文／程志華

隨著城市經(jīng)濟(jì)、社會的全面發(fā)展及居民收入的不斷提高，居民旅游出行需求不斷增加，交通出行特征發(fā)生新的變化，因此，量化旅游客流的分布特征及游客的居住、出行規(guī)律，將為城市旅游交通規(guī)劃和組織提供決策基礎(chǔ)。而手機(jī)信令數(shù)據(jù)由于其具有覆蓋范圍廣、數(shù)據(jù)文檔可靠、樣本量大、空間解析度高以及動態(tài)性強(qiáng)等優(yōu)勢，相較于常規(guī)旅游交通調(diào)查，在對客流的分布及出行特征的提取上具有更大的挖掘空間和精度可靠性，該數(shù)據(jù)應(yīng)用的方法探討具有重要意義。

研究對象及數(shù)據(jù)選取處理

1.研究對象

本研究旅游人口專指具有本地或異地（烏市）旅游休閑出行行為的國內(nèi)移動手機(jī)用戶。按客源地區(qū)別主要分為烏市常駐人口本地休閑旅游、外來游客異地旅游休閑活動。旅游交通對象主要分為常駐人口、短期流動人口。其中，常駐流動人口與常駐戶籍人口一般具有類似的出行特征，而因出差、旅游、訪友探親等事由伴隨產(chǎn)生的異地旅游休閑出行，來烏市的人員是真正意義上的“外來旅游人口”，此類人群具有旅游居住時(shí)間段、人員變化城市空間流動快，往往此類人員旅游出行特征較難通過調(diào)查手段獲取其旅游出行的空間分布及聯(lián)系情況，而手機(jī)信令數(shù)據(jù)采集具有不自主性、客觀性、空間分布廣、可連續(xù)性等特征，可對短期流動人口進(jìn)行有效監(jiān)測，研究其城市空間旅游交通出行特性。

2.數(shù)據(jù)選取及處理

本文使用烏魯木齊市2016年1月份至5月份以及9月份共計(jì)6個(gè)月的中國移動手機(jī)信令數(shù)據(jù)，總信令數(shù)約165億條，平均每天用戶數(shù)226萬人，人均信令數(shù)41條。通過手機(jī)基站定位精度來看，基站布設(shè)點(diǎn)平均服務(wù)半徑為200米。服務(wù)半徑越小，定位精度越高。通過對手機(jī)用戶信令數(shù)據(jù)的時(shí)間完整性、事件類型完整性以及基站在空間分布的完整性進(jìn)行分析，制定數(shù)據(jù)清洗標(biāo)準(zhǔn)，見圖1所示，從而獲得可進(jìn)行分析應(yīng)用的可靠數(shù)據(jù)。

圖1 數(shù)據(jù)清洗流程

利用數(shù)據(jù)清洗原則，得到數(shù)據(jù)的清洗結(jié)果，清洗前后的數(shù)據(jù)規(guī)模如表1所示。

總體來看，數(shù)據(jù)清洗率是比較低的，得到的數(shù)據(jù)規(guī)模和每日人均信令數(shù)能夠滿足交通特征研究的數(shù)據(jù)要求。

表1 數(shù)據(jù)清洗前后數(shù)據(jù)規(guī)模對比

旅游交通客流識別關(guān)鍵技術(shù)方法

首先通過常駐人口識別算法及短期流動人口識別技術(shù)，對烏市出現(xiàn)的手機(jī)用戶進(jìn)行來源差異性區(qū)分，對其出行軌跡進(jìn)行連貫性追蹤，進(jìn)而通過旅游客流識別模型進(jìn)行精準(zhǔn)化旅游休閑出行行為判別及空間聯(lián)系特性研究。

1.常駐人口識別算法

常駐人口識別以居住地判別為依據(jù)，而居住地識別基于概率學(xué)統(tǒng)計(jì)，即基于手機(jī)用戶在某個(gè)特定分析時(shí)段內(nèi)的停留地點(diǎn)、停留時(shí)長以及分析時(shí)期內(nèi)的停留頻率確定的。分析時(shí)段因城市而異，需要根據(jù)不同城市居民的活動特征確定。根據(jù)烏魯木齊市2014年居民出行調(diào)查數(shù)據(jù)分析得到94%居民夜間在家時(shí)段為21點(diǎn)至9點(diǎn)，90%居民夜間在家停留時(shí)間超過8小時(shí)，因此選擇上述參數(shù)進(jìn)行居住地識別算法設(shè)計(jì)，并應(yīng)用于烏魯木齊市常住人口居住地識別中，算法邏輯圖2所示。

