240.7440.7640.7840.805101520253035EvacuationReturn11233131433156216180-74.2 -74 -73.8 经度0纬度0A区 B区C区0疏散前（家庭）位置0(a) 家庭位置0-74.2 -74 -73.8 经度0纬度0A区 B区C区0疏散位置0(b) 疏散位置0-74.2 -74 -73.8 经度0纬度0A区 B区C区0飓风后（返回）位置0(c) 飓风后的位置0图6：纽约市疏散者在飓风前、期间和飓风后的位置0-74.02 -74 -73.98 -73.96 -73.94 经度0纬度0疏散前（家庭）位置0A区 B区C区0(a) 家庭位置0-74.02 -74 -73.98 -73.96 -73.94 经度0纬度0疏散位置 疏散中心 A区B区 C区0(b) 疏散位置0-74.02 -74 -73.98 -73.96 -73.94 经度0纬度0飓风后（返回）位置0A区 B区C区0(c) 飓风后的位置0图7：曼哈顿疏散者在飓风前、期间和飓风后的位置0从图6(a)可以看出，大多数疏散者的家庭位于曼哈顿，而史坦顿岛、布莱顿海滩（布鲁克林）和洛克威公园（皇后区）的疏散者很少。几乎所有的疏散者在疏散期间转移到纽约市的安全（内陆）地点，很少有人离开纽约市（图6(b)）。从图6(c)可以看出，有趣的是，大多数疏散者在飓风结束后没有返回家中，很可能是因为他们的房屋可能因飓风造成的损害而无法居住。由于大多数疏散者的家庭位于曼哈顿，我们将图6放大到曼哈顿地区。这些放大的图像显示在图7中。所有的疏散者的家庭都位于曼哈顿和布鲁克林的海岸线上。图7(b)显示了这些用户的疏散位置，即曼哈顿内陆位置。视图（b）还显示了政府宣布的疏散中心的位置，用绿色圆圈表示。可以看到几乎没有用户疏散到这些中心。很可能他们搬到了朋友或家人的地方，或选择住在商业场所（酒店、汽车旅馆等）。疏散后的位置0图7(c)显示了这些疏散者中的一些人返回家中，而其他人则决定离开。图8显示了疏散者的疏散和返回日期。疏散始于10月27日（20名用户），他们的数量010月27日 10月28日 10月29日 10月30日 10月31日 11月1日 11月2日11月3日 日期0疏散/返回人数0图8：疏散者的疏散和返回时间0论文：利用社交媒体进行紧急救援和准备 WWW 2018，2018年4月23日-27日，法国里昂27282930 Fitted surfaceEvacuation location distance from home (km)0510152016190直到10月29日登陆时（10月28日有44名用户，10月29日有71名用户），疏散人数不断增加。尽管如此，有三名用户在看到飓风造成的破坏后决定在10月30日疏散。对于返回行为，用户从10月30日开始回来并评估情况（21名用户），但大多数人在10月31日返回（39名用户）。随着时间的推移，返回的用户数量逐渐减少（11月1日、2日和3日分别返回25、10和2名用户）。在这个分析中，我们没有考虑多次返回的现象，即用户根据他们的社交联系和当地基础设施的状况多次返回和离开[21]。为了分析用户对桑迪飓风的风险感知，我们探讨了疏散者的家庭距离海岸线的距离和疏散时间之间的关系。我们发现，家庭距离海岸线最多400m的用户倾向于疏散更远的距离，有些人疏散距离达到25公里（平均疏散距离为7公里）。用户的疏散时间存在很大的变化，他们无法尽早做出决定。这样的观察结果可能是因为纽约市居民在处理飓风方面缺乏经验，因为这个地区的飓风并不频繁。我们也没有找到疏散时间和家庭位置距离海岸线之间的明确关系，可能是由于同样的原因。此外，晚期疏散的用户移动较少，与早期疏散的人相比。这样的观察结果可能是由于他们在飓风袭击前能够旅行的时间不足以及当时交通拥堵的情况。图9绘制了最佳拟合曲面，表示用户的疏散距离与他们的家庭距离海岸线和疏散时间的关系。家庭离海岸线0疏散位置距离家庭的距离（公里）00 100 200 300 400 500 600 700 家庭位置距离海岸线的距离（米）0疏散日期（2012年10月）0桑迪登陆（2012年10月29日晚上8点）0图9：疏散距离拟合曲面，作为疏散时间和家庭位置距离海岸线的函数0离海岸线非常近（<200m）并且提前疏散（2012年10月27日或28日凌晨），选择了较远的距离疏散（15-20公里）。相反，离海岸线稍远（>400m）的用户选择晚期疏散，并且移动较少（<5公里）。离海岸线非常近（<200m）但是晚期疏散（10月28日晚或10月29日），由于时间和交通限制，他们无法移动很远，疏散距离小于10公里。需要注意的是，几乎没有人的家离海岸线超过500m。这样的观察结果是因为0大多数地区A区带的宽度小于500m（某些地方甚至小到50m），只有极少数地方达到700m。此外，居民的风险感知随着家庭距离海岸线的增加而减少。06 结论0飓风对沿海居民的生命构成了重大威胁，然而，一些居民忽视了当局在预期风暴潮来临时发布的疏散命令。了解影响沿海居民疏散行为的因素，对于制定更好的疏散政策可能会有所帮助，因为这关系到非疏散者和第一响应者的风险。传统的疏散后调查通常耗时且昂贵，并可能对沿海居民应对的情绪、心理和身体问题产生负面影响。自愿发布的社交媒体帖子为理解紧急灾区居民的疏散行为提供了有价值的补充数据。本文利用纽约市居民在桑迪飓风期间发布的地理标记推文的时空分布和内容，对各种疏散相关决策进行建模。