EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 2: 424 - 439

DOI: https://doi.org/10.12082/dqxxkx.2024.220699

行为时空规律揭示与方法探索

基于轨迹数据的遵义市红色旅游者时空行为模式研究

  • 刘俊 , * ,
  • 陈佳淇 ,
  • 冯冰 ,
  • 王胜宏
展开
  • 四川大学旅游学院，成都 610065

刘 俊（1979— ），男，四川乐山人，博士，教授，主要研究方向为旅游大数据、可持续旅游。E-mail:

Copy editor: 蒋树芳 黄光玉

收稿日期: 2022-09-17

  修回日期: 2023-10-07

  网络出版日期: 2024-03-27

基金资助

四川大学研究基金项目(SKSYL2022-04)

四川大学区域历史与边疆学学科群项目

四川省教学改革项目(JG2021-391)

四川大学教学改革项目(SCU8115)

收起

Spatial-temporal Behavior Pattern of Red Tourists in Zunyi City Based on Trajectory Data

  • LIU Jun , * ,
  • CHEN Jiaqi ,
  • FENG Bing ,
  • WANG Shenghong
Expand
  • Tourism School, Sichuan University, Chengdu 610065, China
*LIU Jun, E-mail:

Received date: 2022-09-17

  Revised date: 2023-10-07

  Online published: 2024-03-27

Supported by

Research Fund of Sichuan University.(SKSYL2022-04)

Regional History and Frontier Studies of Sichuan University

Teaching Reform Project of Sichuan Province.(JG2021-391)

Teaching Reform Project of Sichuan University(SCU8115)

Fold

摘要

通过轨迹大数据的挖掘，揭示旅游者时空行为模式是旅游地理学的重要研究内容。本文引入时间、空间和方向相似度对基于密度的聚类算法（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）进行了改进，选择典型的红色旅游目的地遵义市为案例，对2010—2019年的红色旅游者轨迹进行分析。研究发现：① 所构建的研究框架和方法能够有效提取轨迹大数据中隐含的旅游者的时空行为模式；② 遵义市红色旅游以半日游为主，夏季是红色旅游旺季；③ 红色旅游有 6类模式，分别为“红色+购物娱乐”、“红色+历史文化”、“红色+登山旅游”、“红色+生态休闲”、“红色+古镇旅游”、“红色+乡村旅游”，主要分布于遵义市的西北部、东南部和西南部，模式长度12.03~18.42 km，模式持续时长0.65~13.60 h；④ 所有模式中共提取出24条旅游线路，包括全红色旅游线路（58.33%）和混合线路（41.67%），平均长度为17.69 km，平均时长2.36 h；⑤ 遵义会议旧址作为核心吸引物，支撑了38.46%的线路的形成；⑥ 蓉遵高速、兰海高速、杭瑞高速和遵义绕城高速是红色旅游模式形成中最重要的交通依托。本文提出的方法可用于其他区域旅游行为模式和线路挖掘研究，研究结果可为遵义市红色旅游空间格局优化和线路规划提供依据。

关键词： 红色旅游; 行为模式; DBSCAN模型; 轨迹数据挖掘; 旅游线路; 机器学习; 时空行为; 遵义

本文引用格式

刘俊 , 陈佳淇 , 冯冰 , 王胜宏 . 基于轨迹数据的遵义市红色旅游者时空行为模式研究[J]. 地球信息科学学报, 2024 , 26(2) : 424 -439 . DOI: 10.12082/dqxxkx.2024.220699

Abstract

Revealing the spatial-temporal behavior patterns of tourists is an important research focus in tourism geography. Trajectory big data mining provides a new way for better understanding tourists' spatial-temporal behavior. However, current research on the spatial-temporal behavior patterns of tourists is mainly based on the analytical framework of individual behavior in time geography, which makes it difficult to extract behavior patterns when dealing with large samples of trajectory data at larger scales. GPS records the user's location information periodically, capturing attributes such as time, space, speed, and direction, with a strong continuity, and travelers can record their own itinerary at any time with their cell phones and upload it to outdoor tourism websites. These processes not only effectively enhances the accuracy of the data but also offers unique advantages in researching travelers' behavior patterns. In this paper, the Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm is improved by incorporating temporal, spatial, and directional similarity information, and a typical red tourist destination is selected as the study case using GPS trajectories from 2010 to 2019. The results show that: (1) The research framework and methods constructed in this study are novel, and they effectively extract and reveal the spatial-temporal behavior pattern of tourists in Zunyi City; (2) Red tourism in Zunyi City mainly consists of half-day tours, and summer is the peak season for red tourism; (3) There are six types of red tourism behavior, namely "red + shopping and entertainment", "red + historical culture", "red + mountaineering tourism", "red + ecological leisure", "red + ancient town tourism", and "red + rural tourism", mainly distributed in the northwest, southeast, and southwest of Zunyi City, with a travel length ranging from 12.03~18.42 km and a travel duration ranging from 0.65~13.60 h; (4) A total of 24 tourist routes are extracted from all patterns, including all-red tourist routes (58.33%) and mixed routes (41.67%), with an average length of 17.69 km and an average duration of 2.36 h. Especially, the former Zunyi Conference site is the most popular tourist destination, accounting for 38.46%; (5) The red tourist routes in Zunyi City primarily rely on the Rongzun Expressway, Lanhai Expressway, Hangrui Expressway, and Zunyi Ring Expressway. The method proposed in this paper can be used in the study of tourism behavior patterns and route mining in other regions, and the results of this paper can provide a basis for the optimization of the spatial pattern and route planning of red tourism in Zunyi City.

Key words： red tourism; behavior pattern; DBSCAN model; trajectory data mining; tourist route; machine learning; spatial-temporal behavior; Zunyi

