基于視覺偏好的人流模擬及旅游線路優化研究

［摘 " "要］旅游規劃與客流管理是旅游景區關注的重點議題，以視覺為核心的旅游者行為與感知研究為其提供了新的視角。文章從人本主義出發，聚焦旅游者對旅游地環境的視覺偏好，建構旅游者行為的三元空間理論框架。通過多代理人模擬開展旅游流預測、旅游線路優化、旅游擁擠預防的研究，實現了方法體系上的整合應用。鼓浪嶼實證案例研究表明：1）基于視覺偏好的旅游線路優化基本實現了視覺效用提升；2）優化后的“百年遺跡”旅游線路具有高擁擠風險；3）對關鍵決策節點進行街道空間優化能夠較好地緩解潛在擁擠風險。該研究結合客流分析和視覺評價開展理論和方法探索，為旅游地的線路規劃、旅游流調控和街道空間設計提供決策支持和規劃參考。

［關鍵詞］遺產旅游地；視覺偏好；旅游線路；多代理人模擬；鼓浪嶼

［中圖分類號］F59

［文獻標識碼］A

［文章編號］1002-5006（2024）06-0085-16

DOI： 10.19765/j.cnki.1002-5006.2024.06.011

0 引言

旅游規劃與客流管理是旅游景區長期討論的重要話題，景區管理方多通過預約、限流等措施調控景區內的旅游者總量，但各景點的承載量與客流量在時空上仍分布不均，造成一部分景點“過度擁擠”，而另一部分景點“無人問津”[1]。旅游地的發展不僅面臨“量”的控制，而且需要“質”的提升，如何兼顧流量監測管理和旅游品質提升是當前景區追求高質量發展過程中亟待解決的重要問題。隨著世界遺產地的認定與遺產旅游的發展，越來越多旅游者涌入遺產地開展旅游活動，帶來經濟效益與發展活力[2]。但與此同時，遺產地的規劃與管理也面臨更多的挑戰：其一，遺產地受到經濟效益的影響，開展了越來越多的商業活動，出現過度旅游或過度商業化的現象，影響遺產地的整體風貌與文化氛圍；其二，旅游者的大量涌入與無序流動加重了遺產保護的壓力，面對“保護”和“發展”的雙重需求，遺產地客流調控難度較高[3-4]；其三，為促進遺產的價值傳承，管理方往往采取推薦旅游線路的方式引導旅游者前往核心遺產要素所在區域，旅游流的均衡分布與旅游者的體驗品質難以保障[5-6]。根據《國際文化遺產旅游憲章》，保護文化遺產的韌性離不開周密的旅游規劃和旅游者管理，探索兼顧客流管理和旅游品質的旅游線路優化方法具有重要價值。

當前，有關旅游者時空分布的調控多依據各景點的吸引力或重要性進行，已有較好的研究積累。然而，受制于遺產地的保護需求，景區內的遺產要素難以直接調整變動，通過改變景點特性實現客流調控的方法并不適宜。在眾多旅游地中，景點間通過街道空間相互聯系，并形成旅游者的通行網絡。街道交叉口是旅游者產生行為決策的重要空間節點，決定了所能接收到的感官信息及下一步的走向[7]。因此，旅游者在街道交叉口的選擇偏好與旅游地客流分布存在關聯，其關鍵在于空間表征和旅游者的感知。近年來，在人本主義理念與人因技術發展的影響下，以視覺為核心的旅游者行為與感知研究成為旅游目的地管理和旅游體驗領域的熱點。旅游者所獲取的大部分信息來自視覺，對視覺感知內容的測度與分析有助于識別旅游者行為、旅游消費決策與旅游體驗提升[8-9]，并幫助理解旅游者在環境中的行為機理[10]。因此，從旅游者感知視角測度旅游地環境的視覺效用是理解和解釋其選擇偏好的重要因素，為預測旅游者的行為決策與景區客流分布提供新的方法視角。本文將視覺偏好作為影響旅游者行為決策的核心因素，在此基礎上提出一種人流模擬及旅游線路優化方法，旨在實現以下目標：1）測度旅游地環境的視覺效用和旅游者的視覺偏好；2）基于視覺偏好模擬人流分布，并識別待優化的旅游線路；3）模擬旅游線路優化后的人流分布，預測擁擠空間，并提出預防性措施。

1 相關研究進展

1.1 旅游者視覺感知與選擇偏好研究

環境特征能夠影響個人的感知、情緒和身體活動[11]，人們通過選擇自己喜歡的環境特征來改變行為表現，這種選擇過程涉及人類知覺的行為調整、生理適應和心理期望，并與視覺感知緊密相關[12]。旅游者在不同環境中的決策和行為存在差異，這與其認知過程以及旅游地環境因素相關。基于旅游者的視覺感知進行行為測度，對于塑造目的地形象、預測旅游者行為、旅游管理等具有重要意義[13-14]。視覺偏好由對環境刺激的感知和對認知解釋的習得結合而成，潛在的感知可以通過個體的偏好來識別，測度個體對環境的視覺偏好是理解個體感知的有效方法[15]。Tada和Kato提出的視覺認知過程模型指出，個體在面對同一刺激時可能會產生印象和認知上的差異，表現為不同的視覺偏好[16]。因此，探索旅游者主觀選擇與旅游地客觀環境相結合的視覺偏好分析方法，是進一步理解旅游感知與行為的關鍵。

眾多學者圍繞這一議題進行了有意義的探索。例如，李淵等基于攝影照片，通過眼動實驗結合主觀問卷歸納旅游者游后意象與視覺偏好特征[17]；王敏等結合眼動技術與照片解釋行人在城市開敞空間中的空間感知規律[18]。可見，以視覺數據結合深度訪談或問卷調查是旅游者感知與行為分析研究的常見方法。然而，有關旅游者行為的感知數據融合研究證實了主客觀感知數據存在一定的差異空間[19]，傳統主觀數據收集方法與現代行為數據結合是進行個體精細化行為建模的重要手段[20]。當前，針對主觀選擇偏好測度模型的研究已有了較為成熟的理論和方法基礎，主要通過陳述性偏好法（stated preference，SP）和揭示性偏好法（reveal preference，RP）構建框架[21]，采用文本描述[22]或圖示[23]方式進行測度。相較于RP法，SP法適用于對未來環境的選擇偏好進行預測[24]。在分析層面，學者們通過二元logistic模型[25]、分層logit模型[26]、條件logit模型[27]等揭示影響選擇偏好的因素。總體而言，結合旅游者主觀選擇和旅游地客觀環境的視覺偏好測度與行為預測研究仍缺乏較為成熟的方法體系，需要面向旅游地規劃管理需求進行整合優化。

