全球環(huán)境變暖的背景下,極端天氣頻繁發(fā)生。由于短時強降水天氣導致的城市內(nèi)澇會對城市的交通運輸、居民出行等產(chǎn)生諸多影響,嚴重時會導致財產(chǎn)損失和人員傷亡。目前城市內(nèi)澇監(jiān)測主要是利用監(jiān)測點的設備進行監(jiān)測,覆蓋范圍小,很難獲取積水所造成的影響信息,需要利用其它渠道進行補充。社交媒體由于其實時性和來源的廣泛性,越來越多的應用在災害監(jiān)測中,對災情響應和評估具有重要意義。本文利用上海市2016²018年三年的新浪微博數(shù)據(jù),研究如何從龐雜的微博數(shù)據(jù)中提取城市內(nèi)澇相關(guān)微博以及從微博文本中提取地址信息,并對提取結(jié)果進行分析和驗證。本文的研究內(nèi)容及取得的成果主要包括以下三個方面:（1）城市內(nèi)澇相關(guān)微博提取。微博文本具有非結(jié)構(gòu)化、表述多樣性、不規(guī)范性等特點,準確提取某個主題的微博存在很大難度。本文基于深度學習中的文本相似度分析方法,從語料庫中查找與內(nèi)澇相關(guān)的相似詞,并在此基礎(chǔ)上篩選出城市內(nèi)澇災情關(guān)鍵詞。利用城市內(nèi)澇災情關(guān)鍵詞從微博數(shù)據(jù)中提取出城市內(nèi)澇相關(guān)微博,與單純使用“內(nèi)澇”和“積水”關(guān)鍵詞進行提取相比,能提取出更多內(nèi)澇相關(guān)的微博。（2）微博文本內(nèi)澇地點提取。與微博簽到地址相比,微博文本... 

【文章來源】：華東師范大學上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

北京7.21暴雨內(nèi)澇點分布圖[4]

華東師范大學碩士學位論文1第1章緒論1.1研究背景及意義城市內(nèi)澇是指由于短時間強降水導致的積水無法排除，而發(fā)生在城市中的區(qū)域性積水災害問題。根據(jù)國家住建部2010年的調(diào)查，在2008~2010年間，我國有大約62%的城市遭受過不同程度的暴雨內(nèi)澇的襲擊[1]。一般情況下，城市內(nèi)澇會對城市的交通運輸、居民出行產(chǎn)生諸多的阻礙，嚴重時甚至會導致財產(chǎn)損失和人員傷亡。如2012年7月21日，北京市遭遇特大暴雨事件，導致城市內(nèi)出現(xiàn)大面積積水，道路中斷、車輛被淹（圖1-1），部分被困人員不幸傷亡[2]。2016年7月24日，西安暴雨導致交通癱瘓、地鐵站雨水倒灌（圖1-2），有出行居民不幸積水中觸電身亡[3]。圖1-1北京7.21暴雨內(nèi)澇點分布圖[4]圖1-2西安7.24暴雨導致交通癱瘓（左）、地鐵站雨水倒灌（右）[5,6]

華東師范大學碩士學位論文4網(wǎng)絡視頻等具有信息傳遞功能的應用（表1-1）[25]。表1-1互聯(lián)網(wǎng)部分應用使用情況（2019）社交媒體是用戶分享各類信息的平臺，如微信、Blog、bilibili、新浪微博等，與其它信息獲取手段相比，社交媒體信息的來源渠道更廣泛，信息的實時性更強，大部分網(wǎng)民更喜歡利用社交媒體在第一時間發(fā)布獲取到的信息[26]。圖1-3微博數(shù)據(jù)示例社交媒體憑借著上述優(yōu)點越來越多的被應用在災害監(jiān)測的研究中，而新浪微博（圖1-3）是應用的最為廣泛的一種數(shù)據(jù)。如張巖等人利用微博數(shù)據(jù)，基于多種自然語言分析模型，研究臺風“山竹”的登陸對公眾造成的影響[27]。鄔群勇等人對臺風災情的空間位置信息進行研究，將微博簽到位置、用戶注冊位置、文本隱含位置進行對比[28]。杜涵為了分析地震災情的分析，使用了游戲在線人數(shù)和微博文本，來快速分析地震災害對特定地區(qū)的基礎(chǔ)設施的破壞程度、網(wǎng)絡連接的恢復情況等[29]。梁春陽等人對微博數(shù)據(jù)中的文本數(shù)據(jù)進行文本分類，構(gòu)建災情點事2018.122019.6應用用戶規(guī)模（億）網(wǎng)民使用率用戶規(guī)模（億）網(wǎng)民使用率即時通信7.9195.6%8.2496.5%搜索引擎6.8182.2%6.9581.3%網(wǎng)絡新聞6.7481.4%6.8680.3%網(wǎng)絡視頻（含短視頻）7.2587.5%7.5988.8%