1 引言

2021年，习近平总书记明确指出“用好红色资源，赓续红色血脉”[1]。中共中央办公厅、国务院办公厅于2004年联合下发的《2004—2010年全国红色旅游发展规划纲要》[2]中认为“发展红色旅游，对于弘扬和培育民族精神，带动革命老区经济社会协调发展，具有重要的现实意义和深远的历史意义”，2016年发布《关于印发全国红色旅游经典景区名录的通知》[3]推进红色旅游经典景区布局和建设。2022年1月，国务院发布的《“十四五”旅游业发展规划》[4]中再次强调“依托全国红色旅游经典景区，弘扬伟大建党精神、井网山精神、长征精神、延专精神、西柏坡精神等革命精神，打造一批红色旅游目的地”。在红色旅游资源开发和红色旅游产业发展中，明确提出了要优化红色旅游产业的空间格局，科学规划和组织红色旅游线路，例如《关于新时代支持革命老区振兴发展的意见》[5]提出在全国建设和布局红色旅游融合发展示范区，文化和旅游部等四部门于2021年联合推出“建党百年红色旅游百条精品线路”[6]，这些对区域红色旅游发展具有重要意义的旅游线路、红色旅游产业空间格局方案等急需红色旅游者时空行为规律的研究提供科学支持。
揭示旅游者时空行为模式是旅游地理学的重要理论命题[7]，也是旅游目的地规划、旅游路线设计、旅游基础设施建设的基础[8-9]。已有大量研究揭示了不同旅游地旅游者空间行为的差异，如景区内空间线形行为可划分为点对点、环游、发散3种[10]，江西省武功山的徒步旅游空间行为包括开线型、自虐型、穿越型和休闲型4种[11]，三清山旅游空间行为主要有中部内环线、东部小环线等7种路径[12]。除空间维度外，时间维度也受到学者们的广泛关注，根据时间跨度可划分为长期行为、季节性行为和短期行为。长期行为方面，可基于旅游长时间序列数据构建游客量预测模型，如post-lasso model[13]；季节上，按照旅游量可分为旺季和淡季[14]，按照波动程度可分为单峰型、双峰型和多峰型[16]，而构建合适的指标评估旅游者季节性行为是旅游研究长期关注的话题；短期行为来看，周末、“五一”、“十一”等节假日往往是国内的出游高峰[17-18]。因此，为全面了解旅游行为，学者们尝试结合旅游者时间和空间信息挖掘旅游者时空行为特征。文娜娟等[19]以台儿庄古城为案例地，通过手机APP和问卷调查收集轨迹数据，揭示了当地旅游者全天环游型、夜景直线型、半天复杂型等5种行为模式； Huang等[20]运用GPS手持设备和问卷调查数据，挖掘了香港海洋公园游客的时空行为模式，共得到3类时空行为集群；Gu等[21]结合问卷调查和轨迹数据，总结了新兴葡萄酒产业区旅游的4种时空行为模式。总体上，当前对旅游者时空行为模式及其规律的研究主要基于时间地理学的个体行为的分析框架，在面对较大的空间尺度的大样本轨迹数据时难以提取行为模式。
运用轨迹数据挖掘旅游者时空行为是旅游者行为研究的前沿。以往的旅游者时空行为模式研究数据主要来源于问卷调查[22]、旅行日志[23-24]。在问卷调查中，受访者需要回忆自己的旅行过程并填写问卷[25]，问卷质量容易受到受访者记忆能力和汇报意愿的影响，因此研究者将问卷调查和手持GPS追踪器结合，以获取更高质量的旅游线路数据[26-27]。但手持GPS追踪器采集的数据量有限，追踪技术的发展提供了更大尺度、更高精度的多样数据源，包括GPS轨迹数据[28]、手机信令数据[29]、Wi-Fi探针数据[30]、地理标记数据[31]等。Wi-Fi探针数据、地理标记数据等连续性较低[32-33]。相比之下，GPS轨迹每隔一段时间记录一次使用者位置信息，兼具时间、空间、速度、方向等属性，连续性强，旅游者可随时用移动手机记录自己的行程并上传至户外旅游网站，有效提高了数据精准度，在旅游者行为模式研究中具有独特优势[34-35]。
选择合适的方法提取行为规律是旅游者时空行为模式挖掘的关键。典型的GPS数据挖掘框架首先基于轨迹点挖掘热点区域[36]，然后探讨热点区域之间的序列关系[37]。但点状区域的挖掘无法体现轨迹的线性特征，没有充分运用轨迹数据的丰富信息，因此需要将轨迹作为整体，挖掘轨迹的频繁模式[38]、周期模式[39]和异常模式[40]等。此外，由于社会群体的行为不仅受空间和时间的制约，也受到社会环境的影响，使用POI、气候、区域地形、土地使用和社交媒体等数据丰富轨迹的语义信息有助于深入理解群体移动行为[41-42]。方法上，聚类分析是轨迹行为模式挖掘的一种有效方法，常见的方法有K-means[43]、Density-Based Spatial Clustering of Applications with Noise (DBSCAN)[44]、Hierarchical clustering[45]、Trackclus[46]等。DBSCAN具有不受预设阈值的限制的优势，在没有先验条件的情况下能有效检测出任意簇类，并从相关数据中分离出“噪声”[47]，避免“噪声”对数据产生影响，因此被广泛运用于行为模式挖掘中[48-49]。
因此，本文收集了2010—2019年遵义市红色旅游者的GPS轨迹数据，运用DBSCAN模型，从轨迹空间相似度、时间相似度和方向相似度3个维度，从旅游轨迹中挖掘红色旅游者旅游活动的行为模式，提取典型的红色旅游线路，为遵义市红色旅游空间结构布局和优化提供科学依据。

2 研究区概况、数据来源及处理

2.1 研究区概况

遵义是我国典型的红色旅游目的地，共有红色旅游资源单体299个，红色旅游景区16个，占贵州省红色旅游景区的三分之一[50]。12个红色景区被纳入全国红色旅游景点景区名录[51]，已成为我国主要发展的革命老区重点城市[52]，并被评为“全国十佳红色旅游目的地”，是国家重点培育的12个“重点红色旅游区”之一。遵义市持续发布和更新红色旅游线路，其中“贵阳—遵义—仁怀—赤水—泸州”线路被纳入全国30条红色旅游精品线路名录[2]，共有3条线路被列入“建党百年红色旅游百条精品线路”[53]。遵义会议会址、苟坝会议会址、四渡赤水纪念馆、娄山关战斗遗址等红色旅游景区年接待游客量超过百万人次，仅2022年“五一”假期期间，遵义市红色旅游景区累计接待旅游者74.22万人次[54]。2022年9月发布的《遵义市文化和旅游“十四五”专项规划》[55]提出要进一步打造“一核双遗三带四区”的文化旅游空间布局，重点培育一批红色旅游精品景区和红色旅游精品线路，创建红色旅游融合发展示范区[56]。

2.2 数据来源

本研究使用的数据包括游客产生的轨迹数据、路网数据和遵义市旅游目的地数据。轨迹数据来自6只脚平台（http://www.foooooot.com/）。该网站创建于2010年，是我国最大的户外旅行社区网站之一，用户可在网站内获取并共享自己的户外活动 GPS 轨迹和地理标记照片。截至2021年游客在该平台上上传的轨迹记录已超过600万条。本研究从6只脚上收集了2010—2019年遵义市旅游者的GPS轨迹数据共计4 494条，每一条GPS轨迹记录了旅游者移动轨迹，包括起止点、移动速度、里程数、海拔高度等信息。遵义市道路数据来源于Open Street Map网站（http://www.openstreetmap.org/），旅游景区的数据来自遵义市文化旅游局官方网站（http://wtlyj.zunyi.gov.cn/）。

2.3 数据预处理

将红色旅游景区AOI（Area of Intrest）及边界的500 m缓冲区作为景区范围，逐一提取单条轨迹在景区内的分段，包含经纬度、时间等信息。根据时间信息计算其在景区内的游览时长，并对时长分布进行正态分布检验，运用3σ原则剔除异常值。考虑到轨迹数据中存在噪声，且轨迹点众多数据量巨大，故在进一步分析前，先对GPS轨迹数据进行噪音去除和轨迹平滑预处理。
GPS设备在采集和传递信号的过程中，会受到环境的干扰出现信号波动等情况[57]，特别是处于楼层较密集的地方时，将导致GPS信号漂移从而产生漂移点，即噪声点，在进行相关研究之前，需要将其从GPS轨迹中剔除。本文运用Kalman滤波算法进行轨迹去噪，其原理是通过Kalman滤波迭代获得每个数据点的估计值，通过的最优估计值获得K时刻的预测值，同时对K时刻进行观测以确定观测值，综合分析预测值、观测值，并用噪音协方差进行修正，得到K时刻的最优状态估计值并修正轨迹数据[58]。随后，运用Douglas-Peuker算法[59]对轨迹数据进行平滑处理，保证轨迹精度和特征的前提下减少计算量[60]。开始迭代前，首先确定用于轨迹点筛选的距离阈值D，直线连接轨迹的起始点与结束点（以下称为直线），分别计算各轨迹数据点到的垂直距离，并与D相比较，记录下到的垂直距离超过D且相距最远的点，以此点将轨迹划分为两段，对划分后的轨迹依次进行同样的计算、比较、保留和划分过程，多次迭代直到没有符合条件的轨迹点时终止，连接筛选出的轨迹点，得到一条简化、平滑的轨迹曲线。

