基于GPS轨迹的都市外围乡村徒步旅游社区聚类

梁景宇 赵渺希 沈娉

[摘    要]徒步旅游社区是都市外围郊野地区徒步旅游活动服务和管理的单元，合理划分徒步旅游社区对于引导当地形成旅游主题和供给公共设施，以及优化旅游要素的配置和提高设施使用效率具有重要意义。文章以广州北部郊区增城和从化的旅游生态型城镇为例，基于互联网共享的徒步旅游GPS轨迹数据对研究范围内的空间单元进行聚类分析，划分出不同类型的徒步旅游社区。不同社区在景观风貌和游客活动方面呈现出明显的差异化特征。通过聚类的方法划分差异显著的徒步旅游社区，对凝练社区徒步活动主题、有针对性地优化配置服务设施、实施人流预警分流、改善徒步旅游社区间连通性等旅游规划和管理方面具有一定价值。

[关键词]GPS轨迹;徒步旅游;旅游社区;聚类;广州

[中图分类号]F59

[文献标识码]A

[文章编號]1002-5006（2019）08-0129-12

Doi： 10.19765/j.cnki.1002-5006.2019.08.017

引言

旅游业作为世界上增长最快的行业之一，在新技术影响下日新月异[1]。徒步旅游因现代都市社会中人追求回归自然而兴起，直接动因也包括户外运动和网络资讯的迅速发展。在欧美发达国家，徒步旅游已经趋于成熟，拥有完善的管理机制和配套设施。而我国的徒步旅游出现得较晚，仍处于自发状态，徒步旅游的管理和设施配套明显滞后于徒步旅游的实际需求[2]，自组织的游憩行为使得基本服务的空间供给面临着无所适从的困境。

游憩活动功能分区在理论和实践中都有着十分重要的意义。徒步旅游社区是以徒步活动为主题的分区，也是徒步旅游服务和管理的单元，其重要价值表现为：第一，旅游分区反映了旅游资源的多样性和差异性[3]，有利于发掘出不同地域的资源潜力，因地制宜地提炼徒步主题，既实现社区差异化发展，又便于旅游者依偏好选择出行;第二，徒步旅游社区可强化要素的优化配置和使用效率，以徒步旅游社区作为整体的单元，基于旅游者的需求组织交通和进行公共配套设施的供给[4]。

传统的旅游区划主要从供给侧出发，以旅游资源的分布作为重要依据[5]，如通过分析旅游资源的类型、旅游产业集群或者生态旅游承载力对旅游区域进行划分[6-9]。这样的方法较少关注游客的行为和需求特征，对于郊野地区自下而上形成的徒步旅游适用性不强，其中一个重要的原因是自上而下的旅游活动分区，往往缺乏对空间尺度的敏感性，容易产生规划设计与旅游活动的实际需求错位的问题。因此，旅游行为的空间分布特征是旅游研究中的重要的内容[10]，特别是对于户外的休闲活动，追踪和了解游客的活动方式对规划和管理来说是至关重要的[11-12]。因此，从需求侧出发，对游客空间行为进行全面了解，实现自下而上的旅游社区划分，能支持户外旅游的有效规划和管理[13]。

在都市外围大范围的郊野地区，由于地域范围广、游客分散、线路众多等特点，应用传统方法追踪游客空间行为往往难以奏效[14]，而徒步旅游者自愿在网络共享的徒步GPS轨迹提供了准确的徒步行为信息，为研究游客的活动模式提供了可靠的数据[15-16]。区域内大量的GPS轨迹形成徒步旅游的空间网络，不同的地点因同一条徒步路线穿越带来相似的旅游流而发生联系。本文尝试以行政村为空间单元，依据各村间的徒步旅游线路联系对行政村进行聚类，归纳徒步者的空间行为特征，从需求侧出发划分徒步旅游社区，为实现因地制宜的区域旅游规划以及差异化服务和管理提供依据。

1 相关研究综述

聚类分析的目的是寻找数据集中的“自然分组”[17]，在地质勘探、天气预报、生物分类、考古学、医学和心理学等不同领域上早已广泛采用[18]，而聚类分析的应用已从原来的数理统计分类逐渐拓展到空间分区，例如采用聚类分析进行地下水功能区规划[19]、环境功能和大气功能区划[20]、农业区域分区[21]和城市土地功能分区[22]等。

