EN中文

中国生态旅游 >

2024 , Vol. 14 >Issue 6: 1209 - 1223

DOI: https://doi.org/10.12342/zgstly.20240317

青藏高原生态旅游

青藏高原地区骑行活动时空行为模式

  • 杨璐瑜 ,
  • 陈佳淇 ,
  • 刘俊 , *
展开
  • 四川大学旅游学院，成都 610065
* 刘俊（1979-），男，博士，教授，研究方向为旅游地理与旅游大数据。E-mail:

杨璐瑜（1997-），女，博士研究生，研究方向为可持续旅游与旅游大数据。E-mail:

收稿日期: 2024-09-21

  修回日期: 2024-12-01

  网络出版日期: 2025-03-24

基金资助

四川大学研究基金(SKSYL2022-04)

四川大学区域历史与边疆学学科群项目

四川省教学改革项目(JG2021-91)

四川大学教学改革项目(SCU8115)

收起

The spatiotemporal behavior patterns of cycling activities in Qinghai-Tibet Plateau

  • Yang Luyu ,
  • Chen Jiaqi ,
  • Liu Jun , *
Expand
  • Tourism School, Sichuan University, Chengdu 610065, China
* Liu Jun. E-mail:

Received date: 2024-09-21

  Revised date: 2024-12-01

  Online published: 2025-03-24

Fold

摘要

户外骑行是青藏高原地区典型的生态旅游活动之一。文章基于2013—2023年青藏高原地区的骑行轨迹数据，运用轨迹挖掘和文本主题挖掘方法，分析青藏高原地区骑行活动时空行为模式。结果发现：（1）青藏高原地区骑行活动呈现空间分布不均、季节集中性强的特点。（2）骑行活动时空行为模式呈现为单线集中型、单线分散型、单集散地-目的地环绕型、多集散地-目的地环绕型4种类型，以及泸定县-康定市-新都桥镇-理塘县、怒江傈僳族自治州-察隅县-波密县-林芝市、映秀镇-卧龙镇-四姑娘山-小金县、西宁市-青海湖-茶卡镇以及拉萨市-当雄县-纳木错-曲水县-浪卡子县-羊卓雍措-普莫雍错-日喀则市等5条重要线路。（3）骑行模式的形成主要与道路、旅游资源、城镇集散中心的分布有关。文章揭示的青藏高原地区骑行活动时空行为特征，丰富了旅游活动与资源环境关系的研究内容，可为青藏高原地区生态旅游及户外运动产业发展决策提供参考。

关键词： 青藏高原; 骑行; 户外活动; 模式; 时空行为; 轨迹挖掘

本文引用格式

杨璐瑜 , 陈佳淇 , 刘俊 . 青藏高原地区骑行活动时空行为模式[J]. 中国生态旅游, 2024 , 14(6) : 1209 -1223 . DOI: 10.12342/zgstly.20240317

Abstract

Outdoor cycling has emerged as one of the typical ecotourism activities in Qinghai-Tibet Plateau. For Qinghai-Tibet Plateau, which has abundant natural resources but relatively underdeveloped economy, the development of outdoor leisure industries such as cycling can help promote local economic income, drive infrastructure construction such as roads along the route, and promote rural revitalization and employment for the people. Studying the spatiotemporal behavioral characteristics of cycling activities in Qinghai-Tibet Plateau region is of great significance for understanding the relationship between tourism activities and the resources and environment of Qinghai-Tibet Plateau, and supporting the construction of world-class tourism destinations. Based on the cycling trajectory data from 2013 to 2023 in Qinghai-Tibet Plateau region, this article elucidates the spatiotemporal behavioral patterns of cycling activities in this region by using trajectory mining and text theme mining techniques. The findings reveal that: (1) cycling activities in Qinghai-Tibet Plateau region exhibit an uneven spatial distribution and significant seasonal concentration. (2) Cycling activities are categorized into four spatial and temporal behavior patterns: single line centralized cycling pattern, single line dispersed cycling pattern, cycling pattern with single center encircled by destinations and cycling pattern with multiple centers encircled by destinations, primarily dependent on five key channel routes: Luding-Kangding-Xinduqiao-Litang, Nujiang Lisu Autonomous Prefecture-Chayu-Bomi-Linzhi, Yingxiu-Wolong-Siguniangshan-Xiaojin, Xining-Qinghai Lake-Chaka Town, Lhasa-Dangxiong-Namtso-Qushui-Langkazi-Yangzhuoyongcuo-Pumoyongcuo-Shigatse. (3) The formation of cycling behavior patterns depends on the distribution of core roads, tourism attractions and regional urban distribution centers. The spatiotemporal characteristics of cycling behavior revealed in this study can deepen the understanding of the relationship between tourism activity and environmental resources, provide decision-making basis for promoting the sustainable development of ecotourism and outdoor sports industry in Qinghai-Tibet Plateau.

Key words： Qinghai-Tibet Plateau; cycling; outdoor activities; pattern; spatiotemporal behavior; trajectory mining

