发现基于流模式的汽车游客使用车牌数据:一个案例研究在深圳,中国

文摘

从大量的轨迹识别流模式的汽车游客被认为是一种很有前途的方法来改善旅游交通的管理。先前的研究主要集中在大规模的旅游活动,如入站,国内,使用流和城市旅游地图。相比之下,大规模的游客的流动模式进行建模,建模旅游流在微尺度更为复杂。本文以位于深圳大鹏岛为研究区域,并使用汽车识别设备收集交通流。首先,汽车游客分开后的混合交通流分析游客和居民的时空特征。接下来,每日图表路段之间的旅游活动和旅游景点。最后,频繁子图挖掘算法用于提取汽车游客的流动模式。实验结果表明,(1)汽车游客在旅行时间的选择有明显的偏好和旅游景点;(2)城际游客倾向于采取multidestination旅行而不是单个目的地旅行在相同类型的景点;(3)汽车公园游客倾向于用一种易于访问他们的汽车的地方,即使改变景点参观。 The main contribution of this paper is to present a new method for discovering the flow patterns of car tourists hidden in massive amounts of license plate data.

1。介绍

由于公路运输的灵活性和便利性,轿车旅游(旅游在拥有或租用汽车,也叫驾驶之旅(1)、汽车旅游(2),和无人驾驶之旅3];为简单起见,本文使用术语汽车旅游)一直流行的休闲和娱乐形式之一。最近,汽车旅游在中国发展迅速,规模继续扩大道路基础设施的改善,汽车保有量的增长。一份统计报告显示,到2015年,有23.4亿车游客在中国,占国内游客总数的58.5%以上4]。可以预见,随着时间的推移车游客的比例会增加。然而,汽车游客需要共享道路在城市或旅游景点与居民,他们依赖于道路网络实现循环之间的起源和多个旅游景点的地方。目前,城市道路拥挤严重。当大量的旅游汽车进入公路网络在旅游旺季期间,道路交通管理的压力可能会增加。值得注意的是,这种现象是严重的沿海旅游景点。

沿海岛屿是最受欢迎的旅游目的地之一。岛上道路网络的发展往往先于旅游景点的开发,和它们正在建设新的基础设施和设施来处理增加的旅游交通。因此,旅游活动往往是叠加在一个空间系统和基础设施网络,没有明确旨在迎合他们和旅游活动可以分布不均5]。此外,一些岛屿与大陆相连。道路进出这些岛屿旅游运输已经成为瓶颈,交通的协调提出了挑战和岛屿。此外,与交通运输、旅游交通在时间和空间有不同的特征,它需要更多的舒适和便利。上面提到的问题表明,如果不认真对待旅游交通在交通管理,它可能会增加居民出行困难,它会影响游客的旅游意愿和旅游交通的可持续发展。

轨迹的记录和分析是必不可少的对于理解运动的游客和旅游交通的管理,如最优位置和交通设施和游客的再分配。然而,缺乏实用的方法收集相关数据限制旅游的详细勘探流动性。传统的方法需要纸笔或电脑采访,这是昂贵和费时的。收集的数据通常也有限的个人信息,如家庭组成,年龄结构,和最喜欢的旅游景点6]。最近,随着传感器的发展如GPS跟踪器、视频识别设备,射频识别,可实时获取的运动数据与空间和时间的细节,trajectory-based数据分析方法被广泛应用于交通研究。分析结果提供实时和未来交通信息对道路交通管理者和游客,以及技术支持缓解交通堵塞。然而,目前的道路交通仅限于观察统计信息如交通量、入住率,和速度。运动模式是描述在一个流图或视觉报告的描述,而不是探索流模式。此外,道路交通具有可变性的特点和在时间和空间相关性。先前的研究已经表明,截面交通流相关的距离和监测点的位置和道路网的拓扑结构。因此,有必要考虑道路网的结构和时间和空间之间的相关性分析,旅游交通。这种考虑是更有用的解释更深层次的旅游交通的行为。

本研究试图探讨汽车游客的流动模式应用频繁子图挖掘算法。该算法可以考虑交通流量的相关性被视频传感器。从图和流的角度来看,沿海岛屿是作为实验区探索多个旅游景点之间的动态关系和关键路段。本文组织如下。接下来的部分将回顾相关工作在运动模式挖掘和分析方法trajectory-based游客和交通流量数据。部分3介绍了研究区域(深圳大鹏岛,中国)。部分4详细描述了监视点的分布。部分5介绍了本文所使用的数据和方法。部分6介绍了汽车游客所产生的流动模式的结果。最后,我们结束讨论和结论。