而在旅游方面，聚类分析可以进行旅游市场的精细化划分[23]，也可以用旅游资源的特征作为属性进行聚类，包括对观光农业区实现空间分区[24]，通过测算旅游竞争力对省域或全国进行旅游分区[25-26]。使用聚类方法得到的分区，可指向旅游设施的布局，如商业设施布局[27]。但目前已有的旅游分区方法主要关注供给侧，而非需求侧，也就是说，现有的方法主要从旅游资源特征出发，较少根据旅游者的自主行为进行分区。

研究旅游者的行为模式，有多种数据源。传统的研究主要利用书面日记或者电话检索来获取信息，存在的问题主要是无法获得准确的旅行时间和目的地位置等信息[28]。有研究通过对现场游客进行访谈，获取其回忆的路线，探索游客空间行为[29]。但是，在没有固定路径的户外地区，由于旅游者缺乏地图阅读技能或出现定向困难等问题，回忆的路线可能与真实情况有偏差。对比之下，GPS数据在数量上和质量上均显示出明显的优势[30-31]。利用GPS轨迹数据，能有效地获得用户的出行方式和移动特征[32-34]，也能检测到用户的停留节点[35-36]。

已有的各种分析实践显示了GPS数据对出行调查的作用，大量的GPS数据对研究旅游者的行为模式将会非常有效[37-38]。学者们尝试把GPS数据应用于旅游研究，例如对旅游者的行为进行时空分析[15-16， 39]，生成游客路线选择模型[40]，构建新的旅游线路设计方法[41]。部分学者关注到了GPS数据在徒步旅游中的应用潜力，在对大量徒步旅行数据分析的基础上，提出一种基于徒步路网的生成算法[42]。

从既有研究中不难看出，GPS信息在出行调查中应用的广度和深度不断增加，而在徒步旅游方面的研究应用还较少，基本聚焦于游客行为模式和路线设计方法。而采用GPS信息结合聚类的方法进行徒步旅游分区的研究方法尚未有学者跟进。

2 研究对象与方法

2.1 研究对象

徒步，指有目的地在城市的郊区、农村或山野间进行中长距离的步行锻炼。在国外，随着休闲时间的增加，人们参加徒步旅游的比例不断增大[43]。在国内，徒步旅游以短途为主，目的地多为居住地的周边地区，尤其是野外地区[2]。大城市或人口密集区周边可达性高的地区常常成为当地某些群体进行短途旅游的主要目的地[44]。

广州市北部的增城区和从化区有着大面积生态环境良好、乡村资源丰富的区域，吸引着大量的城市居民进行徒步旅游。在《广州市城市总体规划（2011—2020年）》中，从化区中的良口镇、吕田镇和温泉镇，增城区中的派潭镇、小楼镇和正果镇被定位为旅游生态型城镇，这些城镇生态资源集中，也是徒步旅游的热门地。

行政村是乡村地区管理的基本单元，以行政村作为空间划分基本单元有利于徒步旅游社区利用行政村既有的基层力量开展徒步旅游的管理工作，避免徒步旅游社区划定后与行政边界不合而重新组建管理组织，从而减少管理成本。

因此，本研究选取上述6个城镇（包含179个行政村）作为研究范围，利用GPS轨迹数据，以行政村为空间单元，以徒步轨迹联系为依据进行徒步旅游社区聚类。

2.2 研究方法

2.2.1    空间单元与徒步轨迹的逻辑矩阵

本文基于游客的自主行为，实现自下而上的徒步旅游社区划分，以确保旅游分区的结果及其空间尺度可以匹配实际旅游活动。在区域中不同的空间单元因同一条游憩线路穿越发生联系[45]，空间单元联系强弱直接决定了社区的划分。本文以行政村作为空间单元，以各村间被相同徒步旅游轨迹穿越的数量来衡量其联系的强弱。具体的方法是构建一个行政村×轨迹的逻辑矩阵，若轨迹k穿越村j，则记Cjk值为“1”，反之则为“0”，假设研究范围内空间单元数为n，轨迹数量为m，则该矩阵的大小应为n×m，每一个空间单元均有m个属性。