1 引言

近年来，中国户外休闲运动产业实现快速发展，各类户外协会组织、户外活动俱乐部不断涌现，户外休闲活动参与人数迅速增加，截至2021年底，全国户外休闲运动参与人数已超过4亿人[1]。户外休闲产品的供给也逐渐丰富，骑行、登山、徒步、滑雪等形式多样的户外运动项目迅速发展，基本形成了山、水、陆、空全覆盖的户外运动产品供给体系。户外骑行是世界范围内最受公众欢迎的热门休闲以及生态旅游活动之一。在中国，众多城市兴建了骑行绿道，在城市或城郊区域内开展的城市骑行活动热度空前，成为城市居民广泛参与的周末休闲活动。中远距离的骑行活动更是成为一种经典的旅游方式，"318"川藏线骑行、青海湖骑行、环海南岛骑行等每年吸引着众多骑行者的参与。骑行不仅有益身体健康，骑行过程中的身体训练、冒险体验以及风景体验还可以使骑行者完成自我实现、自我超越[2-3]。国内外学界对骑行作为旅游方式、休闲活动或是城市通勤行为进行了多样的研究，涵盖了丰富的研究主题，主要包括骑行时空行为特征及模式[4⇓-6]、骑行旅游动机行为[7-8]、健康效益[9]、骑行情感体验等[3,10-11]。
在保护生态环境的基础上，通过户外运动的方式利用自然资源，是实现生态文明建设、培育社会新增长点的有效手段。尤其对于拥有丰富自然资源但经济相对欠发达的地区来说，骑行、登山等户外休闲产业的发展有助于促进地方经济创收，带动沿线道路、服务驿站等基础设施建设，推动乡村振兴与居民就业。青藏高原地区因具有突出的自然人文吸引力和冒险性成为中国最具流量的骑行目的地之一，是中国"三纵四横"山地户外运动战略布局的重要组成部分。国家体育总局、国家发展改革委出台的若干政策提出，要将青藏高原建设为生态旅游高地、打造青藏高原骑行精品路线，而这些目标的实现均需要建立在全面了解青藏高原地区骑行活动行为特征的基础上。
从时间地理学视角来看，旅游者行为的时空特征反映了其在时空制约下对区域空间利用的需求与方式[12-13]。研究青藏高原地区骑行时空行为特征，对于丰富人类活动与青藏高原地区环境关系的研究具有重要意义。已有的青藏高原地区骑行活动研究，对青藏高原骑行活动的时空行为特征进行了一定探索，如Mou等[4]利用GPS轨迹数据发现了西藏自治区自行车骑行活动具有周期波动特征，并识别了受骑行者欢迎的热点景点。也有研究分析了青藏高原地区骑行的旅游体验，如胡传东等[3]对"318"国道骑行体验的研究，张朝枝和张鑫[10]对骑行入藏者旅游体验的研究，陈钢华等[11]对环青海湖骑行游客情感动态性特征的研究。在骑行活动之外，一些学者对青藏高原地区的自驾游、自助游、跟团游、火车旅行等活动类型也开展了一定探索[6,14⇓⇓⇓-18]。这些研究主要揭示了游客的时空行为特征（如季节波动、兴趣点吸引等），旅游流结构（聚集性、网络节点等），或是游客的情感体验，但缺少在时空行为特征的基础上进一步挖掘青藏高原游客行为模式的探索。旅游时空行为研究从早期的旅游行为时空特征描述分析开始，涌现了时空行为模式挖掘、旅游流空间结构分析等重要研究主题。研究的数据与方法范式也已经由旅行日记或问卷调查，发展到地理标签数据、Wi-Fi数据、移动信令数据、GPS轨迹数据[19⇓⇓⇓⇓-24]，由描述分析发展到冷热点检测、序列分析、网络分析以及聚类挖掘[25⇓-27]。近年来，基于GPS轨迹数据的行为分析在旅游时空行为研究中受到关注，GPS轨迹数据拥有多维时空属性和高度连续性的优势，多样的模型算法则可以在海量轨迹数据中有效识别具有代表性的时空行为特征，为研究旅游者时空行为提供了更丰富的内容和视角。如何集成多源的旅游者轨迹数据，发展更适用于旅游行为分析的模型算法，以挖掘和提取不同地区、活动类型、旅游者类型的典型时空行为模式，是进一步深化基于轨迹挖掘的旅游者时空行为研究的前沿课题和挑战。文章利用2013—2023年青藏高原地区的骑行轨迹数据，挖掘揭示青藏高原骑行活动的时空行为模式，分析骑行重要路线、核心节点以及骑行行为的时空特征。研究旨在增强对青藏高原地区骑行这种生态旅游活动行为的理解，丰富旅游者时空行为研究，并为青藏高原地区生态旅游及户外运动产业发展决策提供参考。

2 研究数据及方法

2.1 研究区域

研究区为青藏高原区域，东至横断山脉，南自喜马拉雅山脉南缘，北迄昆仑山-祁连山北侧[28]。范围为26°00′12″ N~39°46′50″ N，73°18′52″ E~104°46′59″ E。在行政区划上，青藏高原范围涉及6个省（自治区），201个县（市、区）。青藏高原地区旅游产业发展迅速，成为推进"三区三州"地区脱贫致富，重塑西部地区经济格局的重要抓手。以骑行、自驾等形式为主的自由行式旅游活动蓬勃发展，发展出了G318国道、阿里大环线等重要的旅游线路，成为中国西部地区旅游及休闲户外运动空间格局中的重要组成部分。

2.2 研究数据

（1）骑行轨迹数据。数据获取自户外自助游平台六只脚（http://www.foooooot.com/）。该平台创建于2010年，拥有300多万用户，是中国最大的户外旅行社区网站之一。用户可在网站或应用程序上传户外旅游活动的GPS轨迹和地理标记照片。文章收集了2013年1月1日—2023年12月31日旅游者上传至平台的"骑行"标签下的自行车骑行GPS轨迹数据。每一条数据包含骑行移动轨迹、起止点、移动速度、里程、海拔等信息。将轨迹数据匹配至青藏高原空间范围内，对该范围内的轨迹数据进行了清洗筛选，包括对可能由于应用程序错误导致的所有字段属性相同的重复数据进行去重处理，对发生时间异常（如后台错误导致的时间显示1900年）、持续时间异常的离群值进行截尾清洗处理，最终获得3 516条有效轨迹数据。
（2）文本数据。文本数据来源于旅游者与骑行轨迹一同上传的游记类文字记录。对原始文本数据进行以下处理：一是对文本数据进行分词处理，基于优化的旅游用语用户词典，获得精确文本分词结果；二是对分词后的词汇库进行去除停用词、无意义字符串、标点、特殊符号、乱码等清洗处理；三是对清洗后的词汇库进行词性匹配，为词汇配名词、形容词、量词、助词、副词等若干词性属性，用于后续主题挖掘分析。
（3）POI（Point of Interest）数据及景区数据。获取了青藏高原地区POI和A级旅游景区数据用于轨迹语义的分析。POI数据获取自高德地图API（Application Programming Interface），包括商务住宅、酒店住宿、交通设施等共14个大类。景区数据为2023年全国A级旅游景区数据。所有POI和景区数据转换至WGS-84坐标系，进行随机抽样对照以确认采样点无偏。

