基于WiFi 探針技術的公園游憩偏好分析與優化

沈培宇 胡昕宇

南京林業大學風景園林學院 南京 210037

近年來, 中國快速的城市化進程使城市綠地資源稀缺, 設計與規劃滿足人群偏好的游憩場地與設施成為近年學界關注的重點[1-2]。 時間、空間和活動被認為是游客體驗的3 個重要領域。雖然人類的軌跡有許多不同的可能性, 但它們表現出高度的時間和空間規律性[3]。 了解使用哪些游樂設施、 參加哪些表演, 以及哪些商店和廣場吸引游客, 可能會幫助改善景點管理[4-6], 因此, 獲取人群時空定位數據是研究綠色開放空間的重要組成部分。 與物理空間數據相比, 人群定位數據較難獲取, 以往研究大多采用問卷調查和訪談等傳統方法量化研究綠地使用情況, 由此獲得的數據往往是主觀的, 而且成本高、 獲取費力。 隨著信息和數字時代的到來, LBS 定位數據、 百度熱力數據、 社交媒體數據等時空大數據被應用在各領域的城市研究中[7-9]。 但是, 目前城市研究中使用的時空定位數據因其粗粒度的特性, 主要應用于大尺度城市人群時空行為研究, 其精度不能滿足小尺度公園綠地空間定位的高精度需求。

2011 年, ROEDING CYRIAC 等[10]在美國申請了一項使用WiFi 網絡探測設備存在的專利。 該專利中首次采用了WiFi 探針技術, 通過捕獲連接時建立的數據包探測設備是否存在。 WiFi 探針技術具有高空間分辨率和時間頻率的特點, 能在開放空間實現精準定位。 此后許多學者利用WiFi 探針技術研究并解決城市公共空間領域的問題[11-12], 也有學者在沒有公共WiFi 覆蓋的小型公園中, 通過自行設計搭建局域網環境獲取精確的公園用戶時空行為數據, 并詳細介紹了該方法[13]。 通過這種方法, 我們可以精準分析公園用戶的數量, 并了解使用公園人群的時空分布特征,以幫助綠色空間設計者了解人群的需求和偏好、提升公園管理員服務質量。

1 研究設計

本研究基于WiFi 探針技術, 在沒有公共WiFi 覆蓋的城市公園自行搭建局域網和布置探針設備, 獲取研究案例——上海市淮海公園到訪游客時空定位數據, 分析其分布特征, 進而提出公園優化建議。

1.1 研究地概況

淮海公園位于上海市淮海中路17 號, 于1958年7 月1 日建成并對外開放, 現有總面積25 641 m2。 公園周邊交通便利, 可達性高。 鄰近地段屬于上海市行政、 文化、 商業中心區, 公園使用者類型多樣, 對于研究游客在城市公園的游憩行為有一定的代表性。 公園由北部的開放式廣場、 中部的密林休息交談區、 南部的林下休閑健身區和環形的密林布道區4 個部分組成。

1.2 數據采集與處理

無線局域網(WLAN) 技術的逐漸成熟和日益廣泛的覆蓋, 使越來越多的人使用無線網絡。在IEEE 802.11 系列協議中, 開啟了WiFi 功能的移動終端定期發送含有終端唯一的媒體訪問控制(media access control, MAC) 地 址 的 Probe Request 幀, 而WiFi 探針可以捕獲到探測區域內開啟了WiFi 功能的智能設備的MAC 地址信息,并能以此反映當前區域內的人流情況[14]。 將WiFi探針架設在人流經過的區域就能獲取到經過該區域的行人所攜帶的智能終端的信息, 以及設備進入區域和離開區域的時間。 對進入區域的設備的數量和時間進行分析和計算, 即可推斷出行人位置以及在此區域的停留時間[15-16]。