2。相关工作

近年来,分析了运动模式经常从运输到旅游业,如运动模式的研究隐藏在出租车7- - - - - -11,公共汽车12,13)、铁路(14,旅游活动15- - - - - -20.),甚至在媒体地理数据集(21,22]。旅游交通研究而言,旅游交通的有效管理需要一个声音的理解汽车游客的空间运动模式,因为这些模式提供重要的信息,例如,流量和空间转移方向,新的交通设施的规划和旅游流的再分配。众所周知,运动是一个交通流的内在属性,随着时间的变化对人们的空间位置,产品,和汽车。移动数据中隐含的模式不重复地由一个汽车旅游,而是由大量汽车出现在同一个地方。在大多数情况下,交通实体的移动数据集收集体积相对较大和复杂的结构。因此,有必要使用数据挖掘算法和可视化分析技术提取有用的和相关的信息,从大规模的运动规律和结构数据集。运输中使用的数据挖掘算法是多种多样的。这些算法关注集群(8)、密度和序列特征(9,10在时间和空间。汽车游客的休闲活动在道路网络中进行。活动序列建模的图形,由不同的节点(例如,停车场和文化遗址)和边缘位置的顺序访问的方向。这样的数据集,图挖掘是一种广泛使用的方法,发现有趣的模式在图表示数据23]。检测模式通常表示为图,这可能是子图的图形数据或更抽象的表达趋势反映在数据(24]。图挖掘频繁子图挖掘的一种形式,它用于识别频繁发生模式(子图)“小”的集合图形或“大”图25]。不同的子图挖掘算法提出了。这些算法可分为基于搜索策略,即。,深度优先或广度优先搜索。深度优先搜索策略是计算效率更高,比如在gSpan(基于子结构模式挖掘)26),遐差(分子片段矿工)27),FFSM(快速频繁子图挖掘)28,加斯顿(图/序列/树提取)(29日),自旋(基于生成树的最大图挖掘)30.]。然而,FFSM和加斯顿不能用于有向图无重大变化。只适合遐找到导演频繁子图,gSpan,只有微小的变化是必要的31日]。其他相关作品包括重要模式挖掘的飞跃(32),最大频繁子图挖掘保证金(33),和频繁子图在油印34]。

在过去的几年中,trajectory-based方法被用来分析交通系统(10,11,13,14]。在许多应用程序中,移动实体被认为是移动的点的轨迹(即。,路径通过空间和时间)可以被可视化和分析。在运输中,收集了轨迹数据可以在叫做(OD)数据聚合方法(35]。这样的OD数据可以可视化的技术,包括流地图(36,37)和OD地图(38]。然而,旅游业的空间维度的研究仍然是一个主要的勘探的研究领域,虽然这个研究领域扩大是由于进步的新信息和通讯技术(ICT)。传统方法在旅游可以分为两类,直接观察的技术(例如,采访中,旅行日记、和回忆的日记)和nonobservation技术(例如,GPS跟踪和视频跟踪),但只使用未参加者观察是最好的技术,隐私原因(5]。即使在信息通讯技术的支持下,这项技术在数据收集困难,和乘客的大规模的抽样数据是昂贵的。大多数已发表的研究与运动相关的模式仍然是描述性的,他们采用小样本大小,高度控制。此外,这类研究集中在人体运动在旅游intradestination。有一些研究探讨汽车旅游目的地空间运动模式。即便如此,这项研究是针对大型汽车游客的活动(39)或使用问卷调查的方法,这是容易出现偏差和错误(40]。因此,鉴于保护隐私的需求,增加数据量,以及避免研究者的偏见,有必要进行流型研究基于从传感器获得的连续时间序列数据。

3所示。研究区域

大鹏岛,位于深圳的东部(如图1),是一个重要的节点“商路Kong-Macao大湾地区,“这是唯一先锋国家旅游带在广东的改革和创新。大鹏有丰富的旅游资源,如大鹏古城,国家地质公园,和民间的村庄。“深圳旅游统计公报”显示,2018年共有1.39亿游客参观了这个城市。每年增加5.97%,其中只有十分之一是团队游客。这表明大多数旅游活动都是由个人游客。由于地形的限制,旅游交通岛上还没有发育完全。拥有和出租汽车旅游参观岛上的主要模式为个人游客。大鹏运输统计局分析了机动岛上旅游需求的趋势和预测,每年总交通流将504000辆/年。在高峰时间的“黄金周”,大约35000辆/天进入岛,其中79%是汽车游客。

4所示。分布的监视点

城市交通系统通常采用GPS技术来捕获出租车和公交车的踪迹。不同于这种公共交通的研究,本文旨在分析汽车游客的流动模式在多个景点。很难安装GPS设备在每个个人的车。因此,我们选择了路边的监控设备采集交通流量。此外,城市道路网络包括高速公路、普通公路、道路和社区。它有大量的节点和复杂的结构。为了监控每个道路段,很多设备需要部署在道路。所以,关键路段和旅游景点被选为监视点的位置。五个视频设备被部署在主要道路,两个视频设备被部署在停车场。监控设备的标签 , , , , , ,和(如图2)。

发现旅游流在每一个监视点表所示1。

5。方法

在这项研究中,建立了一个基于云的数据库系统来存储交通数据上传后通过4 g通信技术。收集的数据包括车牌号码、时间的通道,监视点和标签。为了保护游客的私人信息,车牌号码变成汽车id和只提取汽车的登记的地方。数据收集阶段后,车牌号码将会从数据库中删除。

