基于時空軌跡聚類算法的城市休閑地動態交互特征研究

［摘 要］城市休閑地交互現象的研究有助于理解城市休閑活動的互動關系和復雜的城市休閑系統。相關研究多關注休閑要素的靜態空間分布格局，缺少對休閑地動態交互作用的探討。為此，文章利用出租車軌跡數據，從移動性視角提出城市休閑地空間和功能動態交互特征的研究框架。首先賦予出租車軌跡點語義信息，其次構建相似軌跡網絡，然后運用Louvain社區發現算法對休閑軌跡聚類，最后基于聚類結果及其語義信息，分析城市休閑空間和休閑功能的動態交互特征。研究結果如下：1）城市休閑地具有較強的空間集聚效應；2）凌晨低強度收縮型交互模式以短距離交互為主，上午低強度擴張型和下午高強度擴張型交互模式的中程距離交互突出，夜晚高強度收縮型交互模式的短距離交互分布擴大；3）在各空間交互模式中，餐飲與購物休閑功能兩者之間以及與其他休閑功能交互顯著，文娛休閑在模式一中的交互能力最強，游覽休閑在模式二、模式三和模式四的長距離交互中與其他休閑功能交互作用顯著，除模式二外，長距離對住宿休閑的交互力影響較大，而康養休閑的交互隨模式和距離變化呈穩定特征。研究對城市休閑空間優化布局、休閑功能規劃以及促進城市休閑產業可持續發展具有指導意義。

［關鍵詞］城市休閑空間；城市休閑功能；動態交互特征；移動性；時空軌跡聚類

［中圖分類號］F59［文獻標識碼］A

［文章編號］1002-5006（2024）04-0028-12

DOI： 10.19765/j.cnki.1002-5006.2024.04.008

0 引言

自 20 世紀 80 年代以來，城市旅游需求持續增長，城市成為熱門的旅游目的地[1-2]。同時，城市居民在滿足生活需求后開始追求精神滿足，休閑也成為居民城市生活的重要組成部分。通過為居民提供良好的休閑服務，為外來游客提供優良的旅游休閑環境，城市休閑成為城市經濟發展的重要驅動力和傳播城市形象的重要載體[3]。城市居民和游客在休閑體驗過程中與休閑空間及功能設施產生復雜的時空交互，這種交互關系在推動城市文化交流和經濟發展的同時，也帶來一系列尖銳的問題和挑戰[4]。因此，研究休閑地空間和功能有利于闡釋復雜的城市休閑系統，促進城市休閑產業可持續發展。

城市休閑帶動了休閑經濟繁榮發展，成為國民經濟的重要支撐，也成為休閑研究的重要研究對象?，F有研究以休閑經濟構成的理論研究和休閑產業布局的實證研究為主[5-6]。“以人為本”理念的提出使城市休閑研究對人的關注逐步增強，研究人員將休閑主體和休閑活動作為研究對象：一方面從個人層面探究休閑與心理感知的關系、休閑與身體健康的關系以及休閑活動特征[7-10]，另一方面則從社會層面探討休閑機會可獲得性的不平等、不公平現象[11-13]。而休閑地空間和功能特征在一定程度上影響著休閑主體的體驗、休閑活動的開展和休閑機會的獲得，因此，部分學者開始關注城市休閑地，如休閑空間或功能（設施）的靜態空間分布特征及其形成機制[14-16]。上述研究極大推動了城市休閑研究的發展，但忽視了由人類移動行為帶來的休閑地之間的動態交互關系。城市休閑地之間普遍存在人員、材料和信息的激烈交互，且隨著休閑者移動行為的變化，休閑地的交互作用呈現動態特征[17]。因此，掌握城市休閑地的空間和功能的動態交互特征有利于為城市休閑用地規劃和設計提供理論依據[18]。

本文采用興趣點（points of interest，POI）和出租車起點-終點（origin-destination，OD）軌跡數據，構建了城市休閑地空間和功能動態交互特征的分析框架。首先，利用POI數據賦予出租車數據語義信息，提取休閑人群軌跡。其次，根據休閑者軌跡點數量的時間規律確定時間分析單元，利用休閑軌跡時空信息識別相似軌跡，進而構建相似軌跡網絡。再次，運用 Louvain 社區發現算法實現時空軌跡聚類。最后，通過聚類結果分析城市休閑地空間動態交互模式和特征，并利用空間交互模式的語義信息探討休閑地功能交互特征。

1 文獻綜述

1.1 城市休閑相關研究

隨著物質生活水平和質量的提升，人們追求精神滿足的需求日益增長，休閑成為日常生活中不可忽視的組成部分。同時，休閑作為城市的4項基礎功能之一（居住、工作、交通和休閑）成為眾多學者熱議的話題[16，19]。城市休閑的繁榮推動了休閑經濟的發展，成為國民經濟產業結構的重要組成部分，休閑經濟相關研究隨之興盛，如休閑經濟系統的構成[6]、休閑產業的優化[20]和夜間休閑經濟的影響因素[21]等。“以人為本”發展理念的提出推動了城市休閑的關注點轉向休閑人群，研究者既充分探討了休閑活動時空特征及主體分異特征[22-26]，休閑活動影響因素[27-29]，休閑與身心健康、幸福感之間的關系[30-32]，也比較了不同社會階級或群體獲得休閑機會的差異，并探究休閑不公平性現象[13，33]。上述研究從經濟、人本角度豐富了城市休閑研究，而隨著休閑經濟和休閑者對休閑地的依賴增強，城市休閑地空間和功能逐步走進休閑研究者的視野。