2.2.2    系统聚类

系统聚类的方法，是目前在实际中使用最多的一类方法[18]。本研究采用系统聚类的方式，利用行政村×轨迹的逻辑矩阵作为输入数据，进行徒步旅游社区划分。

首先，定义空间单元（类）i与j之间的差异性：[ Dij=k=1m（Cik-Cjk）2]，即m维欧氏距离。初始状态下将n个空间单元各自成n类，然后将差异性最小的2类合并成1类，重新计算新类与其他类的差异性，再按最小差异性将最相似的两类合并，重复进行差异性的计算和类的合并，直至所有的空间单元都合并成1类或所需要的分类数为止。按照系统聚类的思想，被越多共同轨迹穿过的空间单元旅游联系越高，其差异性越小，其特征更具有相似性，因此更有可能被划分到同一个社区中。

2.2.3    模块度

模块度是考察社区划分质量的重要指标。社区划分质量高表现为在社区内部的单元相似度较高，而与社区外部单元的相似度较低。模块度的计算正是基于这种思想對社区划分质量高低进行评判。国外有学者使用模块度评价岛屿旅游目的地的分组结果[46]，但国内旅游研究较少使用该方法。本文采用Clauset等[47]提出的模块度算法，在系统聚类后，通过模块度检验选取出模块度最高的聚类结果，作为研究范围内徒步旅游社区划分的结果。

2.3 共享GPS轨迹的信息提取

互联网上出现的带有地理坐标的共享信息，为研究游客空间行动提供了崭新而富有价值的信息来源[48]。随着GPS技术的发展，定位技术融合到便携式设备中，为跟踪旅游活动提供了新的机会[35]。随着国内户外出行活动的发展以及GPS应用的普及，GPS旅行社区分享平台在网络上具有了一定影响力，于2010年2月9日上线的六只脚平台是其中的代表。六只脚平台为众多的徒步旅游者提供了分享GPS轨迹的机会。

本研究利用六只脚平台上的GPS轨迹数据进行分析。在六只脚平台上，以“从化”与“增城”作关键词进行搜索，收集到从化与增城区域内的轨迹数据共4116条。把原始数据导入ArcGIS后，对数据进行初步筛选，过滤在研究范围外的、异常的或由用户标记的非徒步出行的轨迹数据，得到轨迹2564条。国内徒步活动一般以短途旅游为主[2]，一天内步行的距离可以达到15～20千米[49]。鉴于2564条轨迹数据中可能存在被误标记为徒步出行实质为自驾或骑行等活动的轨迹，因此设置20千米为长度阈值，对轨迹实行进一步筛选，以有效避免误标记的自行车或自驾轨迹影响研究结果，并把研究对象聚焦在研究范围中人数最多的短途旅游者上，最后获得2015条有效轨迹。

经筛选后的GPS轨迹呈现出相互重叠或者联结的空间网络状态，形成了徒步空间网络。该网络中少量较长的路径与现状的县道或者乡道重合，其余大部分路径是仅限于步行的，通常是穿越野外的小路。徒步空间网络中出现了大量规划以外的路径，这些路径通过徒步者自下而上的探索和循迹而形成，一部分通过网络的传播而成为了经典路线。可见，徒步GPS轨迹提供了大量在传统路网以外的由徒步者自发开拓的路径数据。

徒步轨迹在研究范围的中部分布较为密集，其中，轨迹分布最为密集的区域为良口镇的东南部，其次为良口镇北部、吕田镇南部、温泉镇西北部和派潭镇的北部。在ArcGIS中通过线密度分析进行可视化。线密度分析的原理为：构建特定像元大小的栅格覆盖研究范围，每个栅格各自计算距离中心点特定半径的圆内，包括的所有徒步轨迹长度总和与圆面积的比值，作为该栅格的值，最后以不同颜色显示不同的栅格值区间实现可视化1。本研究采用线密度分析方法，像元大小设置为10米，搜索半径设置为30米（线密度分析结果见图1）。识别出热度最高的路径均为网络上广为传播的经典徒步路径，例如以登山挑战为特色的通天蜡烛山线、老虎头山线、天堂顶线、牛牯嶂线等，以丛林和村庄为特色的星溪线（东星村到溪头村）和影古线（影村到古田村）等。

