基于興趣點數據的疫情背景下旅客出行目的分析

周康勝 彭睿哲 李卓

DOI：10.16660/j.cnki.1674-098X.2101-5640-7573

摘? 要：本文通過研究西安市市中心位置處未央區、蓮湖區、新城區、碑林區、灞橋區、雁塔區和長安區共7個行政區2020年全年的百度地圖興趣點（Point of Interest， POI）數據，對原始POI數據進行梳理與分類，根據旅客出行目的的不同聚類成4大類POI數據：娛樂出行、醫療出行、教育出行、辦事出行。然后使用核密度分析方法求得不同大類POI數據的核密度之和，以此得到不同出行目的旅客的目的地聚集區域。本文通過分析發現，不同出行目的的旅客目的地聚集區域也有所差別，其中碑林區及與碑林區接壤的其他行政區是各類旅客出行目的地的熱門集中區域，需要防疫部門重點關注。

關鍵詞：興趣點? 大數據? 出行目的? 新冠疫情

中圖分類號：U125 ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2021）03（c）-0166-05

Analysis of Passenger Travel Purpose under Epidemic Situation Based on Data of Interest Points

ZHOU Kangsheng? PENG Ruizhe? LI Zhuo

（College of Transportation Engineering， Changan University， Xian， Shaanxi Province， 710021 China）

Abstract： This paper studies the point of interest （POI） of the center of Xian， including Weiyang District， Lianhu District， Xincheng District， Beilin District， Baqiao District， Yanta District and Chang'an District， coming from Baidu Map in the whole year of 2020. The original POI data are sorted and classified according to the different travel purposes of passengers， which are clustered into four categories of POI data： entertainment travel， medical travel， education travel and business travel. Then， the sum of the kernel densities of different types of POI data is obtained by using the kernel density analysis method， so as to obtain the destination aggregation area of different travel destinations. Based on the analysis， it is found that the destination gathering areas of passengers with different travel purposes are also different. Beilin District and other administrative districts and their adjacent areas are the popular concentration areas of all kinds of passenger travel destinations， which need to be focused by the epidemic prevention department.

Key Words： Point of interest; Big data; Travel purpose; COVID-19 epidemic

2020年全球籠罩在新型冠狀病毒肺炎疫情的陰影下，各國經濟也因此受到了很大損失，我國雖然成功遏制了疫情的擴散，人們的生產生活已經步入正軌，但仍有零星的境外輸入、冷鏈貨物傳播等局部疫情的出現，防疫形勢依然嚴峻。通常情況下，有兩種防疫的思路：一種是發現患者，根據確診患者的出行軌跡去尋找其密切接觸者，再進行隔離觀察、核酸檢測等對其是否患有新冠肺炎進行排除;還有一種是倡導不扎堆、不聚集，例如外來人員需隔離一周并做核酸檢測才能恢復自由或是通過封閉管理等手段，盡可能地切斷傳播途徑。上述方法雖然有效，但是都有一定的滯后性和實施難度。結合我國疫情實際情況，本文在大數據背景下提出了一種新的防疫思路：通過對龐大的數據進行數據挖掘，探索數據關系，發現以前科學方法發現不了的新模式、新知識、新規律[1]，可以構建出旅客的畫像，預估其出行目的與方式，對可能的人口聚集區域做出預測，有關部門可以據此加大此聚集區域的防疫力度，最大限度地杜絕疫情的傳播。

由于旅客的出行需求多種多樣，包括旅行、出差、訪友、學習、探親、科研調查等，而且，疫情背景下的旅客出行目的也有一定的變化[2]。因此本文利用2020年百度地圖的興趣點（Point of Interest，POI）分析疫情后旅客的出行目的，尋找具有不同類型出行目的的旅客目的地的聚集區域，對于提高防疫部門工作精確性，合理部署防疫物資有著重要價值，此外研究城市的興趣點數據也有助于有關部門和市民對城市功能分布有更好的理解[3]。

POI（一般作為Point of Interest的縮寫，也有Point of Information的說法），通常稱作興趣點，它是基于位置服務的核心數據，泛指互聯網電子地圖中的點類數據，基本包含名稱、地址、坐標、類別四個屬性;源于基礎測繪成果DLG（Digital Line Graphic，數字線劃地圖）產品中點類地圖要素矢量數據集;在GIS（Geographic Information System，地理信息系統）中指可以抽象成點進行管理、分析和計算的對象。

國外對POI數據的研究主要通過用戶行為、社會影響、地理因素、時間因素等影響因素分析使用者的后續特征與行為。在提升POI數據預測準確性方面，Liu[4]提出GT-BNMF（Geographical-Topical Bayesian Non-negative Matrix Factorization）模型，把潛在空間抓取觀察特征和話題事件的關聯與特征值聯系在一起。Lian D[5]構建了地理因式矩陣法（Geographical? Modeling and Matrix Factorization， GEOMF），用投影梯度下降法解決邊界限制的最小平方問題和位置的稀疏性問題。Cheng C[6]為了獲取下一位置處的時間，提出factorized personalized Markov chains Localized Region（FPMCLR）模型，將POI預測時考慮周圍的柵格值縮減到9個。