1.2 旅游地人流模擬與線路優化研究

人流調控是旅游規劃與管理領域關注的重要話題，旅游者的涌入和無序流動為旅游地的線路規劃和服務管理帶來較大壓力。眾多旅游地對人流量及其時空分布進行監測與分析，學者們也進行了大量的方法探索。例如，羅潤等基于小波分析研究了不同類型旅游景區旅游流時間特征[28]，宋廷山和郭思亮對旅游客流大數據統計模型進行了構建與驗證[29]，張明莎等借助遙感影像對自然保護區人為活動進行監測[30]，楊興柱等將傳統分析方法與空間數據分析方法相結合，對南京市內部旅游客流空間進行測度與模擬[31]。然而，當前圍繞旅游者時空流動的監測與模擬的研究缺乏對旅游線路規劃設計與優化等方面的現實指導。實踐中，旅游線路規劃往往以旅游地管理方為主導、自上而下進行。旅游者行為是基于其對空間動態感知變化的結果而進行的，不同選擇亦會使環境或旅游者感知產生變化。因此，旅游者的空間流動與旅游地的線路設計通常指向兩種結果：其一，旅游者根據自身偏好選擇偏離推薦線路，反映出旅游者與旅游地在旅游線路上的供需失衡；其二，旅游者自身偏好與推薦線路一致，造成大量旅游者在相同的空間區域集聚，形成旅游擁擠效應，進而影響旅游體驗品質。因此，充分考慮旅游者對空間的動態感知與主觀選擇偏好，結合人流模擬進行旅游線路優化對旅游地的客流管理和品質提升具有實踐意義。

隨著旅游者行為研究的逐步深入，測量旅游者空間流動的相關技術方法不斷豐富，對旅游者的軌跡追蹤能夠基于更多的數據類型展開。傳統研究中，旅游者的時空行為數據與空間流動狀態大多基于日志調查[19]、認知地圖[32]等方法收集。然而，這類通過主觀方法獲取的時空行為數據較為依賴被調查者的個人觀察和記錄[33]，易產生由主觀認知因素導致的誤差。為此，GPS、手機信令等客觀軌跡數據逐漸被應用于旅游者時空行為研究。例如，黃瀟婷等提出了一種基于GPS數據的旅游時空行為評價方法[34]，朗月華等通過GPS軌跡的柵格化處理分析旅游者行為的空間模式[35]，為結合GPS開展的旅游者行為研究提供了良好的范例。與此同時，GPS也為旅游線路設計與優化研究提供了高精度行為數據[36]，但仍然存在難以支持旅游地環境要素、旅游者感知分析的問題。

有研究指出，在景區人流模擬方面，結合GPS數據與問卷調查，基于多主體的行為模擬能夠為景區流量管理與線路設計提供有效的決策支持[37]。以第三代系統理論為代表的系統工程學從學習、認知等不同角度揭示了復雜的行為本質，承認不同個體可以擁有自身的目標和偏好，并以此和環境進行交互[38]，由該理論衍生的多代理人模型受到學者的青睞[39]。多代理人模型將旅游者設置為具有不同屬性的代理人，將旅游地環境要素設置為適應條件，旅游者通過與環境進行交互、主動學習并改變自身行為來完成模擬。多代理人模擬常用于模擬多種決策主體的行為，將消費者行為模型與多代理人系統結合是目前消費者行為模擬的前沿手段，同時也應用于模擬人群在特定空間環境中的行為特征[40-41]。可見，在研究情境上，多代理人模擬既能夠用于個體行為決策的模擬預測，也能夠用于分析行為發生場所的空間結構，適用于開展人流模擬，并指導旅游線路優化。

2 研究框架

隨著行為地理學出現從“空間行為”（spatial behavior）向“空間中的行為”（behavior in space）轉變[42]，旅游者行為與其所處空間的關系更加復雜化和多樣化。柴彥威和塔娜提出的“空間-行為”互動理論指出，空間行為是行為主體基于復雜環境制約進行選擇而產生的結果[43]。行為主體具有主觀能動性，基于主觀選擇對環境產生影響，這與旅游者的感知與決策密切相關[44]。而“人-環境一致性”理論認為，人類對環境條件的要求與環境對人類能力的改變間存在一致性聯系[45]，當人的需求與周圍環境的供給相互匹配時，個體主觀感知上的滿意度會有所增加，更可能做出積極的調整。而當個體感知與客觀環境不一致時，個體可能自主或被勸服而移向與其需求更為一致的環境[46]。這一理念被視作環境設計的重要概念和工具[47]，適用于理解旅游者與旅游地之間的供需關系，并指導旅游地的優化實踐。在兼具互動性和一致性的“人-地”關系中，產生了多樣的旅游者行為。Lewin等心理學家提出的行為公式[Behavior=f（People?Environment）]明確指出，行為產生于人類與環境相互作用的結果，推動了環境行為學的發展[48]。環境行為學認為，外部環境與內在心理共同作用于行為結果，其理想目標在于通過對人與環境互動機理的探索，實現兩者關系的優化。

環境行為學的觀點回應了行為地理學的研究轉向，從“空間行為”到“空間中的行為”實質上是“空間”與“行為”關系的進一步明確。“空間行為”并不能被認為是一種特定的行為類型或行為方式，行為可以是當下現實發生的，也可以是未來主觀期望的，但行為一定發生在特定的空間之中，即存在一個承載行為發生的“行為空間”。這一空間形成于客觀存在的真實旅游環境（物理空間）和經過旅游者認知加工的抽象感知結果（心理空間）。據此，本文建構了旅游者行為的三元空間，并提出了基于視覺偏好的人流模擬及線路優化研究框架（圖1）。在這一框架中，旅游者對環境的感知與環境對旅游者的約束之間存在互動，旅游者對環境的需求和旅游地供應的環境條件之間應當具備一致性。物理空間被視為外顯的行為空間，而心理空間則是內隱的行為空間。旅游者對環境的視覺感知進入心理空間進行認知加工后產生主觀偏好，形成基于主觀感知的視覺偏好；旅游地的街道景觀作為與旅游線路密切相關的物理空間，由多項視覺要素共同構成，對其測度形成基于客觀要素的視覺效用。基于此，可對旅游者的行為進行預測。進一步地，在行為預測與真實行為的雙向對比的基礎上，可以識別需要優化的旅游線路，從而改善旅游地環境供給；同時，對優化后旅游線路的二次模擬可以有效預防可能的擁擠情況，從而更好地滿足旅游者需求，實現面向客流控制的旅游目的地管理與體驗品質提升。

3 研究設計

3.1 研究區概況

本研究選擇廈門市鼓浪嶼作為研究區域。鼓浪嶼是國家5A級旅游景區，面積約1.87平方千米，素有“萬國建筑博物館”之稱。組成鼓浪嶼街道空間的主體包括商業店鋪、自然景觀、歷史建筑等，街道風貌多樣，研究尺度適中。2017年7月8日，“鼓浪嶼：歷史國際社區”被列入《世界遺產名錄》，這對鼓浪嶼的旅游環境治理和高質量發展提出了更高的要求，也更考驗其精細化治理的水平。雖然鼓浪嶼已調整每日最大承載量為5萬人次1，其中，核定旅游者的最大承載量為3.5萬人次2，但其面臨的旅游擁擠與局部旅游流分布不均的問題仍然存在，鼓浪嶼作為研究區域符合旅游地研究主題特征，是具有代表性的研究案例地。