【參考文獻】：
期刊論文
[1]基于Bi-LSTM-CRF的商業(yè)領(lǐng)域命名實體識別[J]. 丁晟春,方振,王楠.  現(xiàn)代情報. 2020(03)
[2]基于Huffman-LDA和Weight-Word2vec的文本表示模型研究[J]. 黃春雨,胡迪,邱寧佳,孫爽滋.  長春理工大學學報(自然科學版). 2020(01)
[3]城市內(nèi)澇災害受災人口評估方法與實證研究:以哈爾濱市道里區(qū)為例[J]. 陳鵬,趙洪陽,張繼權(quán),張碩,鮑建華,劉曉靜.  地理科學. 2020(01)
[4]微博數(shù)據(jù)位置信息反映臺風災情的有效性分析[J]. 鄔群勇,裘鈺嬌.  測繪科學技術(shù)學報. 2019(04)
[5]多神經(jīng)網(wǎng)絡協(xié)作的軍事領(lǐng)域命名實體識別[J]. 尹學振,趙慧,趙俊保,姚婉薇,黃澤林.  清華大學學報(自然科學版). 2020(08)
[6]南寧城市內(nèi)澇分布特征及其監(jiān)測預警系統(tǒng)應用分析[J]. 黃丹萍,白龍.  防災科技學院學報. 2019(04)
[7]基于PSR和AHP方法的西安市城市內(nèi)澇脆弱性評價體系構(gòu)建與脆弱度評估[J]. 黃曦濤,李懷恩,張瑜,楊曉鋒,陳思宇.  自然災害學報. 2019(06)
[8]基于《上海市城市總體規(guī)劃（2017-2035）》的上海土地利用多功能性評價框架研究[J]. 馬俊.  住宅與房地產(chǎn). 2019(34)
[9]基于HMM的算法優(yōu)化在中文分詞中的應用[J]. 朱咸軍,洪宇,黃雅琳,張馨予,肖芳雄.  金陵科技學院學報. 2019(03)
[10]基于Python的中文結(jié)巴分詞技術(shù)實現(xiàn)[J]. 曾小芹.  信息與電腦(理論版). 2019(18)

博士論文
[1]基于詞向量的文本傾向分析的向量表示方法研究[D]. 周婉婷.東北師范大學 2019
[2]基于社交媒體的地震災情數(shù)據(jù)挖掘與烈度快速評估應用[D]. 薄濤.中國地震局工程力學研究所 2018
[3]城市社區(qū)暴雨內(nèi)澇災害風險評估研究[D]. 張振國.上海師范大學 2014
[4]基于微博平臺的事件趨勢分析及預測研究[D]. 田野.武漢大學 2012
[5]典型沿海城市暴雨內(nèi)澇災害風險評估研究[D]. 權(quán)瑞松.華東師范大學 2012

碩士論文
[1]腫瘤電子病歷數(shù)據(jù)抽取與挖掘技術(shù)的研究與應用[D]. 劉煥.青島科技大學 2019
[2]基于注意力機制的命名實體識別算法研究[D]. 李延昀.北京郵電大學 2019
[3]基于和諧競爭自編碼的文本表示學習研究[D]. 高遠.哈爾濱工業(yè)大學 2019
[4]“莫蘭蒂”強臺風期間廈門大學區(qū)域暴雨積澇數(shù)值模擬研究[D]. 唐步興.南京信息工程大學 2019
[5]基于神經(jīng)網(wǎng)絡的城市內(nèi)澇點降雨積水預測研究[D]. 張夢.華南理工大學 2019
[6]基于互聯(lián)網(wǎng)多源大數(shù)據(jù)的區(qū)域地震災情快速分析[D]. 杜涵.大連理工大學 2019
[7]基于社交媒體的災害事件提取與時空分析[D]. 李想.蘭州交通大學 2018
[8]暴雨災害中公眾持續(xù)使用微博獲取災害信息意愿的影響因素研究[D]. 成升.武漢大學 2017
[9]基于隱式馬爾科夫模型的法律命名實體識別模型的設計與應用[D]. 周曉輝.華南理工大學 2017
[10]開源中文分詞器的比較研究[D]. 黃翼彪.鄭州大學 2013



本文編號：3428383