تحلیل احساسات شهری

تحلیل احساسات شهری با استفاده از داده های فضای مجازی، یکی از روش های نسبتاً نوین برای تحلیل احساسات در شهر است. هدف مقاله حاضر، ارائه مدلی پیش بینی کننده برای تحلیل احساسات داده های متنی-تصویری (چندوجهی) رسانه اجتماعی توئیتر درباره شهر است. روش پژوهش کمی و رویکرد پژوهش یادگیری عمیق نظارت شده است. تحلیل داده ها با زبان برنامه نویسی پایتون و در فضای ابری گوگل کولب انجام شده است. نمونه مطالعاتی، داده های شهری چندوجهی مربوط به 8 کلان شهر رسمی ایران در بازه ای 10 ساله (فرودین 1390 تا اسفند 1400) است. برای آموزش داده های متنی از الگوریتم هیبریدی طراحی شده (مبتنی بر شبکه عصبی سی.ان.ان.) استفاده شده که دقت آن، 77٪ بوده است. برای آموزش داده های تصویری از الگوریتم های: شبکه عصبی، شبکه از پیش آموزش دیده دنس نت121 و شبکه وی.جی.جی.19 استفاده شد که دقت شبکه سوم با 88٪، از دو الگوریتم دیگر بهتر بوده است. الگوریتم ترکیبی برای تحلیل داده های متنی-تصویری، مبتنی بر ترکیب مدل های از پیش آموزش دیده وی.جی.جی.19 و مدل ترکیبی طراحی شده برای متن بوده که دقت آن 81٪ بوده است. براساس نتایج، می توان با ارائه داده های متنی-تصویری مربوط به سایر شهرها، احساسات کاربران نسبت به شهر را براساس موقعیت داده های ورودی تعیین کرد؛ این امر می تواند به برنامه ریزان و مدیریت شهری کمک نماید تا پهنه های نامناسب و مناسب ازمنظر کاربران را براساس داده های ثبت شده آن ها در فضای مجازی به دست آورند و نسبت به بهبود فضاهای نامناسب اقدام نمایند.

از میان انواع فضاهای شهری، فضاهای سبز شهری و پارک ها، به عنوان تنفس گاه های شهر، عرصه هایی سرسبز و آرامش بخش هستند و، به عنوان بستر فضایی پژوهش انتخاب شده اند. بنابراین این مقاله، با هدف تحلیل احساسات کاربران از پارک ملت تهران، در قالب پژوهشی تحلیلی و مبتنی بر روش کمی (رویکرد یادگیری ماشین نظارت شده و مبتنی بر لغت) است. داده ها پس از پیش پردازش و برچسب گذاری، با دو روش: مدل گرا و غیرمدل گرا، بررسی و تحلیل احساسات با زبان برنامه نویسی پایتون، انجام شده است. مقایسه این دو روش نشان داد که از میان الگوریتم های یادگیری ماشین، ایکس. جی.بوست با بیشترین دقت (87%)، کی-نزدیکترین همسایه و ماشین بردار پشتیبان با دقت کمتر، قابلیت پیش بینی احساسات در فضاهای سبز را دارند. روش لغوی (استفاده از فرهنگ لغت ویدر) در مقایسه با یادگیری ماشین، قابلیت پیش بینی کمتری دارد. در نهایت مدل یادگیری گروهی از نوع پشته سازی که برای بالا بردن دقت مدل استفاده شده که بر اساس نتایج ماتریس درهم آمیختگی (96%) قابلیت پیش بینی احساسات را دارد. بنابراین با بهره گیری از روش مبتنی بر داده های فضای مجازی، می توان، به پیش بینی احساسات کاربران سایر فضاهای سبز شهری با سرعت و دقت بالا در شهر تهران دست یافت.