目前，鼓浪嶼管委會編制的“樂游鼓浪嶼”文化地圖展示了4條旅游線路（圖2），基本涵蓋了鼓浪嶼上有代表性的歷史道路、自然景觀和文化遺跡，是目前旅游線路組織的主要參考，本文以這4條線路為例進行實證分析和討論。

3.2 研究方法

依據理論框架，本文建立的技術路線如圖3。主要技術環節包括：1）采集旅游地客觀環境數據，通過全卷積網絡（fully convolutional networks，FCN）進行旅游地環境的視覺要素提取；2）根據環境視覺要素提取結果進行正交設計，通過問卷設計與調查采集選擇偏好數據，并采用條件logit模型（conditional logit model，CLM）擬合，計算視覺效用作為視覺偏好的量化基礎；3）構建多代理人模型（multi-agent simulation，MAS），計算旅游者對各街道空間的選擇概率，將選擇概率疊加得到人流模擬結果；4）采集GPS軌跡追蹤數據，對其進行空間統計分析獲得實測客流分布情況，將實測客流與模擬客流進行對比分析，識別需要優化的旅游線路；5）對優化后的旅游線路進行二次模擬，預測可能出現的擁擠空間，并提出基于視覺角度的預防性措施。

3.2.1 " "視覺效用測度方法

本文將街景圖像作為旅游地環境視覺效用計算的數據源，實驗證明，其在視覺心理研究中與實景觀看產生的實驗結果并無明顯差異[49-50]。常見的街景數據多以車載攝像頭進行圖像采集，其采集范圍以機動車道為中心，與人行道為中心的街景圖像存在一定差異。由于鼓浪嶼全島禁止車輛通行，目前尚無可用的街景數據源。因此，本文通過模擬旅游者行進拍攝的方式采集街景數據，為保障街景圖像盡可能接近旅游者的真實視野，拍攝視角應滿足在縱向上、靜止時最大視野范圍可達到水平線以上25°、水平線以下35°，行進過程中最大視野范圍可達到水平線以上20°、水平線以下40°。借鑒相關研究，本次采集選用24毫米（35毫米等效焦距）的鏡頭、在距離地面1.6米左右的位置采集案例地的街景圖像[51]。

由于街道交叉口是旅游者決策下一步走向的重要節點，街景數據從交叉口朝向各街道方向進行采集。街景圖像的采樣點為4條旅游線路涵蓋的核心區域內各主要街道交叉口，采集工作于2021年10—11月間的晴朗白天進行，共獲取了來自227個采樣點的852張街景圖像，經過采集視角與成像結果比對后選擇其中的739張作為研究數據。使用FCN深度學習框架解譯圖像數據，提取圖像中的綠色植被、天空、建筑界面、道路、街道設施等的占比，形成綠視率、圍合度、天空開敞度、擁擠程度、多樣性5項指標[52]。最后，在ArcGIS 10.7中將結果聚合到街道上，每段街道的指標為兩側采樣點朝向該街道方向的圖像指標均值，街道數據作為多代理人模型中道路網絡生成的依據。

所采用的視覺效用計算公式為：

[Ui=α1Gi+α2Ei+α3Oi+α4Ci+α5Vi] （1）

式（1）中，[Ui]為旅游環境的視覺效用，[α1-α5]為需要估計的各視覺要素變量的效用系數，[Gi]表示街景圖像[i]的綠視率，[Ei]表示街景圖像[i]的圍合度，[Oi]表示街景圖像[i]的天空開敞度，[Ci]表示街景圖像[i]的擁擠程度，[Vi]表示街景圖像[i]的多樣性。

3.2.2 " "視覺偏好量化方法

離散選擇模型和SP法是分析消費者偏好的有力工具，具備堅實的理論基礎[53]。本文選用圖示法進行調查問卷設計，問卷主要包括個人屬性和偏好選擇方案兩個部分。首先，依據街景圖像指標的提取結果確定問卷中涵蓋的視覺要素及其水平值，借助SPSS軟件進行正交設計情境組合，共獲得要素全因子設計的場景25個。接著，剔除缺乏實際意義的場景組合，最終獲得相互獨立的12個場景。最后，將12個場景隨機組合成6個選擇對，以場景圖片的形式向被試展示。完成問卷設計后，進行30份樣本的小范圍預調研，并根據預調研結果對效用差距過大的選擇或圖像中過于突出的視覺要素進行調整，隨后發放正式問卷。正式調查于2021年11月開始，通過“問卷星”網絡平臺以滾雪球抽樣的方式進行，累計發放問卷302份，回收有效問卷240份，有效率為79.47%。受訪人群涵蓋青少年、中年和老年群體，以18～34歲年齡段的群體居多，男女性別比例為1∶1.07，樣本整體結構較為均衡，滿足模型分析的要求。問卷調查完成后，采用Stata/MP 16.0軟件以條件logit模型對問卷數據進行擬合。隨機效用理論（random utility theory）是推導離散選擇模型的重要理論框架，它假設每個行為主體是理性個體，在一組有限的備選方案中進行選擇時行為個體總傾向選擇提供最大效用的方案，即效用最大化原則。根據該原則，可以計算每一個備選項的相對選擇概率[54]，該方法的有效性在旅游行為研究中已被證實[55]。

計算每個備選方案被選概率的公式為：

[Pi=exp Uin1expUn，i∈（1，n）] （2）

式（2）中，[Pi]為面對備選方案[i=1， …， n]時的選擇概率，[Ui]為該方案的視覺效用。

3.2.3 " "多代理人模擬方法

本研究采用NetLogo 6.2.2軟件進行多代理人模型建構，模擬系統主要由以下3個部分組成。1）海龜，指代能夠根據視覺感知進行行為決策并移動的旅游者代理人。模擬系統中，旅游者僅有登島、行走和離島3種行為，可以根據街道交叉口對應的選擇集計算選擇概率，模擬下一步的行為決策并執行移動行為。2）道路，表達鼓浪嶼的街道空間環境。調用鼓浪嶼視覺環境地理信息數據庫，包括各街景圖像以及街道的具體屬性。根據街道網絡建立導向點，作為旅游者的行為決策點，引導代理人下一步的行進方向。3）操作界面，包括參數輸入框和監視框，提供方便的參數輸入、控制、調試和實時觀察模擬環境變化的媒介。經過充分時間的模擬，可以得到經過各路段的旅游客流、時段分布等數據。為了探討旅游者視覺偏好對選路行為影響的一般規律，采用“一般性模擬”進行旅游線路的仿真[56]，所構建的場景是根據研究需要進行抽象的簡單虛擬環境，環境中只包含待研究的環境視覺組成要素，其他要素（如道路等級、方向等非視覺要素）均控制為相同水平。應用多代理人模擬的運算主要包括以下步驟。

1）模擬開始。依據鼓浪嶼現行的管理政策，每個旅游者代理人從三丘田碼頭或內厝澳碼頭的點位進入模擬系統。參照實地觀測結果，設置從三丘田碼頭登島與從內厝澳碼頭進入系統的代理人比例為近似2∶1。