3 基于徒步GPS轨迹的徒步旅游社区聚类特征

3.1 基于徒步GPS轨迹的徒步旅游社区聚类

社区既包含着地理空间因素，也包含着情感意志、社会心理等因素[50]。徒步活动形成空间网络呈现出社区化，以徒步活动联系划分的徒步旅游社区既反映徒步行为的地理空间特性，也反映徒步者群体的特质和偏好。

本研究以范围内179个行政村为聚类的对象，以各村间是否有同样的20千米以下的轨迹数据穿越来衡量其旅游联系，以徒步旅游流为属性进行系统聚类分析，通过模块度检验选取出模块度最高的聚类结果。考虑到社区类别的多样性，选取聚类数目为11～20类的结果作为备选，分别计算不同聚类数目对应的网络模块度。当聚类数目取12类时，模块度值达最高0.15。因此，本研究取聚类数目为12类的结果。由于类间差异性采用m维欧氏距离计算，部分空间上分散的单元因为穿越的轨迹数量较少，Cjk值多为“0”而具有较高相似度，因此在聚类结果中被归为一类。该类属于离散程度较明显的类别，空间上没有明显的簇群性，属于奇异值，将此社区标为12#社区，在本次研究中排除。

从聚类结果来看（图2），位于白水寨的2#社区以及位于流溪河水库和老虎头山的6#社区均包括3个空间单元，位于天湖的11#社区包括4个空间单元，其他社区均由1个空间单元构成;从空间分布上来看，1#社区到9#社区空间上邻接，集中在研究范围中部，涵盖牛牯嶂、石门森林公园、溪头村等徒步热门地点。而研究范围北边的10#社区以及位于西边的11#社区则与其他社区空间上不邻接。

3.2 徒步旅游社区的特征分析

本研究选取2011年至2016年所有徒步轨迹数据，研究每个社区中徒步活动数量在不同月份的分布情况（图3）。总体而言，不同社区之间的徒步活动在时间分布上有较大差异，每一个社区的徒步活动依时间变化呈现起伏，有明显的徒步活动集中期。

特别地，位于石门国家森林公园南部的8#社区和流溪河水库公园的9#社区是研究范围内的热门景点，在春节前后吸引旅游者众多，因此在年初形成旅游的热潮，在此带动下徒步轨迹也集中產生;位于通天蜡烛山的10#社区在4月份因为红色杜鹃花集中盛开而形成“通天蜡烛”的景象，吸引了大量徒步旅游者赏花，当月徒步轨迹数量占该社区全年55%以上;6—8月广州气温高，降水多，不利于户外活动，除了以观赏瀑布而著名的白水寨所在的2#社区以外，其他社区的徒步活动均不活跃;10—11月广州地区气温下降，降水较少，空气湿度较低，适合户外活动，大部分社区的全年活动高峰集中出现在这两个月份;12月广州空气质量较好，能见度较高，位于溪头村、阿婆六村的3#社区、4#社区平均海拔高，其中，阿婆六村是广州海拔最高的自然村，是著名的观星胜地，吸引大批爱好者进行徒步、观星等户外活动。

将识别出的徒步旅游社区与研究范围内地表覆盖数据1叠合，研究其地被特征。各社区内地被覆盖均以森林为主，部分社区有少量水体、耕地、草地和人造地表，所占比例有一定差别。特别地，11#社区包含天湖风景区，地表水体比例较高，相应地该社区的徒步活动主要是环湖观光，相对休闲轻松;尽管6#社区包含面积较大、管理较好的流溪河水库，但徒步活动集中于老虎头山，主要为登顶活动，说明研究范围内徒步群体更倾向于体验野趣、挑战自我;1#社区、2#社区、11#社区相对靠近城市建成区，人造地表所占的比例相对其他社区较高，实际中交通条件和公共服务设施也较好，方便游客到达。其他社区在地被覆盖上并无表现出鲜明的特征，但结合社区内的特色景点和徒步轨迹的实际布局，可以判断出社区中徒步旅游的类型，包括丛林穿越、攀登高峰、田园漫行等。