提出的方法是在图3。本节介绍了详细步骤的流动频繁模式的挖掘车游客在旅游intradestination微尺度。首先,汽车游客分开混合交通流在分析收集的数据的时序特征。第二,交通流的空间运动图形重建了每一天。每个动作图是一个连接和有向图,顶点监视点和导演边旅游流两个监视点。然后,频繁子图挖掘算法(gSpan)是用于检测道路段和旅游景点之间的流动模式。接下来,为了减少频繁的流动模式,小重叠的子图从结果中删除。最后,我们分析了intradestination流模式的时空特征。

5.1。源数据预处理

在收集数据时,这是不可避免的,问题数据将被收集。这可以与设备问题引起的,比如一个老化或损坏相机。此外,车牌可以模糊,封锁,或损坏,特别是在恶劣的天气,会影响汽车识别的效率。此外,它是具有挑战性的识别一些特殊字符和令人费解的车牌上的号码。上述问题可以导致数据失真。为了保证分析结果的准确性和可靠性,收集到的数据需要处理。处理的规则如下:(1)删除不相关的领域:汽车车牌号码等基本信息,监控装置的标签,集合时间是保留。(2)删除空值和修正车牌归因。(3)消除无效的数据,如特殊的汽车牌照和重复数据。(4)纠正混淆字母和数字在汽车icense盘子。

5.2。确定车的游客

在这项研究中,旅游流分为三种类型。一种由岛上的通勤者,下一个由市内的游客(在深圳当地周末游客),最后一个类型包括城际游客(深圳)之外的休闲游客。收集的数据来自摄像机的道路和停车场。这三种类型的流在收集到的数据混合在一起。有必要区分不同类型的流量。详细的步骤图所示4。

收集的数据从停车场被分为市内的游客和城际游客根据登记汽车车牌的位置。

正如我们所知,旅行的数量由游客和当地通勤者是不同的。游客只参观岛上偶尔在周末或假日。当地居民在岛上可能驱动次每周。因此,我们花了一个星期作为一个单元并确定如果一辆车在这一周访问台湾。如果是这样的话,这辆车将会标记一次。然后,我们统计的周数一辆车出现在每个月。如果周访问的数量超过一个预定义的阈值,这辆车被认为是通勤。否则,这辆车被认为是一个旅游。

因此,对于收集到的数据从道路,我们首先手动设置一个阈值基于统计访问了一个月的周数来区分岛通勤者和游客。接下来,我们分类的游客到市内的车游客和城际车游客基于他们的车牌登记。最后,不同类型的交通流动分离和聚合。

为了验证该方法的可用性和可靠性,所有汽车的访问特点进行了分析。结果如图5。可以看到,周的比例在一个月的车似乎是最高,达到了88.86%。汽车出现在岛上的百分比是95%。不到两周此外,我们计算汽车停车场的比例相对于汽车的总数。这个比例是78.6%,接近79%的比例计算,大鹏交通旅游高峰期间。周访问人数的比例(88.86%)大于一个月运输统计局的统计结果(79%)。我们认为交通管理局只考虑停车场的游客。因此,提取的阈值在本研究中一个星期车游客。

5.3。重建空间运动图

为了模型车游客的流动模式,直接标记图是用于构造运动监测点之间的关系。特别是,每个顶点的直接图对应一个监视点,和每条边对应于一个直接连接两个监视点之间通过汽车游客。相关定义如下:

定义1。标签图。给定一组顶点 ,一组边缘连接两个顶点 , ,一组顶点标签 ,和一组标签边缘 , 是一种直接的边缘的顶点开始吗和结束点 ,然后一个标签图被表示为 图中数据集,一条边的标签是由一对标签的两个监视点的游客秩序。图由边缘连接监视点访问每个旅游一天。使用一对顶点标签的优势作为一个边缘标签是它维持的时间和空间顺序两个监视点,游客通过。当采矿标记图,监视点的时空顺序的结果可能被保留下来。使用这种表示法,发现的问题频繁流动模式的汽车游客频繁子图挖掘的成为一个问题在所有运动图。