2.3 研究方法

2.3.1 骑行轨迹去噪平滑

GPS设备在采集和传递信号的过程中，会受到环境的干扰出现信号波动情况，导致GPS轨迹存在噪声点，因此GPS轨迹数据在用于分析前需要先进行去噪处理。Kalman滤波算法是被广泛用于轨迹去噪的稳健算法，文章运用该算法处理原始轨迹中的噪声，主要过程如下：对原始轨迹中的每一个轨迹点，通过Kalman滤波迭代获得每个轨迹点的估计值。对于轨迹点时间序列中的任意时间点K时刻，记录K时刻的观测值，并通过计算Xk-1的最优估计值获得K时刻的预测值，基于轨迹点的预测值、观测值以及噪音协方差计算得到K时刻的最优状态估计值Xk并以此修正轨迹数据[29]。文章运用Douglas-Peucker算法对轨迹数据进行平滑处理，旨在在不影响GPS轨迹精度的情况下，通过剔除不必要的轨迹样本来减少轨迹挖掘计算量[30-31]，主要过程如下：首先确定用于轨迹点筛选的距离阈值D，以及直线（l1）；其次根据轨迹数据集的空间尺度确定D的大致范围，通过循环比较轨迹点至l1的距离与D的大小，修正D的取值并传入算法进行迭代；接着在迭代过程中记录下到l1的垂直距离超过D且相距最远的点，依据此点将所有轨迹点进行划分；最后对划分后的轨迹点重复同样的计算、比较、保留和划分过程，多次迭代直到没有符合条件的轨迹点时终止，连接筛选出的轨迹点即得到平滑后的轨迹。

2.3.2 骑行轨迹相似度计算

时空轨迹相似度的度量是实现轨迹聚类挖掘的关键[32-33]，在开展轨迹聚类分析之前，需先对轨迹的相似度进行计算[34]。设经过去噪和平滑后的轨迹数据集为T ={T1, T2, T3, …, Ti}，其中 T i = p i 1 ,   p i 2 ,   p i 3 ,   … ,   p i n，Ti表示单条轨迹，pin表示轨迹Ti中的任意轨迹点，且 p i n = p i n   | l o n i n ,   l a t i n ,   t i n，具有经纬度坐标及时间信息。轨迹具有时间属性、空间属性以及方向属性[35-36]，文章通过以下方法度量轨迹的三维相似度。
（1）轨迹时间相似度。任意两条轨迹之间的时间段重叠越多，则被认为具有更高的时间相似度。采用Jaccard Distance来计算轨迹Ti和Tj之间的时间相似度[37]，公式如下：
S t T i   T j = 1 - T i ⋂ T j T i ⋃ T j
式中， T i / j = s t i / j ,   e t i / j， s t i / j和 e t i / j分别表示轨迹i或j的开始时间和结束时间。 S t T i   T j取值范围为[0,1]， S t T i   T j越大，表示两条轨迹时间相似度越高，取值为1表示两条轨迹时间完全重叠，取值为0则表示两条轨迹时间跨度没有重叠。
（2）轨迹空间相似度。采用haversine公式计算轨迹两点之间的实际距离[38]，并运用最长公共序列查找轨迹间的重叠部分，T1及T2两轨迹间的空间相似度可计算如下：
S d = N T 1   T 2 m i n s i z e T 1 ,   s i z e T 2
N T 1   T 2 = 0                                                                                                       i = 0   o r   j = 0   < γ c i - 1 ,   j - 1 + 1                                                   i ,   j > 0   a n d   T 1 = T 2 m a x   ( c [ i ,   j - 1 ] ,   c [ i - 1 ,   j ] )                     i ,   j > 0   a n d   T 1 ≠ T 2
式中，Sd表示T1与T2的空间相似度，sizeT1、sizeT2分别表示T1、T2中轨迹点的总个数。N(T1 T2)表示轨迹T1和T2的最长公共子序列的长度，即两轨迹间可以匹配的点的数量，取值范围为[0,1]，值越大则空间相似度越高。
（3）轨迹方向相似度。对于任意轨迹，以轨迹出发地为起点，目的地为终点，构建轨迹向量。计算任意轨迹向量T1和T2之间的余弦值，并在此基础上计算轨迹间的方向相似度。具体公式如下：
c o s T 1   T 2 = T 1 ∙ T 2 T 1 T 2
S v T 1   T 2 = c o s - 1 c o s T 1   T 2 π
式中，cos(T1 T2)表示轨迹向量T1和T2间的余弦值，取值范围为[-1, 1]。Sv(T1 T2)为T1和T2间的方向相似度，取值范围为[0,1]，值越大表示方向相似度越高。

2.3.3 骑行轨迹模式挖掘

文章使用HDBSCAN（Hierarchical Density-Based Spatial Clustering of Applications with Noise）模型对青藏高原骑行活动轨迹模式进行挖掘。HDBSCAN是一种基于密度的层次聚类算法，其在DBSCAN（Density Based Spatial Clustering of Applications with Noise）算法的基础上引入层次聚类思想，通过空间变换构建聚类层次结构树，并从树中提取稳定的簇，进而得到密度自适应的聚类结果[39]。基于HDBSCAN算法挖掘轨迹模式的具体步骤如下：
第一，相似度空间转换。输入时间、空间、方向相似度的综合矩阵，基于轨迹之间的核心距离、可达距离和相互可达距离进行密度估计，使高密度轨迹之间的距离缩短，稀疏轨迹之间的距离增大，实现空间转换。
第二，构建最小生成树和层次结构。以轨迹间的相互可达距离为权重，遍历所有轨迹构建最小生成树。对生成树顶点之间的连通性进行判断，获取层次结构。
第三，提取簇类。基于参数最小簇大小对生成树结构进行遍历和分割，提取稳定的簇，输出聚类结果。基于邓恩指数计算最小簇大小的最佳参数值，在提取簇类的过程中迭代多次最小簇大小的取值，观察邓恩指数结果以确定最佳参数值，邓恩指数越大代表模型的提取效果越好。邓恩指数的计算公式如下：
D V I = m i n m ≠ n m i n x k ∈ Ω m x x k - x q m a x x q ∈ Ω n m a x x k ,   x q ∈ Ω x k - x q
式中， D V I表示邓恩指数，xk、xq为迭代过程中的不同簇类，||xk-xq||表示用于度量矩阵的大小的范数。