2）概率計算。旅游者代理人沿著街道網絡，獲取當前節點往不同方向的網絡基底屬性，計算不同備選項的效用和選擇概率，通過蒙特卡洛方法（Monte Carlo method）模擬獲得確定的選擇結果。

3）執行移動。代理人依據蒙特卡洛模擬的結果，從當前所在的節點移動到選中路段的另一節點，即完成一次模擬。若代理人抵達碼頭并選擇離開，則從系統中刪除，模擬結束；若代理人未抵達碼頭或未選擇結束模擬，則模擬繼續。

模擬系統共設置旅游者代理人30 000個，設計系統運行時刻與旅游者的行走速度相關，每個運行時刻相當于現實中的1分鐘，總模擬時長為1440個時刻（相當于1天），每個時刻向系統內釋放500個旅游者代理人。運行結束后，獲取各旅游線路中所有路段、所有時段旅游者代理人累積量的分布情況。

3.2.4 " "GPS實測與人流模擬對比

旅游者實測數據通過向旅游者發放手持GPS設備Meitrack MT 90的方式收集，在旅游者游覽前于各碼頭發放，在游覽結束后于各碼頭回收設備。設備設定每10秒記錄一次，采集時間包括工作日、周末、公共節假日。最終，共采集有效GPS數據312份，形成564 780條行為軌跡記錄，提供了包括經度、緯度、速度、高度、距離等行為信息。GPS實測數據表征旅游者在旅游地中的實際分布特征，與多代理人模擬獲得的結果進行疊加可以呈現旅游客流理論與實際的異同，為旅游線路的調整和優化提供數據支持。

4 研究結果

4.1 基于人流模擬的旅游線路優化

本研究所構建的多代理人模型輸出的結果，可近似認為是經過連續蒙特卡洛模擬的選擇概率累積情況，并以代理人累積量的形式表征為旅游者提供連續、良好視覺體驗的街道交叉口選路行為鏈，即以模擬客流的累積多寡衡量環境受偏好的程度。同時，疊加實測的旅游客流分布情況，可以獲取旅游線路上旅游者現實通過量較大但未能得到連續的、較好的視覺體驗的街道選項，并據此提出有針對性的旅游線路優化方案。

以鼓浪嶼旅游者的GPS實測數據作為實測客流的結果，將各路段代理人模擬結果與實測客流分布結果賦值到街道要素上進行重分類，獲得高視覺偏好、低視覺偏好、高實測客流、低實測客流4類空間（圖4a、圖4b）。對其進行疊加分析，將4條旅游線路及所涉及旅游景點范圍內的分析結果進行可視化，其分布情況如圖4c所示。其中，呈現“高視覺偏好-低實測客流”和“低視覺偏好-高實測客流”的街道空間是待優化的核心區域。

為盡量減少各旅游線路承載文化信息的丟失，旅游線路調整應在不變動所涵蓋景點的前提下進行規劃調整。基于提升旅游線路沿途視覺效用、均衡旅游者分布的優化目的，提出旅游線路調整優化的主要策略：首先，將旅游線路由原本經過的低視覺偏好的街道交叉口，調整為優先選擇高視覺偏好的街道交叉口；其次，在滿足高視覺偏好的前提下，如存在低實測客流的街道選項可優先選擇，以避免過于集中的旅游者分布；再次，如經過候選景點的街道僅有低視覺偏好的街道交叉口，可通過相應的街道交叉口設計調整，對該處進行優化提升；最后，為了避免因不同旅游線路交叉導致的擁堵，盡可能降低與其他線路的重疊情況。根據上述策略，進行旅游線路規劃的設計和優化（圖5）。

1）“經典華屋”旅游線路優化方案：該線路主要有5處調整，相較于優化前的旅游線路，調整后線路以代理人累積量表征的視覺偏好情況獲得了6.32%的提升。

2）“宗教文化”旅游線路優化方案：該線路主要有3處修改，基本維持了原有面向不同宗教設計的旅游景點與參觀順序，在充分利用現有線路的基礎上規避擁堵客流。對優化后的線路運行模擬，視覺偏好情況獲得了13.44%的提升。

3）“如歌行板”旅游線路優化方案：該線路涉及兩處修改，優化后的線路的視覺偏好與優化前相比沒有顯著變化，但由于在線路規劃上避開了實測客流量較高的區域，對旅游者的體驗提升與遺產旅游地的客流調控具有一定的助益。

4）“百年遺跡”旅游線路優化方案：該線路涉及4處調整，改動幅度范圍較大。調整后的旅游線路沿途視野開闊，較好的自然綠化情況也為旅游者提供了短暫的視覺休憩，避免因建筑文化信息過載而產生的視覺疲勞，更能保障文化信息傳遞的有效性。經線路優化后，新旅游線路的視覺偏好提升幅度超過50%。

4.2 優化線路人流模擬與擁擠預防

在遺產旅游地中，過高的擁擠程度不利于旅游者的旅游體驗，同時對遺產保護和高質量發展造成壓力。因此，將調整后的旅游線路輸入多代理人模型再次運行，預測可能產生的旅游擁擠情況以采取預防性的客流疏導措施。對模擬過程中各線路的代理人密度進行計算，結果如圖5所示。

各路段的代理人密度在模擬初期均出現了一定程度的上升。“宗教文化”旅游線路中各路段的代理人密度變化趨勢較為一致，“經典華屋”和“如歌行板”均出現瞬時客流密度較高的路段。這3條旅游線路的代理人密度的峰值始終保持在2～3人/米附近。而“百年遺跡”旅游線路的代理人密度差異較大，其中，密度峰值最高超7人/米，泉州路則接近5人/米，具有區域性過載風險。因此，以“百年遺跡”旅游線路中代理人密度峰值最高的三明路段為例進行街道空間優化，基于前述分析結果討論其優化方案，為其他旅游空間的設計調整提供借鑒。該路段所在區位及對應的交叉口編號（即各節點在數據庫中的序號）如圖6a所示。

自北向南，除該路段的首末節點外（節點225和節點224），旅游者在既定的“百年遺跡”旅游線路中共涉及兩次行為決策，即節點231和節點229處，因此街道空間優化應以該兩處節點為核心。考慮到在實際場景下，可能會有來自非既定旅游線路的客流匯入該路段，形成較高的客流量。因此，非“百年遺跡”旅游線路的交叉口節點241和節點232也被列入優化方案的覆蓋范圍進行統一設計。對于既定旅游線路，重點在于通過視覺引導強化旅游線路，使旅游者的決策意向與線路設計方向一致，同時降低其他線路旅游者的進入；對于非既定旅游線路，優化策略的重點在于疏解客流，引導旅游者的行為決策傾向其他非既定線路。通過兩類節點優化策略的引導，可以起到疏解過高的旅游者密度、提升旅游體驗、增強保護效益的作用。

列出旅游者在該路段游覽時面臨的選擇集，對其視覺效用和選擇概率進行計算（表1）。節點225的各交叉口選項存在效用差距過大的問題，可能影響旅游者在既定線路中的游覽體驗；節點229需要進行適當的街道空間優化，以增強既定旅游線路的引導作用和非既定旅游線路的疏解作用；而節點231與節點241的計算結果符合預期，無需優化。綜合前述目的，對節點225、節點229進行以強化旅游線路為導向的優化方案設計，即編碼為225-N和229-S的街景圖像對應的街道交叉口。

