基于WiFi 探针技术的公园游憩偏好分析与优化

沈培宇 胡昕宇

南京林业大学风景园林学院 南京 210037

近年来, 中国快速的城市化进程使城市绿地资源稀缺, 设计与规划满足人群偏好的游憩场地与设施成为近年学界关注的重点[1-2]。 时间、空间和活动被认为是游客体验的3 个重要领域。虽然人类的轨迹有许多不同的可能性, 但它们表现出高度的时间和空间规律性[3]。 了解使用哪些游乐设施、 参加哪些表演, 以及哪些商店和广场吸引游客, 可能会帮助改善景点管理[4-6], 因此, 获取人群时空定位数据是研究绿色开放空间的重要组成部分。 与物理空间数据相比, 人群定位数据较难获取, 以往研究大多采用问卷调查和访谈等传统方法量化研究绿地使用情况, 由此获得的数据往往是主观的, 而且成本高、 获取费力。 随着信息和数字时代的到来, LBS 定位数据、 百度热力数据、 社交媒体数据等时空大数据被应用在各领域的城市研究中[7-9]。 但是, 目前城市研究中使用的时空定位数据因其粗粒度的特性, 主要应用于大尺度城市人群时空行为研究, 其精度不能满足小尺度公园绿地空间定位的高精度需求。

2011 年, ROEDING CYRIAC 等[10]在美国申请了一项使用WiFi 网络探测设备存在的专利。 该专利中首次采用了WiFi 探针技术, 通过捕获连接时建立的数据包探测设备是否存在。 WiFi 探针技术具有高空间分辨率和时间频率的特点, 能在开放空间实现精准定位。 此后许多学者利用WiFi 探针技术研究并解决城市公共空间领域的问题[11-12], 也有学者在没有公共WiFi 覆盖的小型公园中, 通过自行设计搭建局域网环境获取精确的公园用户时空行为数据, 并详细介绍了该方法[13]。 通过这种方法, 我们可以精准分析公园用户的数量, 并了解使用公园人群的时空分布特征,以帮助绿色空间设计者了解人群的需求和偏好、提升公园管理员服务质量。

1 研究设计

本研究基于WiFi 探针技术, 在没有公共WiFi 覆盖的城市公园自行搭建局域网和布置探针设备, 获取研究案例——上海市淮海公园到访游客时空定位数据, 分析其分布特征, 进而提出公园优化建议。

1.1 研究地概况

淮海公园位于上海市淮海中路17 号, 于1958年7 月1 日建成并对外开放, 现有总面积25 641 m2。 公园周边交通便利, 可达性高。 邻近地段属于上海市行政、 文化、 商业中心区, 公园使用者类型多样, 对于研究游客在城市公园的游憩行为有一定的代表性。 公园由北部的开放式广场、 中部的密林休息交谈区、 南部的林下休闲健身区和环形的密林布道区4 个部分组成。

1.2 数据采集与处理

无线局域网(WLAN) 技术的逐渐成熟和日益广泛的覆盖, 使越来越多的人使用无线网络。在IEEE 802.11 系列协议中, 开启了WiFi 功能的移动终端定期发送含有终端唯一的媒体访问控制(media access control, MAC) 地 址 的 Probe Request 帧, 而WiFi 探针可以捕获到探测区域内开启了WiFi 功能的智能设备的MAC 地址信息,并能以此反映当前区域内的人流情况[14]。 将WiFi探针架设在人流经过的区域就能获取到经过该区域的行人所携带的智能终端的信息, 以及设备进入区域和离开区域的时间。 对进入区域的设备的数量和时间进行分析和计算, 即可推断出行人位置以及在此区域的停留时间[15-16]。

根据WiFi 探针的有效探测半径在淮海公园布置了12 个WiFi 探针设备, 同时将WiFi 基站放置在场地中心的空地上使WiFi 信号分布均匀且全覆盖。 数据收集于2019 年10 月20 日(休息日) 和10 月21 日(工作日) 8 ∶00—18 ∶00 时： 调研日期避免了法定假日, 同时确保了类似的天气条件。上海10 月平均气温为18 ℃～24 ℃, 数据采集日天气条件良好, 温度舒适, 因此人的活动相对不受气候因素的影响。

WiFi 探针数据处理包括数据清洗、 数据计算和数据可视化3 部分。 数据清洗是指按照一定的原则, 对数据库中错误或重复的数据进行整理或改正, 消除误导信息, 从而保证结果的准确性和科学性。 数据计算是指基于三边定位法借助Python 软件编写计算小程序, 将清洗完的数据(包括移动设备的MAC 地址、 时间戳、 移动设备与WiFi 探针的距离等关键数据) 导入小程序中计算, 输出移动设备的经纬度信息和时间信息, 即获得移动设备的时空定位。 数据可视化是指基于ArcGIS 平台, 通过筛选属性表获取不同时段人流量信息, 同时使用核密度分析工具对人群分布密度进行可视化表达。

2 公园人群游憩偏好分析

通过获取的人群定位数据, 从时间和空间两个维度分析人群游憩特征, 即人群在公园停留、游憩和休闲娱乐的空间场所偏好。

2.1 人群游憩时空分布

公园内的人流量表示在某一时间段内所有检测到的用户数的总和。 在Arcgis 平台筛选移动设备MAC 地址, 以此识别和统计人流量。 将工作日和休息日时段划分为8 ∶00—10 ∶00、 10 ∶00—12 ∶00、 12 ∶ 00—14 ∶ 00、 14 ∶ 00—16 ∶ 00、16 ∶00—18 ∶00 时5 个时段, 分析工作日和休息日不同时段人流量变化特征。 结果(图1) 显示:1) 休息日人流量明显高于工作日。 2) 人流量的变化具有规律性和周期性。 工作日、 休息日人流量在上、 下午各有一个高峰, 12 ∶00 前后的午休时段活动相对较少。 工作日人流量在8 ∶00—10 ∶00时段达到顶峰, 呈现出明显的早高峰特征,且上午的人流量明显高于下午时段： 而休息日人流量呈现双高峰特征。