部分學者從空間地理學角度研究城市休閑地空間和功能（設施）的分布特征[14，34]，還有學者進一步探究分布格局的形成機制[15，35]。休閑空間方面，Liu等利用多源數據揭示了夜間休閑場所的空間分布格局[16]。Jing等通過一系列地理空間技術定量刻畫休閑地的空間特征，發現休閑地密度存在梯度變異的現象[19]。Shang 等融合多源數據識別休閑區，分析休閑資源的空間特征，并利用地理探測器和相關統計分析工具測度影響因素的作用[35]。休閑功能（設施）方面，薛東前等分析單一的文娛服務休閑設施的空間格局，并提取文娛設施的熱點區模式[36]。He也探究了單一娛樂休閑設施的空間布局與街道空間特征的關系[37]。田諾等、賈曉婷等采用POI數據區分城市休閑多種功能，探究不同休閑功能的空間特征差異[38-39]。城市休閑地并不是孤立存在，其相互作用構成了復雜的城市休閑地系統，而現有研究在特征、模式和規律的分析中側重于各休閑活動或休閑地的時空分布特征，忽視了休閑者多樣的休閑活動帶來的城市休閑地的動態關聯，缺乏對城市休閑地動態交互作用的研究。

為彌補上述研究的不足，考慮休閑者的移動行為與休閑地交互作用的映射關系，本文從休閑者的移動性視角提出休閑地空間和功能動態交互特征的分析框架。

1.2 城市旅游移動性相關研究

目前城市旅游移動性的研究致力于從目的地間和目的地內兩個尺度揭示旅游者的移動模式[40-41]。旅游移動模式是對一段時間內人們從一個地方（如旅游景點）到另一個地方的移動特征概括[42]，因而，對旅游移動性的探討主要集中在空間和時間維度?？臻g維度上，由于游客往往會在城市旅游過程中安排多個旅游活動，目的地內不同空間區域之間存在競爭或互補關系[43]。因此，探究游客在目的地內如何移動是理解目的地規劃、管理和營銷的關鍵之一[44]。Lew和McKercher根據行程確定了3種類型的目的地內旅游移動模式：點對點模式、循環模式和復雜模式[45]。Park等探討了新冠疫情下的游客移動模式變化[46]。由于旅游者的時間安排具有高度異質性[44]，探討時間維度的旅游移動性十分必要。了解游客隨時間變化的行為模式并制定相應的發展策略，有利于提高游客的旅行體驗和滿意度[47]。Kemperman等探究了不同停留時間對移動模式的影響[48]。Mou等在分解時間模式的基礎上探究軌跡數據的時間序列關系[47]。綜上，游客活動的時間和空間信息為城市旅游移動性研究提供了基礎。

信息技術的進步有助于獲取多元化、細粒度的數據以分析旅游移動性。時空軌跡大數據在一定程度上提高了旅游移動性研究的準確性和代表性[44]。出租車數據具有豐富的時空信息和“點到點”的交通特征，其上下車點與人類活動高度相關。因此，本文采用的出租車軌跡數據提取休閑者的移動性特征。軌跡聚類有助于發現移動特征和模式[49]。軌跡聚類多基于軌跡相似性，而衡量軌跡之間相似性方法較為多樣，包括基于軌跡點和軌跡段的距離相似度度量方法，如基于軌跡點的歐氏距離法[50]、動態時間規整距離法（dynamic time warpin，DTW）[51]、最長公共子序列（longest common subsequenc，LCSS）算法[44]和基于軌跡段的豪斯多夫（Hausdorff）距離法[52]等。然而，基于軌跡點的相似度研究難以考慮軌跡的偏轉角度，而基于軌跡段的相似性研究少有關注軌跡的局部信息。軌跡聚類研究主要使用傳統聚類算法[53]或擴展傳統的聚類算法，如K-中心點聚類算法（K-medoid）[54-55]、交叉聚類算法（cross-clustering）[56]和 密 度 峰 值 聚 類 算 法（density peaks clustering，DPC）[57]，但上述軌跡聚類算法大多注重軌跡序列的屬性特征，忽視了軌跡序列的拓撲關系。

現有的城市旅游移動性研究為休閑地動態交互特征分析框架提供了重要支撐，但本文針對軌跡相似性量化及軌跡聚類方法的不足，在分析框架下提出兼顧軌跡局部信息和全局偏轉角度的相似軌跡識別方法，并構建相似軌跡網絡，應用考慮拓撲關系的軌跡聚類方法。

2 研究方法

2.1 研究區概況

本研究選取廈門市為案例地，其位于福建省南部，下轄思明區、湖里區、翔安區、同安區、集美區和海滄區6個市轄區（圖1）。經濟上，廈門市因其獨特的沿海地理位置，是我國東南海岸重要的中心城市，同時，作為經濟特區之一，具有強大的經濟實力。氣候環境上，廈門市屬于溫暖濕潤的亞熱帶氣候，并具備獨特的海島式景觀特征。依托優越經濟和環境條件，廈門市旅游迅猛發展，截至2021年年底，廈門市全年累計接待國內外游客8940萬人次，同時城鎮居民人均可支配收入達 6.72 萬元①，居民休閑活動需求強烈。廈門市日益增長的游客和居民休閑需求對休閑地提出了更高要求，因此，本文將廈門市作為案例地挖掘城市休閑地動態交互特征，為休閑地規劃提供科學依據。