根據街道環境的實際情況，提出如下優化策略。1）225-N所處的路段街道寬度較窄，街道邊界由墻面限定，視野可見的綠量較低。可通過栽植藤本、草本植被，配合冠徑較大的喬木形成高綠視率，在不過度影響圍合率的前提下增加街道設施的設置，能夠起到引導與暗示的作用。2）229-S與229-E的效用差距不大，視野中可見和記洋行倉庫舊址。因此，可通過種植與養護植被、平整墻面與路面、設置引導或介紹牌等方式適度進行優化。優化前后的街景圖像與交叉口視覺效用、選擇概率變化對比如表1。調整后，根據優化方案示意圖進行語義分割與參數提取，對交叉口選擇概率進行重新計算，優化前后街景對比如圖6b所示。由計算結果可見，該路段的選擇概率獲得了一定的提升，旅游線路的連貫性得到了較好的保障，同時有助于強化該旅游線路的保護效益。重新對優化后的路段進行模擬，優化前后同一路段內客流密度的模擬結果如圖6c所示。可以發現，不同時刻的代理人密度獲得了較好的均衡，其峰值由約7人/米降低到約3人/米。將優化后各旅游線路的人流模擬結果（圖7）與優化前的模擬情況（圖5）進行對比，可以發現，優化后未見新的潛在擁擠點產生，各旅游路線上代理人的密度在不同時段上的分布更為均衡。這表明，在以視覺偏好為主要依據調整旅游線路規劃的同時，旅游擁擠風險也獲得了一定的降低。由此可知，基于視覺偏好的優化提升策略能夠輔助回應旅游環境的高質量發展和精細化設計需求，以促進行為決策過程與環境理解的相對統一。

5 結論與討論

本文從視覺偏好角度出發，聚焦旅游地環境，結合街景圖像數據、GPS實測數據和選擇偏好數據，綜合運用深度學習技術、陳述性偏好法、GIS空間分析與可視化進行數據處理，并通過多代理人模擬開展旅游流預測、旅游線路優化、旅游擁擠預防的研究，實現了方法體系上的整合應用。首先，選擇官方推薦的4條主題旅游線路作為研究對象，整合離散選擇模型和FCN框架的計算結果，通過多代理人模擬獲取各路段的代理人累積數量與密度變化。其次，將模擬客流量與實測客流量進行疊加分析，提出針對主題旅游線路的規劃調整方案。再次，選取存在擁擠風險的街道區段作為優化對象，根據前述研究結果提出優化策略，選定代理人密度過高的街道作為案例進行街道空間設計的調整。最后，通過多代理人模型檢驗優化策略的有效性，為其他街道空間設計方案的生成提供參考和借鑒。

本文研究結論如下：1）對現有旅游線路提出基于視覺偏好的優化策略，優化后的線路基本實現了視覺偏好的提升，能夠強化旅游線路與疏導外部客流；2）根據優化后的旅游線路進行未來人流模擬預測，“百年遺跡”旅游線路具有高擁擠風險；3）選擇擁擠路段的關鍵決策節點進行環境視覺優化，優化結果能夠較好地緩解潛在擁擠風險。基于上述研究結論，本文對理論框架進行提升，并進一步提出基于該理論的街道空間優化提升路徑（圖8）。

本文的貢獻主要體現在以下方面。1）研究理論層面，結合行為公式、行為地理學視角下的“空間-行為”互動理論和環境心理學視角下的“人-環境一致性理論”建構了旅游者行為的三元空間理論模型，并提出了基于視覺偏好的人流模擬及旅游線路優化研究框架。該框架通過空間與行為的互動解讀人與環境的交互關系，建立環境約束與個體感知的主客關系、環境條件與個體偏好的供需關系，以旅游者與旅游地動態交互視角開展實證研究，為旅游客流管理和旅游規劃響應提供理論參考。2）研究視角層面，從旅游者視覺感知視角測度客觀環境要素的視覺效用，將中觀尺度下旅游線路規劃與微觀尺度下的環境視覺設計相結合，既發揮了街景數據描述客觀空間環境特征的特點，又發揮了問卷數據總結主觀個體認知規律的優勢，實現了主客觀融合和多尺度優化的多元視角。3）研究方法層面，一方面以模擬行人的方式采集了街景圖像數據，以問卷調查的方式收集了選擇偏好數據。同時參考了GPS實測數據，建立本文的綜合數據庫，實現了多數據來源、多方式獲取的數據應用。另一方面綜合運用了深度學習技術、陳述性偏好法、GIS空間分析與可視化、多代理人模擬方法，建立了旅游地客流預測、旅游地線路優化、旅游者偏好引導的工作流，實現了多目標導向、分層次推進的多維方法。4）研究應用層面，該技術體系可以擴展應用到其他旅游地中進行環境視覺品質的測度、旅游者時空流動模擬、旅游線路優化設計等，對相關研究的技術思路具有參考意義。同時，作為視覺偏好、擁擠預測、空間優化的理論測度結果，本文針對性地提出了優化方案，適用于旅游地的管理與規劃實踐，具有應用價值。

總體而言，本研究經過“視覺偏好測度-一般模擬優化-擁擠風險預測-精細模擬優化”的反復驗證，在滿足既定優化目標的同時規避可能的風險，實現了從中觀尺度街道空間到微觀尺度視覺要素的逐層細化。研究結果補充了旅游地人流模擬與線路優化的遺產旅游地情境，提供了兼顧線路優化與視覺品質提升的客流管理與規劃方法，為旅游地的旅游線路規劃、旅游流調控、環境視覺設計和高質量發展提供決策支持和規劃參考。本研究仍存在一定的局限性。1）本研究假定旅游者在旅游地中進行的是沒有具體目標、僅由視覺偏好影響行為決策的單影響因素活動。在實際行為中，視覺是行為決策研究的重要因素而非全部因素，更多相關因素的作用需要進一步檢驗。2）多代理人模擬系統建立過程中將旅游環境抽象為無向網絡，忽略了街道寬度、旅游者之間的距離等其他可能影響空間體驗的要素。而實際情況下，影響旅游體驗的因素可能還包括旅游個體與其他旅游者的距離、單位街道長度對旅游者的容納極限等，后續研究應結合街道實際情況將重要因素納入考慮，以獲取更加精確的旅游環境感知數據。3）本文的街景圖像采集雖然模擬了行人視角，但在拍攝角度上以平視正前方為采集標準，未來可將視覺仰角、側向感知等微觀行為要素納入多代理人模型的模擬，使結果更加貼近旅游者的真實決策過程，更好地提升旅游線路規劃與空間設計優化策略的實際效益。

參考文獻（References）

[1] 梁嘉祺， 姜珊， 陶犁. 旅游者時空行為模式與難忘旅游體驗關系研究[J]. 旅游學刊， 2021， 36（10）： 98-112. [LIANG Jiaqi， JIANG Shan， TAO Li. Research on the relationship between spatial-temporal behavior patterns and memorable tourism experiences[J]. Tourism Tribune， 2021， 36（10）： 98-112.]