2.3.4 基于LDA模型的主题挖掘

在轨迹聚类结果的基础之上，文章引入文本挖掘模型进一步分析用户与轨迹一同上传的文本信息，以挖掘不同轨迹模式对应的语义主题。具体来说，文章使用潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）模型进行轨迹语义分析。LDA是一种基于隐含狄利克雷分布的主题模型。该模型利用Gibbs采样算法，集中每篇文档的主题并以概率分布的形式给出，取出主题分布并进行主题聚类或文本分类[40-41]。LDA假设文本t中的所有主题的先验分布为Dirichlet分布，即 θ t = D i r i c h l e t ( α → )；第n个词对应的主题编号可写为 Z t n = m u l t i ( θ t )，主题词wt出现的概率则可以通过 w t = m u l t i ( β Z t n )计算得出[42]。同时，假设文本共有k个主题，所有主题词的先验分布也服从Dirichlet分布，即 β k = D i r i c h l e t ( μ → )[43]。对主题和主题词的先验分布进行采样计算，最终计算出文本主题和每个主题下的词汇概率。主题数k是LDA的关键参数，可通过交叉验证和困惑度确定最优值[44]。通过调试主题数和主题词数，使困惑度达到最小或处于拐点处，此时的k可确定为最优主题数[45-46]。

3 结果分析

3.1 青藏高原骑行轨迹时空分布

青藏高原地区的骑行活动呈现出显著的空间不均匀分布特征（图1）。多数骑行活动集中发生在青藏高原东部即四川省西北部地区和青海省东部地区，以及青藏高原西南部即西藏自治区南部地区与云南省怒江傈僳族自治州、迪庆藏族自治州接壤处。这是因为多数由外部前往青藏高原地区的骑行活动主要由四川省西北部和云南省西北部进入，并且这些地区有G318、G350等多条主要道路，因而聚集了大量的活动轨迹。骑行活动轨迹主要从青藏高原东缘向高原内部延伸，呈现明显的线状特征。骑行轨迹多与区域内重要干道重合或走向一致。
图1 青藏高原地区骑行轨迹空间分布特征

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2023)2767号的标准地图制作，底图无修改。以下与此同。

Fig. 1 Spatial distribution of cycling trajectories in Qinghai-Tibet Plateau

青藏高原地区的骑行活动多数发生在5—10月，季节集中性较强，以夏季为活动的高峰期（图2）。活动频次与气候有较强相关性，多数活动发生时间基本与青藏高原大部分地区气候相对宜人的时期重合。从骑行平均距离来看，发生在4—11月期间的骑行活动的平均距离较为接近，约为150~220 km之间。全年内最长的平均骑行距离出现在5月，达218.93 km。最长的骑行平均时长出现在1月和2月，虽然这两个月份的平均距离稍短，但花费的骑行时长较长，推测是冬季的青藏高原地区低温风大的气候特征导致骑行难度增大，耗费时间变长。
图2 青藏高原地区骑行轨迹时间分布特征

Fig. 2 Temporal distribution of cycling trajectories in Qinghai-Tibet Plateau

3.2 青藏高原骑行模式

通过轨迹模式挖掘和基于LDA模型的轨迹语义分析，共识别出青藏高原地区骑行活动的4种模式，总结为单线集中型模式、单线分散型模式、单集散地-目的地环绕型模式、多集散地-目的地环绕型模式（表1，表2）。4种骑行模式下的骑行活动主要依托青藏高原地区的5条重要线路：R1泸定县-康定市-新都桥镇-理塘县、R2怒江傈僳族自治州-察隅县-波密县-林芝市、R3映秀镇-卧龙镇-四姑娘山-小金县、R4西宁市-青海湖-茶卡镇以及R5拉萨市-当雄县-纳木错-曲水县-浪卡子县-羊卓雍措-普莫雍错-日喀则市。
表1 青藏高原地区骑行模式

Tab. 1 Cycling patterns in Qinghai-Tibet Plateau

模式 模式特征 通道线路 主要旅游资源 主要依托
道路		 分布区域 平均时长(h) 平均距离(km)
模式1 单线集中型 R1 泸定县-康定市-新都桥镇-理塘县 木雅圣地、康巴汉子村景区、勒通古镇-千户藏寨 G318国道 青藏高原西南部的四川省西部地区 8.09 7.21
模式2 单线分散型 R2 怒江傈僳族自治州-察隅县-波密县-林芝市 独龙江景区、米堆冰川、雅鲁藏布大峡谷、南伊沟景区 G219国道
G318国道		 云南省西北部怒江傈僳族自治州、青藏高原南部林芝市 8.38 10.74
R3 映秀镇-卧龙镇-四姑娘山-小金县 汶川县、映秀镇、四姑娘山、卧龙自然保护区、小金县 G350国道 青藏高原东部边缘的四川省西北部地区 6.02 95.19
模式3 单集散地-目的地
环绕型		 R4 西宁市-青海湖-茶卡镇 青海湖、茶卡盐湖、金银滩、刚察高原海滨藏城景区、西宁市 G341国道
G315国道		 青藏高原东北部的青海省地区 5.31 87.85
模式4 多集散地-目的地
环绕型		 R5 拉萨市-当雄县-纳木错-曲水县-浪卡子县-羊卓雍措-普莫雍错-日喀则市 纳木错、羊卓雍措、普莫雍错、布达拉宫、大昭寺、扎什伦布寺 G6京藏高速
G349国道
G318国道		 青藏高原南部的西藏自治区拉萨市、日喀则市以及山南市的交界处 4.13 54.32
表2 骑行模式文本主题挖掘结果

Tab. 2 Theme mining results of text regarding cycling patterns

模式 线路 主题词及权重
模式1 R1 骑行(0.043)；318(0.034)；川藏线(0.028)；康定(0.024)；新都桥(0.023)；理塘(0.018)；上坡(0.018)；海拔(0.015)；相克宗(0.014)；多山(0.013)
模式2 R2 鲁朗(0.048)；滇藏(0.030)；左贡(0.024)；林芝(0.021)；318(0.021)；芒康(0.020)；荣许兵站(0.020)；川藏线(0.017)；觉巴村(0.015)；骑行(0.014)
R3 骑行(0.131)；四姑娘山(0.054)；卧龙(0.054)；环线(0.030)；熊猫(0.030)；小金县(0.024)；都江堰(0.024)；川西(0.018)；巴郎山(0.018)；映秀(0.017)
模式3 R4 青海湖(0.111)；西海镇(0.072)；环湖(0.017)；环线(0.014)；江西沟(0.013)；黑马河(0.013)；茶卡盐湖(0.012)；长宁(0.009)；环骑(0.008)；住宿(0.005)
模式4 R5 拉萨(0.087)；骑行(0.065)；藏式(0.018)；客栈(0.015)；布达拉宫(0.013)；大昭寺(0.010)；羊湖(0.008)；拉萨河(0.008)；拉鲁湿地(0.007)；八廓街(0.007)