2.短期流動人口識別算法

短期流動人口識別是在居住地識別的基礎(chǔ)上，結(jié)合其是否通過城市道口（此處包括進(jìn)出城主要通道及機(jī)場）進(jìn)入烏市的條件判斷，進(jìn)而判斷其停留閾值是否滿足（為有效剔除過境用戶）進(jìn)行條件約束識別。算法主要邏輯如下：（1）輸入有效軌跡數(shù)據(jù)；（2）篩選未識別出居住地的用戶（居住地識別子算法）；（3）是否通道城市道口或機(jī)場進(jìn)出烏市（空間記錄搜索）；（4）統(tǒng)計(jì)用戶每天累計(jì)停留時(shí)長，停留時(shí)長超過有效閾值則為短期流動人口有效停留（剔除過境用戶（通過性手機(jī)用戶））。

3.手機(jī)用戶出行軌跡的識別方法

將清洗后的手機(jī)用戶信令數(shù)，按照用戶和時(shí)間進(jìn)行分組排序，并記錄對應(yīng)基站位置和停留時(shí)間，生成用戶軌跡表。手機(jī)用戶的位置信息實(shí)際上是一個(gè)出行鏈的片段，手機(jī)信令數(shù)據(jù)是最能采集到一個(gè)用戶出行鏈的完整的片段。傳統(tǒng)的居民出行調(diào)查以出行為基礎(chǔ)，只能對居民的有效出行的出發(fā)地和目的地進(jìn)行識別，而手機(jī)信令數(shù)據(jù)可以周期性的對手機(jī)用戶的位置進(jìn)行記錄，所以能夠得到大量的用戶軌跡點(diǎn)。將用戶的軌跡點(diǎn)按照時(shí)間順序連接，就得到用戶的出行軌跡鏈，如圖3所示，三條黃色軌跡分別代表不同用戶的一段時(shí)間內(nèi)的出行軌跡。

圖3 軌跡散點(diǎn)示意圖

4.旅游交通客流分析模型

基于手機(jī)數(shù)據(jù)的旅游景點(diǎn)客流監(jiān)測的首先需要明確旅游景點(diǎn)的空間位置和邊界，另外，需要建立移動通信網(wǎng)絡(luò)與旅游景點(diǎn)的相互映射關(guān)，用于將手機(jī)用戶在移動通信網(wǎng)絡(luò)中的位置匹配至實(shí)際的旅游景點(diǎn)分析區(qū)域。根據(jù)手機(jī)用戶的出行軌跡信息可以識別用戶在每個(gè)區(qū)域的四類關(guān)鍵行為：進(jìn)入、離開、停留和路過，并在連續(xù)的時(shí)間周期（每15分鐘）內(nèi)，統(tǒng)計(jì)各個(gè)區(qū)域發(fā)生過這些行為的手機(jī)用戶總數(shù)，從而實(shí)時(shí)動態(tài)地得到當(dāng)前分析區(qū)域的進(jìn)入客流量、離開客流量、停留客流量、路過客流量。當(dāng)前統(tǒng)計(jì)周期內(nèi)，進(jìn)入某個(gè)分析區(qū)域后又迅速離開的手機(jī)用戶，認(rèn)為僅僅路過該分析區(qū)域，此類用戶不計(jì)入停留客流量。

烏魯木齊市旅游交通客流特征研究

1.來訪游客時(shí)空分布

研究以大巴扎、水磨溝公園、紅光山、紅山公園為研究對象，分析相應(yīng)景區(qū)游客的旅游交通特征。

分析游覽景點(diǎn)當(dāng)天游客的其他活動點(diǎn)，了解旅游景點(diǎn)與游客其他活動地點(diǎn)的聯(lián)系強(qiáng)度。從分析結(jié)果來看，大巴扎客流高峰出現(xiàn)在12點(diǎn)-19點(diǎn)，占總客流量的65%；去過大巴扎的客流的活動地以附近區(qū)域?yàn)橹鳌＜t山公園客流高峰時(shí)段出現(xiàn)在12點(diǎn)-18點(diǎn)，占總客流量的53%，到達(dá)的客流比較均衡，其來訪客流的活動地也集中在附近地區(qū)。此類景點(diǎn)可歸為一類，此類景點(diǎn)僅對周邊區(qū)域的交通造成一定的影響，可考慮慢行交通及高峰時(shí)段的公共交通設(shè)施的安排。

而水磨溝公園客流高峰出現(xiàn)在13點(diǎn)-17點(diǎn)，占總客流量的58%；紅光山客流時(shí)辰分布比較均勻，去過紅光山和水磨溝公園的客流的活動地比較分散。