2.2 數據源和預處理

考慮到POI數據既能反映休閑者偏好又能表示城市功能，且相比于土地利用數據具有更細的統計粒度[58]，本文從高德開放數據平臺收集2018年廈門市 POI 數據以劃分城市休閑功能。該數據總計19.97萬條，其屬性包括POI名稱、行業類別、地理位置（經緯度）和所屬行政區劃等。然而，原始的POI數據分類過細且冗余，本文參照《國家旅游及相關產業分類（2018）》和《中華人民共和國旅游行業標準：旅游休閑示范城市》（LB/T 047—2015）標準，將POI數據進行清洗，并整合為6類城市休閑功能（表1），分別為餐飲服務、購物服務、文娛服務、游覽服務、住宿服務和康養服務。

同時，本文采集了2018年10月1—14日的廈門市出租車數據，樣本字段如表2所示。由于出租車軌跡缺乏屬性信息難以直接提取休閑者軌跡，本文利用POI數據構建泰森多邊形近似表示每個POI的服務范圍，賦予出租車軌跡功能語義信息，提取 O點和D點均為休閑地的數據作為休閑者軌跡，共計364 081條數據。

2.3 相似時空軌跡識別

本文從時間和空間維度識別相似軌跡，識別步驟如下。首先，根據休閑點數量的日內變化規律劃分時間段，每個時間段的時間跨度為軌跡時間維度相似的約束條件，即時間閾值（timeLimit）。然后，考慮到空間相似的休閑軌跡具有空間鄰近性和偏轉角度一致性，本文根據軌跡長度和軌跡間夾角計算距離閾值（ disLimit ）[59]，計算方法如式（1）所示，其中length（ fi） 表示軌跡 i 的長度。最后，本文根據條件①～條件④判斷兩條休閑軌跡是否相似，其中，span（）函數和dis（）函數計算軌跡間的時間差和歐式距離差，Oi 、Oj 、Di 和 Dj 分別代表軌跡 i 和軌跡 j 的 O點（起點）和D點（終點）。條件①表示軌跡 i 和軌跡j 的 起 點 和 終 點 的 時 間 差 均 小 于 時 間 閾 值（timeLimit），條件②表示軌跡 i 和軌跡 j 的起點和終點的歐式距離差均小于距離閾值（disLimit），條件③和條件④為軌跡方向完全相反情況下相似性的判斷條件（軌跡反向同樣體現休閑地之間的交互特征）。當軌跡 i 和軌跡 j 同時滿足條件①條件②或條件③條件④時，兩者在時間和空間維度相似，識別為相似時空軌跡。

disLimit = length（ fi） （2 sin 45°） （1）①span（time_Oi - time_Oj）≤ timeLimit ∩span（time_Di - time_Dj）≤ timeLimit②dis（space_Oi - space_Oj）≤ disLimit ∩dis（space_Di - space_Dj）≤ disLimit③span（time_Oi - time_Dj）≤ timeLimit ∩span（time_Di - time_Oj）≤ timeLimit④dis（space_Oi - space_Dj）≤ disLimit ∩dis（space_Di - space_Oj）≤ disLimit

2.4 時空軌跡聚類

Louvain社區發現算法基于圖凝聚思想實現層次社區的劃分[60-61]，能充分考慮聚類對象之間拓撲關系，且具有時間復雜度低、非監督性、結果穩定且精度高等優勢。因此，基于相似軌跡識別結果，本文引入Louvain算法對時空休閑軌跡聚類。在聚類準備階段，將每條休閑軌跡視為網絡節點，相似軌跡之間連接成邊，邊權重均為1，構建相似軌跡無向網絡。Louvain算法具體的聚類步驟如圖2所示，首先，將每條休閑軌跡，也就是每個網絡節點看作一個社區標簽。接著遍歷所有鄰居的社區標簽，選擇模塊度增量（?Q）最大的社區標簽更新節點的社區標簽（計算方法見式（4）），重復遍歷直至節點所屬社區不再發生變化。然后，將各個社區聚合為新的超級節點，節點間的邊權重為原始社區中所有節點的邊權重之和，構建一個新的網絡。最后，重復上述步驟，直至社區劃分結果穩定。值得注意的是，Louvain 算法可能出現分離群合并的現象，本文通過設置模塊度增量的最小閾值解決這一問題，即模塊度增量大于該閾值才進行社區的合并更新。社區劃分結果為休閑軌跡聚類結果，每個社區表示一個軌跡類。本文借助模塊度（Q）評價聚類結果，計算方法見式（2）和式（3），模塊度越高表明聚類結果越合理。

式（2）中，m 表示網絡中邊權重總和，Aij 為網絡節點i、j之間連接的權重，ki 表示與節點i連接的邊權重和，ci 為節點 i 所屬的社區。式（2）和式（3）中函數 ?（ci，cj） 的功能在于判斷兩個節點是否屬于同一個社區，如不屬于同一個社區，則將 Q 值設置為0。式（4）中∑in表示社區c內的邊權重總和，∑tot為連接社區c中節點的邊權重總和，ki，in 表示從節點i連接到社區c的節點邊權重總和。