3.2.1 单线集中型模式

骑行模式1为单线集中型模式（图3）。该模式的骑行活动主要发生在青藏高原西南部的四川省西部地区，模式轨迹平均长度为7.21 km，平均活动时长为8.09 h。该模式表现为依托G318国道的沿线骑行，沿四川省西部地区的泸定县-康定市-新都桥镇-理塘县线路自东向西单线开展，轨迹分布在空间上集中性强，几乎没有分散。G318国道线路是热门经典的单线骑行路线，完成"318"国道单线骑行在骑行者群体中亦被视为一种"挑战"，因此该模式呈现较具特色的单线集中特征。对该模式下的所有轨迹文本进行基于LDA模型的主题挖掘，输出概率权重排名前十的主题词汇，以进一步分析该模式的语义特征。由于该模式依托青藏高原地区经典的骑行线路G318国道，因此在主题词汇中，"318"、"川藏线"主题十分突出。"康定"、"新都桥"、"理塘"等多个城镇在文本中被广泛提及，说明这些地点是此骑行模式所依托的重要空间节点。此外，"上坡"、"多山"等主题词有较高权重，一定程度说明该线路具有地势起伏变化大、山地特征明显的特色。
图3 单线集中型骑行模式

Fig. 3 Single line centralized cycling pattern

3.2.2 单线分散型模式

骑行模式2为单线分散型模式。该模式有类似于模式1的沿线特征，但相较于模式1该模式在依托主要道路的同时有较明显的轨迹向周边资源点分散的特征。该模式下的骑行活动主要依托两条主要线路：一是R2怒江傈僳族自治州-察隅县-波密县-林芝市（图4），依托该线路的骑行活动主要分布在云南省西北部的怒江傈僳族自治州和西藏自治区林芝市，轨迹平均长度为10.74 km，平均活动时长为8.38 h。该线路主要通过G219国道和G318国道，由怒江傈僳族自治州往北进入青藏高原南部，到达西藏自治区林芝市附近，为典型的"滇藏"骑行线路。以G219国道和G318国道为核心通道，该线路骑行轨迹分散至周边的重要旅游资源点，如西藏自治区昌都市的莽措湖、波密县米堆冰川，林芝市的雅鲁藏布大峡谷以及南伊沟景区。
图4 单线分散型骑行模式(一)

Fig. 4 Single line dispersed cycling pattern (1)

二是R3映秀镇-卧龙镇-四姑娘山-小金县（图5），依托该线路的骑行活动主要发生于四川省西北部地区，轨迹平均长度为95.19 km，平均活动时长为6.02 h。该线路的骑行活动主要经由G350国道，由四川省的汶川县映秀镇区域向西部进入青藏高原东部边缘的邛崃山脉地带。骑行轨迹分散至四姑娘山以及阿坝藏族羌族自治州的卧龙自然保护区、小金县等区域。"卧龙""熊猫"等主题词展现出该线路具有与熊猫观赏旅游活动相关的特色。
图5 单线集中型骑行模式(二)

Fig. 5 Single line dispersed cycling pattern (2)

3.2.3 单集散地-目的地环绕型

骑行模式3为单集散地-目的地环绕型模式（图6）。该模式骑行活动分布于青藏高原东北部的青海省地区，模式轨迹平均长度为87.85 km，平均活动时长为5.31 h。该模式的骑行活动主要表现为将青海省西宁市作为核心集散地，依托G341国道及G315国道向西行进抵达青海湖，并由青海湖向西进一步延伸至茶卡盐湖景区，形成R4西宁市-青海湖-茶卡镇骑行路线，并在青海湖以及茶卡盐湖周边呈现出环绕骑行的行为特征。骑行轨迹在西宁市内分布密集，一定程度展现出骑行者在市内活动频繁，表明西宁市是骑行者去往下一节点前的重要集散地。"环湖"、"环骑"是该模式的特征主题，目的地周边的环线活动串联起青海湖、茶卡盐湖、金银滩、刚察高原海滨藏城景区等多个旅游资源点。
图6 单集散地-目的地环绕型骑行模式

Fig. 6 Cycling pattern with a single center encircled by destinations

3.2.4 多集散地-目的地环绕型

骑行模式4为多集散地-目的地环绕型模式（图7）。该模式骑行活动主要位于青藏高原南部，集中在西藏自治区的拉萨市、日喀则市以及山南市的交界处，模式轨迹平均长度为54.32 km，平均活动时长为4.13 h。以拉萨市为核心集散地，该模式依托G6京藏高速向北延伸至纳木错，依托G349国道向南延伸至羊卓雍措及普莫雍错地区，向西则依托G318国道延伸至另一集散地日喀则市，形成线路R5拉萨市-当雄县-纳木错-曲水县-浪卡子县-羊卓雍措-普莫雍错-日喀则市。该模式在空间上串联了西藏3大圣湖中的纳木措和羊卓雍措，以及普莫雍错等重要旅游资源，在湖泊周边呈现出环湖骑行特征。骑行轨迹在拉萨市及日喀则市内密集分布，主题词"客栈"亦进一步说明骑行者主要将拉萨市及日喀则市作为集散地，满足住宿需求，并方便其在周边开展骑行活动。拉萨市内的布达拉宫、大昭寺、八廓街等景点也是该模式活动所依托的重要旅游资源。同时，藏式风格是该模式线路的突出特色。
图7 多集散地-目的地环绕型骑行模式