3 研究方法

运用游客轨迹进行模式挖掘，主要步骤包括轨迹相似性估计和轨迹聚类。GPS轨迹同时具有多重时空属性，具体可分为空间属性、时间属性以及方向属性。以往的聚类分析中仅考虑了轨迹的时间或空间属性[61]，所提取的簇类无法体现轨迹在旅游目的地间的流动方向。在旅游研究中，对方向相似度的度量能够使同一簇类的轨迹具有相同的出发地和目的地，从而凸显旅游者轨迹在不同区域间的流动性。因此，本研究在时间和空间的基础上，增加对轨迹方向相似性的度量，并在此基础上使用DBSCAN算法对轨迹聚类，挖掘旅游者的时空行为模式。时空行为模式挖掘的流程如图1所示。
图1 时空行为模式挖掘的流程

注：图中变量的含义见公式(1)、(3)、(5)、(7)的变量解释。

Fig. 1 Flow chart of spatial-temporal behavior pattern mining

在阐述相似度计算及聚类挖掘细节前，对轨迹数据的关键参数说明如下。设轨迹数据集为
$T=\left\{ {{T}_{1}},{{T}_{2}},{{T}_{3}},\cdots,{{T}_{i}} \right\}$
式中：${{T}_{i}}=\left\{ {{P}_{i1}},{{P}_{i2}},{{P}_{i3}},\cdots {{P}_{in}} \right\}$；${{T}_{i}}$表示预处理过的轨迹数据集$T$中的一个轨迹；${{P}_{in}}$表示轨迹${{T}_{i}}$中的一个GPS点，且${{P}_{in}}=\left( {{P}_{\text{in}}}|\left\langle lo{{n}_{\text{in}}},la{{t}_{\text{in}}},{{t}_{\text{in}}} \right\rangle \right)$，包含了经纬度坐标及时间信息。

3.1 空间相似度

旅游者的轨迹纬度差异并不明显，且出游方式多样，短时间内距离变化不明显，因此运用更为精确的haversine公式计算两点之间的球面距离，并采用最长公共序列（LCSS）查找轨迹间的重叠部分，测量其相似性。轨迹的球面距离为：
$|{{P}_{1}}{{P}_{2}}|=2R\sqrt{{{\sin }^{2}}\frac{\Delta \varphi }{2}+\cos {{\varphi }_{1}}\cos {{\varphi }_{2}}{{\sin }^{2}}\frac{\Delta \lambda }{2}}$
式中：R为地球半径；经度为λ；纬度为$\varphi $；p1坐标为$({{\lambda }_{1}},{{\varphi }_{1}})$；p2坐标为$({{\lambda }_{2}},{{\varphi }_{2}})$；$\Delta \varphi ={{\varphi }_{1}}-{{\varphi }_{2}}$，$\Delta \lambda ={{\lambda }_{1}}-{{\lambda }_{2}}$。
${{T}_{1}}$及${{T}_{2}}$两轨迹间的空间相似度定义为：
${{S}_{d}}=\frac{N\left( {{T}_{1}}{{T}_{2}} \right)}{\min \left( size{{T}_{1}},size{{T}_{2}} \right)}$
式中：size${{T}_{1}}$、size${{T}_{2}}$分别表示${{T}_{1}}$、${{T}_{2}}$中轨迹点的总个数； N(${{T}_{1}}{{T}_{2}}$)表示两轨迹间可以匹配的点的数量，即轨迹${{T}_{1}}$和${{T}_{2}}$的最长公共子序列的长度，其取值情况如下：
$N= \begin{cases}0 & i=0 \text { 或 } j=0<\gamma \\ c[i-1, j-1]+1 & i, j>0 \text { 且 } T_1=T_2 \\ \max (c[i, j-1], c[i-1, j] & i, j>0 \text { 且 } T_1 \neq T_2\end{cases}$
式中：N(${{T}_{1}}{{T}_{2}}$)的值在0~1之间。当i=0或j=0时，T1和T2的最长公共子序列为空序列，此时N=0。当较短轨迹上的点都与另一条轨迹上的点匹配时，N(${{T}_{1}}{{T}_{2}}$)的值为1。对于第n条红色旅游轨迹${{T}_{i}}$，根据式（2）和（4）提取其与N-1条轨迹的之间的最长公共子轨迹，代入式（3）计算空间相似度，最终形成$N\times N$的空间相似度矩阵。

3.2 时间相似度

根据轨迹的起止时间点可测量它们的对应时间间隔，如果2个轨迹之间的时间段重叠更多，那么它们被认为具有更高的时间相似性。采用Jaccard Distance来估计2个轨迹${{T}_{i}}$和${{T}_{j}}$之间的时间相似性，公式如下：
${{S}_{t}}\left( {{T}_{i}}{{T}_{j}} \right)=1-\frac{\left| {{T}_{i}}\cap {{T}_{j}} \right|}{\left| {{T}_{i}}\cup {{T}_{j}} \right|}$
分别提取每条红色旅游轨迹的开始时间和结束时间，代入式（5），计算得到$N\times N$的时间相似度矩阵。其中${{T}_{i}}=\left[ s{{t}_{i}},e{{t}_{i}} \right]$，st为开始时间，et为结束时间，${{S}_{t}}\left( {{T}_{i}}{{T}_{j}} \right)$的值在0~1之间，其值越大，表示2条轨迹越相似。${{S}_{t}}\left( {{T}_{i}}{{T}_{j}} \right)=1$表示2条轨迹在完全相同的时间开始和结束。如果2个时间跨度之间没有重叠，则${{S}_{t}}\left( {{T}_{i}}{{T}_{j}} \right)$为0。

3.3 方向相似度

以轨迹出发地为起点，目的地为终点，构建轨迹向量，以此计算2个轨迹的方向相似度。首先计算轨迹向量${{T}_{1}}$和${{T}_{2}}$的余弦值如下：
$cs=\cos \left( {{T}_{1}}{{T}_{2}} \right)=\frac{{{T}_{1}}\cdot {{T}_{2}}}{\left\| {{T}_{1}} \right\|\left\| {{T}_{2}} \right\|}$
$\cos \left( {{T}_{1}}{{T}_{2}} \right)$取值在-1~1之间。轨迹向量${{T}_{1}}$和${{T}_{2}}$的方向相似度计算如下：
${{S}_{v}}\left( {{T}_{1}}{{T}_{2}} \right)=\frac{\arccos \left( \cos \left( {{T}_{1}}{{T}_{2}} \right) \right)}{\pi }$
式中：${{S}_{v}}\left( {{T}_{1}}{{T}_{2}} \right)$为两轨迹之间的方向相似度，取值在0~1之间。如果${{S}_{v}}\left( {{T}_{1}}{{T}_{2}} \right)=0$，表示2条轨迹在方向上完全相似。首先运用式（6）计算单条红色旅游轨迹出发地经纬度和目的地经纬度之间的余弦值，将所得值代入式（7）得到2条轨迹之间的方向相似度，最终形成$N\times N$的方向相似度矩阵。

