Connected devices and urban mobility: visualizing the trajectories of Twitter users through dynamic graphs
Dispositivos electrónicos conectados y movilidad urbana: visualización de los movimientos de los usuarios de Twitter mediante gráficos de flujos dinámicos
Objets connectés et mobilité urbaine : visualiser les déplacements des usagers de Twitter avec des graphes dynamiques
Résumé
With the digital turn, data from connected devices are a new resource for understanding urban rhythms and mobility. Using the geolocated messages (1, 540, 000 tweets) of Twitter social network users recorded in 2015, this article uses dynamic graphs to visualize Parisian mobilities. Using a clustering algorithm, we show how to move from a geolocated message to an individual displacement and on to collective trajectories. These trajectories illustrate the preferential mobility of users of the social network in Paris, as well as the areas of concentration and poles of interest.
La transformación o giro digital facilita el acceso a la información de los dispositivos electrónicos conectados. Es un nuevo recurso para comprender los ritmos urbanos y la movilidad en la ciudad. Este artículo presenta una herramienta con gráficos de flujos dinámicos para visualizar la movilidad en París. Para ello utiliza los mensajes de los usuarios de la red social de Twitter registrados y geolocalizados durante el año 2015 (1,540,000 tweets), y mediante un algoritmo de agrupamiento convierte en flujos dinámicos colectivos un mensaje geolocalizado con una trayectoria individual. De este modo se puede visualizar movilidades preferidas, áreas de interés y de concentración de los usuarios de redes sociales en París.
Avec le tournant numérique, les données issues des objets connectés constituent une ressource nouvelle pour la compréhension des rythmes urbains et des mobilités dans la ville. À l’aide des messages géolocalisés (1 540 000 tweets) des usagers du réseau social Twitter enregistrés durant l’année 2015, cet article présente un outil de visualisation des mobilités parisiennes en s’appuyant sur des graphes dynamiques. Nous montrons comment un algorithme de clustering nous permet de passer d’un message géolocalisé à un déplacement individuel puis à des trajectoires collectives. Ces dernières illustrent les mobilités préférentielles des usagers du réseau social dans Paris, ainsi que des zones de concentration et pôles d’intérêt.