Fig. 7 Cycling pattern with multiple centers encircled by destinations

4 结论与讨论

4.1 结论

文章基于对2013—2023年青藏高原地区旅游者骑行轨迹数据的挖掘，揭示了该地区骑行活动的时空行为模式，期望为深入了解青藏高原骑行产业发展状况，促进青藏高原地区生态旅游产业可持续发展提供参考。研究结论如下：
（1）青藏高原地区骑行活动时空分布不均。多数骑行活动集中发生在青藏高原东部的四川省西北部地区、青海省东部地区，以及青藏高原西南部的西藏自治区南部、云南省西北部地区。骑行活动轨迹由青藏高原东缘向高原内部延伸，呈现明显的线状特征，多与区域内重要干道重合或走向一致。骑行活动多发生在5—10月，季节集中性较强，以夏季为活动的高峰期。
（2）青藏高原骑行活动呈现4种时空行为模式，主要依托5条重要线路。基于轨迹挖掘和主题挖掘，发现青藏高原骑行活动行为模式为单线集中型模式、单线分散型模式、单集散地-目的地环绕型模式、多集散地-目的地环绕型模式。4种模式下包含5条重要骑行线路：R1泸定县-康定市-新都桥镇-理塘县、R2怒江傈僳族自治州-察隅县-波密县-林芝市、R3映秀镇-卧龙镇-四姑娘山-小金县、R4西宁市-青海湖-茶卡镇以及R5拉萨市-当雄县-纳木错-曲水县-浪卡子县-羊卓雍措-普莫雍错-日喀则市。
（3）单线集中型模式分布于青藏高原西南部的四川省西部地区，表现为依托G318国道沿泸定县-康定市-新都桥镇-理塘县线路自东向西的沿线骑行。线路具有地势起伏变化大、山地特征明显的特色。
（4）单线分散型模式分布于两条重要线路。线路一的骑行活动由云南省怒江傈僳族自治州往北进入青藏高原南部，到达西藏自治区林芝市附近，为典型的"滇藏"骑行线路。线路二的骑行活动由四川省的汶川县映秀镇区域向西进入青藏高原东部边缘的邛崃山脉地带。该模式下活动具有依托核心干道并分散至周边重要旅游资源点的特征。
（5）单集散地-目的地环绕型模式主要表现为以青海省西宁市作为核心集散地，向西行进抵达青海湖和茶卡盐湖景区，并在湖泊周边呈现出环绕骑行的特征。
（6）多集散地-目的地环绕型模式分布于青藏高原南部，以拉萨市和日喀则市为集散地，向北延伸至纳木错，向南延伸至羊卓雍措及普莫雍错等重要旅游资源。

4.2 讨论

青藏高原独特的地理位置、复杂的地貌和丰富的资源，使其在中国生态文明建设和美丽中国建设中占据着重要地位。同时，青藏高原地区的产业发展是实现人民共同富裕进程中的重要抓手，对于推动区域经济社会发展具有重要意义。户外骑行活动是近年来青藏高原地区最具吸引力的生态旅游活动之一。即使青藏高原地区已被纳入为中国"三纵四横"山地户外运动空间格局的重要组成部分，但目前学界对青藏高原地区骑行活动的时空行为模式和空间格局的探索还甚少。这一定程度上是因为尽管青藏高原骑行是一项热门活动，但开展针对骑行者的大规模调研是艰难的。同时当前各类可以记录骑行活动轨迹的平台上所积累的数据仍旧比较有限和稀疏，各平台的数据也难以得到整合和综合分析。
文章在既往研究的基础上，收集了青藏高原地区的骑行轨迹数据，着重挖掘了游客的骑行行为与旅游吸引要素、交通要素交互作用而形成的行为模式，总结了4种骑行行为模式，对应5条经典线路，对青藏高原地区自行车骑行活动的模式现状进行了提炼性的总结，为青藏高原地区骑行行为模式研究的空缺做出了有效补充。此外，既往相关研究多单独以西藏自治区为研究区域，考虑到青藏高原地区在国家生态文明建设和文旅发展战略中的整体性地位，文章将整个青藏高原地区纳入研究，以期挖掘更全面的区域行为模式，为青藏高原地区整体发展提供参考。文章总结的骑行模式下依托的5条路线与叶随和席建超[47]对青藏高原旅游廊道识别的研究结果有一定契合之处（如均识别了川藏南线、滇藏线为重要廊道），不同之处在于，该研究识别的旅游廊道形成于大众旅游时代的整体旅游流动，糅合了自驾、大巴等多种形式活动，是对青藏高原地区整体旅游通道更为宏观的总结。而文章主要依托轨迹数据对骑行活动进行针对性研究，目的在于识别出更符合骑行行为特征的具体空间通道，为细分旅游活动领域的研究作出补充。文章发现的青藏高原骑行活动的季节性以及对国道的依赖与Mou等[4]对西藏自治区骑行时空行为的研究结果吻合，但对比之下，Mou等[4]的研究主要聚焦于时空行为特征的总结，而文章则在时空行为特征的基础上挖掘了骑行行为模式。少有研究挖掘过青藏高原骑行行为模式，类似的相关研究是朱冬芳等[14]曾就入藏旅游者团队游和自助游的时空行为进行过分析，将入藏旅游流模式总结为环游和周游，指出其空间上呈现区域闭环或是按顺序依次游览的特征，这与文章发现的骑行模式存在较大差异，凸显了观光游览模式与骑行行为模式有着显著的不同。对不同类型活动行为模式开展针对性研究是必要的，而文章挖掘得到的骑行行为模式可以为青藏高原地区不同类型旅游者行为模式研究作出补充。
基于时间地理学，旅游者时空行为模式是时间、空间制约下的综合作用结果[12]。骑行行为模式与大众旅游模式存在一些共同特征（例如被核心吸引物吸引），但亦存在自身的独特性。骑行模式的形成主要与核心道路（成熟、设施相对完善的国道）、重要旅游资源和城镇集散中心分布高度相关。相较于自驾游、大巴跟团等活动类型，骑行行为模式在空间上尺度往往更小，轨迹停留点多。同时，骑行行为模式还与潮流路线传播效应有关，骑行者的行为决策受到骑行群体风潮的影响，被称作"此生必骑"的经典路线如G318国道、环青海湖线等吸引着大批骑行者，成为青藏高原地区骑行的核心线路。骑行热潮进一步反哺区域基础设施建设及服务配套优化，推动线路的成熟化和骑行模式的典型化。在文章的基础上，未来还需深入探索骑行行为模式的具体形成机制（客观限制及主观决策），也还需要探究不同地区、不同细分类型活动（如摩托车骑行与自行车骑行）的行为模式是否存在差异以及导致差异的原因。
文章识别的青藏高原骑行路线可为相关方推动打造青藏高原骑行精品路线，落实建设青藏高原为生态旅游高地的政策提供实践参考。骑行行为模式特征结果可为相关方优化骑行沿线设施及服务配置，提升骑行体验和保障骑行安全提供参考，例如，对于单线集中型及单线分散型行为模式分布的区域，应注重打造沿线景观，加强休息站、补给点等相关服务设施的建设，健全指示牌、引导牌的布置，加强主道路到景区等旅游资源点"最后一公里"路程的引导。对于单集散地-目的地环绕型模式、多集散地-目的地环绕型模式区域，应加强区域集散地的服务接待能力，提供集散地到周边旅游资源点的引导和接驳服务。对于主要路线周边区域，应考虑骑行及其他类型活动旅游者的行为模式差异，提供符合其需求的服务，推动地方居民参与旅游接待服务，带动地方就业及经济创收。
依托平台轨迹数据的相关研究多面临着数据来源的限制，文章也存在着数据来源较为单一的缺陷。未来，推进实现多源数据的采集融合和平台共享，有望助力青藏高原地区骑行产业研究更进一步。这需要相关管理部门和学界工作者的共同努力，加快建立针对性的旅游统计体系，完善当前的文旅数据采集和上报机制，推动生态旅游研究理论方法的发展和成果转化，以为青藏高原生态旅游高质量发展提供坚实的科学依据，为将青藏高原建设为生态文明高地作出贡献。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
体育总局, 发展改革委, 工业和信息化部, 等. 户外运动产业发展规划(2022-2025年)[EB/OL]. (2022-10-25) [2025-01-26]. https://www.gov.cn/zhengce/zhengceku/2022-11/07/content_5725152.htm.