3 研究結果分析

3.1 城市休閑地空間集聚特征

廈門島由湖里區和思明區兩大中心城區構成，兼具經濟和環境優勢，圖3表明各類休閑地在島內高度集聚。餐飲休閑地和購物休閑地的空間布局具有強相關性，中高集聚區呈零星狀小組團分布，島內沿一號地鐵線分布，其中，Shoe Mart城市廣場、火車站世貿和中山路附近大型綜合性商場廣布，為餐飲和購物休閑提供良好的布局條件，集聚程度較高。文娛休閑地在廈門島外的集聚效應不明顯，在島內出現連片高聚集區，大致沿中山路和火車站世貿呈西南-東北走向，會展路附近具有形成高聚集區的趨勢。游覽和住宿作為不可或缺的旅游環節，其設施在空間分布上存在伴生關系，呈高度集中的孤立點狀，受鼓浪嶼風景區的輻射帶動作用，游覽和住宿休閑地集中在廈門島西南沿海。廈門大學和曾厝垵一帶的夜景和夜市吸引游客在此留宿，住宿休閑地集聚效應凸顯。康養休閑地的布局更多選擇在廈門島，其氣候、環境、便利的交通設施滿足康養休閑活動的需求，島外同安老城區地處兩溪交匯處，康養休閑地呈小范圍集聚。

3.2 城市休閑地空間交互特征

休閑地的異質性空間分布刺激了休閑者空間流動，形成了休閑地的空間交互。本文根據 2.3 和2.4節提出的軌跡聚類方法對休閑者軌跡進行聚類，根據廈門市休閑者移動量的日內變化規律將時間劃分為凌晨（00：00—06：00）、上午（06：00—12：00）、下午（12：00—18：00和夜晚（18：00—00：00）4個時段，基于此對休閑地的動態空間交互特征展開分析。圖4展示了不同時段休閑地的主要空間交互模式和特征，左圖粗略指示了交互方向，其中，弧線粗細表示交互強度，弧線不同顏色表示休閑軌跡的聚類類型，右圖為不同距離下的交互詳情。

凌晨時段休閑者數量銳減，導致休閑地之間的交互強度降低，且多數休閑地受開放時間限制，在該時段可開展的休閑活動有限，導致休閑地交互的空間分布集中，形成休閑地的凌晨低強度收縮型交互模式。上午時段的休閑形式較為單一，休閑地交互強度仍處于較低水平，而隨著各休閑地開放服務，休閑人群活動范圍擴大，形成了上午低強度擴張型交互模式。下午時段休閑時間充裕，休閑活動分布廣且類型繁多，休閑者多地休閑意愿增強，形成下午高強度擴張型交互模式。而夜晚為各類人群提供了自由的休閑時間，可休閑人數增加，休閑地交互強度持續增強，同樣受制于休閑地的開放時間，夜晚的休閑交互范圍呈減小趨勢，形成夜晚高強度收縮型交互模式。因此，城市休閑地的動態交互可概括為凌晨低強度收縮型交互模式、上午低強度擴張型交互模式、下午高強度擴張型交互模式和夜晚高強度收縮型交互模式。

廈門市休閑地交互模式的特征差異顯著。凌晨低強度收縮型交互模式下，休閑活動量較小，休閑地交互集中在島內。由于廈門島沿海的休閑設施集中在西南角（演武路附近），長距離交互呈島內西南沿海-東北沿海方向的扇形分布。中程距離交互集中于蓮前西路以北地區，由中部-東北方向以及東-西北方向的空間交互構成。短距離交互是該交互模式主要的類型，凌晨市中心休閑設施與周邊的住宿地產生聯系，形成地鐵二號線東西向的短距離空間交互。上午低強度擴張型交互模式下，島內外的休閑地聯系增強，連接島內外的輻射狀空間長距離交互凸顯（高鐵站附近休閑地為輻射源），島內西南-東北向空間長距離交互集中在西北側。中程距離交互為該模式的主要表現形式，其覆蓋區域涵蓋除東坪山以外的島內地區，交互方向較為多樣。短距離交互均呈西南-東北向，集中在廈門島西南角和成功大道地區。不同于上午時段，下午高強度擴張型交互模式下的長距離交互集中在島內的東南側，島外增加了安仁大道附近休閑地與島內的長距離空間交互。中程距離交互仍為該模式的主導形式，同時下午時段休閑人群的活動限制減少，活動范圍變廣，短途空間交互模式延伸至廈門島中西部地區。夜晚高強度收縮型交互模式下長距離交互與凌晨時段相似，中程空間交互模式集中在廈門島中部和北部，又由于廈門島西南角餐飲購物和住宿設施集聚程度高，短距離空間交互表現突出，其范圍相較于白天時段分布更廣。

3.3 城市休閑地功能交互特征

鑒于休閑地的功能交互是推動休閑空間交互的根本原因，本文通過分析休閑地功能的動態交互特征揭示空間交互模式的形成機理。本文統計不同模式下的休閑功能交互強度占比，并采用Sankey圖進行可視化（圖5）。