國內對POI數據的研究大部分是結合城市地理特征以及交通分布特征研究分析對應的POI網絡。周海波[3]提出將滴滴打車的打車點和目的點數據與POI數據結合，拓展城市居民出行行為研究，對智能化網約車具有一定的參考價值。楊健[7]認為POI數據是城市功能區識別的重要參考與補充，將POI數據與OSM路網劃分相結合，使城市分區更加合理。

POI聚類分析，核密度分析是了解城市功能區和旅客出行目的的重要手段。之前的研究大部分是圍繞POI數據的數量、密度進行統計的，沒有考慮到不同類型POI數據之間的影響以及POI數據類型的不同。本文通過收集疫情背景下的POI數據，并將疫情背景下的POI數據按照旅客出行目的進行聚類，再進行核密度分析，尋找具有不同出行目的的旅客的目的地的聚集區域，對防疫工作的高效開展有著一定的參考價值。

1? 數據來源與研究區域范圍

本文的數據來源于百度地圖2020年全年的興趣點（Point of Interest， POI）數據，選擇其中西安市區域范圍內約70萬條數據作為研究范圍。數據文件包含不同興趣點的名稱、類型、地址、郵政編碼所屬區域等多種屬性信息。通過對總體數據的初步篩選，把原始POI數據分為汽車服務、汽車銷售、餐飲服務、購物服務、體育休閑、住宿、風景名勝等24大類。數據文件屬性釋義如表1所示。

2? POI數據出行目的分析

2.1 數據處理

本文利用網絡爬蟲技術獲取有效的信息，通過選取2020年西安市的百度地圖 POI（Point of Interest） 數據，從娛樂出行、醫療出行、教育出行、辦事出行4個方面表征地出行目的的聚集點。通過查閱相關文獻[8]并結合疫情背景與西安市實際，本文選取以下POI數據點代表相應的出行目的：其中表征娛樂出行的相關POI興趣點，如餐飲服務、購物服務、風景名勝、體育休閑服務、住宿服務等類別;表征醫療出行的相關POI興趣點，包括醫療保健服務等類別;表征辦事出行的POI興趣點數據如公司企業、金融保險服務、汽車服務、生活服務等類別;代表教育出行的POI興趣點數據包括科教文化等類別。上述每個大類中又包含若干個小類，如表2所示。

2.2 核密度估計分析

核密度估計（Kernel Density Estimation），由Rosenblatt（1955）和Emanuel Parzen（1962）提出，是概率統計中估計未知密度的函數，屬于非參數檢驗方法之一，核密度估計方法不利用有關數據分布的先驗知識，對數據分布不附加任何假定，是一種從數據樣本本身出發研究數據分布特征的方法，因而在統計學理論和應用領域均受到高度重視。在核密度分析中，每個點上方均覆蓋著一個平滑曲面，在點所在位置處表面值最高，隨著與點的距離的增大表面值逐漸減小，在與點的距離等于搜索半徑的位置處表面值為零，僅允許使用圓形鄰域，曲面與下方的平面所圍成的空間的體積等于此點的 Population 字段值，如果將此字段值指定為 NONE 則體積為 1。因此每個輸出柵格像元的密度均為疊加在柵格像元中心的所有核表面的值之和。如果擬合觀察點的方法為采用平滑的峰值函數，并且根據點的真實概率分布進行擬合、根據最近的數據點計算地理中觀測點數據分布特征，那么，數據不同點聚合越近，產生的密度值越大[9]。概率密度函數一般形成為：

其中Kernel（）為核函數（不等于0、積分等于1，均值為0）。主要的核函數有uniform、normal、triangular、biweight等。w>0，平滑參數，稱為帶寬。w越大，函數越尖銳，反之越平滑[10]。高斯核函數的表達式為：

表達式中，xcenter為核函數中心，x為不同類型POI數據，ξ為函數的寬度參數。本文利用二次核函數（高斯核函數），核密度分析展現了數據的聚集狀況，本文使用核密度對2020年西安市POI數據進行聚類，針對不同的旅客出行目的，具有不同的聚集區域。

核密度值代表被計算要素在其周圍鄰域中的密度，由于直接計算區域范圍內不同類型興趣點數量，僅能夠反映區域范圍內不同類型的興趣點密度，卻不能夠反映區域周邊一定空間范圍內不同類型興趣點的密度信息[9]，因此本文使用核密度值代表被計算要素在其周圍鄰域中的密度，其中某區域核密度的值越高，代表以某種相同目的前往該區域的聚集度越高。