3.4 DBSCAN模型

DBSCAN模型基于参数$\varepsilon $(邻域最大半径)和MinTrs(邻域最少轨迹数目)将样本数据划分为不同的类别，同一类别的数据在密度上紧密相关[62]。$\varepsilon$是轨迹样本的领域距离，MinTrs为给定领域$\varepsilon$内的最小样本量，当某轨迹的领域内样本量大于或等于MinTrs时，称该轨迹为核心轨迹，反之则暂时将其视为边缘轨迹，依次循环，确定样本核心轨迹和边缘轨迹。本文运用DBSCAN算法的基本思想，将空间相似度、时间相似度和方向相似度与无监督学习相结合，将计算得到的3个$N\times N$的相似度矩阵输入到改进的DBSCAN算法中进行分析，具体步骤如下：
（1）确定模型参数。根据轮廓系数[63]（Silhouette Coefficient）确定模型所需的邻域最大半径$\varepsilon$和邻域最轨迹点数目MinTrs的值。
（2）确定核心轨迹。设定MinTrs的值，计算每条轨迹的轨迹邻域${{N}_{{{\varepsilon }_{s}}{{\varepsilon }_{t}}{{\varepsilon }_{v}}}}({{T}_{i}})$。如果${{N}_{{{\varepsilon }_{s}}{{\varepsilon }_{t}}{{\varepsilon }_{v}}}}({{T}_{i}})$中轨迹的数量比MinTrs多，那么轨迹就是核心轨迹，最终形成核心轨迹集${{H}_{t}}$。
（3）确定边缘轨迹和噪声轨迹。如果一个轨迹${{T}_{j}}$不在另一条轨迹的邻域${{N}_{{{\varepsilon }_{s}}{{\varepsilon }_{t}}{{\varepsilon }_{v}}}}({{T}_{i}})$中，且${{N}_{{{\varepsilon }_{s}}{{\varepsilon }_{t}}{{\varepsilon }_{v}}}}({{T}_{i}})$中轨迹的数量比MinTrs少，则其为边缘轨迹。既不是核心轨迹也不是边缘轨迹的就是噪声轨迹。
（4）提取簇类。根据空间相似度、方向相似度和时间相似度依次对${{H}_{t}}$中的轨迹进行迭代分析，确定簇类集$C=\left\{ {{C}_{1}},{{C}_{2}},{{C}_{3}},\cdots,{{C}_{i}} \right\}$，即为最终的聚类分析结果。

4 结果及分析

4.1 红色旅游者时空行为特征

遵义市红色旅游者旅游时长分布不均衡，具有明显的淡旺季（图2），旅游季节性特征突出。如图2所示，旅游时长主要集中于0~2 h，且在5~6 h区间出现峰值，平均旅游时长为2.01 h，以半日游为主。从月际变化来看（图2），红色旅游峰值出现于1、6、7和8月，11月和12月为红色旅游人数最少的2个月，其季节性强度指数为5.57,说明各季节旅游次数差异较大，夏季的红色旅游出游次数明显高于其他季节，占比达34.07%，其后依次为秋季（22.72%）、春季（22.22%）和冬季（20.99%）。从周内变化来看，工作日的红色旅游次数明显高于周末，其中周二的旅游次数占比最高为17.04%，其次为周三（16.05%）和周四（15.06%），周五的旅游次数占比最低为11.6%。
图2 遵义市红色旅游者时空行为特征

注:图(a)的2条橙色线代表对应的时间和距离分布情况，曲线的高低与框线中密度的颜色深浅对应。

Fig. 2 Spatial-temporal behavior characteristics of red tourists

图2表示遵义市红色旅游者空间分布特征，游客选择的旅游目的地空间分布差异显著，主要位于遵义市的西北和西南区域。旅游者到访次数最多的红色旅游目的主要分布于红花岗区（34.07%），其次为分布于汇川区（21.98%）和赤水区（15.8%）的景区。红色旅游者的旅游距离在10~20 km之间，平均旅游行程长度为15.12 km。

4.2 时空行为模式分析

4.2.1 模型参数确定

通过DBSCAN模型共提取出6种红色旅游模式。计算聚类评价指标轮廓系数以确定模型参数，如图3所示，当和值分别为18和13时，轮廓系数值最大，此时模式间的差异最大，模式内差异最小，聚类效果最佳，将参数代入聚类模型后得到6种红色旅游模式。图3展示了各模式的旅游距离和时长的核密度分布，由图可知，各模式均存在明显的峰值，组内分布具有明显的集中趋势，组间差异较大。
图3 DBSCAN模型参数和聚类结果

Fig. 3 Parameters of DBSCAN model and clustering results

4.2.2 模式分析

结合轨迹的语义信息对模式进行理解，可将模式按照旅游功能划分为6类，分别是“红色+购物娱乐”“红色+历史文化”“红色+登山旅游”“红色+生态休闲”“红色+古镇旅游”“红色+乡村旅游”。各模式间的旅游距离、旅游时长、分布区域存在明显的差异（表1）。各模式平均旅游距离为18.42~12.03 km，“红色+生态休闲”模式行程长度最长，18.42 km，“红色+购物娱乐”模式行程最短为12.03 km；各模式平均旅游时长在0.9~13.6 h之间，“红色+购物娱乐”模式旅游时间最长为13.6 h，“红色+古镇旅游”模式旅游时间最短为0.9 h。从空间分布上来看（图4），“红色+历史文化”和“红色+登山旅游”模式分布在遵义市的西北部，“红色+古镇旅游”模式分布在东南部，“红色+购物娱乐”、“红色+生态休闲”和“红色+乡村旅游”模式分布在西南部。汇川区、播州区和赤水市是各模式主要分布的区域。
表1 遵义市红色旅游时空行为模式统计信息

Tab. 1 Statistical information on the spatial-temporal behavior pattern of red tourism in Zunyi City

模式 平均旅游距离/km 平均旅游时长/h 主要分布区域 主要游览景区 行游比
“红色+购物娱乐” 12.03 13.60 汇川区、红花岗区、
播州区		 遵义会议会址、遵义毛主席旧址、中国红色旅游第一街、遵义红军烈士陵园等 1.32
“红色+历史文化” 16.69 3.45 赤水市、习水县 女红军纪念馆、四渡赤水纪念馆、中国女红军纪念馆等 1.54
“红色+登山旅游” 15.35 1.82 赤水市 丙安红一军团陈列馆、四渡赤水红军烈士陵园等 0.39
“红色+生态休闲” 18.42 2.72 汇川区、桐梓县 娄山关、红色拓展园等 0.72
“红色+古镇旅游” 6.73 0.90 余庆县 万丈坑红军烈士墓等 0.14
“红色+乡村旅游” 16.84 12.65 播州区、仁怀市 苟坝会议旧址等 0.34
图4 遵义市红色旅游时空行为模式

Fig. 4 Spatial-temporal behavior pattern of red tourism

分别提取各模式旅游者主要游览的景区，并分析轨迹在景区内的平均游览时间和路程所花费的时间，计算行游比。如表1所示，“红色+购物娱乐”模式游览的景区最多，行游比也较高为1.32，主要景区包括遵义会议会址、遵义毛主席旧址、中国红色旅游第一街、遵义红军烈士陵园、中华苏维埃国家银行旧址、红军总政治部旧址、奥特莱斯旅游区、唯一国际旅游区、思达·遵义乐园等；“红色+古镇旅游”模式行游比最低为0.14，主要游览的景区包括万丈坑红军烈士墓、余庆红渡景区、敖溪土司古镇等。“红色+登山旅游”、“红色+生态休闲”、“红色+古镇旅游”和“红色+乡村旅游”模式的行游比均小于1，说明在景区内的游览时间高于路程所花费的时间。“红色+购物娱乐”和“红色+历史文化”模式的行游比大于1，旅游者的大部分时间花费在路程上。