圖4 城市不同分區(qū)與旅游景點(diǎn)的聯(lián)系強(qiáng)度

圖5 旅游景點(diǎn)客流的到達(dá)時(shí)間分布

2.旅游景點(diǎn)與城市空間要素關(guān)系

旅游景點(diǎn)客流空間來源去向分布一定程度上還受城市空間要素分布影響。利用百度地圖的API接口在線獲取烏魯木齊市的興趣點(diǎn)數(shù)據(jù)，主要包括旅游景點(diǎn)、星級酒店、購物設(shè)施等旅游相關(guān)POI坐標(biāo)位置點(diǎn)。將POI匹配至交通小區(qū)，利用因子分析法、聚類分析法，結(jié)合城市用地標(biāo)準(zhǔn)對交通小區(qū)占主導(dǎo)的功能類型進(jìn)行識別。

以水磨溝公園及大巴扎為例進(jìn)行研究，水磨溝公園與其他旅游景點(diǎn)的關(guān)聯(lián)強(qiáng)度較強(qiáng)，也就是說游覽水磨溝公園的游客會更大可能的同時(shí)去其他景點(diǎn)進(jìn)行游覽，而相對于其他城市要素而言較為孤立。相對而言，大巴扎與其他旅游景點(diǎn)的關(guān)聯(lián)強(qiáng)度較弱，與旅游景區(qū)周邊的其他城市要素有較強(qiáng)的關(guān)聯(lián)。前往大巴扎游玩的游客更傾向于在旅游景點(diǎn)周邊停留，與購物設(shè)施或商務(wù)寫字樓等要素集聚區(qū)的聯(lián)系較為密切。

烏魯木齊市亞歐博覽會客流特征研究

在9月份亞歐博覽會期間，烏魯木齊的交通特征也會發(fā)生微妙的變化，為了準(zhǔn)確把握亞歐博覽會期間烏市的交通特征，分析客流的變化，本研究亦應(yīng)用手機(jī)大數(shù)據(jù)進(jìn)行了亞歐博覽會客流特征分析。

1.亞博會展館客流來源分析

9月20日到9月25日期間，到達(dá)離開亞博會展館的總客流約34萬人次，其中本市人口為12.9萬人次，占比為38%；外省市人口為21.1萬人次，占比為62%。本市客流主要集中在天山、高新、水磨溝三個(gè)區(qū)，三個(gè)區(qū)客源比重達(dá)到82%。外市客流夜宿地主要集中在高新、水磨溝、沙依巴克三個(gè)區(qū)，三個(gè)區(qū)比重達(dá)到79%。

2.外市客流在烏市期間參觀景點(diǎn)的軌跡分析

9月20日到9月25日期間，去過亞博會的流動人口中，同時(shí)又去過大巴扎、水磨溝公園、紅光山、紅山公園中一個(gè)景點(diǎn)的外市人口中，其中去過紅光山的人最多，占到50%，這與紅光山與會展中心距離最小有關(guān)。

圖8 亞博會客流參觀其他景點(diǎn)的流量分布

圖9 參加亞博會同時(shí)去旅游景點(diǎn)的外市人口活動地分布

參加亞博會同時(shí)去大巴扎的外市人口活動地分布在會展中心周圍，大巴扎周圍以及機(jī)場組團(tuán)。參加亞博會同時(shí)去水磨溝公園的外市人口活動地分布在會展中心周圍，水磨溝公園以及中心城區(qū)部分小區(qū)。參加亞博會同時(shí)去紅山公園的外市人口活動地分布在主要分布地：會展中心周圍和高鐵組團(tuán)。參加亞博會同時(shí)去紅光山的外市人口活動地分布在會展中心和紅光山周圍，機(jī)場組團(tuán)以及城北區(qū)北部。

手機(jī)大數(shù)據(jù)能夠?qū)崿F(xiàn)對用戶連續(xù)的運(yùn)動軌跡的追蹤，有利于分析用戶的出行活動以及停留地點(diǎn)和時(shí)間，能夠更加真實(shí)的刻畫用戶的活動特征，能夠有效的刻畫旅游交通客流的時(shí)空集聚特征。本文基于手機(jī)信令數(shù)據(jù)提出針對烏魯木齊市常住人口識別算法、短期流動人口識別算法，從而確認(rèn)本研究的研究對象。另外，研究提出手機(jī)用戶軌跡識別的辦法，并進(jìn)一步獲得旅游交通客流分析模型，探討了手機(jī)信令數(shù)據(jù)在景區(qū)客流分析中的實(shí)際應(yīng)用。

旅游交通調(diào)查存在旅游人口出行活動隨機(jī)性強(qiáng)、收集流動旅游人口問卷的困難，存在不能頻繁針對大型集會進(jìn)行實(shí)時(shí)調(diào)查的困難，基于手機(jī)信令數(shù)據(jù)一方面可對旅游人口的活動特征進(jìn)行較為充分的把握，另一方面可對景區(qū)與城市其它相關(guān)因素之間的關(guān)系進(jìn)行分析，為滿足游客的食住及其相關(guān)出行的設(shè)施布設(shè)規(guī)劃提供了良好的分析基礎(chǔ)。