3.3 社区聚类对徒步旅游规划的启示

广州北部地区各徒步旅游社区的景观风貌和徒步活动的时空分布呈现明显的差别，这些特点适合作为徒步旅游服务和管理的依据。各徒步旅游社区吸引点和季节性特征鲜明，本文用社区标签对社区内的徒步活动主题进行简洁的概括（表1）。不难发现研究范围中不同的徒步旅游社区具有不同旅游主题和服务需求。可见，通过聚类的方法对徒步旅游社区进行划分并总结社区的特征，对于当地的旅游规划和管理具有重要的引导意义。

3.3.1    凝练徒步旅游社区的旅游主题

广州北部地区自然环境空间要素类型丰富，并且文化要素众多，因此产生不同类型的徒步线路类型。各社区的吸引点为其特色挖掘提供参考：如社区中存在乡野漫行活动，则乡村文化将会是吸引徒步旅游的基础，充分挖掘乡村传统文化、农耕文化、民俗文化就成了发展旅游的必要手段[51];如社区中有明显的登顶活动，则在旅游宣传和品牌打造的过程中突出登顶活动征服自然、实现自我的精神满足，并可倡导环保健康的价值导向;而各社区本身拥有差异化的植被类型，代表着各社区的潜力资源，可为未来自然景观发掘和创造多样化旅游产品提供参考。社区自身凝练主题、突出特点，社区之间错位发展、相互协调，提供多样化的徒步线路产品，这既能吸引既有的徒步旅游者到各个社区中更好地开展旅游活动，又能促使更多来自城市地区的游客转变旅游观念，选择徒步这种环保健康的旅游方式。

3.3.2    优化徒步旅游社区的服务设施

研究范围包括广州市平均海拔最高的地区，高峰登顶是其中数个徒步旅游社区重要的活动主题，因此要着重考虑安全防护设施的布置，涉及安全预警、天气预报机制、登山基础设施和线路风险评估体系等方面[52]。在各徒步旅游社区的重要线路起终点附近，均要配置适当的交通设施，如公交站和停车场，增强线路起终点的可达性。但值得注意的是，徒步活动追求的是在自然环境中体验城市中难以获得的野趣，布置的安全设施在视觉上也必须与自然环境融合。

3.3.3    预警徒步旅游社区的人流变化

在时间分布上，研究范围内徒步旅游活动呈现季节性特征，这在众多地区都是普遍存在的。在旺季中，优势旅游产品要充分发挥作用，并且要对过量人流进行预警，采取适当的分流措施。在淡季时，则要发掘合适、高质量的新旅游产品，减少旅游人流在时间上的不均衡性[53]。

3.3.4    改善徒步旅游社区的空间结构

尽管社区间是由于旅游流的差异而被划分开，但并非完全独立。社区之间仍然会因部分徒步轨迹穿越而产生联系，如研究范围中部牛牯嶂山到黄茶园之间邻接的社区，其互相之间也有一定的徒步轨迹联系而形成网络。通过增加徒步路径的连接，可以有效增强社区之间的连通性，或形成新的徒步旅游社区，在提高徒步线路丰富程度的同时，改变社区空间结构，有助于促进各徒步旅游社区联动发展。

4 讨论

徒步旅游是绿色可持续的旅游方式，效益显著。长期以来，徒步旅游以网络作为主要信息媒体，市场规模不断扩大，具有较大的开发潜力[54]。本研究利用网络共享信息，为徒步旅游的研究提供了新的思路和方向。旅游路径的高连通性有助于个人在不同地点之间的有效流动[55]，为游客提供更多的娱乐机会[11]。徒步旅游社区聚类反映徒步旅游流分布，是旅游者以自下而上的方式“用脚投票”得到的分类，相比基于旅游资源分布自上而下的空间划分，通过聚类得到的旅游空间单元的尺度与实际旅游活动需求匹配程度更高，为实现区域旅游因地制宜的规划以及差异化服务和管理提供依据，优化设施和资源的配置效率。徒步旅游社区的划分及其特征识别有利于针对性地提供旅游服务管理和安全防护设施。由于不同徒步旅游社区有特定的地被分布特点、高程分布特点和旅游的季节性分布特点，因而形成不同的旅游服务需求。在准确识别社区特征后，有助于服务管理资源的时空分布，使其配置更高效。

本方法也存在的一定的局限性：（1）研究的样本有一定的局限性。六只脚平台主要面向特定群体，能反映一部分徒步爱好旅游者的旅游信息，但是仍不能代表全体徒步者。（2）部分GPS轨迹数据可能出现质量问题。在茂密的树林覆盖的地区，卫星信号可能存在问题，这是GPS数据的一个主要限制因素[30]。

