【技术实现步骤摘要】
本专利技术涉及旅游流，具体地说是一种基于gps大数据的旅游流数据分析方法。
技术介绍
1、旅游流作为反映游客动态时空分布特征的空间组织形式，在解构旅游现象与旅游者行为规律方面具有重要作用。旅游流空间布局能够反映旅游地旅游要素的空间组织形式与关联关系，揭示旅游者流动过程中的信息、物质与能量流动及变化。旅游流影响因素专利技术有助于识别旅游流空间模式形成的驱动因子，明晰客源地与目的地的空间关系与作用机理，有助于识别旅游流空间模式形成的驱动因子，明晰客源地与目的地的空间关系与作用机理。
2、现有技术中旅游流时空格局与影响已经有了一定的进展，但对于数据选取方面，相对缺少直接基于旅游者移动gps轨迹的抓取，同时对于大尺度目的地(如跨省尺度)的应用较少，未找到一组合理匹配、衔接较好的相关数据抓取、空间可视化和空间统计分析的系统方法路径，且忽视了其他人文和自然因素的结合，整体来说对于气候条件、自然资源、旅游发展等大尺度目的地的旅游流分析存在一定的瓶颈。
3、因此，为了解决上述问题，本申请提出了一种基于gps大数据的旅游流数据分析方法，依托旅游者gps大数据轨迹作为数据基础，gis分析空间分布特征，冷热点分析和多元聚类方法构建旅游流节点-廊道网络，结合自然、社会经济、资源服务等维度的关键影响因子，通过地理探测器模型等方法形成机制，为旅游流的数据分析提供了科学的依据，为区域旅游管理以及旅游线路的开发提供科学依据。
技术实现思路
1、本专利技术的目的是克服现有技术的不足，提供了一
2、为了达到上述目的，本专利技术提供一种基于gps大数据的旅游流数据分析方法，包括研究方法和数据来源与处理，以及空间可视化应用的系统化技术路径；
3、研究方法包括回归分析、gis空间分析、旅游流节点-廊道网络构建方法和基于最优参数的地理探测器opgd分析；
4、回归分析为：利用zipf回归衡量城市旅游流规模的均衡性，公式为：
5、pi＝ari-α (1)
6、对公式1两边取自然对数可得：
7、lnpi＝-αlnri+a (2)
8、ri为第i个城市的位序，专利技术pi为第i个城市的旅游流规模，专利技术a和专利技术α是常数；
9、α为城市旅游流规模分布的pareto指数，其大小可以用来衡量规模分布的均衡程度；以α＝1为基准，α<1表明城市旅游流规模分布较为分散，即低位序的城市发育更加突出，大城市发育不够；反之，α>1说明城市旅游流规模分布更加集中，即高位序的城市更加突出，中小城市发育不够；
10、gis空间分析为：采用叠加显示、标准差椭圆、缓冲区分析专利技术不同要素与旅游流的空间分布特征；采用核密度分析探究旅游流空间结构的集疏特征；采用冷热点分析提取旅游流的空间热点，采用空间自相关分析即莫兰指数专利技术旅游流的关联特征；
11、核密度分析具体为：
12、刻画地区gps旅游轨迹的空间集散特征，初步判断旅游流空间分布的集聚或离散态势，计算公式如下：
13、
14、f(j)是点j的密度，专利技术r表示搜索半径，专利技术dij为点i到点j的距离，专利技术k为dij的权重；
15、空间自相关分析为：
16、使用全局莫兰指数即global moran′s i和局部莫兰指数即local moran′s i测度旅游流的全局和局部自相关性，确定旅游流的整体空间集聚特征，以及旅游流集聚和离散的具体空间位置，计算公式为：
17、
18、
19、n为空间单元数量，专利技术xi、xj为空间单元i和j旅游流gps轨迹的观测值均值，i≠j，专利技术为全部空间单元旅游流强度的均值，专利技术wij为空间权重矩阵，专利技术s2为旅游流强度的方差；专利技术moran′s i的取值范围为[-1,1]，若取值大于0且显著，说明存在正的空间自相关；
20、冷热点分析为：
21、使用getis-ord gi＊方法来识别gps旅游轨迹的局部空间集聚区域，热点区表示旅游流的高值集聚区，冷点区表示旅游流的低值集聚区，计算公式为：
22、
23、
24、
25、xj是空间单元j旅游流gps轨迹的观测值均值，wi,j是空间单元i和j之间的空间权重，n为空间单元数量；最终计算得出的值即为z得分；置信水平即confidence level较高的条件下即90％或95％或99％时，z值为正且较大时，为高值集聚区即热点，反之为低值集聚区即冷点；
26、旅游流节点-廊道网络构建方法为：
27、参考点—轴理论，将旅游流空间格局拆分为节点和廊道两个部分。其中，节点表示在旅游流中具有较丰富的旅游资源和较大旅游吸引力的点；廊道表示不同节点之间的主要空间通道。
28、对于节点的构建，采用冷热点分析对全域gps轨迹数据进行识别，选取置信度95％以上的区域，结合地区热门旅游城市点(地级、县级)以及景区选取主要旅游节点。将节点的30km缓冲区内路径点总数作为该节点的旅游强度。
29、对于廊道的构建则采用多元聚类方法，利用非监督的机器学习方法根据要素属性值查找要素的非空间自然聚类。选定聚类属性为各点代表的轨迹点数量，聚类方法为k均值。经过多次尝试，确定合适的聚类数量，将聚类后的数据按照所代表轨迹点数量从少到多重编为1-n级，去掉轨迹点数量较少的等级，直到得到较为清晰的旅游流网络栅格。根据已提取的旅游流节点，将聚类结果产生的网络转为矢量线并进行修正使其平滑、联通。
30、对于连接a、b两节点的该廊道，其旅游流强度tab的计算方法为：
31、
32、其中，r1，r2，……rn为与该廊道空间相交的各栅格所代表的聚类等级。等级越高，其所代表的轨迹点数量越多，旅游流强度越高。
33、基于最优参数的地理探测器(opgd)分析：
34、首先，运用基于最优参数的地理探测器的因子探测模块分析被解释变量与解释变量的空间关系，判断解释变量对被解释变量的解释力，即影响程度，其计算公式为：
35、
36、l为自变量和因变量的分层或分区，专利技术nh和n分别表示第h层和全区的单元数，和σ2分别为第h层和全区的y值的方差，专利技术q为统计量，取值范围为[0,1]，q值越大表示因子的解释力越强；
37、其次，运用地理探测器的交互作用探测模块识别旅游流不同影响因素之间的相互作用，判断不同因子共同作用时是否会影响对因变量的解释力。
38、基于交互探测的结果，进一步采用交互作用变异比指数ievr进行量化分析，其公式为：
39、
40、x本文档来自技高网...
【技术保护点】
1.一种基于GPS大数据的旅游流数据分析方法，其特征在于，包括研究方法和数据来源与处理，以及空间可视化应用的系统化技术路径；
【技术特征摘要】
1.一种基于gps大数据的旅游流数据分析方法，其特征在于，包括...
【专利技术属性】
技术研发人员：王甫园，张之羽，邓栊涛，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。