本文利用POI數據分析需求分布的方法為：使用ArcGIS軟件，以不同類型POI數據點為基點，設置輸出20m×20m的柵格，并以1000m為半徑設置核密度計算緩沖區計算四類出行目的的POI興趣點的核密度，并計算在范圍內特定類型的POI 核密度值之和。本文選擇西安市市中心位置處的未央區、蓮湖區、新城區、碑林區、灞橋區、雁塔區和長安區進行各類地理數據核密度之和的空間分布計算分析，如圖1所示。

如圖1所示，顏色由藍到紅代表了核密度之和從低到高，顏色越藍代表核密度之和越低，表示以此為目的地的人數越少;顏色越紅代表核密度之和越高，表示以此為目的地的人數越多。其中以醫療出行為目的的旅客的目的地主要集中在碑林區、蓮湖區東南部、新城區南部、雁塔區中部、灞橋區東部以及長安區靠近雁塔區的一小塊區域;以教育出行為目的的旅客的目的地主要集中在西安市中軸線附近、碑林區、雁塔區北部以及長安區北部的大學城附近;以辦事出行為目的的旅客的目的地主要集中在西安市中軸線附近、碑林區、蓮湖區與新城區南部、雁塔區北部以及未央區市政府附近;以娛樂出行為目的的旅客的目的地主要集中在蓮湖區東南部、新城區西南部、碑林區北部與中部、雁塔區北部靠近西安市中軸線附近以及長安區未央區灞橋區零星分布的區域，可以明顯地看出，同一目的的旅客所前往的區域有一定的聚集性，不同目的POI核密度高的地區分布也有一定差別。

縱觀四種不同出行目的核密度之和分布，各種出行目的的熱門聚集區域主要靠近地鐵站沿線分布，各種出行目的地的熱門聚集區域都包含碑林區以及其它各區與碑林區接壤的區域，經過實地走訪與查閱相關地圖，碑林區主要是西安市城墻以內的區域，其中包含了大量的熱門景點、著名商圈、省委省政府等政府機關以及多家三甲醫院等，是不同出行目的旅客的出行目的地，并且由于位于城市中心地區，這些地區當地人流量本身就十分龐大。因此，碑林區以及其它各區與其接壤部分由于外來人員多需要投放更多的防疫力量，嚴格落實各項防疫措施;其它各區域可參考本區域的不同類型POI核密度之和，可以構建出旅客的畫像，以便更好地了解外來人員來到本區域的目的，并在疫情的環境下合理分配資源，提高防疫部門的精確性，從而及時高效地發現感染者并減少損失。

3? 結語

本文首先對原始POI數據進行梳理與分類，根據旅客出行目的的不同聚類成4種POI數據：娛樂出行、醫療出行、教育出行、辦事出行。然后使用核密度分析方法得到不同出行目的旅客的目的地聚集區域。本文通過分析發現，不同出行目的的旅客的目的地聚集區域也有所差別，其中碑林區及各區與其接壤部分是各類旅客出行目的地的熱門集中區域，需要防疫部門重點關注。此外，旅客聚集的區域隨著出行目的的不同發生相應的變化，結合POI的具體屬性可以更容易地總結出旅客的出行目的，更準確地實現疫情背景下的旅客出行行為預測以及疫情的高效防控。

參考文獻

[1] 王家耀，武芳，郭建忠，等.時空大數據面臨的挑戰與機遇[J].測繪科學， 2017，42（7）：1-7.

[2] 詹慶明，范域立，張慧子，等.利用區域人群流動和新興交通數據支持疫情防控[J].武漢大學學報：信息科學版，2021，46（2）：143-149，202.

[3] 周海波，魏延生，羅洪軍，等.基于感興趣點和滴滴數據的打車需求分析[J].地理信息世界，2019，26（2）：60-66.

[4] LIU B， FU Y， YAO Z， et al.Learning Geographical Preferences for Point-of-Interest Recommendation[C]//ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2013：1043-1051.

[5] LIAN D， ZHAO C， XIE X， et al. GeoMF： Joint Geographical Modeling and Matrix Factorization for Point-of-Interest Recommendation[C]//Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining，2014：831-840.

[6] CHENG C， YANG H， LYU M R， et al. Where You Like to Go Next： Successive Point-of-Interest Recommendation[C]//International Joint Conference on Artificial Intelligence，2013.

[7] 楊健，李朝奎，劉彥.融合OSM路網數據與POI數據的城市功能區識別方法及其應用[J].地理信息世界，2020，27（6）：1-6，13.

[8] 張玲.POI的分類標準研究[J].測繪通報，2012 （10）：82-84.

[9] 趙鵬軍，曹毓書.基于多源地理大數據與機器學習的地鐵乘客出行目的識別方法[J].地球信息科學學報，2020，22（9）：1753-1765.

[10] 殷俊杰.基于深度學習的興趣點推薦系統研究[D].南京：南京郵電大學，2020.