基于室内定位系统（IPS）大数据的环境行为分析初探
——以万科松花湖度假区为例

黄蔚欣/HUANG Weixin

基于室内定位系统（IPS）大数据的环境行为分析初探
——以万科松花湖度假区为例

黄蔚欣/HUANG Weixin

环境行为学致力于研究建筑中人的行为规律，是建筑设计的重要基础。然而，传统的调研方法数据采集不易，往往仅能基于较少量的样本，分析一些显著的规律，尚无法全面反映建筑环境中人类行为和社会活动的多样化和复杂性。大数据时代到来，为这一领域的研究提供了全新的途径。本文以万科松花湖度假区为例，介绍了使用室内定位系统（IpS）数据进行空间行为分析的一些成果，以此呈现大数据方法在建筑与街区尺度环境行为研究中的潜力。本文的研究说明，IpS数据蕴含着丰富的环境行为信息，而大数据分析为洞察不同人群、不同类型建筑空间以及不同情境下的行为特征提供了有力的方法。可以认为，大数据环境行为研究将在提高建筑设计水平、改善公共空间管理、优化商业空间的运营等方面带来重要的影响。

环境行为学，大数据，室内定位系统，滑雪度假区

国家自然科学基金资助面上项目（项目批准号：51578299）

1　研究背景

建筑空间是人类日常活动的物质环境，是人类社会生活中的重要组成部分。理解建筑环境中人的行为（空间使用方式、交通流线、交往模式等）是建筑设计的基础，对提高建成环境质量，改善生活品质，提高公共安全和社会效率都具有非常重要的意义。 “建筑环境行为学”是建筑学、城市规划与心理学、社会学等多学科交叉的学科，其研究方法注重实证，通过收集人们在特定建筑环境中的行为与认知的信息，分析其中的规律与模式，近年来受到广泛的关注［1-3］。但是，由于一般的环境行为学调研方法操作起来并不容易，往往仅能基于较少量的样本分析一些显著的规律，尚无法全面反映建筑环境中人类行为和社会活动的多样化和复杂性。

由于缺乏对环境行为模式的系统性和深入的理解，长期以来，建筑师常基于个人生活经验和直觉来对人在建筑空间中的行为做出预判，或者以某些成熟的空间组织模式为基础进行设计。随着近年来公共建筑向综合性、大型化发展，设计问题变得越来越复杂，传统设计方法的不足日益显现。另一方面，公共空间的运营管理也对环境行为研究提出了要求，而2014年12月31日上海外滩的踩踏事故［4］，更突显出在公共安全领域对于人群行为进行研究与监测的迫切性。

大数据时代，城市研究领域，海量数据采集和分析手段为全面理解城市环境中的行为提供了新的途径。在更微观的建筑室内外公共空间层面，随着室内定位技术［5］（Indoor Positioning System， IPS）的成熟和广泛应用，人们行为的数据变得更易获得，使得基于大数据的建筑空间行为研究也变得越来越可行。

2　环境行为研究与室内定位技术

环境行为学（Environmental Behavior Study）是探索人的行为与周围环境之间关系的学科，它既是心理学、行为学的分支学科，也是环境设计理论的重要组成部分，此外，它还广泛涉及社会学、人类学和环境工程学知识。环境行为学常见的研究方法有调查问卷、现场观察、隐蔽测量、语义区分法（SD法）、认知地图等［1，3］。近10年来，学者们开始在行为调查中引入GPS等数字化定位技术，收集人们的行为数据并进行分析［6，7］。

另一方面，人类大量日常活动发生在室内及建筑周边，而在这一尺度上，GPS技术由于信号被遮挡和反射而无法使用，因此，多种室内定位系统如Wi-Fi、蓝牙、RFID、ZigBee、超声波、红外线、地磁，以及超宽带等被开发出来［8］。这些技术各具特点，造价与精度也各不相同［9］。这其中，Wi-Fi及蓝牙定位系统由于可以将人们随身携带的智能手机作为定位标签（tag），因此，在实际应用中具有更明显的优势［10］。