[2] ZENG B， RYAN C. Assisting the poor in China through tourism development： A review of research[J]. Tourism Management， 2012， 33（2）： 239-248.

[3] 吳承照， 王婧. 遺產保護性利用與旅游規劃研究[M]. 北京： 中國建筑工業出版社， 2019： 3-5. [WU Chengzhao， WANG Jing. Study on Protection Use and Tourism Planning of Heritage[M]. Beijing： China Architecture amp; Building Press， 2019： 3-5.]

[4] 馬斌斌， 陳興鵬， 陳芳婷. 基于社交大數據的敦煌旅游流多尺度時空分異特征[J]. 經濟地理， 2021， 41（3）： 202-212. [MA Binbin， CHEN Xingpeng， CHEN Fangting. Multi-scale temporal and spatial differentiation characteristics of Dunhuang tourism flow based on social big data[J]. Economic Geography， 2021， 41（3）： 202-212.]

[5] ROBERT C， KARA K. Travel demand and the 3Ds： Density， diversity， and design[J]. Transportation Research Part D： Transport and Environment， 1997， 2（3）： 199-219.

[6] 曾詩晴， 謝彥君， 史艷榮. 從城市意象到街道體驗——城市旅游多層級消費決策中的景觀迭代過程[J]. 旅游學刊， 2022， 37（1）： 68-84. [ZENG Shiqing， XIE Yanjun， SHI Yanrong. From city image to street experience： Landscape iteration in urban tourists’ consumption decisions[J]. Tourism Tribune， 2022， 37（1）： 68-84.]

[7] 李淵， 黃競雄， 梁嘉祺， 等. 文化遺產地商業街道空間視覺吸引力及其感知的影響因素研究——以鼓浪嶼龍頭路為例[J]. 西部人居環境學刊， 2022， 37（2）： 114-121. [LI Yuan， HUANG Jingxiong， LIANG Jiaqi， et al. Research on visual attraction and influencing factors of perception of commercial street space in cultural heritage site： Taking Gulangyu Longtou Road as an example[J]. Journal of Human Settlements in West China， 2022， 37（2）： 114-121.]

[8] ZHANG K， CHEN Y， LI C. Discovering the tourists’ behaviors and perceptions in a tourism destination by analyzing photos’ visual content with a computer deep learning model： The case of Beijing[J]. Tourism Management， 2019， 75： 595-608.

[9] SCUTTARI A. Tourism experiences in motion. Mobile， visual and psychophysiological methods to capture tourists “on the move”[J]. Tourism Management Perspectives， 2021， 38： 100825.

[10] LIU J， WEI Y， LU S， et al. The elderly’s preference for the outdoor environment in fragrant hills nursing home， Beijing： Interpreting the visual-behavioural relationship[J]. Urban Forestry amp; Urban Greening， 2021， 64： 127242.

[11] ZHU X， YOSHIKAWA A， QIU L， et al. Healthy workplaces， active employees： A systematic literature review on impacts of workplace environments on employees’ physical activity and sedentary behavior[J]. Building and Environment， 2020， 168： 106455.

[12] DE LOOZE M P， KUIJT-EVERS L F M， VAN DIE?N J. Sitting comfort and discomfort and the relationships with objective measures[J]. Ergonomics， 2003， 46（10）： 985-997.

[13] NOEL S， RUI Z， DUNG L， et al. A review of eye-tracking research in tourism[J]. Current Issues in Tourism， 2019， 22（10）： 1244-1261.

[14] 戴光全， 陳欣. 旅游者攝影心理初探——基于旅游照片的內容分析[J]. 旅游學刊， 2009， 24（7）： 71-77. [DAI Guangquan， CHEN Xin. An initial discussion about tourists’ photographic psychology： Based on the content analysis of tourist photos[J]. Tourism Tribune， 2009， 24（7）： 71-77.]

[15] 帕特里克·米勒， 劉濱誼， 唐真. 從視覺偏好研究：一種理解景觀感知的方法[J]. 中國園林， 2013， 29（5）： 22-26. [MILLER P， LIU Binyi， TANG Zhen. Visual preference research： An approach to understanding landscape perception[J]. Chinese Landscape Architecture， 2013， 29（5）： 22-26.]

[16] TADA M， KATO T. Visual kansei modeling based on focal area analysis and hierarchical classification[J]. Systems and Computers in Japan， 2007， 38（13）： 58-71.

[17] 李淵， 高小涵， 黃競雄， 等. 基于攝影照片與眼動實驗的旅游者視覺行為分析——以廈門大學為例[J]. 旅游學刊， 2020， 35（9）： 41-52. [LI Yuan， GAO Xiaohan， HUANG Jingxiong， et al. Visual behavior analysis of tourists based on photography and eye-tracking experiment： A case of Xiamen University[J]. Tourism Tribune， 2020， 35（9）： 41-52.]

[18] 王敏， 王盈蓄， 黃海燕， 等. 基于眼動實驗方法的城市開敞空間視覺研究——廣州花城廣場案例[J]. 熱帶地理， 2018， 38（6）： 741-750. [WANG Min， WANG Yingxu， HUANG Haiyan， et al. A visual analysis on the urban open spaces： With an eye-tracking experiment on the case study of the Flower City Square， Guangzhou[J]. Tropical Geography， 2018， 38（6）： 741-750.]

[19] 黃瀟婷. 基于GPS與日志調查的旅游者時空行為數據質量對比[J]. 旅游學刊， 2014， 29（3）： 100-106. [HUANG Xiaoting. Quality comparison between space-time data of tourists’ behaviour captured using GPS tracking technology and activity diaries[J]. Tourism Tribune， 2014， 29（3）： 100-106.]

[20] SIE D L， PEGG D S， VIRGINIA PHELAN D K. Senior tourists’ self-determined motivations， tour preferences， memorable experiences and subjective well-being： An integrative hierarchical model[J]. Journal of Hospitality and Tourism Management， 2021， 47： 237-251.

[21] 張章， 徐高峰， 李文越， 等. 歷史街道微觀建成環境對游客步行停駐行為的影響——以北京五道營胡同為例[J]. 建筑學報， 2019（3）： 96-102. [ZHANG Zhang， XU Gaofeng， LI Wenyue， et al. The impact of the micro-scale built environment of historic street on visitor’s walking behaviors： A case study on Wudaoying Hutong in Beijing[J]. Architectural Journal， 2019（3）： 96-102.]

[22] 宋姍， 王德， 朱瑋， 等. 基于需求偏好的上海市養老機構空間配置研究[J]. 城市規劃， 2016， 40（8）： 77-82. [SONG Shan， WANG De， ZHU Wei， et al. Spatial allocation study on Shanghai’s nursing facilities for the elderly： Based on the elderly’s choice behavior[J]. City Planning Review， 2016， 40（8）： 77-82.]

