基于游览时长的景区瞬时人数动态估计方法——以恭王府博物馆为例

马 峻，胡 成，陈 雷

(1.首都经济贸易大学 管理工程学院，北京 100070；2.北京市劳动保护科学研究所 安全与应急管理研究室，北京 100054)

0 引 言

突发大客流是旅游景区面临的重要风险，人群一旦超过安全容量将可能引发人群踩踏等恶性事件[1]。控制景区内的旅游者人数，是防范突发大客流拥堵踩踏事件的重要手段。2015年国家旅游局颁布实施《景区最大承载量核定导则》(LB/T034—2014，以下简称《导则》)，导则规定景区接待旅游者不得超过最大承载量，旅游者数量可能达到最大承载量时应当及时采取疏导、分流等措施。旅游景区在实施最大承载量管理中存在很大的问题，常用的总进人数监测无法有效预警人群拥挤状况，瞬时承载量预警的前提还是要监测景区内的游客瞬时人数[2-4]。景区内瞬时人数监测方法除了常规的闸机、门票、红外技术外，近十几年还发展了视频识别[5-10]、RFID[11-12]、WiFi探针[13-14]、蓝牙[15-17]、手机信令[18]、APP位置大数据[19]等方法。

但由于许多旅游景区与周围社区混合，手机和WiFi等监测方法存在很大的不确定性。此外大部分景区属于半开放景区，即旅游景区入口可以对进入景区的游客数量进行统计，而出口为了快速疏散设为宽通道单向敞开式的，很难实时统计出口人数，进而导致对景区内有多少游客只能通过入口流量大概估计，给景区人群应急管理带来困难。如果瞬时人数估计过高而采取限流、缩短游览时长将在入口造成聚集并给游客造成体验不适感；如果估计过低而放任游客继续入园将使旅游景区局部短时间大规模滞留，进而造成人群聚集风险，产生重大安全隐患[20-21]。因此监测景区瞬时人数，高峰期及时限流，避免大客流滞留，对于提高旅游景区的安全度和游客的体验质量都有着重要的意义[22]。

对于半开放景区而言，游览时长或者停留时间是影响安全容量的关键因素[23]。因此，可以在入口流量数据的基础上，通过游客平均游览时长估算瞬时人数。GOKOVALI等针对影响游客在旅游目的地逗留时间因素进行了调查研究，基于生存分析模型得到了游客的国籍、受教育程度、收入、支出等是决定逗留时间长短的主要因素[24]。JACOBSEN等从游客旅游目的地旅游规划角度分析了游客在旅游目的地旅逗留时间的影响因素，提出适应、灵活的时间框架对于旅游目的增加游客逗留时间的重要性，这些研究都是针对大的旅游目的地[25]。葛学峰、方世敏等也针对旅游景区游客停留时间的影响因素展开了研究[26-27]，但缺乏定量的计算；WANG等则基于生存分析的理论计算旅游景区人群数量，但是需要借助相应的传感器来获知额外的数据信息[28]。

在获知入口流量的前提下，游览时长决定了景区瞬时游客在园数量。对于半开放景区来说，游客入园时间序列统计仅仅是数量记录，没有对应到具体人群个体，同时没有对应游客的出园时间记录，因此不能通过出园时间与入园时间比较来统计瞬时人数。结合前面相关文献分析，游客瞬时人数的统计只能通过估计获得，影响游客游览时长因素有众多[27]，同时有些影响因素存在延时效应，这都会导致估计精度降低。文中以恭王府博物馆为例，采用人脸识别测算的游览时长和景区实测客流数据为依据，通过构建包含延时效应和实时游客入园数量影响的瞬时人数估计方法解决景区瞬时承载量预警管控问题。

1 恭王府博物馆游客监控与统计

1.1 恭王府博物馆游客监控

恭王府博物馆(以下简称恭王府)是北京市规模最大、保存最完整的清代王府，位于什刹海西南部，是全国重点文物保护单位，国家一级博物馆，国家5A级旅游景区，年均接待游客300万人次以上，已成为北京继故宫、长城等文化遗产地之外又一处重要旅游目的地。恭王府瞬时承载量是6 000人，日承载量32 000人，瞬时人数超过瞬时承载量将采取疏导限流措施。为了有效地监控景区的游客数量，在景区中布置了24处监控探头，实时监控景区各个区域探头可视范围内的游客，根据监控人工判断拥挤状态来决定是否采取限流措施，具体布局情况如图1所示。