随着网络信息和GPS技术的发展，网络共享的徒步GPS轨迹信息将会变得更加丰富、全面和准确。而随着GPS共享平台的普及，可获取的数据样本将会变得更大，进一步消除了数据的局限性，研究结果能有更优的准确性。对于实际的规划应用，本方法得出的徒步旅游特征和社区能为区域性的规划提供有效的前期引导，而在深化规划和管理方案的过程中，本方法需要和实际的现场调研进行结合，通过实地调研验证本方法得到的结果以及提供修正。

参考文献（References）

[1] S?RENSEN F， SUNDBO J. Potentials for user-based innova-tion in tourism： The example of GPS tracking of attraction visitors[M]//ALSOS G A， DORTHE E， EINAR L M. Handbook of Research on Innovation in Tourism Industries. Cheltenham， Northampton： Edward Elgar Publishing Limited， 2014： 132-150

[2] JIN Qiao， JIA Shufang， LI Teng. The generation， development and prospect of hiking tourism in China[M] // ZHANG Guangrui， LIU Deqian， SONG Rui. Chinas Tourism Development Analysis and Forecast（2012）. Beijing： Social Sciense Academic Press（China）， 2012： 303-316. [金乔， 贾书芳， 李腾. 中国徒步旅游的发生、发展与展望[M] // 张广瑞， 刘德谦， 宋瑞. 2012年中国旅游发展分析与预测. 北京： 社会科学文献出版社， 2012： 303-316.]

[3] LEI Mingde， LI Liming， LEI Xianmei. On the tourist division of Xian [J]. Journal of Northwest University： Natural Science Edition， 1997， （6）： 533-537. [雷明德， 李驪明， 雷羡梅. 西安市旅游分区试拟[J]. 西北大学学报： 自然科学版， 1997， （6）： 533-537.]

[4] QIU Ting. Research on the Formation and Development in Urban Tourism Service Functional Areas[D]. Nanchang： Nanchang University， 2012. [邱婷. 城市旅游服务功能区的形成与发展研究[D]. 南昌： 南昌大学， 2012.]

[5] ZHANG Guanghai， ZHU Xuna. Research progress of tourism regionalization in China[J]. Geography and Geo-Information Science， 2016， 32（3）： 89-94. [张广海， 朱旭娜. 我国旅游区划研究进展[J]. 地理与地理信息科学， 2016， 32（3）： 89-94.]

[6] CHEN Chuankang. Beijing tourism development strategy and zoning research [J]. Tourism Tribune， 1987， （1）： 8-10. [陈传康. 北京旅游发展战略和分区研究[J]. 旅游学刊， 1987， （1）： 8-10.]

[7] CHEN Jun. Coastal tourism resources and functional zoning in China[J]. Ocean Development and Management， 2000， 17（3）： 41-47. [陈君. 我国滨海旅游资源及其功能分区研究[J]. 海洋开发与管理， 2000， 17（3）： 41-47.]

[8] ZHANG Heqing， WANG Leilei， TIAN Xiaohui. A study on the agglomerative performance of regional tourism industry cluster and the comparison of its competitive situation： Based on the empirical analysis of 21 cities in Guangdong province[J]. Economic Geography， 2010， 30（12）： 2116-2121. [張河清， 王蕾蕾， 田晓辉. 区域旅游产业集聚绩效及竞争态势比较研究——基于广东省21个城市的实证分析[J]. 经济地理， 2010， 30（12）： 2116-2121.]

[9] DONG Wei， LIU Xin， SUN Ming， et al. A case study on ecotourism carrying capacity and ecotourism functional districts in Jinhua city[J]. Journal of Fudan University： Natural Science， 2004， 43（6）： 1024-1029. [董巍， 刘昕， 孙铭， 等. 生态旅游承载力评价与功能分区研究——以金华市为例[J]. 复旦学报： 自然科学版， 2004， 43（6）： 1024-1029.]

[10] BEECO J A， HUANG W J， HALLO J C， et al. GPS tracking of travel routes of wanderers and planners[J]. Tourism Geogra-phies， 2013， 15（3）： 551-573.