1IpS数据的空间分布

2每日到场的顾客、员工与其他设备数量

3顾客数据的逐时空间分布（灰色线表示建筑轮廓）

4员工数据的逐时空间分布（灰色线表示建筑轮廓）

5顾客、员工的到达、离开时间分布

6顾客到达、离开时间分布的进一步分析

基于Wi-Fi系统的IPS系统采用三边定位原理，根据接入点（Access Point， AP）接收到的移动设备信号强度（Received Signal Strength， RSS）估算距离，并在多个AP形成的网络中根据几何关系推算移动设备的空间位置。IPS系统能够记录其覆盖范围内的多个移动设备在不同时间点的空间位置，形成海量数据，这些数据与建筑空间形态、功能布局等信息相结合，为行为分析提供了多种维度。一些学者开始使用IPS数据进行研究，如Y. 吉村（Y. Yoshimura）等使用蓝牙设备记录巴黎卢浮宫重要区域中的客流数据［11，12］，M.威廉姆斯（M. Williams）等使用低功耗ZigBee定位系统对国际会议工作营参加人员的行为进行记录和分析［13］等，但总体上国内外这类研究尚不多见。

3　时空数据分布的基本特征

万科松花湖度假区位于吉林省吉林市，是一个以滑雪为主题的户外运动和休闲度假区。其小镇中心设有一条250m长的商业步行街，主要功能包括雪具租赁、餐饮、家庭酒店和公寓等。这一区域被基于Wi-Fi的IPS系统覆盖，能够记录区域内移动设备的时空位置。我们受度假区委托，使用雪季中60天约2亿条经过匿名化处理的定位数据分析区域内人群的行为。

图1是将60天定位数据累积起来，形成的热力图，它使得我们对定位系统的覆盖范围，以及人群的空间分布有了初步的认识（图1右侧区域为五星级酒店，其Wi-Fi系统与本系统相互独立，故该区域没有人流定位数据）。

另一方面，在时间维度上也可以对顾客、员工与其他设备每日的数量进行统计，如图2所示。可以清楚的看出，顾客流量在周末和春节假期明显高于工作日，而员工、设备的数量相对于顾客数量波动较小。春节假期中，除夕的客流最小，从初一到初七形成了一个逐步升高再逐步下降的过程，整体上客流分布比较饱满。此外，大概是受到春节长假的影响，春节前后的两个周末相对其他周末客流量更少一些。

如果对于区域内来滑雪的顾客、员工分别绘制逐时人群密度的热力图，就可以看到度假区内每日人群活动的特点，以及顾客、员工行为的差别。

对顾客的空间分布进行可视化，绘制每小时的客流量分布图（图3）。通过观察这张图，可以看到客流的分布规律是夜间少，白天多。早7-10时为家庭酒店早餐区域客流高峰，之后主要客流移至售票和雪具租赁部分。午餐主要发生在12-14时，这段时间商业街整体客流量都比较大。之后主要客流又回到了雪具租赁区域，应该是滑完雪归还雪具的顾客。17时以后客流逐渐减少，但仍有部分顾客在餐饮和家庭酒店区域出现，并有少量顾客出现在雪具租赁区，这部分是来滑夜场的顾客。

与之相对应，也可以绘制员工的逐时的分布图（图4）。可以看到，员工的分布可以分为3个时段：21时-次日8时、8-17时，17-21时，每个时段内基本一致。说明员工一般都有固定的工作岗位和工作时段，与度假区的管理模式相对应。

4　到达、离开时间的二维分布图

如果将一个移动设备在某一天内第一次被系统记录的时间称之为其“到达时间”，最后一次被系统记录的时间称之为“离开时间”，则可以在到达时间、离开时间形成的二维坐标中绘制各移动设备的密度分布图（图5）。由于到达时间总是早于离开时间，因此这种分布图的下三角区域没有数据。此外，对于一整天都在度假区的人员，其数据点位于左上角（0时到，24时离开）。

从图6中可以看出，顾客与员工的行为呈现出了不同的特征。顾客主要在早上9时前后到达，下午16时前后离开度假区；员工的到达、离开时间则分布得非常集中，呈现出在某几个时点上按时上下班的特征。