[23] 楊春俠， 梁瑜， 葉宇. 基于可視化SP法的濱水公共空間駐留偏好影響要素和開發導向研究——以上海市黃浦江濱水區為例[J]. 西部人居環境學刊， 2021， 36（1）： 99-107. [YANG Chunxia， LIANG Yu， YE Yu. Lingering preference influence factors and development orientations of waterfront public spaces based on the visualized SP method： Taking Huangpu River waterfronts of Shanghai as examples[J]. Journal of Human Settlements in West China， 2021， 36（1）： 99-107.]

[24] BEN-AKIVA M E， LERMAN S R. Discrete Choice Analysis： Theory and Application to Travel Demand[M]. Cambridge： MIT Press， 1985： 31-58.

[25] 郭艷芳， 宋保平， 盧璐， 等. 基于離散選擇模型的無景點旅游實證研究[J]. 旅游論壇， 2011， 4（3）： 26-30. [GUO Yanfang， SONG Baoping， LU Lu， et al. An empirical study of non-scenic-spot travel in dispersed choice model[J]. Tourism Forum， 2011， 4（3）： 26-30.]

[26] 姚恩建， 陳偉迪， 盧天偉， 等. 考慮出行者選擇偏好的出行方式選擇模型[J]. 北京交通大學學報， 2020， 44（1）： 42-48. [YAO Enjian， CHEN Weidi， LU Tianwei， et al. Transportation mode selection model considering traveler’s personal preference[J]. Journal of Beijing Jiaotong University， 2020， 44（1）： 42-48.]

[27] 韋健華， 王爾大. 基于游客體驗效用的旅游承載力評價方法[J]. 旅游學刊， 2015， 30（4）： 105-114. [WEI Jianhua， WANG Erda. An evaluation method of tourism carrying capacity based on visitor experience utility[J]. Tourism Tribune， 2015， 30（4）： 105-114.]

[28] 羅潤， 周年興， 謝秋逸， 等. 基于小波分析的不同類型旅游景區旅游流時間特征研究——以江蘇省125家高等級旅游景區為例[J]. 地域研究與開發， 2022， 41（6）： 99-104. [LUO Run， ZHOU Nianxing， XIE Qiuyi， et al. Study on the temporal characteristics of tourist flow in different types of scenic spots based on wavelet analysis： A case study of 125 high-level scenic spots in Jiangsu province[J]. Areal Research and Development， 2022， 41（6）： 99-104.]

[29] 宋廷山， 郭思亮. 旅游客流大數據統計模型構建與驗證[J]. 統計與決策， 2020， 36（24）： 38-41. [SONG Tingshan， GUO Siliang. Construction and verification of big data statistical model for tourist flow[J]. Statistics amp; Decision， 2020， 36（24）： 38-41.]

[30] 張明莎， 劉乾飛， 王敬文， 等. 1992—2018年轎子山自然保護區人為活動遙感監測[J]. 生態與農村環境學報， 2020， 36（9）： 1097-1105. [ZHANG Mingsha， LIU Qianfei， WANG Jingwen， et al. Monitoring human activities in Jiaozi mountain nature reserve based on remote sensing during 1992-2018[J]. Journal of Ecology and Rural Environment， 2020， 36（9）： 1097-1105.]

[31] 楊興柱， 顧朝林， 王群， 等. 南京市內部旅游客流空間測度與模擬[J]. 地理科學， 2011， 31（7）： 802-809. [YANG Xingzhu， GU Chaolin， WANG Qun， et al. Spatial measure and simulation of urban tourism flow in Nanjing city， China[J]. Scientia Geographica Sinica， 2011， 31（7）： 802-809.]

[32] 毛妍祺， 陳玉潔， 王美仙. 游人對專類植物景觀的行為偏好研究[J]. 中國園林， 2021， 37（5）： 121-126. [MAO Yanqi， CHEN Yujie， WANG Meixian. Behavioral preference of visitors on special categorized plant landscape[J]. Chinese Landscape Architecture， 2021， 37（5）： 121-126.]

[33] ROBERT P， MALIN Z. Time and space in event behaviour： Tracking visitors by GPS[J]. Tourism Geographies， 2011， 13（1）： 1-20.

[34] 黃瀟婷， 李玟璇， 張海平， 等. 基于GPS數據的旅游時空行為評價研究[J]. 旅游學刊， 2016， 31（9）： 40-49. [HUANG Xiaoting， LI Wenxuan， ZHANG Haiping， et al. Evaluation of tourist temporal-spatial behavior based on GPS data[J]. Tourism Tribune， 2016， 31（9）： 40-49.]

[35] 郎月華， 李仁杰， 傅學慶. 基于GPS軌跡柵格化的旅游行為空間模式分析[J]. 旅游學刊， 2019， 34（6）： 48-57. [LANG Yuehua， LI Renjie， FU Xueqing. Spatial pattern analysis of tourist behavior based on rasterization of GPS trajectories[J]. Tourism Tribune， 2019， 34（6）： 48-57.]

[36] 李淵， 丁燕杰， 王德. 旅游者時間約束和空間行為特征的景區旅游線路設計方法研究[J]. 旅游學刊， 2016， 31（9）： 50-60. [LI Yuan， DING Yanjie， WANG De. A new approach for designing tourist routes by considering travel time constraints and spatial behavior characteristics of tourists[J]. Tourism Tribune， 2016， 31（9）： 50-60.]

[37] 李淵， 鄭偉民， 王德. 景區旅游者空間行為研究綜述[J]. 旅游學刊， 2018， 33（4）： 103-112. [LI Yuan， ZHENG Weimin， WANG De. Review on the study of intra-attraction tourists’ spatial behavior[J]. Tourism Tribune， 2018， 33（4）： 103-112.]

[38] 黎夏， 葉嘉安， 劉小平， 等. 地理模擬系統： 元胞自動機與空間智能[M]. 北京： 科學出版社， 2020： 273-277. [LI Xia， YEH A G O， LIU Xiaoping， et al. Geographical Simulation System： Cellular Automata and Multi-Agents[M]. Beijing： Science Press， 2020： 273-277.]

[39] 朱瑋. 多代理人模擬： 原理及城市規劃應用[M]. 北京： 中國建筑工業出版社， 2019： 2-7. [ZHU Wei. Multi-agent Simulation： Principles and Urban Planning Applications[M]. Beijing： China Architecture amp; Industry Press， 2019： 2-7.]

[40] 朱瑋， 王德. 基于多代理人的零售業空間結構模擬[J]. 地理學報， 2011， 66（6）： 796-804. [ZHU Wei， WANG De. Multi-agent based simulation of retail spatial structure[J]. Acta Geographica Sinica， 2011， 66（6）： 796-804.]

[41] 朱瑋， 王德， HARRY TIMMERMANS. 多代理人系統在商業街消費者行為模擬中的應用——以上海南京東路為例[J]. 地理學報， 2009， 64（4）： 445-455. [ZHU Wei， WANG De， TIMMERMANS H. Applying multi-agent systems in the simulation of consumer behavior in shopping streets： The Shanghai East Nanjing Road case[J]. Acta Geographica Sinica， 2009， 64（4）： 445-455.]