4.3 时空行为线路分析

在模式挖掘的基础上，进一步提取出各模式包含的主要线路。遵义市红色旅游模式下线路多样，6类红色旅游模式提取出了24种旅游线路。所有线路的平均行程长度为17.69 km，平均时长为2.36 h。线路22最长，隶属于“红色+登山旅游”模式，长度达45.03 km，用时2.53 h，由遵义市赤水市东南部去往西北部。线路16最短，隶属于“红色+历史文化”模式，长度为3.16 km，用时1.43 h，属于在红色旅游资源点周围活动的路线。线路主要分布在遵义市的西南部，其中包括4个行政区，即红花岗区、汇川区、桐梓县和播州区，涵盖了72%的线路。包含遵义会议旧址的线路占比最多为38.46%，平均行程长度为7.6 km，平均旅游时长为2.06 h。
根据所游览的景区类型可将线路划分为全红色景区线路和混合型线路。图5和图6为全红色景区线路，可进一步细分为单个红色景区线路（图5）和多个红色景区线路（图6）。单个红色景区线路涉及的红色旅游景区主要有遵义红军烈士陵园（线路1）、苟坝会议旧址（线路5）、遵义毛主席旧址（线路2）、 四渡赤水红军烈士陵园（线路3—线路4）、娄山关（线路6），旅游距离在4.42~26.96 km之间，最短和最长分别为线路1和线路4；旅游时长在1.2~3.8 h之间，最短和最长分别为线路线路3和线路5。多个红色景区线路包含线路7—线路14，均位于红花岗区，所涉及的红色旅游景区包括遵义会议会址（线路7—线路10、线路12、线路14）、遵义红军烈士陵园（线路8、线路11—线路13）、中华苏维埃国家银行旧址（线路7—线路14）、红军遵义警备司令部旧址（线路7、线路10—线路12、线路14）、中国红色旅游第一街（线路7—线路9、线路11—线路13），旅游距离在4.95~10.18 km之间，最短和最长分别为线路10和线路线路12；旅游时长在0.86~4.09 h之间，最短和最长分别为线路线路11和线路7。
图5 遵义市红色旅游线路（线路1—线路6）

注：箭头代表线路方向。

Fig. 5 Routes of red tourism in Zunyi City (Route 1 to Route 6)

图6 遵义市红色旅游线路（线路7—线路14）

注：箭头代表线路方向。

Fig. 6 Routes of red tourism (Route 7 to Route 14)

图7和图8展示了混合型线路，除红色旅游景区外，丙安古镇、土城古镇、杉坪景区等A级景区同样受到红色旅游者的青睐。此类线路分布于汇川区（线路19）、播州区（线路20）、赤水市（线路21—线路22）、桐梓县（线路20）和习水县（线路15—线路18），旅游距离在3.16~45.03 km之间，旅游时长在0.96~3.55 h之间。线路15—线路18为“四渡赤水纪念馆—宋窑博物馆—土城古镇”，线路19为“娄山关—红色拓展园—中国遵义牡丹园—汇川岩石底庄”，线路20为“娄山关—杉坪景区—小西湖旅游景区—红色拓展园”，线路21为“丙安古镇—四渡赤水红军烈士陵园”，线路22为“转石奇观—红石野谷景区—望云峰—四渡赤水红军烈士陵园”，线路23为“敖溪土司古镇—万丈坑红军烈士墓”，线路24为“花茂旅游景区—苟坝会议旧址”。
图7 遵义市红色旅游线路（线路15—线路20）

注：箭头代表线路方向。

Fig. 7 Routes of red tourism (Route 15 to Route 20)

图8 遵义市红色旅游线路（线路21—线路24）

注：箭头代表线路方向。

Fig. 8 Routes of red tourism in Zunyi City (Route 21 to Route 24)

蓉遵高速、兰海高速、杭瑞高速和遵义绕城高速是红色旅游线路主要依托的道路。沿蓉遵高速分别形成了“红色+登山旅游”模式、“红色+历史文化”模式、模式6，贯穿赤水市、习水县和播州区，包含线路11—线路18、线路23和线路24。依托遵义绕城高速和杭瑞高高速的模式为“红色+购物娱乐”模式，主要位于红花岗区和汇川区，包含线路1—线路10。兰海高速沿线的模式有“红色+生态休闲”模式，包含线路19和线路20。

5 讨论

与侧重解释旅游者个体行为偏好的管理学和社会学研究视角不同，地理学旅游时空行为研究更关注如何从群体行为中提取出具有规律性和代表性的旅游者群体模式[64]。行为模式研究的实质是将具有相似性的群体行为视为同一类型，而相似群体行为反映了这一群体在时空约束下的社会经济联系及其对空间的共同需求偏好[65]，是理解和应用地理学空间结构理论，应用行为地理学、交通地理学、城市地理学等学科的重要理论基础。旅游者的轨迹存在旅游次序和空间形态方面的规律，以往的行为模式提取方法仅考虑轨迹间的空间距离或方向[49]，更适用于小尺度轨迹时空行为模式挖掘不同，本研究采用的方法考虑了轨迹的空间距离、时间和方向，结合大尺度上轨迹数据特征，对现有算法进行了优化，所构建的DBSCAN模型不受轨迹形状和聚类数量的限制，能够有效地识别研究区域内旅游者行为模式中任意形状的簇类，提取出了游客行为模式，并详细分析了不同模式包含的典型旅游线路特征。可以适用于基于轨迹大数据的旅游时空行为模式挖掘。为其他不同主题、不同空间尺度的旅游者行为模式研究提供了思路和方法参考。
通过对轨迹大数据的挖掘揭示了6种红色旅游者空间行为模式，模式的主题包含“红色+购物娱乐”“红色+历史文化”“红色+登山旅游”“红色+生态休闲”“红色+古镇旅游”“红色+乡村旅游”。复合的模式体现了红色旅游发展已呈现出融合发展的特征，对模式的进一步分析还明确了遵义红色旅游发展依托的核心吸引物、主要交通线路，这为红色旅游产业未来发展的空间结构优化提供了依据。遵义市的红色旅游产业应以遵义会议旧址为核心，依托蓉遵高速、兰海高速、杭瑞高速和遵义绕城高速等交通线路联结其他不同主题的旅游吸引物，构建红色旅游目的地体系。此外，所有模式中共提取出的24条旅游线路，这些线路是体现了旅游者客观的线路偏好，与已编制的红色旅游规划对比发现，规划方案中已经包含研究结果中的部分红色旅游线路、重要点位和交通干道，对线路的调整和优化可参考大数据挖掘的红色旅游者的行为模式、线路的研究结论。
旅游者时空行为模式挖掘研究仍面临挑战。一方面，对GPS轨迹的速度、驻留点、高程变化等其他信息挖掘不足，且缺乏各行为模式对比分析指标。在进一步的研究中，将气候条件、经济水平、个人属性等多源数据与轨迹数据融合，开展多种研究视角下不同旅游类型的模式研究，是对旅游者行为模式研究的重要补充。另一方面，应进一步发展轨迹数据挖掘的方法，对DBSCAN模型进行优化，从实践应用来看，虽然本研究识别了遵义市红色旅游者重点关注的红色旅游景区，以及线路所依托的道路，但这主要是为实践中旅游产业规划布局提供一种科学的参考。要进一步形成具体的可落地实施的规划方案，还需要对这些关键节点和线路开展调查研究和访谈，将轨迹挖掘与实地考察、统计数据、专家经验相结合，实现传统方法和大数据技术的融合，才能更为科学地指导遵义市红色旅游产业的发展。此外，不同主题的旅游活动有特定的模式，不同区域的模式可能与经济发展和社会文化发展有关，如何有效揭示旅游者行为模式形成的原因、影响因素等仍是当前模式研究的难点，应对更多案例地、更多类型旅游行为模式进行挖掘和对比。

6 结论

本研究通过挖掘轨迹数据深化了对红色旅游行为模式的理解。所构建的研究框架和方法具有科学性、合理性和可行性，融合轨迹相似性度量算法对DBSCAN模型进行改进，有效提取并揭示了遵义市红色旅游者的时空行为模式。
遵义市红色旅游行为具有明显的时空特征。时间上，遵义市红色旅游以半日游为主，旅游时长峰值分别出现于0~2 h和5~6 h，平均旅游时长为2.01 h；夏季是红色旅游旺季，各季旅游人次夏季>秋季>春季>秋季，工作日旅游频次高于周末。空间上，旅游距离在10~20 km之间，平均旅游行程长度为15.12 km，主要分布于遵义市的西北和西南区域。
遵义市红色旅游共有6类时空行为模式。模式间的旅游距离、旅游时长、分布区域、行游比存在明显的差异。根据轨迹的语义信息，可将模式进一步划分为“红色+购物娱乐”“红色+历史文化”“红色+登山旅游”“红色+生态休闲”“红色+古镇旅游”“红色+乡村旅游”，汇川区、播州区和赤水市是各模式主要分布的区域。
从模式中提取出24条红色旅游线路，包括全红色旅游线路和混合型线路，全红色旅游线路最多，占比58.33%。红花岗区、汇川区、桐梓县和播州区涵盖了72%的线路。遵义会议旧址、苟坝会议旧址、娄山关红色景区是游客主要关注的红色旅游景区。蓉遵高速、兰海高速、杭瑞高速和遵义绕城高速是红色旅游线路主要依托的道路。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
习近平. 用好红色资源,传承好红色基因把红色江山世世代代传下去[J]. 求知, 2021(6):4-10.

