基于游覽時長的景區瞬時人數動態估計方法
——以恭王府博物館為例

馬 峻，胡 成，陳 雷

(1.首都經濟貿易大學 管理工程學院，北京 100070；2.北京市勞動保護科學研究所 安全與應急管理研究室，北京 100054)

0 引 言

突發大客流是旅游景區面臨的重要風險，人群一旦超過安全容量將可能引發人群踩踏等惡性事件[1]。控制景區內的旅游者人數，是防范突發大客流擁堵踩踏事件的重要手段。2015年國家旅游局頒布實施《景區最大承載量核定導則》(LB/T034—2014，以下簡稱《導則》)，導則規定景區接待旅游者不得超過最大承載量，旅游者數量可能達到最大承載量時應當及時采取疏導、分流等措施。旅游景區在實施最大承載量管理中存在很大的問題，常用的總進人數監測無法有效預警人群擁擠狀況，瞬時承載量預警的前提還是要監測景區內的游客瞬時人數[2-4]。景區內瞬時人數監測方法除了常規的閘機、門票、紅外技術外，近十幾年還發展了視頻識別[5-10]、RFID[11-12]、WiFi探針[13-14]、藍牙[15-17]、手機信令[18]、APP位置大數據[19]等方法。

但由于許多旅游景區與周圍社區混合，手機和WiFi等監測方法存在很大的不確定性。此外大部分景區屬于半開放景區，即旅游景區入口可以對進入景區的游客數量進行統計，而出口為了快速疏散設為寬通道單向敞開式的，很難實時統計出口人數，進而導致對景區內有多少游客只能通過入口流量大概估計，給景區人群應急管理帶來困難。如果瞬時人數估計過高而采取限流、縮短游覽時長將在入口造成聚集并給游客造成體驗不適感；如果估計過低而放任游客繼續入園將使旅游景區局部短時間大規模滯留，進而造成人群聚集風險，產生重大安全隱患[20-21]。因此監測景區瞬時人數，高峰期及時限流，避免大客流滯留，對于提高旅游景區的安全度和游客的體驗質量都有著重要的意義[22]。

對于半開放景區而言，游覽時長或者停留時間是影響安全容量的關鍵因素[23]。因此，可以在入口流量數據的基礎上，通過游客平均游覽時長估算瞬時人數。GOKOVALI等針對影響游客在旅游目的地逗留時間因素進行了調查研究，基于生存分析模型得到了游客的國籍、受教育程度、收入、支出等是決定逗留時間長短的主要因素[24]。JACOBSEN等從游客旅游目的地旅游規劃角度分析了游客在旅游目的地旅逗留時間的影響因素，提出適應、靈活的時間框架對于旅游目的增加游客逗留時間的重要性，這些研究都是針對大的旅游目的地[25]。葛學峰、方世敏等也針對旅游景區游客停留時間的影響因素展開了研究[26-27]，但缺乏定量的計算；WANG等則基于生存分析的理論計算旅游景區人群數量，但是需要借助相應的傳感器來獲知額外的數據信息[28]。

在獲知入口流量的前提下，游覽時長決定了景區瞬時游客在園數量。對于半開放景區來說，游客入園時間序列統計僅僅是數量記錄，沒有對應到具體人群個體，同時沒有對應游客的出園時間記錄，因此不能通過出園時間與入園時間比較來統計瞬時人數。結合前面相關文獻分析，游客瞬時人數的統計只能通過估計獲得，影響游客游覽時長因素有眾多[27]，同時有些影響因素存在延時效應，這都會導致估計精度降低。文中以恭王府博物館為例，采用人臉識別測算的游覽時長和景區實測客流數據為依據，通過構建包含延時效應和實時游客入園數量影響的瞬時人數估計方法解決景區瞬時承載量預警管控問題。

1 恭王府博物館游客監控與統計

1.1 恭王府博物館游客監控

恭王府博物館(以下簡稱恭王府)是北京市規模最大、保存最完整的清代王府，位于什剎海西南部，是全國重點文物保護單位，國家一級博物館，國家5A級旅游景區，年均接待游客300萬人次以上，已成為北京繼故宮、長城等文化遺產地之外又一處重要旅游目的地。恭王府瞬時承載量是6 000人，日承載量32 000人，瞬時人數超過瞬時承載量將采取疏導限流措施。為了有效地監控景區的游客數量，在景區中布置了24處監控探頭，實時監控景區各個區域探頭可視范圍內的游客，根據監控人工判斷擁擠狀態來決定是否采取限流措施，具體布局情況如圖1所示。