5.4。挖掘频繁子图

下面给出一些定义相关的频繁子图挖掘。

定义2。子图。的子图 的图是图中 ,

定义3。支持子图 。给定一个图数据集的标签 ,支持或频率的子图是图的比例(或数量) 。

定义4。频繁子图。频繁子图是一种图形的支持不小于最小支持度阈值。代表的最小支持度阈值的出现次数的最小的子图。得到频繁模式,我们选择手动设置最小阈值的值。

定义5。迷你的代码。首先,深度优先搜索是图上的表现形成DFS(深度优先搜索)树,这棵树是扫描。的顺序扫描边缘构成序列称为DFS代码。DFS代码排序在词典顺序找出最小的DFS惟一地标识图的代码。这个最低DFS代码称为迷你代码。
构建旅游流的运动图形后,频繁子图挖掘的方法被用来探索模式。在相关工作,有许多种类的子图挖掘算法。年度股东大会(Apriori-based图挖掘)41)可以发现所有频繁子图(在图形数据库连接和断开连接)满足特定约束最小支持。该算法使用类似于先验的方法,它需要40分钟8天找到结果子图在一个包含300个化合物的数据集。该算法最为(发现经常发生在大型图子图)42)采用的相邻表示一个图表和一个生长策略来找到所有的连通子图经常出现在图形数据库。结果表明,最为可以完成600秒。gSpan [26)旨在减少或避免候选人一代和修剪AGM和最为中使用的假阳性。在10秒gSpan可以完成相同的任务。考虑到效率,在这项研究中,使用gSpan挖掘频繁子图的有向图的数据集,然后找到频繁子图的最大长度结果作为汽车游客的流动模式。在文献[gSpan可用的算法细节26]。下面给出一个扩展指令。该方法包括两个步骤:(1)使用gSpan找到频繁子图:首先,边缘和节点的频率的计算图表。第二,频率比较和罕见的边缘的最小支持度阈值和节点被移除。然后,其余节点和边重新排序根据频率。再次,每条边的频率计算。最后,恢复图的子图挖掘根据迷你代码并确定当前DFS编码的最小代码。如果是这样,目前的边缘被添加到结果,并进一步试图添加可能的边缘。如果不是,采矿过程就完成了。(2)发现频繁子图与最大长度:有大量的子图的结果,和其他一些子图的局部图。 Therefore, this kind of subgraph was deleted by comparing the labels of nodes and edges, and the final results were the maximum frequent subgraphs.

6。结果

在本节中,我们首先分析了旅游流的时空分布的统计方法和地图。然后,我们把旅游流入市内的车游客和城际车游客和频繁子图挖掘算法用于模式识别。最后,我们总结了运动模式的游客。

6.1。旅游交通流的时空特征

但是。时间特征

图6(一)描绘了295天前的数据预处理应用。由于设备通信的失败或权力,构造运动图形可能是不完整的,这将导致损失的频繁子图。因此,我们选择了76天的有效数据的数据集频繁模式挖掘。图6(b)表明,(1)旅游流和在沙滩附近也有类似的时间特征。旅游容量的高峰时间发生在节假日和周末,而在工作日,流动曲线相对稳定。(2)和位于两个停车场。虽然有不同的旅游容量,趋势是相似的。(3)两个入口的旅游景点,旅游交通的日均成交量的0.7倍吗 。排序后的旅游交通,Pengcheng社区最车游客,紧随其后的是沙滩(即两个旅游景点。,Dongchong和Xichong社区),至少访问吸引力是Nanao社区。

6.1.2。空间特征

图7显示了流的地图聚合游客将在多个监控点对。旅游卷进行描述和分类在左边图中的条形图,和交通量厚度代表的联系。可以看到,与最大交通量 , , , , ,和(是一种简化的形式 ,代表之间的来回旅游流和 )。这些链接可以分为两个区域, 和 。进一步的检查显示,游客之间转移的数量和在面积上接近之间的价值和在面积上 ,但游客的数量和的3.12倍吗和 。

6.2。检测到流的分析模式

流地图直观,但它患有严重的视觉上的混乱,很难读,因为重叠的流动。它还可以看到在图7之间的交通流地图只显示卷的监视点的旅游目的地。但是,它不能表达汽车游客的空间转移的方向。因此,这些事实激励我们找到一个新的方法来解决这些问题。本节描述的使用频繁子图挖掘算法探索空间流动模式方向旅游交通和获得最大频繁模式从日常旅游运动图表根据预定义的最小支持度阈值。通过使用汽车游客的识别方法中引入部分5,两种类型的数据被提取并用于随后的流型矿业(列在表2)。

6.2.1。在深圳市内的游客流模式

数据集的实验在深圳市内的车游客(如表所示2)。对于gSpan的最小支持度阈值设置为73。图中表示的空间流动模式8和列在表3。推断模式可分为两组。一组由模式如图8(一)和8(b),这显示了区域旅游空间转移过程 。另一组包含数字显示的模式8(c)和8(d),它代表了游客区域之间转移和区域 。两组证明游客到达市内的车和优先选择Kuinan道路而不是Pengfei道路 。数据之间的差异8(一)和8(b)是圆的存在旅游流。数据之间的差异8(c)和8(d)是游客来回流动的存在。旅游流来只有一个方向。本研究的原因之一可能是没有找到一个合适的监视点Pingxi路上,导致方向性的损失对于这个旅游流的一部分。

6.2.2。流模式的城际车游客

图9显示了城际车游客的流动模式。在本节中使用的数据集是由城际旅游(如表所示2)。对gSpan的最小支持度阈值设置为56。结果支持流模式分类的阈值,如表中列出4。

从这些模式,以下可以得出结论。(1)最常见的模式是如图9(一)-9(c),发现流模式的频率是62年,62年和61年,分别。这三个模式描述城际游客的偏好区域 。这类游客第一次访问一个停车场附近的景点之一或然后去另一个景点,或者只是参观了附近的一个旅游景点或 。(2)上述三种模式不同于那些在深圳市内的游客。之间没有圈之旅 , ,和 。这样做的原因是,一些游客选择继续推动区域 。(3)这两个模式的最小支持度阈值的方法,如图9(d)和9(e),显著低于如图9(一)-9(e),但它反映了空间转移的偏好从周边城市地区的游客和 。在图9(d),汽车游客倾向于直接驱动来后参观附近的景点 。如图9(e),汽车游客之间的流动和回到和改变汽车停车场之间和 。然而,没有旅游流和 。这样做的原因可能是Pingxi道路的交通流量(朝鲜半岛)的高速公路,没有监控。这部分交通流可以直接到达,然后离开 。