[ Xi J P. Make good use of red resources, pass on red genes and pass on the red mountains and rivers from generation to generation[J]. Seeking Knowledge, 2021(6):4-10. ]

[2]
中华人民共和国国家发展和改革委员会. 2004—2010年全国红色旅游发展规划纲要[Z]. 2004-12-29.

[ National Development and Reform Commission. Outline of National Red Tourism Development Plan 2004-2010[Z]. 2004-12-29. ]

[3]
中华人民共和国国家发展和改革委员会. 关于印发全国红色旅游经典景区名录的通知[Z]. 2016-12-30.

[ National Development and Reform Commission. Notice on the issuance of the national Red Tourism classic scenic spots list[Z]. 2016-12-30. ]

[4]
中华人民共和国国家发展和改革委员会. “十四五”旅游业发展规划[Z]. 2022-03-25.

[ National Development and Reform Commission. The 14th Five-Year Plan for Tourism Development[Z]. 2022-03-25. ]

[5]
国务院. 关于新时代支持革命老区振兴发展的意见[Z]. 2021-02-20.

[ The State Council. Opinions on Supporting the revitalization and development of Old Revolutionary Base Areas in the New Era[Z]. 2021-02-20. ]

[6]
中国政府网. “建党百年红色旅游百条精品线路”[EB/OL]. http://www.gov.cn/2021-06-01.

[ The Chinese government net. "The founding of the red tourism one hundred one hundred fine lines"[EB/OL]. http://www.gov.cn/2021-06-01. ]

[7]
Park S, Xu Y, Jiang L, et al. Spatial structures of tourism destinations: A trajectory data mining approach leveraging mobile big data[J]. Annals of Tourism Research, 2020, 84:102973. DOI:10.1016/j.annals.2020.102973

[8]
丁新军, 吴佳雨, 粟丽娟, 等. 国际基于时间地理学的旅游者行为研究探索与实践[J]. 经济地理, 2016, 36(8):183-188,201.

[ Ding X J, Wu J Y, Su L J, et al. A review on international research and practice of tourist behavior from the perspective of time geography[J]. Economic Geography, 2016, 36(8):183-188,201. ] DOI:10.15957/j.cnki.jjdl.2016.08.026

[9]
Chantre-Astaiza A, Fuentes-Moraleda L, Muñoz-Mazón A, et al. Science mapping of tourist mobility 1980-2019. technological advancements in the collection of the data for tourist traceability[J]. Sustainability, 2019, 11(17):4738. DOI:10.3390/su11174738

[10]
Lew A, McKercher B. Modeling tourist movements: A local destination analysis[J]. Annals of Tourism Research, 2006, 33:403-423. DOI:10.1016/J.ANNALS.2005.12.002

[11]
王章郡, 方忠权. 基于GPS的徒步旅游空间行为模式及其演变特征 ——以江西省武功山为例[J]. 地域研究与开发, 2021, 40(6):118-122,146.

[ Wang Z J, Fang Z Q. Spatial behavior patterns and evolution characteristics of hikers based on GPS data: A case study of the Wugong Mountain in Jiangxi Province[J]. Areal Research and Development, 2021, 40(6):118-122,146. ] DOI:10.3969/j.issn.1003-2363.2021.06.020

[12]
刘培学, 廖茂林, 张捷, 等. 山岳型景区游客轨迹聚类与体验质量差异研究——以世界遗产地三清山为例[J]. 旅游学刊, 2018, 33(5):56-67.

[ Liu P X, Liao M L, Zhang J, et al. Tourist spatial behavior and experience quality in mountain resorts: A case study of mount Sanqingshan[J]. Tourism Tribune, 2018, 33(5):56-67. ] DOI:10.3969/j.issn.1002-5006.2018.05.010

[13]
Tian F, Yang Y, Mao Z, et al. Forecasting daily attraction demand using big data from search engines and social media[J]. International Journal of Contemporary Hospitality Management, 2021, 33(6):1950-1976.

DOI

[14]
Ferrante M, Magno G, De Cantis S. Measuring tourism seasonality across European countries[J]. Tourism Management, 2018, 68:220-235. DOI:10.1016/j.tourman.2018.03.015

[15]
Javier L, Javier R M, Francesc S. An integrated analysis of tourism seasonality in prices and quantities, with an application to the Spanish hotel industry[J]. Journal of Travel Research, 2021, 60(7):1581-1597.

DOI

[16]
唐弘久, 保继刚. 我国主要入境客源地游客的时空特征及影响因素[J]. 经济地理, 2018, 38(9):222-230,239.

[ Tang H J, Bao J G. Spatio-temporal characteristics and influencing factors of tourists from main inbound tourist source for China's mainland[J]. Economic Geography, 2018, 38(9):222-230,239. ] DOI:10.15957/j.cnki.jjdl.2018.09.026

[17]
杨钊, 刘永婷, 秦金芳, 等. 长三角游乐型主题公园客流时空分布特征及其影响因素分析——以上海欢乐谷、常州恐龙园、芜湖方特为例[J]. 自然资源学报, 2021, 36(3):722-736.

DOI

[ Yang Z, Liu Y T, Qin J F, et al. Spatial structure of tourist market and its influencing factors in the Yangtze River Delta theme parks: A case study of Shanghai Happy Valley, Changzhou Dinosaur Park and Wuhu Fangte[J]. Journal of Natural Resources, 2021, 36(3):722-736. ]

DOI

[18]
阮文奇, 张舒宁, 李勇泉, 等. 中国赴泰旅游需求时空分异及其影响因素[J]. 旅游学刊, 2019, 34(5):76-89.

[ Ruan W Q, Zhang S N, Li Y Q, et al. Spatiotemporal differentiation and influencing factors of chinese’s tourism demand to Thailand[J]. Tourism Tribune, 2019, 34(5):76-89. ] DOI:10.19765/j.cnki.1002-5006.2019.05.010

[19]
文娜娟, 孙凤芝, 贾衍菊. 时空行为模式对景区游客旅游消费的影响研究——以台儿庄古城为例[J]. 干旱区资源与环境, 2022, 36(2):171-177.

[ Wen N J, Sun F Z, Jia Y J. Influence of spatial-temporal behavior patterns on tourism consumption of tourists in scenic spot[J]. Journal of Arid Land Resources and Environment, 2022, 36(2):171-177. ] DOI:10.13448/j.cnki.jalre.2022.052

[20]
Huang X T, Li M X, Zhang J R, et al. Tourists' spatial-temporal behavior patterns in theme parks: A case study of Ocean Park[J]. Journal of Destination Marketing & Management, 2020, 15:100411. DOI:10.1016/j.jdmm.2020.100411

[21]
Gu Q S, Zhang H P, Huang S, et al. Tourists' spatiotemporal behaviors in an emerging wine region: A time-geography perspective[J]. Journal of Destination Marketing and Management, 2021, 19:100513. DOI:10.1016/j.jdmm.2020.100513

[22]
黄潇婷. 基于时间地理学的景区旅游者时空行为模式研究——以北京颐和园为例[J]. 旅游学刊, 2009, 24(6):82-87.