根據WiFi 探針的有效探測半徑在淮海公園布置了12 個WiFi 探針設備, 同時將WiFi 基站放置在場地中心的空地上使WiFi 信號分布均勻且全覆蓋。 數據收集于2019 年10 月20 日(休息日) 和10 月21 日(工作日) 8 ∶00—18 ∶00 時： 調研日期避免了法定假日, 同時確保了類似的天氣條件。上海10 月平均氣溫為18 ℃～24 ℃, 數據采集日天氣條件良好, 溫度舒適, 因此人的活動相對不受氣候因素的影響。

WiFi 探針數據處理包括數據清洗、 數據計算和數據可視化3 部分。 數據清洗是指按照一定的原則, 對數據庫中錯誤或重復的數據進行整理或改正, 消除誤導信息, 從而保證結果的準確性和科學性。 數據計算是指基于三邊定位法借助Python 軟件編寫計算小程序, 將清洗完的數據(包括移動設備的MAC 地址、 時間戳、 移動設備與WiFi 探針的距離等關鍵數據) 導入小程序中計算, 輸出移動設備的經緯度信息和時間信息, 即獲得移動設備的時空定位。 數據可視化是指基于ArcGIS 平臺, 通過篩選屬性表獲取不同時段人流量信息, 同時使用核密度分析工具對人群分布密度進行可視化表達。

2 公園人群游憩偏好分析

通過獲取的人群定位數據, 從時間和空間兩個維度分析人群游憩特征, 即人群在公園停留、游憩和休閑娛樂的空間場所偏好。

2.1 人群游憩時空分布

公園內的人流量表示在某一時間段內所有檢測到的用戶數的總和。 在Arcgis 平臺篩選移動設備MAC 地址, 以此識別和統計人流量。 將工作日和休息日時段劃分為8 ∶00—10 ∶00、 10 ∶00—12 ∶00、 12 ∶ 00—14 ∶ 00、 14 ∶ 00—16 ∶ 00、16 ∶00—18 ∶00 時5 個時段, 分析工作日和休息日不同時段人流量變化特征。 結果(圖1) 顯示:1) 休息日人流量明顯高于工作日。 2) 人流量的變化具有規律性和周期性。 工作日、 休息日人流量在上、 下午各有一個高峰, 12 ∶00 前后的午休時段活動相對較少。 工作日人流量在8 ∶00—10 ∶00時段達到頂峰, 呈現出明顯的早高峰特征,且上午的人流量明顯高于下午時段： 而休息日人流量呈現雙高峰特征。

圖1 工作日和休息日人流量變化圖

人群游憩空間分布能直觀反映公園內各部分空間對人群的吸引力, 在Arcgis 中計算工作日和休息日的人群分布密度, 并將密度層級設置為12個層級, 紫色越深表示人群分布密度越高(圖2)。從圖2 可知: 1) 公園人群活躍度最高的空間為中部的密林休息區, 活躍度最低的為北部的開放式廣場。 通過現場觀察, 老年男性群體每天固定在密林休息區觀鳥遛鳥和交談, 北部廣場兩側緊鄰市區主要道路和繁華的商業街區, 人群在此快速穿行和短暫休息停留, 所以該空間活動人群較少。 2) 工作日人群呈現聚集分布特征, 休息日人群呈現分散分布特征。 工作日活動人群偏好聚集于林下休閑健身區活動, 主要活動類型為遛鳥觀鳥、 休息交談、 散步, 而休息日人群活動范圍增加, 除了工作日活動類型外, 健身和休閑活動有所增加。