6.2.3。流模式的游客

本节提供了一个探索的空间流动模式所有汽车游客。结果如图所示10。对gSpan的最小支持度阈值设置为73,这意味着73年76年的图表包含发现流模式。结果列在表模式5。

所有的模式如图10旅游区域之间流动吗和区域 。这是符合流中的趋势图(如图7)。如图片所示,是游客进入和退出的主要入口大鹏岛。一些汽车游客开车去或 ,剩下的流向或 。数据10(一)-10(c)显示大鹏社区之间的旅游流的方向,Pengcheng社区,Xichong社区。图10(d)显示了大鹏社区之间的旅游流的方向,Pengcheng社区,Dongchong社区。图10(e)只代表之间的旅游流的方向大鹏社区和Dongchong社区。此外,在区域旅游流的方向和区域或之间的区域和区域是不同的。取数据10(一)-10(c)为例,尽管的命令和访问的缺乏规律性,他们有自己的特点在考虑相应的路径 。这些例子表明,如果有一个游客之间流动和 ,它可以分成两种情况。在一个案例中,一些游客直接返回,在其他情况下,一些游客流向 。在第一种情况下,无论是旅游流经过首次访问然后参观了 ,或两个和有游客在同一时间。在第二种情况下,一些游客回来 ,参观了和 ,然后离开了小岛。

7所示。结论和讨论

7.1。结论

为了促进旅游交通流的管理,汽车游客在大鹏岛作为一个研究案例。实验分析使用真实数据捕捉到视频设备的研究领域。由于缺乏合适的设备安装位置,捕获的照片视频设备从马路上有一定的距离。游客的汽车的捕获率很低。然而,详细的时间序列数据在一天之内可以收集。与人工调查相比,提高了收集的数据的可靠性和丰富性。一天被选为频繁模式挖掘的时间单位。选择可用的数据后,我们将汽车的数据分成市内的和城际游客。接下来,车牌数据转换成运动图表根据访问位置序列在多个监视点。汽车游客的错综复杂的流动模式是由gSpan发现算法,有最好的性能结果的质量和执行时间,这已经被证明是有效的频繁子图挖掘。 The conclusions are as follows:(1)汽车游客在旅行时间的选择有明显的偏好和旅游景点(如图6和7)。在时间方面,旅游流在每一个监视点的曲线相似。有大量的汽车在假日游客在不同的景点,但汽车游客的数量是在工作日相对较低。相同类型的景点旅游流中有类似的趋势,如两个景点沙滩(Dongchong社区和社区Xichong)和古老的城市和文化景点(大鹏古城和东山庙)。在空间方面,近的景点景区的入口和丰富的旅游资源更受游客的欢迎。然而,由于地形的障碍在风景区,游客的交通状况影响运动之间的多个景点。(2)不同类型的车游客在风景区有类似的空间选择(如图8- - - - - -10)。例如,不同类型的游客流模式,描述了运动在一个领域(如图8(一),8(b)和9(一)-9(c))和不同区域之间的动作(如图8(c),8(d),9(d)9(e))。城际游客和市内的游客在景区不同的选择。城际游客将multidestination旅行而不是单一的目的地相同类型的旅游景点。我们可以看到数据8和9,有两个沙滩景点区域 ,市内的游客倾向于访问其中一个,而城际游客将参观景点。具体来说,节省时间和金钱,城际游客访问多个景点在一次而不是多个旅行。此外,另一个区别是,没有戒指城际之间不游客和交通流和市内的游客。(3)虽然模式描绘在地图上看起来复杂和混乱,模式转换为规则后,他们变得清晰。在模式地图,只有数字8(b),9(一),9(d) unidirectionality显示清楚。其余很复杂,很难进行比较。从图我们可以看出8(一),市内的游客经过的点可以分成两组,一组流向停车场 ,然后叶的风景区 。另一组流向停车场 。两组同时在旅游路线。所以,我们可以把流模式规则和使用”和“为了说明不同路线的同时在相同的模式(如表所示3- - - - - -5)。通过这种方式,所有模式可以应用于区域旅游交通控制系统。(4)大主要景点更有吸引力比小是次要的景点。从模式地图上的箭头,游客们总是访问区域第一,然后选择区域 。主要原因是区域有丰富的旅游资源和多样化的旅游活动。例如,有文化景点(例如,大鹏古城和东山庙),沙滩娱乐和大型停车场区域的游客 。这些因素也常常被认为是评价的景点旅游网络的重要性。(5)公园游客倾向于用一种易于访问他们的汽车的地方,即使访问景点改变,如图8(一)-8(d),9(b)9(e),在这里,我们把区域作为一个例子。大鹏古城和东山庙之间的距离大约1公里。在模式地图上,我们可以看到,有双向箭头指向两个停车场和 。这表明汽车公园游客倾向于他们的汽车到最近的停车场,这样他们就能把它们捡起来当旅游目的地发生了变化。