如果对顾客的到达、离开时间分布图进行进一步的分析，还可以看到更多的信息（图6）。在这张图上，一个数据点离开左下-右上对角线的距离，反映了该设备在定位系统覆盖区域停留的时间长度。观察图6可以发现，除了前述上午9时前后到达、下午16时前后离开的顾客外，还有相当数量的顾客，其数据位于在场3小时线至在场5小时线之间，呈带状分布。实际上，由于度假区发售半日（3小时）滑雪票，加上租赁雪具和就餐的时间，可以认为这部分在场3-5小时的顾客主要为使用半日雪票的顾客。由于其数据呈较均匀的带状分布，可以认为使用半日雪票的顾客在一天中的分布也是比较均匀的。另一方面，也能够发现有一部分顾客是在晚18时前后到达，21时前后离开的，可以认为是夜场滑雪者。

5　分区域的客流分析

度假区内的Wi-Fi接入点（Access Point， AP）覆盖了商业街的主要店铺和公共空间，因此，我们可以对不同区域的客流量进行分析。将60天的数据集合在一起，绘制每日分时客流量图（图7），可以看到不同类型的店铺的客流具有不同的特征。

·雪具店在白天有着比较均匀的人流，并在早9-10时之间有一个小的峰值；

·西式快餐客流量很大，但主要集中在午餐时间；

·中餐馆一般有午餐、晚餐两个客流高峰；

·家庭酒店餐厅的客流高峰在早餐的8-9时，之后客流较少；

·雪具大厅售票区域客流高峰在9-10时，并在之后维持一定客流量；

·家庭酒店公共区域客流在8-9时、12-13时、16-17时这几个时段较高；

·商业街客流在早9-10时有一个小的高峰，最大客流发生在12-13时。

图7中进一步区分Apple用户和非Apple用户两个客群，可以看出这两个客群在流量上的区别（红色线为Apple设备数据，蓝色线为非Apple设备数据）。总体上Apple用户量较非Apple用户量更多，但咖啡馆中Apple用户量更加明显地高于非Apple用户，而在“中餐馆3” “中餐馆4”中则差别较小。

如果针对不同区域和店铺绘制其客流的到达、离开时间分布图（图8），还可以进一步分析出其客流的不同特征：

·雪具店的客流规律是顾客会在一日之内多次到店（租借、归还雪具），并且可以区分出全天滑雪者和半天滑雪者；

·中餐馆分为午餐和晚餐两个时段，顾客的停留时间较长，“中餐1”时间更长；

·西式快餐客流量很大，以午餐为高峰，之后逐步减少，且停留时间较短；

·售票区的客流量分布中可以看到全天滑雪、半天滑雪的不同客群，分析其原因，可能是顾客在归还学具后还需要到这里办理退还押金的手续，因此呈现出数小时后再次到场的情况。

6小结

室内定位系统的定位数据能够记录建筑及街区尺度上人群的时空轨迹的海量数据，开启了用大数据方法研究建筑环境行为的全新途径。通过分析数据，我们有机会洞察不同人群、不同类型建筑空间及不同情境下的行为特征。本文介绍了我们在万科松花湖度假区展开的基于Wi-Fi定位数据的一些分析成果，初步展现了IPS数据的潜力。我们相信，IPS数据中还有更多有价值的信息有待挖掘，我们也将综合运用多种方法，进行更深入的探索。

对比传统的建筑环境行为学的研究方法，IPS大数据呈现出了人群状态自然、样本量大、信息混杂丰富的特点，极大地拓展了建筑环境行为研究的可能性。同时我们也应该看到，和所有大数据研究一样，如何清洗数据、如何看待数据获取方法本身带来的系统性偏差及如何解读分析结果，都是研究工作中需要认真探讨的问题。另一方面，本文介绍的是单一数据源的分析，如果能够结合多源数据进行深入挖掘，形成不同数据之间的相互支撑，定将进一步拓展大数据研究的潜力。

最后，基于大数据的建筑与街区尺度的环境行为研究不仅是学术研究的新途径，在实践领域，也将在提高建筑设计水平、改善公共空间管理、优化商业空间的运营等方面带来重要的影响。我们相信，研究者如果能与建筑师、管理者、商业运营团队展开合作，让不同领域专业知识与思维进行碰撞与结合，在实践中对技术进行迭代与发展，将能够更充分的发挥大数据研究的力量。

7不同店铺、区域逐时客流量（红色为Apple设备，蓝色为其他设备）

8不同店铺、区域的顾客到达、离开时间分布

［1］ 李道增. 环境行为学概论. 北京：中国建筑工业出版社，1999.