[ Huang X T. A study on temporal-spatial behavior pattern of tourists based on time-geography science: A case study of summer Palace, Beijing[J]. Tourism Tribune, 2009, 24(6):82-87. ] DOI:10.3969/j.issn.1002-5006.2009.06.019

[23]
汪丽, 曹小曙, 李涛. 不同出游时间视角下游客流动网络结构及其分异特征——以西安市为例[J]. 地理科学, 2021, 41(8):1437-1447.

DOI

[ Wang L, Cao X S, Li T. The structure of tourist flow network and its different characteristics from the perspective of different travel time: A case study of Xi’an city[J]. Scientia Geographica Sinica, 2021, 41(8):1437-1447. ] DOI:10.13249/j.cnki.sgs.2021.08.015

[24]
王润源, 程绍文. 基于数字足迹的广州市旅游者时空行为特征研究[J/OL]. 资源开发与市场, 2022:1-14.(2022-07-18). https://kns.cnki.net/kcms/detail/51.1448.N.20220715.1128.006.html

[ Wang R Y, Cheng S W. Study on temporal-spatial behavior characteristics of tourists in Guangzhou based on digital footprints[J/OL]. Resource Development & Market, 2022:1-14. (2022-07-18). https://kns.cnki.net/kcms/detail/51.1448.N.20220715.1128.006.html

[25]
黄潇婷. 基于GPS与日志调查的旅游者时空行为数据质量对比[J]. 旅游学刊, 2014, 29(3):100-106.

[ Huang X T. Quality comparison between space-time data of tourists' behaviour captured using GPS tracking technology and activity diaries[J]. Tourism Tribune, 2014, 29(3):100-106. ] DOI: 10.3969/j.issn.1002-5006.2014.03.011

[26]
黄潇婷, 李玟璇, 张海平, 等. 基于GPS数据的旅游时空行为评价研究[J]. 旅游学刊, 2016, 31(9):40-49.

[ Huang X T, Li W X, Zhang H P, et al. Evaluation of tourist temporal-spatial behavior based on GPS data[J]. Tourism Tribune, 2016, 31(9):40-49.] DOI:10.3969/j.issn.1002-5006.2016.09.015

[27]
梁嘉祺, 姜珊, 陶犁. 旅游者时空行为模式与难忘旅游体验关系研究[J]. 旅游学刊, 2021, 36(10):98-112.

[ Liang J Q, Jiang S, Tao L. Research on the relationship between spatial-temporal behavior patterns and memorable tourism experiences[J]. Tourism Tribune, 2021, 36(10):98-112. ] DOI:10.19765/j.cnki.1002-5006.2021.00.008

[28]
张文佳, 季纯涵, 谢森锴. 复杂网络视角下时空行为轨迹模式挖掘研究[J]. 地理科学, 2021, 41(9):1505-1514.

DOI

[ Zhang W J, Ji C H, Xie S K. Pattern mining of spatio-temporal behavior trajectories by complex network analysis[J]. Scientia Geographica Sinica, 2021, 41(9):1505-1514. ] DOI:10.13249/j.cnki.sgs.2021.09.002

[29]
钟炜菁, 王德, 谢栋灿, 等. 上海市人口分布与空间活动的动态特征研究——基于手机信令数据的探索[J]. 地理研究, 2017, 36(5):972-984.

DOI

[ Zhong W J, Wang D, Xie D C, et al. Dynamic characteristics of Shanghai’s population distribution using cell phone signaling data[J]. Geographical Research, 2017, 36(5):972-984. ] DOI:10.11821/dlyj201705013

[30]
廖嘉欣, 吴启用, 兰小机, 等. 基于WiFi探针数据的城市出行轨迹提取[J]. 地球信息科学学报, 2021, 23(11):1946-1955.

DOI

[ Liao J X, Wu Q Y, Lan X J, et al. Urban travel trajectory extraction based on WiFi probe data[J]. Journal of Geo-information Science, 2021, 23(11):1946-1955. ] DOI: 10.12082/dqxxkx.2021.200777

[31]
徐敏, 曹芳东, 朱海珠. 基于地理标记照片数据挖掘的游客流动特征及其形成机制——以苏州为例[J]. 经济地理, 2020, 40(4):223-231.

[ Xu M, Cao F D, Zhu H Z. The flow characteristics of tourists and its forming mechanism based on geo-tagged photo data mining: Take Suzhou as an example[J]. Economic Geography, 2020, 40(4):223-231. ] DOI:10.15957/j.cnki.jjdl.2020.04.025

[32]
Traunmueller M W, Johnson N, Malik A, et al. Digital footprints: Using WiFi probe and locational data to analyze human mobility trajectories in cities[J]. Computers, Environment and Urban Systems, 2018, 72:4-12. DOI:10.1016/j.compenvurbsys.2018.07.006

[33]
Grinberger A Y, Shoval N, McKercher B. Typologies of tourists' time-space consumption: A new approach using GPS data and GIS tools[J]. Tourism Geographies, 2014, 16(1):105-123. DOI:10.1080/14616688.2013.869249

[34]
Hallo J C, Beeco J A, Goetcheus C, et al. GPS as a method for assessing spatial and temporal use distributions of nature-based tourists[J]. Journal of Travel Research, 2012, 51(5):591-606. DOI:10.1177/0047287511431325

[35]
Jiang X, Souza E N, Pesaranghader A, et al. TrajectoryNet: An embedded GPS trajectory representation for point-based classification using recurrent neural networks[J]. 2017. DOI: 10.15439/2016F546

[36]
焦萍, 马宁远, 段雅馨, 等. 基于出租车订单轨迹数据的城市居民出行需求区域挖掘[J]. 长安大学学报(自然科学版), 2022, 42(4):108-117.

[ Jiao P, Ma N Y, Duan Y X, et al. Regional mining of urban residents' travel demand based on taxi order trajectory data[J]. Journal of Chang'an University (Natural Science Edition), 2022, 42(4):108-117. ] DOI:10.19721/j.cnki.1671-8879.2022.04.011

[37]
Zhao P X, Qin K, Ye X Y, et al. A trajectory clustering approach based on decision graph and data field for detecting hotspots[J]. International Journal of Geographical Information Science, 2016:1-27. DOI:10.1080/13658816.2016.1213845

[38]
Zheng W M, Li M L, Lin Z B, et al. Leveraging tourist trajectory data for effective destination planning and management: A new heuristic approach[J]. Tourism Management, 2022, 89:104437. DOI:10.1016/j.tourman.2021.104437

[39]
赵斌, 韩晶晶, 史覃覃, 等. 语义轨迹建模与挖掘研究进展[J]. 地球信息科学学报, 2020, 22(4):842-856.

DOI

[ Zhao B, Han J J, Shi Q Q, et al. Advancements in semantic trajectory modelling and mining[J]. Journal of Geo-information Science, 2020, 22(4):842-856. ]

[40]
唐梦梦, 吉根林, 赵斌. 利用MapReduce的异常轨迹检测并行算法[J]. 地球信息科学学报, 2015, 17(5):523-530.

DOI

[ Tang M M, Ji G L, Zhao B. A parallel algorithm for detecting trajectory outliers based on MapReduce[J]. Journal of Geo-Information Science, 2015, 17(5):523-530. ] DOI:10.3724/SP.J.1047.2015.00523

[41]
蔡明昕, 孙晶, 王斌. 多角度语义轨迹相似度计算模型[J]. 计算机科学与探索, 2021, 15(9):1632-1640.