[42] 柴彥威. 空間行為與行為空間[M]. 南京： 東南大學出版社， 2014： 1-2. [CHAI Yanwei. Spatial Behavior and Behavior in Space[M]. Nanjing： Southeast University Press， 2014： 1-2.]

[43] 柴彥威， 塔娜. 中國時空間行為研究進展[J]. 地理科學進展， 2013， 32（9）： 1362-1373. [CHAI Yanwei， TA Na. Progress in space-time behavior research in China[J]. Progress in Geography， 2013， 32（9）： 1362-1373.]

[44] 申悅， 王德. 行為地理學理論與方法的跨學科應用研究[J]. 地理科學進展， 2022， 41（1）： 40-52. [SHEN Yue， WANG De. Interdisciplinary application of theories and methods of behavioral geography[J]. Progress in Geography， 2022， 41（1）： 40-52.]

[45] 呂曉峰. 環境心理學的興起： 心理學研究視域轉換與當代價值[J]. 哲學動態， 2011（4）： 104-107. [LYU Xiaofeng. The rise of environmental psychology： The vision changes and contemporary values of psychological research[J]. Philosophical Trends， 2011（4）： 104-107.]

[46] FRY P S. The person-environment congruence model： Implications and applications for adjustment counselling with older adults[J]. International Journal for the Advancement of Counselling， 1990， 13（2）： 87-106.

[47] STOKOLS D. Environmental psychology[J]. Annual Review of Psychology， 1978， 29（1）： 253-295.

[48] 胡正凡. 環境心理學與環境——行為研究[J]. 世界建筑， 1983（3）： 61-66. [HU Zhengfan. Environment psychology and environment-behavior studies[J]. World Architecture， 1983（3）： 61-66.]

[49] LIU Y， HU M， ZHAO B. Audio-visual interactive evaluation of the forest landscape based on eye-tracking experiments[J]. Urban Forestry amp; Urban Greening， 2019， 46： 126476.

[50] WANG R， ZHAO J， LIU Z. Consensus in visual preferences： The effects of aesthetic quality and landscape types[J]. Urban Forestry amp; Urban Greening， 2016， 20（1）： 210-217.

[51] HUANG J， LIANG J， YANG M， et al. Visual preference analysis and planning responses based on street view images： A case study of Gulangyu Island， China[J]. Land， 2023， 12（1）： 129.

[52] 黃競雄， 梁嘉祺， 楊盟盛， 等. 基于街景圖像的旅游地街道空間視覺品質評價方法[J]. 地球信息科學學報， 2024， 26（2）： 352-366. [HUANG Jingxiong， LIANG Jiaqi， YANG Mengsheng， et al. Street space visual quality evaluating method of tourism sites based on street view images[J]. Journal of Geo-information Science， 2024， 26（2）： 352-366.]

[53] MCFADDEN D. Econometric models of probabilistic choice[M]//MANSKI C， MCFADDEN D. Structural Analysis of Discrete Data with Econometric Applications. Cambridge： MIT Press， 1981： 198-272.

[54] 王燦， 王德， 朱瑋， 等. 離散選擇模型研究進展[J]. 地理科學進展， 2015， 34（10）： 1275-1287. [WANG Can， WANG De， ZHU Wei， et al. Research progress of discrete choice models[J]. Progress in Geography， 2015， 34（10）： 1275-1287.]

[55] AGUIAR-QUINTANA T， ROMáN C， GUBISCH P M M. The post-COVID-19 tourism recovery led by crisis-resistant tourists： Surf tourism preferences in the Canary Islands[J]. Tourism Management Perspectives， 2022， 44： 101041.

[56] 王燦， 王德， 朱瑋， 等. 基于消費者行為模擬的商業綜合體空間優化策略[J]. 南方建筑， 2020（2）： 1-9. [WANG Can， WANG De， ZHU Wei， et al. Spatial improvement strategies for commercial complexes based on simulations of consumer behavior[J]. South Architecture， 2020（2）： 1-9.]

Research on Flow Simulation and Tourism Routes Optimization Based

on Visual Preference： A Case Study of Gulangyu Island

HUANG Jingxiong1，2， LI Yuan1，3， LIANG Jiaqi1，3， YANG Mengsheng1，3

（1. School of Architecture and Civil Engineering， Xiamen University， Xiamen 361005， China;

2. School of Architecture， Tsinghua University， Beijing 100084， China;

3. Xiamen Key Laboratory of Integrated Application of Intelligent Technology

for Architectural Heritage Protection， Xiamen 361005， China）

Abstract： Tourism planning and tourist flow management are critical issues for tourism destinations， and research on tourist behavior and visual perception provides a new perspective on these issues. This study constructed a three-dimensional space of tourist behavior and focused on the destination environment from the perspective of tourists’ visual preferences. Using Gulangyu island， China as a case study， this investigation employed multi-agent simulation methods to research flow simulation， tourism route optimization， and tourism congestion prevention; the integrated application of the methods was achieved. First， optimization strategies for four tourism routes were proposed based on visual preference; the optimized routes improved visual utility and the guiding of external tourist flow. Second， the potential crowding risk from tourist flow was simulated and predicted according to the optimized tourism routes. Among the four official routes， the “Hundred-year Heritage” route had the highest potential risk of crowding in the future. Third， the key intersections in the “Hundred-year Heritage” route were selected for spatial optimization. The simulation after optimization showed the alleviation of potential crowding risk.

In conclusion， after repeated verification of “visual preference measurement-general simulation optimization-congestion risk prediction-fine simulation optimization，” this study met the established optimization goals while avoiding possible risks and realized the layer-by-layer refinement from street space （mesolevel） to visual elements （microlevel）. This study makes several contributions. First， in theory， the study constructs a ternary spatial theoretical model of tourist behavior and proposes a framework for flow simulation and tourism route optimization based on visual preference. This study interprets the interactive relationship between people and the environment through the interaction of space and behavior and establishes the subject-object relationship between environmental constraints and individual perception and the supply-demand relationship between environmental conditions and individual preferences. Second， from a research perspective， this study combines not only objective tourism environment elements and subjective tourist choice preference measurement but also the mesoscale （optimization of tourism route planning） and the microscale （street space design） environments. The study also realizes the multiple perspectives of subjective-objective integration and multi-scale optimization. Third， this study develops a multi-dimensional method that includes multi-objective orientation and hierarchical advancement， combined multi-source data （street view images， questionnaire data， and Global Positioning System data）， and multi-methods （deep learning， stated preference， and geographic information system-based spatial analysis and visualization）. Finally， the findings indicate that extending the technical framework to other similar tourism sites to measure landscape quality， simulate tourist flow， or design tourism routes can provide references for related research. Moreover， with its theoretical measurement results for visual preference， congestion prediction， and space optimization， this study proposes an optimization scheme in a targeted manner that is suitable for the management and planning of heritage tourism sites and thus has application value.

Keywords： heritage tourism site; visual preference; tourism route; multi-agent simulation; Gulangyu island

[責任編輯：劉 " "魯；責任校對：周小芳]