7.2。讨论

旅游流是旅游目的地的交通管理的关键,它影响旅游业的发展在一个岛上,游客的体验。最近运输技术的发展已经表明,交通流数据将越来越多地收集和它将用于数据分析。因此,应该使用先进的数据分析解释和描述的复杂运动车的游客。该方法在本研究旨在找到(i)的统计总结汽车游客的时空特征研究领域,帮助大众汽车车牌的发现模式数据;(2)城际和市内的游客的流动模式,帮助说明了两种类型的不同偏好的汽车游客;和(3)最常见模式的游客,帮助识别旅游运动的法律和高效的旅游交通流的管理政策。提出的方法丰富了旅游交通流分析方法,并建议从传统的和复杂的纸或计算机方法动态流面访图论方法。此外,我们表明交通数据为游客提供难以获得的见解和定量的结果。

为了说明法律的空间运动的游客,相关的研究已经提出了各种各样的宏观流动模式(43- - - - - -45]。例如,2008年,McKercher [46在城市目的地]提出11著名路线风格。macropatterns仅保留主要组件和简化细节和旅游管理中经常使用的指导目标发展。相比之下,在宏观的游客的流动模式进行建模,建模旅游流在微尺度更为复杂。卢和McKercher17)指出,这是一个挑战来平衡模型有效性和可用性。原因是简单的使用模式可能无法提供足够的细节和复杂的模式可能很难解释和应用。在这项研究中,我们使用了视频设备安装在道路网络的关键节点收集旅游交通流量和使用频繁子图挖掘算法发现微尺度流动模式。提取的模式可以被转换成规则和应用于交通控制系统管理区域游客。发现和应用模式的难度在微尺度可以通过这种方式被克服。

在旅游高峰期,车游客在景区的数量急剧增加。很容易导致道路拥堵和景点之间的不均匀分布的游客。使用交通流数据,每日,每月,游客可以和季节性特征分析,可以预测,未来旅游流和流动模式可以通过数据挖掘的方法。因此,交通管理部门可以有效地控制旅游交通流,和旅游部门可以开发实现空间吸引力的旅游产品游客分布的平衡,减少交通拥堵和有害气体排放,削弱旅游环境和人体的影响。

在一个景区,景点形成一个复杂的网络旅游流由于频繁的空间互动。每个景点都是车的来源和目的地游客。由于不同的吸引力,发展程度,和便利的交通工具,显示特殊的偏好在选择景点和游客旅行路线。因此,有效的识别这些首选项将有利于旅游市场的发展,也有利于旅游规划者了解游客看到的空间连接多个景点。然而,传统的人工调查耗时和费力,获得的数据量很小。很难揭示旅游偏好通过这种方式。频繁子图挖掘算法提供一个理想的方法对于识别的空间偏好游客。这种方法可以表现良好的支持下,大量的景点之间移动数据。

本研究也有一些局限性。首先,由于缺乏电力供应设施,它无法收集每天的流量数据。应用模型时旅游交通流的实际控制,有必要进一步配合交通管理部门获得全面的交通流数据。其次,本研究关注流动模式的挖掘,发现模式背后的影响因素并没有进一步分析。如前所述,卢和McKercher17),与游客和目的地相关的一些因素会影响旅游者或旅游目的地。这些因素包括家庭构成、收入、旅行前和有效的信息。很难获得这些因素通过仅仅依靠交通流在交通监测系统收集的数据。因此,在未来的工作中,现场调查是必要的。

数据可用性

也作为数据形成一个正在进行的研究的一部分,重现这些发现所需要的原始数据不能共享。

的利益冲突

作者宣称没有利益冲突。

确认

作者欣然承认这项研究的支持从中国的国家科学基金会(41701167)和深圳市基础研究项目(JCYJ20170307164104491和JCYJ20190812171419161)。