我们将Twitter用户分为三类：疏散区外、疏散者和非疏散者，并分析不同类别用户发布的推文，以了解飓风生命周期中随时间变化的叙述方式。我们的实验显示，用户的社交联系与他们的疏散决策之间存在着很强的相关性。我们还使用疏散者的推文的GPS坐标来了解疏散和返回时间以及疏散位置模式。本文提出的技术为在紧急情况下建模疏散行为提供了一种替代（快速和自愿）信息来源，除了传统的调查外，还可以为当局规划更好的疏散活动提供潜在的参考。0致谢0这项工作部分资助来自NSF资助号1520338，灾害SEES:利用跨学科方法在飓风中的信息、不确定性和决策制定之间建立联系。本文的发现反映了作者的观点，而不是NSF的观点。0参考文献0会议: 2018年4月23日至27日，法国里昂举办的紧急救援和准备的社交媒体利用WWW 2018Dec 2016), 863–873.[8] A. Crooks, A. Croitoru, A. Stefanidis, and J. Radzikowski. 2013. #Earthquake:Twitter as a Distributed Sensor System. Transactions in GIS 17, 1 (2013), 124–147.[9] S. L. Cutter and M. M. Smith. 2009. Fleeing from the Hurricane’s Wrath: Evac-uation and the two Americas. Environment: Science and Policy for SustainableDevelopment 51, 2 (2009), 26–36.[10] M. Daniel. 2012. Who died during Hurricane Sandy, and why? (2012). RetrievedOctober 31, 2017 from http://earthsky.org/earth/who-died-during-hurricane-sandy-and-why[11] N. Dash and B. H. Morrow. 2000. Return delays and evacuation order compliance::the case of Hurricane Georges and the Florida Keys. Global Environmental ChangePart B: Environmental Hazards 2, 3 (2000), 119 – 128.[12] J. P. de Albuquerque, B. Herfort, A. Brenning, and A. Zipf. 2015. A GeographicApproach for Combining Social Media and Authoritative Data Towards Identi-fying Useful Information for Disaster Management. Int. J. Geogr. Inf. Sci. 29, 4(April 2015), 667–689.[13] V. Dixit, C. Wilmot, and B. Wolshon. 2012. Modeling Risk Attitudes in EvacuationDeparture Choices. Transportation Research Record: Journal of the TransportationResearch Board (2012), 159–163.[14] H. Fu, C. Wilmot, and E. Baker. 2006. Sequential Logit Dynamic Travel DemandModel and Its Transferability. Transportation Research Record: Journal of theTransportation Research Board (2006), 17–26.[15] National Geographic. 2012. A Timeline of Hurricane Sandy’s Path of Destruction.(2012). Retrieved October 31, 2017 from https://voices.nationalgeographic.org/2012/11/02/a-timeline-of-hurricane-sandys-path-of-destruction/[16] R. A. Ghosh and S. P. Manley. 2011. Systems and methods for sentiment detection,measurement, and normalization over social networks. US patent 20130110928A1.(2011). https://patents.google.com/patent/US20130110928[17] C. Gladwin, H. Gladwin, and W. G. Peacock. 2001. M
我的内容管理
展开
