Mapping Approach of Emergency Events and Locations Based on Social Networks and Machine Learning

Les événements d’urgence surviennent lors d’un incident grave, inattendu et souvent dangereux. Ces incidents affectent la vie normale d’une population. Par conséquent, connaître les événements d’urgence sont essentiels pour y atténuer l’effet de l’incident sur la vie humaine, sur l’environnement et nos infrastructures, ainsi que leurs conséquences financières. L’utilisation des réseaux sociaux dans les modèles de détection d’événements d’urgence joue un rôle important, car les informations de ceux-ci sont partagées et le statut des utilisateurs est mis à jour lorsqu’un événement d’urgence survient. Les données massives des réseaux ont prouvé leur importance en tant qu’outil d’assistance et d’atténuation des événements d’urgence en traitant une énorme quantité de données sur un court intervalle de temps. En plus, l’utilisation des téléphones portables et des plateformes de réseaux sociaux telles que Snapchat sont très répandus et éliminent certainement les barrières traditionnelles entre les fournisseurs d’informations et les utilisateurs. En cas de situation d’urgence qui s’est produit dans un lieu, les personnes présentes envoient et échangent des informations en temps réel de l’événement. Cependant malgré leur importance démontrée, l’obtention d’informations liées à des événements à partir de flux en temps réel représente un défi de taille. L’utilisation de l’apprentissage en profondeur à des problèmes de classification et de détection est un grand avantage, car l’ensemble du réseau produit des données brutes pour finaliser les résultats de classification. L’apprentissage en profondeur permet de réduire les exigences de construction d’une stratégie d’extraction de caractéristiques appropriées Par contre, pour la formation du modèle., cela nécessite un grand nombre d’échantillons de haute qualité. La procédure d’étiquetage des données est particulièrement coûteuse et consomme du temps d’exécution en raison de la grande quantité de données disponibles des réseaux sociaux, ce qui peut limiter la mise en oeuvre des technologies d’apprentissage en profondeur. Cette thèse montre qu’il est important de disposer d’un modèle d’ensemble de détection d’événements d’urgence (EEDEM) approprié pour réagir rapidement lorsque de tels événements catastrophiques arrivent. Le modèle intègre des cartes Snapchat afin de localiser l’emplacement exact d’un événement d’urgence. De plus, la fusion des réseaux sociaux et des données massives peut accélérer le système de détection des événements d’urgence. Les données des réseaux sociaux (comme celles de Twitter et Snapchat) nous permettent de gérer, surveiller, analyser et détecter les événements d’urgence. (1) L’approche proposée localise l’emplacement exact des événements d’urgence en utilisant les données collectées des réseaux sociaux, tels que ” Twitter ” et ” Snapchat ”, tout y intégrant les données massives et l’apprentissage automatique (ML). L’évaluation des performances de cinq modèles de base ML et l’approche d’ensemble proposée montrent que les résultats obtenus sont d’une très grande précision de 99,87% à la localisation de l’emplacement. (2)Nous proposons une approche de cartographie automatisée des événements et des lieux d’urgence basée sur la détection d’objets et les réseaux sociaux. L’utilisation de méthodes de détection d’objets sur les réseaux sociaux pour détecter les événements d’urgence est une approche fiable, flexible et rapide utilisant la carte des points d’accès Snapchat comme source fiable pour y découvrir l’emplacement exact des événements d’urgence. Les modèles récents de détection d’objets est d’une grande précision. Donc cette thèse évalue les performances de quatre modèles de base de détection d’objets. Les résultats montrent que l’approche proposée a une très grande précision de 96% pour l’ensemble de données sur les inondations et de 94% pour l’ensemble de données sur les incendies. (3) D’autre part, nous avons utilisé et analysé l’efficacité de l’utilisation de techniques d’apprentissage actif avec apprentissage fédéré pour les événements d’urgence grâce aux données de réseaux sociaux. Après avoir collecté des images, nous avons utilisé une approche d’apprentissage fédéré pour répartir les données et former le modèle afin de détecter et de classer les événements d’urgence. De plus, la méthode d’apprentissage actif sélectionne un sous-ensemble de l’ensemble de données afin d’accélérer le processus de formation. Les résultats montrent que le modèle a donné une très grande précision de %99 pour toutes les métriques d’évaluation. Le score Logloss atteint 0,043 et ce qui est un bon indicateur des performances exceptionnelles de notre approche. Nous concluons la thèse en mettant en évidence certaines lacunes de la recherche qui à l’avenir, nécessitent un approfondissement.

Abstract

Emergency events arise when a serious, unexpected, and often dangerous threat affects normal life. Hence, knowing what is occurring during and after emergency events is critical to mitigate the effect of the incident on humans’ life, on the environment and our infrastructures, as well as the inherent financial consequences. Social network utilization in emergency event detection models can play an important role as information is shared and users’ status is updated once an emergency event occurs. Besides, big data proved its significance as a tool to assist and alleviate emergency events by processing an enormous amount of data over a short time interval. Moreover, the high prevalence of cellphones and social networking platforms such as Snapchat are obviously dissolving traditional barriers between information providers and users. It is certainly relevant in emergency events, as individuals on the site produce and exchange real-time information about the event. However, notwithstanding their demonstrated significance, obtaining event-related information from real-time streams of vast numbers of snaps is a significant challenge. Additionally, the fundamental benefit of using deep learning for classification and detection problems is that the entire network is trained from raw data to final classification results, which decreases the requirements for building an appropriate feature extraction strategy. Also, it requires a large number of high-quality samples for model training. Besides, the data labelling procedure is particularly expensive and time-consuming in the social networks dataset due to a large amount of data available on such platforms, which can limit the implementation of deep learning technologies. This thesis shows that it is necessary to have an appropriate emergency event detection ensemble model (EEDEM) to respond quickly once such unfortunate events occur. It integrates Snapchat maps to propose a novel method to pinpoint the exact location of an emergency event. In addition, merging social networks and big data can accelerate the emergency event detection system: social network data, such as those from Twitter and Snapchat, allow us to manage, monitor, analyze and detect emergency events. 1) The proposed approach is able to pinpoint the exact location of emergency events by employing the collected data from social networks, such as “Twitter” and “Snapchat”, while integrating big data (BD) and machine learning (ML). Hence, the performance evaluation of five ML base models and the proposed ensemble approach show that the results achieved a very high accuracy of 99.87% for emergency event detection. 2) Next, we propose an automated mapping approach of emergency events and locations viii based on object detection and social networks. Employing object detection methods on social networks to detect emergency events will construct reliable, flexible and speedy approach by utilizing the Snapchat hotspot map as a reliable source to discover the exact location of emergency events. The proposed approach aims to yield a high accuracy by employing object detection models. To this end, this thesis evaluates the performance of four object detection baseline models and the proposed ensemble approach to detect emergency events. Results show that the proposed approach achieved a very high accuracy of 96% for the flood dataset and 94% for the fire dataset. 3) Also, we employed and analyzed the efficacy of utilizing active learning techniques with federated learning for emergency events using a dataset from social networks. After collecting images, we used a federated learning approach to split the data between different local clients to train the model in order to detect and classify emergency events. Moreover, this thesis proposes to use active learning method to select a subset of the whole dataset to accelerate the training process. Results show that the ensemble leaning model yielded a very high accuracy of 99% for all evaluation metrics. The Logloss score reached 0.043 which is a good indicator of the outstanding performance of our approach. We conclude the thesis by highlighting some research gaps that require further investigation in the future.