[11] TACZANOWSKA K， GONZ?LEZ L M， GARCIA-MASS? X， et al. Evaluating the structure and use of hiking trails in recreational areas using a mixed GPS tracking and graph theory approach[J]. Applied Geography， 2014， 55： 184-192.

[12] EAST D， OSBORNE P， KEMP S， et al. Combining GPS & survey data improves understanding of visitor behaviour[J]. Tourism Management， 2017， 61： 307-320.

[13] CESSFORD G， MUHAR A. Monitoring options for visitor numbers in national parks and natural areas[J]. Journal for Nature Conservation， 2004， 11： 240-250.

[14] OCONNOR A， ZERGER A， ITAMI B. Geo-temporal tracking and analysis of tourist movement[J]. Mathematics and Computers in Simulation， 2005， 69（1/2）： 135-150.

[15] ORELLANA D， BREGT A K， LIGTENBERG A， et al. Exploring visitor movement patterns in natural recreational areas[J]. Tourism Management， 2012， 33（3）： 672-682.

[16] MEIJLES E W， DE BAKKER M， GROOTE P D， et al. Analysing hiker movement patterns using GPS data： Implications for park management[J]. Computers， Environment and Urban Systems， 2014， 47： 44-57.

[17] WANG Jun， WANG Shitong， DENG Zhaohong. Survey on challenges in clustering analysis research[J]. Control and Decision， 2012， 27（3）： 321-328. [王骏， 王士同， 邓赵红. 聚类分析研究中的若干问题[J]. 控制与决策， 2012， 27（3）： 321-328.]

[18] FANG Kaitai. Clustering analysis（I）[J]. Mathematics in Practice and Theory， 1978， （1）： 55-63. [方开泰. 聚类分析（Ⅰ）[J]. 数学的实践与认识， 1978， （1）： 55-63.]

[19] SHI Ruiqing， SUN Weifen. Application of grey cluster analysis in groundwater function zoning[J]. Geotechnical Investigation & Surveying， 1999， （1）： 27-30. [史瑞卿， 孫维芬. 灰色聚类分析在地下水功能区划中的应用[J]. 工程勘察， 1999， （1）： 27-30.]

[20] DIAO Jingxin. Application of the fuzzy clustering analytic method in the environmental functional division and air environmental functional division[J]. Environment and Develo-pment， 1997， （2）： 18-21. [刁景新. 模糊聚类分析方法在环境功能区划、大气环境功能区划中的应用[J]. 环境与发展， 1997， （2）： 18-21.]

[21] RU? G， KRUSE R. Exploratory hierarchical clustering for management zone delineation in precision agriculture[C] // PERNER P. 11th Industrial Conference on Data Mining ICDM 2011. New York： Springer， 2011： 161-173.

[22] MA Zhimin， QIAO Liang. Application of cluster analysis to land use regionalization： A case study of Yanta district of Xian city[J]. Scientific and Technological Management of Land and Resources， 2007， 24（6）： 90-93. [马智民， 乔亮. 聚类分析在土地利用功能分区中的应用——以西安市雁塔区为例[J]. 国土资源科技管理， 2007， 24（6）： 90-93.]

[23] DURSO P， DE GIOVANNI L， DISEGNA M， et al. Bagged clustering and its application to tourism market segmentation[J]. Expert Systems with Applications， 2013， 40（12）： 4944-4956.

[24] WANG Xiaolong， LIU Xiaoming， LI Tongsheng. Application of principal component and clustering methods on the planning and arrangement of tour-agriculture[J]. Journal of Applied Statistics and Management， 2005， 25（4）： 6-13. [王晓龙， 刘笑明， 李同升. 主成分分析法、聚类分析法在旅游观光农业空间分区中的应用——以西安市为例的研究[J]. 数理统计与管理， 2005， 25（4）： 6-13.]

[25] LI Chuangxin， MA Yaofeng， LI Zhenting. The mode foundation and clustering analysis of tourism competition power based on entropy technologies[J]. Soft Science， 2007， 21（6）： 28-33. [李创新， 马耀峰， 李振亭. 基于改进熵值法的旅游竞争力模型与聚类分析[J]. 软科学， 2007， 21（6）： 28-33.]