DOI

[ Cai M X, Sun J, Wang B. Multi-aspect semantic trajectory similarity computation model[J]. Journal of Frontiers of Computer Science & Technology, 2021, 15(9):1632-1640. ] DOI: 10.3778/j.issn.1673-9418.2008095

[42]
初晨, 张恒才, 陆锋. 大型商场顾客消费行为轨迹推断[J]. 地球信息科学学报, 2022, 24(6):1034-1046.

DOI

[ Chu C, Zhang H C, Lu F. Inferring consumption behavior of customers in shopping malls from indoor trajectories[J]. Journal of Geo-information Science, 2022, 24(6):1034-1046. ]

[43]
Poucin G, Farooq B, Patterson Z. Activity patterns mining in Wi-Fi access point logs[J]. Computers, Environment and Urban Systems, 2018, 67:55-67. DOI:10.1016/j.compenvurbsys.2017.09.004

[44]
Birant D, Kut A. ST-DBSCAN: An algorithm for clustering spatial-temporal data[J]. Data & Knowledge Engineering, 2007, 60(1):208-221. DOI:10.1016/j.datak.2006.01.013

[45]
Nielsen F. Introduction to HPC with MPI for Data Science[M]. Springer International Publishing, 2016. DOI:10.1016/j.datak.2006.01.013

[46]
Lee J G, Han J W, Whang K Y. Trajectory clustering: A partition-and-group framework[C]// Proceedings of the 2007 ACM SIGMOD international conference on Management of data. New York: ACM, 2007:593-604. DOI: 10.1145/1247480.1247546

[47]
Bhattacharjee P, Mitra P. A survey of density based clustering algorithms[J]. Frontiers of Computer Science, 2020, 15(1):264-323.

[48]
Behara K N S, Bhaskar A, Chung E. A DBSCAN-based framework to mine travel patterns from origin-destination matrices: Proof-of-concept on proxy static OD from Brisbane[J]. Transportation Research Part C: Emerging Technologies, 2021, 131:103370. DOI:10.1016/j.trc.2021.103370

[49]
Huang Y R, Xiao Z, Wang D, et al. Exploring individual travel patterns across private car trajectory data[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(12):5036-5050. DOI:10.1109/TITS.2019.2948188

[50]
中华人民共和国文化和旅游部. 贵州:发展红色旅游传承红色记忆[EB/OL]. https://www.mct.gov.cn/whzx/qgwhxxlb/gz/202001/t20200110_850252.htm2020-01-10.

[ Ministry of Culture and Tourism of the People's Republic of China. Guizhou: Developing red tourism and inheriting red memories[EB/OL]. https://www.mct.gov.cn/whzx/qgwhxxlb/gz/202001/t20200110_850252.htm2020-01-10. ]

[51]
中华人民共和国中央人民政府. 关于印发全国红色旅游经典景区名录的通知[EB/OL]. http://www.gov.cn/xinwen/2016-12/30/content_5154944.htm2016-12-30.

[ Central People's Government of the People's Republic of China. Notice on the issuance of the national red tourism classic scenic spot List[EB/OL]. http://www.gov.cn/xinwen/2016-12/30/content_5154944.htm2016-12-30. ]

[52]
中华人民共和国国家发展和改革委员会. 国家发展改革委印发革命老区振兴发展2022年工作要点[EB/OL]. https://www.ndrc.gov.cn/fggz/202204/t20220415_1322117.html?code=&state=1232022-04-15.

[ National Development and Reform Commission, PRC. The National Development and Reform Commission has published key work points for the revitalization and development of old revolutionary base areas in 2022[EB/OL]. https://www.ndrc.gov.cn/fggz/202204/t20220415_1322117.html?code=&state=1232022-04-15. ]

[53]
中华人民共和国中央人民政府. 四部门联合推出“建党百年红色旅游百条精品线路”[EB/OL]. http://www.gov.cn/xinwen/2021-06/01/content_5614841.htm2021-06-01.

[ Central People's Government of the People's Republic of China. Four departments jointly launch "100 high-quality Red Tourism Routes for the Centennial of the Founding of the Party"[EB/OL]. http://www.gov.cn/xinwen/2021-06/01/content_5614841.htm2021-06-01. ]

[54]
遵义市文化旅游局. 盘点五一小长假丨遵义:红色游热度不减 “微旅游”成为主流[EB/OL]. http://wtlyj.zunyi.gov.cn/xwzx/bmyw/202205/t20220506_73786704.html2022-05-06.

[ Zunyi Culture and Tourism Bureau. In Zunyi, the popularity of "micro tourism" has become the mainstream during the May Day holiday[EB/OL]. http://wtlyj.zunyi.gov.cn/xwzx/bmyw/202205/t20220506_73786704.html2022-05-06. ]

[55]
贵州人大网. 体验红色文旅感悟长征精神[EB/OL]. http://www.gzrd.gov.cn/2022-05-20.

[ Guizhou people's congress mesh. Experience red brigade Feel the long march spirit[EB/OL]. http://www.gzrd.gov.cn/2022-05-20. ]

[56]
遵义市文化旅游局. 遵义市文化和旅游“十四五”专项规划[Z]. http://wtlyj.zunyi.gov.cn/zwgk/fdzdgknr/ghxx/202209/P020220920556398239828.pdf2022-09.

[ Zunyi Culture and Tourism Bureau. "14th Five-Year Plan" special plan of Culture and Tourism of Zunyi City[Z]. http://wtlyj.zunyi.gov.cn/zwgk/fdzdgknr/ghxx/202209/P020220920556398239828.pdf2022-09. ]

[57]
葛倩, 侯守明, 赵文涛. 基于卡尔曼滤波和改进DBSCAN聚类组合的GPS定位算法[J]. 全球定位系统, 2021, 46(1):28-35.

[ Ge Q, Hou S M, Zhao W T. GPS positioning algorithm based on Kalman filter and improved DBSCAN clustering combination[J]. GNSS World of China, 2021, 46(1):28-35. ] DOI:10.12265/j.gnss.2020100904

[58]
Grewal M S, Andrews A P. Kalman filtering: Theory and practice using Matlab[M], Prentice-Hall, 1993. DOI: 10.1002/9780470377819

[59]
Douglas D H, Peucker T K. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature[J]. Canadian Cartographer, 2006, 10(2):112-122. DOI:10.3138/FM57-6770-U75U-7727

[60]
Zheng Y. Trajectory Data Mining: An Overview[J]. ACM Transactions on Intelligent Systems and Technology, 2015, 6(3):1-41. DOI:10.1145/2743025

[61]
Nanni M, Pedreschi D. Time-focused clustering of trajectories of moving objects[J]. Journal of Intelligent Information Systems, 2006, 27(3):267-289. DOI:10.1007/s10844-006-9953-7

[62]
Parimala M, Lopez D, Senthilkumar N C. A survey on density based clustering algorithms for mining large spatial databases[J]. International journal of advanced science & technology, 2011.

[63]
Rousseeuw P J. Silhouettes: A graphical aid to the interpretation and validation of cluster analysis[J]. Journal of Computational and Applied Mathematics, 1987, 20:53-65. DOI:10.1016/0377-0427(87)90125-7

[64]
杨喜平, 方志祥. 移动定位大数据视角下的人群移动模式及城市空间结构研究进展[J]. 地理科学进展, 2018, 37(7):880-889.

DOI

[ Yang X P, Fang Z X. Recent progress in studying human mobility and urban spatial structure based on mobile location big data[J]. Progress in Geography, 2018, 37(7):880-889. ]

DOI

[65]
Simmel G. The sociology of Georg Simmel (Translated by Kilzer E, Wolff K H)[M]. New York: The Free Press, 1964.

Options
文章导航

/

〈 〉