圖1 恭王府游客監控

但是在實踐過程中面臨的一個問題是景區瞬時人數難以實時統計。與全國眾多旅游景區類似，恭王府外圍緊鄰社區，并位于什剎海風景區之內，也是一個半開放旅游景區，入園人數是可以通過售票系統和閘機系統獲得，而景區出口都是單向敞開式，無法實時計算出園人數，因此無法估計在園瞬時人數。同時由于游園人群的流動具有延時性，有時入口還在采取限流措施，而實際瞬時人數已經低于上限人數，導致游客反而在入口前形成擁堵。

1.2 游覽時長檢測

表1 人臉識別實驗數據基本情況

1.3 恭王府景區游客入園數據統計分析

選取恭王府同樣3 d視頻人工統計游客出入園數據，時間間隔10 min，結果如圖2所示。

從圖2可以發現恭王府游客入園高峰期基本出現在13點至15點期間，其它時間段客流量降低。從管理者角度看，只有游客入園高峰期才可能采取入園限流等措施，因此需要對恭王府游客入園時間段進行劃分。

圖2 恭王府3 d游客入園數據統計結果

采用K-means聚類算法對采集的游客入園流率Q進行聚類分析，運算得到Q臨界值為374人和460人，設小于374人為低峰期，大于等于374人而小于等于460人為平峰期，大于460人為高峰期。進一步分析顯示，在大于等于374人而小于等于460人和大于460這2個時間段的平均游園時間和標準差比較接近，再結合平峰期和高峰期分布特性沒有低峰期明顯，而374和460又很接近，因此可以把Q大于等于374人而小于等于460人的平峰期和大于460的高峰期2個階段合并，統一稱為高峰期，Q小于等于374為低峰期。按照2類重新統計分析，結果見表2和表3。

表2 優化后的入園流率和游覽時長統計分析表

由表2和圖3可以看出，低峰期由于沒有過多游園人數的壓力影響，一些衷情游客就會投入更多時間去游覽，因此低峰期游覽時間分布具有明顯的長尾，其接近于對數正態分布。而在高峰期，由于入園人數的增加導致少數想花更多時間游覽的游客不能充分游覽，高峰期接近于正態分布。

圖3 優化后的游覽時長統計分布圖

1.4 恭王府景區游客游覽時長分布函數確定

根據圖1確定，低峰期游覽時長服從對數正態分布，高峰期游覽時長服從標準正態分布。依據歷史數據以374人為界限進行分布函數的參數確定，計算可得見式(1)和式(2)。

(1)

x>0

(2)

按照上述分布函數進行瞬時人數估計時僅僅依賴了歷史數據，而沒有充分考慮當前實際情況，同時各種文獻研究表明這種估計精度是相對低的。為了有效提高估計精度，需要充分考慮當前實際情況。游客游園的時間一方面受個人愛好影響，另一方面也與游園人數的多少有關，當游園人數眾多時，游客游覽興趣就會大大降低。因此可以通過分析入園人數的變化與游覽時長的關系來分析其對當前游覽時長的影響。

2 游客游覽時長影響因素分析與回歸方程構建

影響游客游覽時長的因素有多種，比如個人的文化修養、游覽時的天氣狀況、游覽環境的人群數量等等。在本次3日數據采集過程中，通過在恭王府景區出口處采用攔截訪問方式，在當日游客高峰期隨機訪問100名成年游客(男女各占50%)，統計發現在正常氣象條件和景區設施良好情況下70%～80%人認為影響游覽時長主要因素是當時游覽人群數量的多少，即游覽人數眾多時游覽時長就會相應的少些，游覽人數較少時游覽時長就會多一些。但是入園游客的增加對整體景區產生影響存在一個延時性，即入園游客數量增加不是立刻就反映到游客游覽時長減少，需要一個延時。因此，確定延時多少對合理估計瞬時人數有著重要意義。

2.1 不同延時間隔確定

公式(3)計算變量X和Y間的相關系數，其中Var[X]和Var[Y]分別是X和Y的方差。

(3)