[26] CHEN Siyuan. The spatial clustering on the competitive advan-tage of regional tourism destinations： A case study of  Zhejiang province[J]. Areal Research And Development， 2012， 31（1）： 85-88. [陈思源. 区域旅游目的地竞争优势的空间聚类分析——以浙江省为例[J]. 地域研究与开发， 2012， 31（1）： 85-88.]

[27] WEIDENFELD A， BUTLER R W， WILLIAMS A M. Clustering and compatibility between tourism attractions[J]. International Journal of Tourism Research， 2010， 12（1）： 1-16.

[28] MURAKAMI E， WAGNER D P. Can using global positioning system （GPS） improve trip reporting？[J]. Transportation Research Part C： Emerging Technologies， 1999， 7（2/3）： 149-165.

[29] TACZANOWSKA K， ARNBERGER A， MUHAR A， et al. Exploring spatial behaviour of visitors in peri-urban recreational areas： Multi-attribute analysis of individual route profiles[C] // SCHRENK M. Sustainable Solutions for the Information Society - 11th International Conference on Urban Planning and Spatial Development for the Information Society. Vienna： CORP， 2007： 315-322.

[30] TACZANOWSKA K， MUHAR A， BRANDENBURG C. Potential and limitations of GPS tracking for monitoring spatial and temporal aspects of visitor behaviour in recreational areas[C] // RASCHI A， TRAMPETTI S. Management for Protection and Sustainable Development - Proceedings of the Fourth International Conference on Monitoring and Management of Visitor Flows in Recreational and Protected Areas. Montecatini Terme： Consiglio Nationale della Ricerche， 2008： 451-455.

[31] KORPILO S， VIRTANEN T， LEHV?VIRTA S. Smartphone GPS tracking—Inexpensive and efficient data collection on recreational movement[J]. Landscape and Urban Planning， 2017， 157： 608-617.

[32] ZHANG Zhihua. Research on Travel Information Extraction Based on GPS Trajectory[D]. Shanghai： East China Normal University， 2010. [張治华. 基于GPS轨迹的出行信息提取研究[D]. 上海： 华东师范大学， 2010.]

[33] FANG Yinglan， YANG Yong. Mobile user feature mining algorithm based on GPS trajectory[J]. Computer Knowledge and Technology， 2017， 13（1）： 211-214. [方英兰， 杨勇. 基于GPS轨迹的移动用户特征挖掘算法[J]. 电脑知识与技术， 2017， 13（1）： 211-214.]

[34] EDWARDS D， GRIFFIN T. Understanding tourists spatial behaviour： GPS tracking as an aid to sustainable destination management[J]. Journal of Sustainable Tourism， 2013， 21（4）： 580-595.

[35] NIELSEN N C， HARDER H， TRADISAUSKAS N， et al. Approaches to GPS-survey of tourist movements within a North Sea island destination[EB/OL]. http：//agrilife.org/ertr/files/2012/11/eRTR_EJA.pdf， 2019-05-13.

[36] YUAN Hua， QIAN Yu， YANG Rui. Research on GPS-trajectory-based personalization POI and path mining[J]. Systems Engineering—Theory & Practice， 2015， 35（5）： 1276-1282. [袁华， 钱宇， 杨锐. 基于GPS轨迹的用户兴趣点及频繁路径挖掘研究[J]. 系统工程理论与实践， 2015， 35（5）： 1276-1282.]

[37] YABE N， ARIMA T， OKAMURA Y， et al. An agenda on tourist activity survey using GPS and investigation of analysis methods[J]. International Journal of Tourism Science， 2010， 3： 17-30.

[38] BERNAD? O， BIGORRA A， P?REZ Y， et al. Analysis of tourist behavior based on tracking data collected by GPS[C] // D?AZ L， GRANELL C， HUERTA J. Discovery of Geospatial Resources： Methodologies， Technologies， and Emergent Applications. Hershey： Information Science Reference， 2012： 241-260.

[39] DONAIRE J A， GAL? N， ROYOVELA M. Using GPS to analysis time-space tourists behavior： A pre-test study in Boí Valley[J]. Cuadernos De Turismo， 2015， 35： 443-445.

[40] BIERLAIRE M， FREJINGER E. Route choice modeling with network-free data[J]. Transportation Research Part C： Emerging Technologies， 2008， 16（2）： 187-198.