图1 恭王府游客监控

但是在实践过程中面临的一个问题是景区瞬时人数难以实时统计。与全国众多旅游景区类似，恭王府外围紧邻社区，并位于什刹海风景区之内，也是一个半开放旅游景区，入园人数是可以通过售票系统和闸机系统获得，而景区出口都是单向敞开式，无法实时计算出园人数，因此无法估计在园瞬时人数。同时由于游园人群的流动具有延时性，有时入口还在采取限流措施，而实际瞬时人数已经低于上限人数，导致游客反而在入口前形成拥堵。

1.2 游览时长检测

表1 人脸识别实验数据基本情况

1.3 恭王府景区游客入园数据统计分析

选取恭王府同样3 d视频人工统计游客出入园数据，时间间隔10 min，结果如图2所示。

从图2可以发现恭王府游客入园高峰期基本出现在13点至15点期间，其它时间段客流量降低。从管理者角度看，只有游客入园高峰期才可能采取入园限流等措施，因此需要对恭王府游客入园时间段进行划分。

图2 恭王府3 d游客入园数据统计结果

采用K-means聚类算法对采集的游客入园流率Q进行聚类分析，运算得到Q临界值为374人和460人，设小于374人为低峰期，大于等于374人而小于等于460人为平峰期，大于460人为高峰期。进一步分析显示，在大于等于374人而小于等于460人和大于460这2个时间段的平均游园时间和标准差比较接近，再结合平峰期和高峰期分布特性没有低峰期明显，而374和460又很接近，因此可以把Q大于等于374人而小于等于460人的平峰期和大于460的高峰期2个阶段合并，统一称为高峰期，Q小于等于374为低峰期。按照2类重新统计分析，结果见表2和表3。

表2 优化后的入园流率和游览时长统计分析表

由表2和图3可以看出，低峰期由于没有过多游园人数的压力影响，一些衷情游客就会投入更多时间去游览，因此低峰期游览时间分布具有明显的长尾，其接近于对数正态分布。而在高峰期，由于入园人数的增加导致少数想花更多时间游览的游客不能充分游览，高峰期接近于正态分布。

图3 优化后的游览时长统计分布图

1.4 恭王府景区游客游览时长分布函数确定

根据图1确定，低峰期游览时长服从对数正态分布，高峰期游览时长服从标准正态分布。依据历史数据以374人为界限进行分布函数的参数确定，计算可得见式(1)和式(2)。

(1)

x>0

(2)

按照上述分布函数进行瞬时人数估计时仅仅依赖了历史数据，而没有充分考虑当前实际情况，同时各种文献研究表明这种估计精度是相对低的。为了有效提高估计精度，需要充分考虑当前实际情况。游客游园的时间一方面受个人爱好影响，另一方面也与游园人数的多少有关，当游园人数众多时，游客游览兴趣就会大大降低。因此可以通过分析入园人数的变化与游览时长的关系来分析其对当前游览时长的影响。

2 游客游览时长影响因素分析与回归方程构建

影响游客游览时长的因素有多种，比如个人的文化修养、游览时的天气状况、游览环境的人群数量等等。在本次3日数据采集过程中，通过在恭王府景区出口处采用拦截访问方式，在当日游客高峰期随机访问100名成年游客(男女各占50%)，统计发现在正常气象条件和景区设施良好情况下70%～80%人认为影响游览时长主要因素是当时游览人群数量的多少，即游览人数众多时游览时长就会相应的少些，游览人数较少时游览时长就会多一些。但是入园游客的增加对整体景区产生影响存在一个延时性，即入园游客数量增加不是立刻就反映到游客游览时长减少，需要一个延时。因此，确定延时多少对合理估计瞬时人数有着重要意义。

2.1 不同延时间隔确定

公式(3)计算变量X和Y间的相关系数，其中Var[X]和Var[Y]分别是X和Y的方差。

(3)