［2］ 扬·盖尔. 交往与空间. 何人可 译. 中国建筑工业出版社，2002.

［3］ 林玉莲，胡正凡. 环境心理学（第二版）. 北京：中国建筑工业出版社，2006.

［4］ 百度研究院大数据实验室. 外滩踩踏事故背后的大数据. ［2016-01-27］ http://soft.zdnet.com.cn/ software_ zone/2015/0122/3044867.shtml

［5］ Indoor positioning System. Wikipedia. ［2016-01-27］http://en.wikipedia.org/wiki/Indoor_positioning_ system

［6］ 李早，宗本順三，吉田哲，唐ペン. GpSを用いた水辺での行動の研究：中国の住宅団地における水景施設での歩行実験//日本建築学会計画系論文集（Journal of Architecture and planning， Transactions of AIJ）， Vol. 73，

No. 630， 2008.08: 1665-1673.

［7］ 屈小羽，松下大輔. アクティブRFIDタグを用いた住宅における部屋滞在行動観測手法（Observation on Room-Staying Behavior by Using Active RFID）//日本建築学会計画系論文集（Journal of Architecture and planning，Transactions of AIJ）， Vol. 75， No. 650， 2010.04: 797-804.

［8］ LIU Hui， DARABI H， BANERJEE p， LIU Jing. Survey of Wireless Indoor positioning Techniques and Systems// IEEE Transactions on Systems， Man， and Cybernetics， part C: Applications and Reviews， Volume 37 Issue 6， 2007.11: 1067-1080.

［9］ 徐连明. 室内定位技术的前世今生（上）. ［2016-01-27］. http://www.36kr.com/p/204953.html

［10］ CURRAN K， FUREY E， LUNNEY T， SANTOS J， WOODS D， MCCAUGHEY A. An Evaluation of Indoor Location Determination Technologies. Journal of Location Based Services Vol. 5， No.2. Taylor & Francis， 2011.06: 61-78.

［11］ YOSHIMURA Y， GIRARDIN F， CARRASCAL J p， RATTI C， BLAT J. New tools for studying visitor behaviours in museums: A case study at the Louvre//Information and Communication Technologies in Tourism 2012. proceedings of the International Conference Helsingborg （ENTER 2012）Eds FUCHS M， RICCI F， CANTONI L. New York: Springer，2012: 391-402.

［12］ YOSHIMURA Y， SOBOLEVSKY S， RATTI C， GIRARDIN F， CARRASCAL J p， BLAT J， SINATRA R: An Analysis of Visitors' Behavior in the Louvre Museum: A Study Using Bluetooth Data. Environment and planning B: planning and Design 41（6）， 2014: 1113- 1131.

［13］ WILLIAMS M， BURRY J， RAO A. Understanding Social Behaviors in the Indoor Environment， A Complex Network Approach//ACADIA 2014 Design Agency: proceedings of the 34th Annual Conference of the Association for Computer Aided Design in Architecture， October 23-25，2014. Los Angeles， California: 671-680.

pilot Analysis of Environmental Behavior Using Big Data of Interior positioning System （IpS）: A Case Study of Vanke Songhua Lake Resort

Environmental behavior study focuses on the understanding of human behaviors in architectural space，and is one of the key foundations of architectural design. Traditional investigation methods used in environmental behavior study can only achieve limited amount of samples，and can only reveal some significant associations， which are not enough for exploration of the complex and dynamic human behaviors and social activities in architectural environment. New possibilities， such as the Indoor positioning System （IpS）， emerge in the big data era. This article introduces some findings of IpS data analysis in the case study of Vanke Songhua Lake Resort， in order to demonstrate the potential of big data analysis in environmental behavior study in architectural and urban block scale. It could be concluded that IpS data contains abundant information of human behaviors， and big data analysis could provide huge potentials in the understanding of environmental behaviors of different people， in different architectural and urban spaces， and under different circumstances. It could be anticipated that this kind of researches will have great influences in architectural design，public space management， and commercial space operation.

environmental behavior， big data， indoor positioning system， ski resort

清华大学建筑学院数据与行为研究小组

2016-01-06