[ General Administration of Sprot of China, National Development and Reform Commission, Ministry of Industry and Information Technology of the People’s Republic of China, et al. Development Plan for Outdoor Sports Industry (2022-2025)[EB/OL]. (2022-10-25) [2025-01-26]. https://www.gov.cn/zhengce/zhengceku/2022-11/07/content_5725152.htm.]

[2]
余志远, 谷平平. 女性自行车旅游者的自我意识觉醒与主体建构[J]. 旅游学刊, 2022, 37(6): 106-120.

[ Yu Zhiyuan, Gu Pingping. Self-consciousness awakening and subject construction of female bicycle tourists[J]. Tourism Tribune, 2022, 37(6): 106-120.]

[3]
胡传东, 李露苗, 罗尚焜. 基于网络游记内容分析的风景道骑行体验研究: 以318国道川藏线为例[J]. 旅游学刊, 2015, 30(11): 99-110.

[ Hu Chuandong, Li Lumiao, Luo Shangkun. Cycling tourists’ experience of scenic byways based on content analysis of travel blogs: A case study of the Sichuan-Tibet section of national highway 318[J]. Tourism Tribune, 2015, 30(11): 99-110.]

[4]
Mou N X, Liu Z W, Zheng Y H, et al. Cycling in Xizang: An analysis of tourists’ spatiotemporal behavior and infrastructure[J]. Tourism Management, 2022, 88: 104418.

[5]
Zhou X L. Understanding spatiotemporal patterns of biking behavior by analyzing massive bike sharing data in Chicago[J]. PLoS One, 2015, 10(10): e0137922.

[6]
刘艳平, 保继刚, 黄应淮, 等. 基于GPS数据的自驾车游客时空行为研究: 以西藏为例[J]. 世界地理研究, 2019, 28(1): 149-160.

[ Liu Yanping, Bao Jigang, Huang Yinghuai, et al. Study on spatio-temporal behaviors of self-driving tourists based on GPS data: A case study of Xizang[J]. World Regional Studies, 2019, 28(1): 149-160.]

[7]
Han H, Meng B, Kim W. Emerging bicycle tourism and the theory of planned behavior[J]. Journal of Sustainable Tourism, 2017, 25(2): 292-309.

[8]
Kaplan S, Manca F, Nielsen T A S, et al. Intentions to use bike-sharing for holiday cycling: An application of the theory of planned behavior[J]. Tourism Management, 2015, 47: 34-46.

[9]
Mueller N, Rojas-Rueda D, Salmon M, et al. Health impact assessment of cycling network expansions in European cities[J]. Preventive Medicine, 2018, 109: 62-70.

DOI PMID

[10]
张朝枝, 张鑫. 流动性的旅游体验模型建构: 基于骑行入藏者的研究[J]. 地理研究, 2017, 36(12): 2332-2342.

DOI

[ Zhang Chaozhi, Zhang Xin. Constructing a mobile travel experience model: Empirical study of cyclists travelling to Xizang[J]. Geographical Research, 2017, 36(12): 2332-2342.]

[11]
陈钢华, 温倩, 史艳荣. 环青海湖骑行游客情感动态性的特征与发生机制[J]. 地理科学, 2024, 44(6): 1050-1059.

DOI

[ Chen Ganghua, Wen Qian, Shi Yanrong. Characteristics and mechanism of emotional dynamics of cycling tourists around Qinghai Lake[J]. Scientia Geographica Sinica, 2024, 44(6): 1050-1059.]

DOI

[12]
柴彦威. 时间地理学的起源、主要概念及其应用[J]. 地理科学, 1998(1): 70-77.

[ Chai Yanwei. Time-geography: Its origin key concepts and applications[J]. Scientia Geographica Sinica, 1998(1): 70-77.]

[13]
丁新军, 吴佳雨, 粟丽娟, 等. 国际基于时间地理学的旅游者行为研究探索与实践[J]. 经济地理, 2016, 36(8): 183-188, 201.

[ Ding Xinjun, Wu Jiayu, Su Lijuan, et al. A review on international research and practice of tourist behavior from the perspective of time geography[J]. Economic Geography, 2016, 36(8): 183-188, 201.]

[14]
朱冬芳, 虞虎, 刘青青, 等. 入藏旅游流网络结构特征与组织模式基于团队游和自助游视角的比较分析[J]. 地理科学进展, 2021, 40(5): 812-824.