在4種空間交互模式中，餐飲和購物作為主要的休閑活動，兩者功能交互作用強且規模大。同時，餐飲作為大多數休閑活動的必要環節，已成為其他休閑地重要的流入地和流出地，購物休閑地不僅是單獨的休閑場所，也為其他休閑活動提供豐富的物資，與其他休閑地聯系緊密。而其他類型的休閑地的交互作用在不同交互模式下表現各異，如在凌晨低強度收縮型交互模式下，文娛休閑地的交互能力較為突出，與餐飲休閑地和購物休閑地的交互體現在中短距離。大部分游覽休閑地具有時間限制，在凌晨與其他休閑功能的交互作用最弱。隨著交互距離的增加，住宿休閑地的交互能力逐步增強。凌晨的康養休閑由洗浴推拿和養生理療等休閑地構成，其長距離交互能力遠高于中短距離，與購物休閑地交互最為強烈。上午低強度擴張型交互模式下文娛、游覽、住宿和康養休閑地交互強度不相上下。文娛休閑地與其他功能的交互能力遠小于凌晨時段；游覽地大部分位于城市較偏遠地區，在該模式下長距離有利于游覽休閑地交互強度的提升。不同于凌晨時段，此模式下休閑者對住宿休閑地的距離具有弱敏感性，其交互強度隨距離變化較小，而康養休閑地與購物休閑地的強交互作用在中等距離下尤為突出。相較于上述兩種模式，下午高強度擴張型交互模式下，文娛和游覽休閑地的交互強度與交互距離呈正相關關系，在中長距離交互中，文娛和游覽休閑地的交互處于次主導地位。住宿休閑在長距離交互時占比大幅度提升，而康養休閑地的功能交互隨距離變化呈現較為穩定的特征。夜晚高強度收縮型交互模式下，中短距離的功能交互特征與下午時段相似，除餐飲和購物休閑地外，文娛休閑地的交互作用占重要地位。而夜晚長距離交互中游覽和住宿休閑地的流入和流出占比失衡嚴重，表明該模式下更多的休閑者從游覽休閑地流出到購物、餐飲和文娛休閑地，以及從餐飲和購物休閑地轉移到住宿休閑?？叼B休閑地的短、長距離交互較下午時段呈小幅度提升。

4 結論與討論

基于休閑者時空軌跡的聚類結果及其語義信息，本文揭示了城市休閑地空間和功能的動態交互特征，得到以下結論：1）休閑地空間集聚特征方面，餐飲和購物休閑地集聚區分布具有強相關性，并呈離散型分布。文娛和康養休閑地的布局依托特定的群體和位置條件，兩者集聚區分布相鄰以共享資源。游覽和住宿休閑地的分布具有伴生關系，且空間集聚程度高。2）休閑地空間交互特征方面，根據休閑地交互強度和廣度，交互模式分為凌晨低強度收縮型交互模式、上午低強度擴張型交互模式、下午高強度擴張型交互模式和夜晚高強度收縮型交互模式。模式一的休閑者就近選擇休閑地，以短距離空間交互為主，集中在市中心地區。模式二和模式三的休閑者跨區休閑意愿增強，休閑地的空間交互范圍擴大且交互方向復雜多樣，長距離空間交互凸顯，中程空間交互模式占主導地位，其中，模式三的長距離和短距離的休閑地交互分布更廣。模式四的休閑者對距離較為敏感，長距離交互減弱，中程距離交互集中分布而短途交互范圍呈擴大態勢。3）休閑地功能交互特征方面，在各空間交互模式中，餐飲和購物休閑具有強交互作用，同時也是其他休閑服務的主要輸入輸出地。文娛休閑地的交互作用在模式一中占重要地位，受距離因素的影響較小。除模式一外，游覽休閑地在長距離情形下交互作用顯著，而在模式四的長距離交互過程中，游覽休閑地的流入和流出占比失衡。住宿休閑地的交互作用在模式二中對距離變化不敏感，在其他模式的長距離交互中有所增強，且在模式四的長距離交互中流入占比遠高于流出。康養服務的交互強度隨模式變化呈現穩定的特征，其交互對象主要為餐飲和購物休閑地，在模式一和模式四的短、長距離中交互作用呈小幅度增強。

本文是對城市休閑地動態交互特征的有益探索，為城市休閑發展做出了理論和實踐貢獻。理論貢獻包括3個方面。第一，時空大數據相比于傳統數據具有大樣本、客觀、低成本和時空信息精細等優勢，目前出租車數據在城市休閑研究中的應用潛力還未充分挖掘，本文利用出租車包含的休閑者軌跡信息探究城市休閑交互特征，為未來出租車數據應用于細粒度的城市休閑研究提供了參考。第二，基于多源異構大數據，本文建構了城市休閑地動態交互特征的分析框架，為城市休閑研究進一步發展提供了新的分析工具和多維度、多層次的研究視角。至于新的分析工具，本文結合新的相似休閑軌跡識別方法和 Louvain 算法開展軌跡聚類，同時考慮了軌跡時空屬性、偏轉角度和軌跡間拓撲關系，提升了休閑軌跡表征休閑地交互的能力。第三，探討休閑設施的集聚效應證實了餐飲和購物休閑設施的集聚與密集人流有關[26]，游覽休閑設施顯著影響住宿休閑設施的布局[62]，康養休閑設施的選址具有較高的環境要求[63]等前人結論，而分析休閑地的動態交互特征補充和拓展了城市休閑研究，其結果呈現出休閑地動態交互模式和特征，為后續深層機制挖掘奠定了理論基礎。同時，本文為城市休閑設施布局提供了實踐啟示。一方面，通過完善交互薄弱地區的休閑基礎設施，加強其與交互核心區的合作，實現全域休閑服務整合與協調發展，或通過調整休閑設施布局或運營時間優化空間交互模式，在一定程度上緩解交通壓力和休閑地擁擠壓力。另一方面，休閑地功能交互特征為休閑設施的配置提供了依據，如形成文娛休閑設施集聚地，提升長距離空間交互強度；布局大型購物商場和打造知名美食街，有效改善整體空間交互格局。

面對城市休閑地復雜的交互關系，本文存在以下不足值得未來進一步探討：1）單一的出租車軌跡數據難以涵蓋所有城市休閑者軌跡，未來考慮采用公交和地鐵刷卡數據驗證研究結果，并采用單車和步行等軌跡數據在微觀層面進一步完善研究結果；2）本文重點探討了日內不同時間段的休閑地交互特征，未涉及工作日和節假日的休閑活動差異，有必要在未來工作中對其開展進一步研究；3）本文僅研究了兩個休閑地之間的交互特征，而在實際的休閑活動中存在多地點休閑，深入探討序列休閑地的空間和功能交互特征可能發現更多有趣的結果；4）城市休閑地的功能具有多重性和動態性，而本文采用的POI數據體現的是城市靜態休閑功能，通過社交媒體數據提取城市動態休閑功能，這將更加貼近休閑者的感知功能，更加豐富本文研究結果。

參考文獻（References）

[1] ASHWORTH G， PAGE S J. Urban tourism research： Recentprogress and current paradoxes[J]. Tourism Management， 2011，32（1）： 1-15.