引用

1. d . w . Eby和l . j . Molnar”风景小道在路径选择的重要性:在美国驾车游客的调查,“交通研究,部分(政策和实践),36卷,不。2、95 - 106年,2003页。视图:出版商的网站|谷歌学术搜索
2. b . Wang z杨、f·汉和h·史”汽车新疆旅游:感知价值和旅游满意度的中介效应在目的地形象和忠诚度之间的关系,“可持续性,9卷,不。1,硕士论文,2016页。视图:出版商的网站|谷歌学术搜索
3. x m .张和问:y笔”,研究旅游信息和自动驾驶旅游交通,”交通运输工程学报第一国际会议、西南交通大学、成都,中国,2007年7月。视图:出版商的网站|谷歌学术搜索
4. 中国国家旅游局,2016年中国旅游统计年鉴》,中国旅游业出版社,北京,2017。
5. m·A·穆罕默德Toha h·n·伊斯梅尔,“遗产旅游和旅游流模式:角度对传统与现代技术跟踪游客,”国际期刊的建筑环境和可持续性,卷2,不。2、85 - 92年,2015页。视图:出版商的网站|谷歌学术搜索
6. k . Siła-Nowicka和a . s . Fotheringham校准空间交互模型从gps跟踪数据:零售行为的一个例子,“电脑、环境和城市系统卷,74年,第150 - 136页,2019年。视图:出版商的网站|谷歌学术搜索
7. 毛f . m .霁,t·刘“矿业城市居民从出租车轨迹数据的时空模式,”地球科学的前沿领域,10卷,不。2、205 - 221年,2016页。视图:出版商的网站|谷歌学术搜索
8. 赵l . j .郑d·夏x,和w·l·刘“矿业旅行有吸引力的地区使用大规模出租车轨迹数据,”学报2017年IEEE国际研讨会上并行计算和分布式处理与应用程序和2017年IEEE国际会议上无处不在的计算和通讯,第1222 - 1217页,当前/ IUCC,广州,中国,2017年12月。视图:出版商的网站|谷歌学术搜索
9. 即Rami m·o·沙菲克,“检测出租车动作使用随机交换集群和序列模式挖掘,”《大数据》第六卷,没有。39岁的1-26,2019页。视图:出版商的网站|谷歌学术搜索
10. g . Kautsar和s·阿克巴轨迹模式挖掘使用序列模式挖掘和k - means预测未来位置,”物理学杂志》:会议系列,卷801,不。1,2017。视图:出版商的网站|谷歌学术搜索
11. d .郭x朱,h·金,p .高,和c哪,”叫做流动数据,发现空间模式”在GIS的事务,16卷,不。3、411 - 429年,2012页。视图:出版商的网站|谷歌学术搜索
12. j . d . Mazimpaka和美国Timpf”,视觉和计算分析方法探索重要地点和时间沿着公交路线”第九届ACM SIGSPATIAL学报》国际计算交通科学研讨会旧金山,页43-48、钙、美国,2016年10月。视图:谷歌学术搜索
13. h . Faroqi m . Mesbah j·金,“时空相似性公共交通乘客使用智能卡数据之间的相关性,”《先进的交通工具ID 1318945条,卷。2017年,14页,2017。视图:出版商的网站|谷歌学术搜索
14. y z . Wang, p .朱y秦,和l .贾”环聚合模式的地铁乘客旅行:一项研究使用智能卡数据,”自然史答:统计力学及其应用卷,491年,第479 - 471页,2018年。视图:出版商的网站|谷歌学术搜索
15. 刘赵x, x, y, j .林和j .一个“旅游运动模式从旅游的角度理解党大小使用移动跟踪数据:一个案例研究西安的中国,“旅游管理卷,69年,第383 - 368页,2018年。视图:出版商的网站|谷歌学术搜索
16. m . Versichele l . De大的m . Claeys Bouuaert, t . Neutens Moerman,和n . Van De Weghe”模式挖掘旅游景点在蓝牙访问通过关联规则学习跟踪数据:一个案例研究的根特,比利时,”旅游管理,44卷,第81 - 67页,2014年。视图:出版商的网站|谷歌学术搜索
17. 答:卢和b . Mckercher建模旅游运动,”《旅游研究,33卷,不。2、403 - 423年,2006页。视图:出版商的网站|谷歌学术搜索
18. a . Birenboim s Anton-Clave a . p . Russo和n .舒瓦尔“颞主题公园游客的活动模式,”旅游地区,15卷,不。4、601 - 619年,2013页。视图:出版商的网站|谷歌学术搜索
19. h . j . Yun和m . h .公园”的时空运动节日游客在农村地区使用的智能手机应用程序,“亚太旅游研究杂志》上,20卷,不。11日,第1265 - 1246页,2015年。视图:出版商的网站|谷歌学术搜索
20. 美国康”,时空约束之间的关联和空间的传播模式,”《旅游研究卷,61年,第141 - 127页,2016年。视图:出版商的网站|谷歌学术搜索
21. c . Comito d, d·塔里亚、“挖掘人类移动模式从社会地理数据。”普及和移动计算33卷,第107 - 91页,2016年。视图:出版商的网站|谷歌学术搜索
22. 李y, y . t .郑,z . j .咋和t . s .蔡“从GPS-tagged照片,挖掘旅游模式”在计算机科学的课堂讲稿k·t·李,w·h·蔡h . y . m .廖t . Chen j . w .谢长廷和c . c .曾,Eds。施普林格,柏林,德国,2011年。视图:出版商的网站|谷歌学术搜索
23. k . m . Borgwardt惠普Kriegel, p . Wackersreuther“动态子图模式挖掘频繁,”数据挖掘学报第六届IEEE国际会议(2006年ICDM),香港,中国。IEEE, 2006年12月。视图:出版商的网站|谷歌学术搜索
24. d·j·库克和l . b .持有人挖掘图数据美国新泽西州霍博肯市威利出版社,2015年。