由于游客入園統計時間間隔是10 min，因此假設延時時間間隔分別是10,20，30，40和60 min，任取2 d數據進行分析，計算結果如圖4所示。

圖4 入園人數變化與不同延時時間間隔度相關性分析

2.2 構建回歸方程

(4)

3 瞬時人數估計方法

在建立公式(1)～(4)基礎上，可以實時對瞬時人數進行估計。但從半開放景區安全管理角度，出現最大瞬時人數往往是在高峰時間段，因此只需要根據入園時間間隔統計在大于374人高峰期才有必要進行估計，具體的估計算法如下。

1)Inputtcand ΔQ//tc估計時間，ΔQ相鄰時間間隔入園人數變化量

2)Fori=1 ton

3)t→tr(i) //tr(i)每個游客的入園時間

4)End

5)Fori=1 ton

6)Iftc-30tc-(30+ty) //ty是延時影響回溯時間

7)Rand(f(x)=

8)Iftc-(30+ty)≤tr(i)≤tc-30

11)Rand(f(x)=

12)End

13)Fori=1 ton

14)Iftr(i)+tz(i)≤tc

15)Count++

16)End

在估計算法中存在一個延時影響回溯時間ty，其用來確定在當前時刻下回溯多長時間來計算由于實時變化的ΔQ而產生對tz的影響。根據圖3中ΔQ對tz的影響具有延時性，通過相關性分析也得到30 min統計間隔具有較強的相關性，但是在30 min統計間隔時間基礎上回溯多長時間作為影響時間段，這還需要進一步分析。

4 確定延時影響回溯時間

為了測試不同的回溯時間ty，文中把回溯時間ty設定為30，60和90 min分別帶入算法進行計算。以某一天統計數據為真值，測試在高峰期間不同回溯時間下預測值與真值的誤差，誤差計算采用絕對誤差和相對誤差法。分別計算在高峰期13：30點至15點期間每個10 min預測值，同時計算不同回溯時間下各個預測值的平均絕對誤差和平均相對誤差，并與未考慮實時影響的預測值進行比較，結果如圖5所示。

圖5 不同回溯時間預測結果比較

根據圖5(a)，與真值相比，回溯60 min的預測值好于30和90 min，同時根據圖5(b)平均絕對誤差和相對誤差也可以看出回溯60 min的預測值好于30和90 min。因此，ty=60 min可以獲得良好的預測精度，平均絕對誤差可以控制在20人以下，平均相對誤差可以控制在2.7%以下。

5 實驗驗證

基于上述估計方法，依據恭王府景區游客高峰期入口處每個10 min入園游客數量變化ΔQ估計游客瞬時人數。實驗驗證采用選取某一日現場統計10 min瞬時人數為真值，以恭王府景區游客游覽規律為基礎建立仿真模型，在瞬時人數超過2 000人時采取限流措施，限流時長選擇60 min，實驗結果如圖6所示。

圖6 限流管控實驗結果

根據圖6實驗驗證結果，在11點、14點和16點3個時間點出現瞬時人數大于2 000人的情況下進行60 min延時限流。限流效果與真值比較達到了預期效果，因此采用文中提出的方法是有效的。

6 結 論

瞬時人數的統計是景區最大承載量實施的基礎，是實施瞬時承載量分級預警的數據來源。文中采用人臉識別方法精確獲取游客游覽時間，并結合入口流量建立了相應的瞬時人數估算模型，得到了間隔時間和回溯時間等參數，模擬驗證顯示估計方法具有實際應用價值。

1)人臉識別技術為游客游覽時長檢測提供了大樣本抽樣方法，恭王府案例顯示游客平均游覽時長在89～100 min之間。

2)游客游覽時長與入園流率相關，入園人數聚類顯示分界點宜選374人/10 min，入園低峰期和高峰期的游覽時長分別符合對數正態分布和正態分布，其中高峰期游覽時長明顯壓縮。

3)建立了包含實時影響因素以及考慮延時效應的景區瞬時人數估計方法，并得到關鍵參數，其中入園時間延時間隔以30 min為宜，延時影響回溯時間則以60 min為最優。

通過對相關參數實地化修正，該方法也可以應用到其它半開放型公共場所。影響游客游覽時長的因素除了游覽人群數量，還包括氣象條件、游覽活動類型、景區規模、人群組成等因素，對這些因素的影響作用分析和監測建模將更有助于提升景區瞬時人數預測估計精度。