[2] BEN- DALIA S， COLLINS- KREINER N， CHURCHMAN A.Evaluation of an urban tourism destination[J]. Tourism Geographies，2013， 15（2）： 233-249.

[3] EDWARDS D， GRIFFIN T， HAYLLAR B. Urban tourismresearch： Developing an agenda[J]. Annals of Tourism Research，2008， 35（4）： 1032-1052.

[4] EDWARDS D， GRIFFIN T. Understanding tourists’spatialbehaviour： GPS tracking as an aid to sustainable destinationmanagement[J]. Journal of Sustainable Tourism， 2013， 21（4）：580-595.

[5] FANG Y， ZHU L J， JIANG Y Y， et al. The immediate andsubsequent effects of public health interventions for COVID-19on the leisure and recreation industry[J]. Tourism Management，2021， 87： 104393.

[6] TRIBE J. The Economics of Recreation， Leisure and Tourism（the 4th Edition） [M]. London： Routledge Press， 2011： 15.

[7] LIU Y Q， ZHANG Y P， JIN S T， et al. Spatial pattern of leisureactivities among residents in Beijing， China： Exploring theimpacts of urban environment[J]. Sustainable Cities and Society，2020， 52： 101806.

[8] CHANG P J， LIN Y Q， SONG R. Leisure satisfaction mediatesthe relationships between leisure settings， subjective well-being，and depression among middle- aged adults in urban China[J].Applied Research in Quality of Life， 2019， 14（4）： 1001-1017.

[9] CHO H. Importance of leisure nostalgia on life satisfaction andleisure participation[J]. Service Industries Journal， 2020， 40（1-2）： 90-109.

[10] STACEY T L， FROUDE E H， TROLLOR J， et al. Leisureparticipation and satisfaction in autistic adults and neurotypicaladults[J]. Autism， 2019， 23（4）： 993-1004.

[11] WENDE H E W， ZARGER R K， MIHELCIC J R. Accessibilityand usability： Green space preferences， perceptions， and barriersin a rapidly urbanizing city in Latin America[J]. Landscape andUrban Planning， 2012， 107（3）： 272-282.

[12] HAN J， MEYER B D， SULLIVAN J X. Inequality in the jointdistribution of consumption and time use[J]. Journal of PublicEconomics， 2020， 191： 104106.

[13] STOPPA E A， SANTOS G E D， HEMZO L F， et al. Inequalitiesin access to consumption of leisure goods and services in Brazil[J]. Leisure Studies， 2022， 13（4）： 413-432.

[14] HAN Z， SONG W. Identification and geographic distribution ofaccommodation and catering centers[J]. ISPRS InternationalJournal of Geo-Information， 2020， 9（9）： 546.

[15] NICHOLLS S， KIM J. Spatial is special： The need to considerspatial effects in leisure research[J]. Leisure Sciences， 2022， 44（4）： 476-496.

[16] LIU J P， DENG Y， WANG Y， et al. Urban night time leisurespace mapping with night time light images and POI data[J].Remote Sensing， 2020， 12（3）： 541.

[17] BURGER M， MEIJER E. Form follows function？ Linkingmorphological and functional polycentricity[J]. Urban Studies，2012， 49（5）： 1127-1149.

[18] STIENMETZ J， KIM J， ZHENG X， et al. Managing thestructure of tourism experiences： Foundations for tourism design[J]. Journal of Destination Marketing amp; Management， 2021， 19：100408.

[19] JING Y， LIU Y L， CAI E X， et al. Quantifying the spatiality ofurban leisure venues in Wuhan， Central China-GIS-based spatialpattern metrics[J]. Sustainable Cities and Society， 2018， 40： 638-647.

[20] WANG C C， WU S H， YANG W， et al. Optimizing leisureagriculture by analyzing spatial patterns and tourists perceptions：Evidence from Wuhan， China[J]. Frontiers in EnvironmentalScience， 2022， 10： 851321.

[21] ZHOU L L， SHI Y S， ZHENG J W. Business circleidentification and spatiotemporal characteristics in the mainurban area of Yiwu city based on POI and night-time light data[J]. Remote Sensing， 2021， 13（24）： 5153.

[22] KEKALAINEN T， SIPILA S， SAAJANAHO M， et al. The roleof personality traits in leisure time physical activity duringCOVID- 19 pandemic[J]. Personality and Individual Differences，2021， 182： 111080.

[23] QIAO G H， ZHANG J M， PABEL A， et al. Understanding thefactors influencing the leisure tourism behavior of visuallyimpaired travelers： An empirical study in China[J]. Frontiers inPsychology， 2021， 12（6）： 684285.

[24] RASMUSSEN C L， DUMUID D， HRON K， et al. Day-to- daypattern of work and leisure time physical behaviours： Are lowsocioeconomic status adults couch potatoes or work warriors？[J]. BMC Public Health， 2021， 21（1）： 1342.