圖2 工作日、 休息日全天人群密度圖

對工作日和休息日每2 h 的人群分布密度進行分析, 結果顯示, 工作日、 休息日各時段人群均偏好在中部密林休息區集聚。 在8 ∶00—10 ∶00晨間時段, 工作日和休息日人群偏好于散步、 遛鳥觀鳥活動, 休息日較工作日吸引更多人群使用健身器械活動： 在10 ∶00—12 ∶00 時段, 工作日人群主要為老年群體, 偏好休息交談、 遛鳥觀鳥和小部分群體性活動, 而休息日人群在該時段空間分布廣泛, 在工作日不活躍的中、 青年人群在該時段開始健身活動： 在12 ∶00—14 ∶00 時段,工作日人群聚集在中部密林休息區, 并吸引周邊工作人群進入綠地散步和休息, 休息日該時段人群主要活動為遛鳥觀鳥和休閑： 在14 ∶00—16 ∶00時段, 工作日人群集中在中部密林休息區,而休息日人群分布分散, 吸引更多休閑、 散步人群： 在16 ∶00—18 ∶00 時段, 工作日出現進行休閑活動的人群, 而休息日人們偏好休息交談、 休閑、 散步、 健身。

2.2 人群游憩偏好特征

游客在公園中的游憩特征具有顯著性差異,游憩行為和需求上的差異影響了游客游覽時間和停留空間的最終選擇。

老年群體在工作日、 休息日游憩行為十分固定, 尤其是老年男性群體全天偏好集聚在中部的密林休息區, 主要活動為遛鳥觀鳥、 交談、 休息, 下午時段部分老年男性在南部林下休閑健身區聚集,主要活動為打牌、 下象棋、 觀看及健身。 老年女性群體主要在南部的林下休閑健身區和北部開放式廣場活動, 主要活動分別為健身、 廣場舞, 且都為團體性活動。 中、 青年群體主要在休息日10 ∶00 時之后活動, 偏好在南部林下休閑健身區和公園主環路停留, 主要活動類型為器械健身、 慢跑、 散步、羽毛球等運動類活動。 少年群體主要在休息日跟隨家長在主環路散步或是在園路進行小型球類活動。

3 優化建議

本研究基于WiFi 探針技術獲取了淮海公園高精度的人群時空分布數據, 同時結合活動時間、停留空間以及游憩行為與需求分析了游客的游憩偏好。 針對公園空間設計與部分人群游憩需求和偏好存在的不匹配問題, 提出如下建議: 1) 由于公園的穿越型空間過多, 停留型活動空間很少,中、 青年人只能在主園路活動, 缺少健身活動空間, 因此建議減少公園南部園路, 增加可停留空間, 解決目前中、 青、 少年群體活動空間少的問題。 2) 由于公園中部圍墻造成南北空間的分隔,人群過度集中在南部活動, 北側卻出現空間浪費,建議拆除公園內部的圍墻, 合理劃分北部穿越空間和活動空間, 增加健身步道長度, 提高公園空間利用率。 3) 公園常綠樹占比過高, 公園南部區域內部視線遮擋過多, 容易給女性和兒童帶來不安全感, 導致場地女性和兒童群體少, 應適當減少公園中部、 南部中層常綠喬灌木, 減少園內視線遮擋, 給女性和兒童提供安全游憩空間。

4 討論

本文是一次運用WiFi 探針技術進行綠色開放空間分析的嘗試, 其獲取時空定位的方法也有一定的局限性: 1) 該方法的精度在很大程度上依賴于網絡AP (無線接入點) 的強度。 2) 結果取決于收集數據的準確性。 淮海公園整體種植密度高, 常綠樹種占比大, 葉片的重疊阻礙信號發射和收集。3) WiFi 探測設備的位置也會影響數據的準確性。如果WiFi 探測設備不在同一水平面上, 采集到的探測之間的距離不等于探測投影之間的距離, 會產生距離誤差。 4) 數據代表性是影響結論準確性的關鍵因素, 如無法獲得沒有移動設備或沒有打開手機的WiFi 搜索功能的人群數據。 隨著移動設備的普及和WiFi 信號的城市全覆蓋, 相信本方法能適用于更多城市研究場景。 未來城市公園可以基于人群的海量游憩數據, 從多種角度綜合進行影響分析疊加, 把握游客的游憩規律和潛在需求, 及時調整和提升公園的游憩空間, 為公園帶來良好的社會效益和生態效益[17-18]。