由于游客入园统计时间间隔是10 min，因此假设延时时间间隔分别是10,20，30，40和60 min，任取2 d数据进行分析，计算结果如图4所示。

图4 入园人数变化与不同延时时间间隔度相关性分析

2.2 构建回归方程

(4)

3 瞬时人数估计方法

在建立公式(1)～(4)基础上，可以实时对瞬时人数进行估计。但从半开放景区安全管理角度，出现最大瞬时人数往往是在高峰时间段，因此只需要根据入园时间间隔统计在大于374人高峰期才有必要进行估计，具体的估计算法如下。

1)Inputtcand ΔQ//tc估计时间，ΔQ相邻时间间隔入园人数变化量

2)Fori=1 ton

3)t→tr(i) //tr(i)每个游客的入园时间

4)End

5)Fori=1 ton

6)Iftc-30tc-(30+ty) //ty是延时影响回溯时间

7)Rand(f(x)=

8)Iftc-(30+ty)≤tr(i)≤tc-30

11)Rand(f(x)=

12)End

13)Fori=1 ton

14)Iftr(i)+tz(i)≤tc

15)Count++

16)End

在估计算法中存在一个延时影响回溯时间ty，其用来确定在当前时刻下回溯多长时间来计算由于实时变化的ΔQ而产生对tz的影响。根据图3中ΔQ对tz的影响具有延时性，通过相关性分析也得到30 min统计间隔具有较强的相关性，但是在30 min统计间隔时间基础上回溯多长时间作为影响时间段，这还需要进一步分析。

4 确定延时影响回溯时间

为了测试不同的回溯时间ty，文中把回溯时间ty设定为30，60和90 min分别带入算法进行计算。以某一天统计数据为真值，测试在高峰期间不同回溯时间下预测值与真值的误差，误差计算采用绝对误差和相对误差法。分别计算在高峰期13：30点至15点期间每个10 min预测值，同时计算不同回溯时间下各个预测值的平均绝对误差和平均相对误差，并与未考虑实时影响的预测值进行比较，结果如图5所示。

图5 不同回溯时间预测结果比较

根据图5(a)，与真值相比，回溯60 min的预测值好于30和90 min，同时根据图5(b)平均绝对误差和相对误差也可以看出回溯60 min的预测值好于30和90 min。因此，ty=60 min可以获得良好的预测精度，平均绝对误差可以控制在20人以下，平均相对误差可以控制在2.7%以下。

5 实验验证

基于上述估计方法，依据恭王府景区游客高峰期入口处每个10 min入园游客数量变化ΔQ估计游客瞬时人数。实验验证采用选取某一日现场统计10 min瞬时人数为真值，以恭王府景区游客游览规律为基础建立仿真模型，在瞬时人数超过2 000人时采取限流措施，限流时长选择60 min，实验结果如图6所示。

图6 限流管控实验结果

根据图6实验验证结果，在11点、14点和16点3个时间点出现瞬时人数大于2 000人的情况下进行60 min延时限流。限流效果与真值比较达到了预期效果，因此采用文中提出的方法是有效的。

6 结 论

瞬时人数的统计是景区最大承载量实施的基础，是实施瞬时承载量分级预警的数据来源。文中采用人脸识别方法精确获取游客游览时间，并结合入口流量建立了相应的瞬时人数估算模型，得到了间隔时间和回溯时间等参数，模拟验证显示估计方法具有实际应用价值。

1)人脸识别技术为游客游览时长检测提供了大样本抽样方法，恭王府案例显示游客平均游览时长在89～100 min之间。

2)游客游览时长与入园流率相关，入园人数聚类显示分界点宜选374人/10 min，入园低峰期和高峰期的游览时长分别符合对数正态分布和正态分布，其中高峰期游览时长明显压缩。

3)建立了包含实时影响因素以及考虑延时效应的景区瞬时人数估计方法，并得到关键参数，其中入园时间延时间隔以30 min为宜，延时影响回溯时间则以60 min为最优。

通过对相关参数实地化修正，该方法也可以应用到其它半开放型公共场所。影响游客游览时长的因素除了游览人群数量，还包括气象条件、游览活动类型、景区规模、人群组成等因素，对这些因素的影响作用分析和监测建模将更有助于提升景区瞬时人数预测估计精度。