[25] CHENG L， CHEN X W， YANG S， et al. Active travel for activeageing in China： The role of built environment[J]. Journal ofTransport Geography， 2019， 76： 142-152.

[26] MA L Y， XIU C L. Spatial structure of urban residents leisureactivities： A case study of Shenyang， China[J]. ChineseGeographical Science， 2021， 31（4）： 671-683.

[27] ETTEMA D， SCHWANEN T. A relational approach toanalysing leisure travel[J]. Journal of Transport Geography，2012， 24： 173-181.

[28] VAN DEN BERG P， ARENTZE T， TIMMERMANS H.Involvement in clubs or voluntary associations， social networksand activity generation： A path analysis[J]. Transportation，2012， 39（4）： 843-856.

[29] CARRASCO J A， MILLER E J. The social dimension in action：A multilevel， personal networks model of social activityfrequency between individuals[J]. Transportation Research PartA-Policy and Practice， 2009， 43（1）： 90-104.

[30] 吳悅芳， 徐紅罡. 幸福在他處： 退休流動者的深度休閑與心理幸福感[J]. 旅游學刊， 2022， 37（6）： 69-78. [WU Yuefang， XUHonggang. Better well-being at home away home： Influences ofserious leisure on psychological well- being of the seasonalretirement migrants in China[J]. Tourism Tribune， 2022， 37（6）：69-78.]

[31] WANG J W， ZHANG L Y， SUN Y， et al. Exploring the impactsof urban community leisure on subjective well- being duringCOVID- 19： A mixed methods case study[J]. InternationalJournal of Environmental Research and Public Health， 2022， 19（14）： 8514.

[32] ELSDEN E， BU F F， FANCOURT D， et al. Frequency of leisureactivity engagement and health functioning over a 4-year period：A population-based study amongst middle-aged adults[J]. BMCPublic Health， 2022， 22（1）： 1275.

[33] 王琪延， 韋佳佳. 居民休閑消費不平等研究——以北京市為例[J]. 經 濟 理 論 與 經 濟 管 理， 2019， 39（5）： 103- 112. [WANGQiyan， WEI Jiajia. Research on the inequality of leisureconsumption of residents- Taking Beijing as an example[J].Economic Theory and Business Management， 2019， 39（5）： 103-112.]

[34] 馮維波. 城市游憩空間系統的結構模式[J]. 建筑學報， 2010， 57（S2）： 150- 153. [FENG Weibo. The structural pattern of urbanrecreational space system[J]. Architectural Journal， 2010， 57（S2）： 150-153.]

[35] SHANG Y Q， WEN C Y， BAI Y C， et al. A novel framework forexploring the spatial characteristics of leisure tourism usingmultisource data： A case study of Qingdao， China[J]. IEEEJournal of Selected Topics in Applied Earth Observations andRemote Sensing， 2022， 15： 6259-6271.

[36] 薛東前， 黃晶， 馬蓓蓓， 等. 西安市文化娛樂業的空間格局及熱點 區 模 式 研 究 [J]. 地 理 學 報， 2014， 69（4）： 541- 552. [XUEDongqian， HUANG Jing， MA Beibei， et al. Spatial distributioncharacteristics and hot zone patterns of entertainment industry inXian[J]. Acta Geographica Sinica， 2014， 69（4）： 541-552.]

[37] HE S W， YU S， WEI P， et al. A spatial design network analysisof street networks and the locations of leisure entertainmentactivities： A case study of Wuhan， China[J]. Sustainable Citiesand Society， 2019， 44： 880-887.

[38] 田諾， 劉承灝， 韓沛， 等. 基于POI的青島城市休閑功能空間分布識別與優化策略研究[J]. 城市建筑， 2021， 18（8）： 21- 25.[TIAN Nuo， LIU Chenghao， Han Pei， et al. Research onidentification and optimization strategy of Qingdao urbanleisure space distribution based on POI data[J]. Urbanism andArchitecture， 2021， 18（8）： 21-25.]

[39] 賈曉婷， 雷軍， 武榮偉， 等. 基于 POI 的城市休閑空間格局分析——以烏魯木齊市為例[J]. 干旱區地理， 2019， 42（4）： 943-952. [JIA Xiaoting， LEI Jun， WU Rongwei， et al. Urbanrecreation space pattern based on POI data： A case of Urumqicity[J]. Arid Land Geography， 2019， 42（4）： 943-952.]

[40] XU Y， LI J Y， BELYI A， et al. Characterizing destinationnetworks through mobility traces of international tourists—Acase study using a nationwide mobile positioning dataset[J].Tourism Management， 2021， 82： 104195.

[41] PARK S， ZHONG R R. Pattern recognition of travel mobility ina city destination： Application of network motif analytics[J].Journal of Travel Research， 2022， 61（5）： 1201-1216.

[42] HAN B， ZHU D Y， CHENG C Q， et al. Patterns of nighttimecrowd flows in tourism cities based on taxi data—Take Haikouprefecture as an example[J]. Remote Sensing， 2022， 14（6）： 1413.

[43] WALL G. Competition and complementarity： A study in parkvisitation[J]. International Journal of Environmental Studies，1978， 13（1）： 35-41.

[44] PARK S， YUAN Y Q， CHOE Y. Application of graph theory tomining the similarity of travel trajectories[J]. Tourism Management，2021， 87： 104391.

[45] LEW A， McKERCHER B. Modeling tourist movements- Alocal destination analysis[J]. Annals of Tourism Research， 2006，33（2）： 403-423.