25. 江c、f . Coenen和m .鸡头“频繁子图指出矿业在边加权图”在计算机科学的课堂讲稿彼得森t·巴赫m . k . Mohania, a . m . Tjoa Eds。施普林格,页77 - 88年,柏林,德国,2010年。视图:出版商的网站|谷歌学术搜索
26. x燕和j·汉,“gSpan:基于子结构模式挖掘”数据挖掘学报2002年IEEE国际会议上,ICDM 02,页721 - 724,IEEE计算机协会,前桥市城市,日本,2002年12月。视图:出版商的网站|谷歌学术搜索
27. c . Borgelt和贝特·m·r·矿业分子片段:找到有关子结构分子,”数据挖掘学报2002年IEEE国际会议上,ICDM 02,页51-58,IEEE计算机协会,前桥市城市,日本,2002年12月。视图:出版商的网站|谷歌学术搜索
28. j .欢w . Wang和j .王子”有效地挖掘频繁子图同构的存在,”学报第三IEEE国际会议上的数据挖掘,ICDM 03,页549 - 552,IEEE计算机协会,2003年11月美国佛罗里达州墨尔本。视图:出版商的网站|谷歌学术搜索
29. s . Nijssen“快速入门频繁结构挖掘可以发挥作用,”第十届ACM SIGKDD学报》国际会议上知识发现和数据挖掘,知识发现(KDD) 04ACM,页647 - 652年,西雅图,佤邦,美国,2004年8月。视图:出版商的网站|谷歌学术搜索
30. j .欢w·王,j·普林斯和j .杨”自旋:挖掘最大频繁子图从图形数据库”第十届ACM SIGKDD学报》国际会议上知识发现和数据挖掘美国,ACM,西雅图,佤邦,ACM, 2004年8月。视图:出版商的网站|谷歌学术搜索
31. m . Worlein t·麦尔。费舍尔,m . &Philippsen”子图的定量比较矿工遐,gSpan, FFSM,加斯顿,”第九届欧洲会议程序在数据库中知识发现的原则和实践PKDD 05施普林格,页392 - 403年,波尔图,葡萄牙,2005。视图:谷歌学术搜索
32. j . x(音)h . Cheng汉,p . yu”跳跃搜索、挖掘重要的图形模式”2008年的ACM SIGMOD学报》上加拿大温哥华,页433 - 444年,2008年6月。视图:出版商的网站|谷歌学术搜索
33. l·t·托马斯·s·r·Valluri, k . Karlapalem“保证金:最大频繁子图挖掘,”数据挖掘学报第六届国际会议(ICDM 06年)2006年12月,香港,中国,。视图:出版商的网站|谷歌学术搜索
34. 诉Ingalalli、d . Ienco和p .彭色列“挖掘频繁子图在油印,”信息科学卷,451 - 452年50 - 66年,2018页。视图:出版商的网站|谷歌学术搜索
35. j·l .敏z . c . Wang Liang和x r .元,“OD-wheel:视觉设计探索OD模式的中心区域,”程序的可视化研讨会20152015年4月,杭州,中国。视图:出版商的网站|谷歌学术搜索
36. 珍妮,d . m . Stephen Muehlenhaus,和b·e·马斯顿”叫做流程图的设计原则”,地图学与地理信息科学,45卷,不。1、1 - 15,2016页。视图:出版商的网站|谷歌学术搜索
37. 金,美国宋,哇,y张成泽,r . Maciejewski和d·s·艾伯特”数据流分析和可视化时空统计数据没有轨迹信息,“IEEE可视化和计算机图形学,24卷,不。3、1287 - 1300年,2018页。视图:出版商的网站|谷歌学术搜索
38. j·伍德,j .堤坝,a . Slingsby,“可视化的起源、目的地和OD流地图,”《制图卷,47号2、117 - 129年,2010页。视图:出版商的网站|谷歌学术搜索
39. m . Zillinger”旅游线路:time-geographical方法在瑞典、德国car-tourists”旅游地区,9卷,不。1,第83 - 64页,2007。视图:出版商的网站|谷歌学术搜索
40. 页面和j·康奈尔,”探索的空间模式的汽车旅游旅游在特罗萨克斯国家公园和洛赫洛蒙德,苏格兰,”旅游管理卷,29号3、561 - 580年,2008页。视图:出版商的网站|谷歌学术搜索
41. a .井口、t . Washio和h . &Motoda”apriori-based算法从图像数据挖掘频繁子结构,”学报》第四届欧洲会议原则的数据挖掘和知识发现、PKDD 00,页13-23,里昂,法国,2000年9月。视图:谷歌学术搜索
42. m . Kuramochi和g . Karypis“频繁子图发现,”数据挖掘学报2001年IEEE国际会议上,ICDM 01,页313 - 320,IEEE计算机协会,CA,圣何塞美国,2001年8月。视图:出版商的网站|谷歌学术搜索
43. m . Oppermann”旅游线路的典范”,旅游研究杂志》,33卷,不。4,57 - 61,1995页。视图:出版商的网站|谷歌学术搜索
44. n .舒瓦尔和a . Raveh”分类的旅游景点和旅游城市的建模:基于co-plot多变量分析的方法,”旅游管理,25卷,不。6,741 - 750年,2004页。视图:出版商的网站|谷歌学术搜索
45. 刘和b . McKercher“理解旅游目的地:运动模式gis的方法,”旅游和酒店的研究,9卷,不。1,39-49,2007页。视图:出版商的网站|谷歌学术搜索
46. b . McKercher和g .刘”运动模式的游客在目的地,“旅游地区,10卷,不。3、355 - 374年,2008页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年他必应等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。