图1 工作日和休息日人流量变化图

人群游憩空间分布能直观反映公园内各部分空间对人群的吸引力, 在Arcgis 中计算工作日和休息日的人群分布密度, 并将密度层级设置为12个层级, 紫色越深表示人群分布密度越高(图2)。从图2 可知: 1) 公园人群活跃度最高的空间为中部的密林休息区, 活跃度最低的为北部的开放式广场。 通过现场观察, 老年男性群体每天固定在密林休息区观鸟遛鸟和交谈, 北部广场两侧紧邻市区主要道路和繁华的商业街区, 人群在此快速穿行和短暂休息停留, 所以该空间活动人群较少。 2) 工作日人群呈现聚集分布特征, 休息日人群呈现分散分布特征。 工作日活动人群偏好聚集于林下休闲健身区活动, 主要活动类型为遛鸟观鸟、 休息交谈、 散步, 而休息日人群活动范围增加, 除了工作日活动类型外, 健身和休闲活动有所增加。

图2 工作日、 休息日全天人群密度图

对工作日和休息日每2 h 的人群分布密度进行分析, 结果显示, 工作日、 休息日各时段人群均偏好在中部密林休息区集聚。 在8 ∶00—10 ∶00晨间时段, 工作日和休息日人群偏好于散步、 遛鸟观鸟活动, 休息日较工作日吸引更多人群使用健身器械活动： 在10 ∶00—12 ∶00 时段, 工作日人群主要为老年群体, 偏好休息交谈、 遛鸟观鸟和小部分群体性活动, 而休息日人群在该时段空间分布广泛, 在工作日不活跃的中、 青年人群在该时段开始健身活动： 在12 ∶00—14 ∶00 时段,工作日人群聚集在中部密林休息区, 并吸引周边工作人群进入绿地散步和休息, 休息日该时段人群主要活动为遛鸟观鸟和休闲： 在14 ∶00—16 ∶00时段, 工作日人群集中在中部密林休息区,而休息日人群分布分散, 吸引更多休闲、 散步人群： 在16 ∶00—18 ∶00 时段, 工作日出现进行休闲活动的人群, 而休息日人们偏好休息交谈、 休闲、 散步、 健身。

2.2 人群游憩偏好特征

游客在公园中的游憩特征具有显著性差异,游憩行为和需求上的差异影响了游客游览时间和停留空间的最终选择。

老年群体在工作日、 休息日游憩行为十分固定, 尤其是老年男性群体全天偏好集聚在中部的密林休息区, 主要活动为遛鸟观鸟、 交谈、 休息, 下午时段部分老年男性在南部林下休闲健身区聚集,主要活动为打牌、 下象棋、 观看及健身。 老年女性群体主要在南部的林下休闲健身区和北部开放式广场活动, 主要活动分别为健身、 广场舞, 且都为团体性活动。 中、 青年群体主要在休息日10 ∶00 时之后活动, 偏好在南部林下休闲健身区和公园主环路停留, 主要活动类型为器械健身、 慢跑、 散步、羽毛球等运动类活动。 少年群体主要在休息日跟随家长在主环路散步或是在园路进行小型球类活动。

3 优化建议

本研究基于WiFi 探针技术获取了淮海公园高精度的人群时空分布数据, 同时结合活动时间、停留空间以及游憩行为与需求分析了游客的游憩偏好。 针对公园空间设计与部分人群游憩需求和偏好存在的不匹配问题, 提出如下建议: 1) 由于公园的穿越型空间过多, 停留型活动空间很少,中、 青年人只能在主园路活动, 缺少健身活动空间, 因此建议减少公园南部园路, 增加可停留空间, 解决目前中、 青、 少年群体活动空间少的问题。 2) 由于公园中部围墙造成南北空间的分隔,人群过度集中在南部活动, 北侧却出现空间浪费,建议拆除公园内部的围墙, 合理划分北部穿越空间和活动空间, 增加健身步道长度, 提高公园空间利用率。 3) 公园常绿树占比过高, 公园南部区域内部视线遮挡过多, 容易给女性和儿童带来不安全感, 导致场地女性和儿童群体少, 应适当减少公园中部、 南部中层常绿乔灌木, 减少园内视线遮挡, 给女性和儿童提供安全游憩空间。

4 讨论

本文是一次运用WiFi 探针技术进行绿色开放空间分析的尝试, 其获取时空定位的方法也有一定的局限性: 1) 该方法的精度在很大程度上依赖于网络AP (无线接入点) 的强度。 2) 结果取决于收集数据的准确性。 淮海公园整体种植密度高, 常绿树种占比大, 叶片的重叠阻碍信号发射和收集。3) WiFi 探测设备的位置也会影响数据的准确性。如果WiFi 探测设备不在同一水平面上, 采集到的探测之间的距离不等于探测投影之间的距离, 会产生距离误差。 4) 数据代表性是影响结论准确性的关键因素, 如无法获得没有移动设备或没有打开手机的WiFi 搜索功能的人群数据。 随着移动设备的普及和WiFi 信号的城市全覆盖, 相信本方法能适用于更多城市研究场景。 未来城市公园可以基于人群的海量游憩数据, 从多种角度综合进行影响分析叠加, 把握游客的游憩规律和潜在需求, 及时调整和提升公园的游憩空间, 为公园带来良好的社会效益和生态效益[17-18]。