[46] PARK S， KIM Y R， HO C S T. Analysis of travel mobility underCovid-19： Application of network science[J]. Journal of Travelamp; Tourism Marketing， 2022， 39（3）： 335-352.

[47] MOU N X， LIU Z W， ZHENG Y H， et al. Cycling in Tibet： Ananalysis of tourists spatiotemporal behavior and infrastructure[J]. Tourism Management， 2022， 88： 104418.

[48] KEMPERMAN A D， JOH C H， TIMMERMANS H J.Comparing first- time and repeat visitors activity patterns[J].Tourism Analysis， ， 2004， 8（2）： 159-164.

[49] ABKARIAN H， TAHLYAN D， MAHMASSANI H， et al.Characterizing visitor engagement behavior at large- scaleevents： Activity sequence clustering and ranking using GPStracking data[J]. Tourism Management， 2022， 88： 104421.

[50] YUAN Y H， RAUBAL M. Measuring similarity of mobilephone user trajectories-A spatio-temporal edit distance method[J]. International Journal of Geographical Information Science，2014， 28（3）： 496-520.

[51] CHOI W， CHO J， LEE S， et al. Fast constrained dynamic timewarping for similarity measure of time series data[J]. IEEEAccess， 2020， 8（1）： 222841-222858.

[52] ATEV S， MILLER G， PAPANIKOLOPOULOS N P. Clusteringof vehicle trajectories[J]. IEEE Transactions on IntelligentTransportation Systems， 2010， 11（3）： 647-657.

[53] ZHANG D Z， LEE K， LEE I. Hierarchical trajectory clusteringfor spatio- temporal periodic pattern mining[J]. Expert Systemwith Application， 2018， 92： 1-11.

[54] LIU X D， TIAN Y Z， ZHANG X Q， et al. Identification of urbanfunctional regions in Chengdu cased on taxi trajectory timeseries data[J]. ISPRS International Journal of Geo- Information，2020， 9（3）： 158.

[55] PARK H S， JUN C H. A simple and fast algorithm forK- medoids clustering[J]. Expert Systems with Applications，2009， 36（2）： 3336-3341.

[56] TELLAROLI P， BAZZI M， DONATO M， et al. Crossclustering： A partial clustering algorithm with automaticestimation of the number of clusters[J]. Plos One， 2016， 11（3）：e0152333.

[57] RODRIGUEZ A， LAIO A J S. Clustering by fast search and findof density peaks[J]. Science， 2014， 344（26）： 1492-1496.

[58] WU C， YE X Y， REN F， et al. Check-in behaviour and spatiotemporal vibrancy： An exploratory analysis in Shenzhen， China[J]. Cities， 2018， 77： 104-116.

[59] HE B， ZHANG Y， CHEN Y， et al. A simple line clusteringmethod for spatial analysis with origin- destination data and itsapplication to bike-sharing movement data[J]. ISPRS InternationalJournal of Geo-Information， 2018， 7（6）： 203.

[60] BLONDEL V D， GUILLAUME J L， LAMBIOTTE R， et al.Fast unfolding of communities in large networks[J]. Journal ofStatistical Mechanics- Theory and Experiment， 2008， 2008（10）：P10008.

[61] BARNARD S T， SIMON H D. Fast multilevel implementationof recursive spectral bisection for partitioning unstructuredproblems[J]. Concurrency-Practice and Experience， 1994， 6（2）：101-117.

Research on Dynamic Interaction Characteristics of Urban Leisure Areas Based

on Spatio-Temporal Trajectory Clustering Algorithm

GUO Xin， ZHENG Weimin， HUANG Liyao

（School of Management， Xiamen University， Xiemen 361005， China）

Abstract： The phenomenon of interactions in urban leisure areas is conducive to understand theinteraction between urban leisure activities and complex leisure system. The existing studies on urbanleisure focus on the static spatial distribution pattern but lack the exploration of spatial dynamicinteraction and functional dynamic interaction. Therefore， the study proposes a research framework toanalyze the spatial and functional dynamic interaction characteristics of urban leisure areas from themobility perspective by taxi data. First， we give semantic information to the trajectory points of cabs.Next， a network of similar trajectories is constructed. Then， the Louvain algorithm is introduced tocluster the leisure trajectories. Finally， based on the clustering results and their semantic information，the dynamic interaction characteristics of urban leisure space and leisure function are analyzed. Thefindings show that： （1） there are strong spatial agglomeration effect in the urban leisure facilities， whichis related but different. （2） The low-intensity shrunken interaction pattern before dawn is dominated byshort- distance spatial interactions. The spatial interaction scale is expanding and the mid- distanceinteractions are prominent in the morning low- intensity expansive interaction pattern and afternoonhigh-intensity expansive interaction pattern. Additionally， the distribution of short-distance interactionis expanding in the night high-intensity shrunken interaction pattern. （3） Among the spatial interactionpatterns， catering and shopping leisure functions interact strongly， and other leisure functions tend tointeract with them. The cultural and recreational leisure function had the strongest interaction power inpattern 1 and the tour function interacted significantly with other leisure functions in the long-distancespatial interaction in patterns 2， pattern 3 and patterns 4. Except for pattern 2， long distance had agreater influence on the interaction power of accommodation leisure， while the interaction of healthcare leisure varied stably with pattern and distance. This paper is a guide to the optimal layout of urbanleisure space， the planning of leisure functions and the promotion of sustainable development of urbanleisure industries.

Keywords： urban leisure space; urban leisure function; dynamic interaction characteristics; mobility;spatio-temporal trajectory clustering

[責任編輯：劉 魯；責任校對：王 婧]