DOI

[ Zhu Dongfang, Yu Hu, Liu Qingqing, et al. Network structure characteristics and organizational models of tourist flow to Xizang: Comparative analysis based on group and self-guided tours[J]. Progress in Geography, 2021, 40(5): 812-824.]

DOI

[15]
郑鑫, 王甫园, 李俊霏, 等. 基于游客GPS轨迹大数据的西藏旅游流格局与成因[J]. 经济地理, 2024, 44(11): 212-221.

DOI

[ Zheng Xin, Wang Fuyuan, Li Junfei, et al. Spatial pattern and influencing factors of tourism flow in Xizang autonomous region based on tourists’ GPS trajectory data[J]. Economic Geography, 2024, 44(11): 212-221.]

[16]
Zhong L N, Sun S, Law R, et al. Investigate tourist behavior through mobile signal: Tourist flow pattern exploration in Xizang[J]. Sustainability, 2020, 12(21): 9125.

[17]
陈钢华, 史艳荣, 黄松山. 坐上火车去拉萨: 青藏铁路火车旅行体验属性研究[J/OL]. 旅游学刊, [2025-01-22]. https://doi.org/10.19765/j.cnki.1002-5006.2024.00.030.

[ Chen Ganghua, Shi Yanrong, Huang Songshan. Travel to Lhasa on the train: Identifying the attribute dimensions of the Qinghai-Xizang railway travel experience[J/OL]. Tourism Tribune, [2025-01-22]. https://doi.org/10.19765/j.cnki.1002-5006.2024.00.030.]

[18]
吴寅姗, 陈家熙, 钱俊希. 流动性视角下的入藏火车旅行研究: 体验、实践、意义[J]. 旅游学刊, 2017, 32(12): 17-27.

[ Wu Yinshan, Chen Jiaxi, Qian Junxi. The experiences, practices and meanings from the perspective of mobilities: A case study of the train travel to Xizang[J]. Tourism Tribune, 2017, 32(12): 17-27.]

[19]
袁雨果, 郑伟民. 追溯技术在旅游者移动行为研究的综述[J]. 旅游学刊, 2019, 34(2): 48-59.

[ Yuan Yuguo, Zheng Weimin. The use of tracking technologies in tourists’ mobility behavior research: A literature review[J]. Tourism Tribune, 2019, 34(2): 48-59.]

[20]
陈佳淇, 王胜宏, 王圣斌, 等. 长征沿线红色旅游多尺度空间行为模式挖掘与仿真模拟[J]. 旅游学刊, 2024, 39(4): 124-138.

[ Chen Jiaqi, Wang Shenghong, Wang Shengbin, et al. Mining and simulating of tourists’ behavior patterns in multi-scale red tourism along the Long March route[J]. Tourism Tribune, 2024, 39(4): 124-138.]

[21]
刘俊, 陈佳淇, 冯冰, 等. 基于轨迹数据的遵义市红色旅游者时空行为模式研究[J]. 地球信息科学学报, 2024, 26 (2): 424-439.

DOI

[ Liu Jun, Chen Jiaqi, Feng Bing, et al. Spatial-temporal behavior pattern of red tourists in Zunyi City based on trajectory data[J]. Journal of Geo-information Science, 2024, 26(2): 424-439.]

[22]
黄潇婷, 李玟璇, 张海平, 等. 基于GPS数据的旅游时空行为评价研究[J]. 旅游学刊, 2016, 31(9): 40-49.

[ Huang Xiaoting, Li Wenxuan, Zhang Haiping, et al. Evaluation of tourist temporal-spatial behavior based on GPS data[J]. Tourism Tribune, 2016, 31(9): 40-49.]

[23]
杨喜平, 杨鸿海, 李彬, 等. 基于手机数据的西部城市居民出行特征研究以西宁市为例[J]. 人文地理, 2021, 36(1): 115-124.

[ Yang Xiping, Yang Honghai, Li Bin, et al. Characteristics of urban human mobility of western China based on mobile phone data: A case study of Xining[J]. Human Geography, 2021, 36(1): 115-124.]

[24]
Vu H Q, Li G, Law R, et al. Travel diaries analysis by sequential rule mining[J]. Journal of Travel Research, 2018, 57(3): 399-413.

[25]
Zheng W M, Zhou R, Zhang Z M, et al. Understanding the tourist mobility using GPS: How similar are the tourists?[J]. Tourism Management, 2019, 71: 54-66.

[26]
杨敏, 李君轶, 徐雪. ICTs视角下的旅游流和旅游者时空行为研究进展[J]. 陕西师范大学学报(自然科学版), 2020, 48(4): 46-55.

[ Yang Min, Li Junyi, Xu Xue. The progress of tourist flow and tourist spatio-temporal behavior based on ICTs[J]. Journal of Shaanxi Normal University (Natural Science Edition), 2020, 48(4): 46-55.]

[27]
Park S, Xu Y, Jiang L, et al. Spatial structures of tourism destinations: A trajectory data mining approach leveraging mobile big data[J]. Annals of Tourism Research, 2020, 84: 102973.

[28]
张镱锂, 李炳元, 郑度. 论青藏高原范围与面积[J]. 地理研究, 2002(1): 1-8.

[ Zhang Yili, Li Bingyuan, Zheng Du. A discussion on the boundary and area of the Tibetan Plateau in China[J]. Geographical Research, 2002(1): 1-8.]

[29]
Simon D. Kalman filtering[J]. Embedded Systems Programming, 2001, 14(6): 72-79.

[30]
Douglas D H, Peucker T K. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature[J]. Cartographica: The International Journal for Geographic Information and Geovisualization, 1973, 10(2): 112-122

[31]
Muckell J, Olsen P W, Hwang J H, et al. Compression of trajectory data: A comprehensive evaluation and new approach[J]. GeoInformatica, 2014, 18(3): 435-460.

[32]
周星星, 吉根林, 张书亮. 时空轨迹相似性度量方法综述[J]. 地理信息世界, 2018, 25(4): 11-18.

[ Zhou Xingxing, Ji Genlin, Zhang Shuliang. Overview of the similarity measurement methods for spatial-temporal trajectory[J]. Geomatics World, 2018, 25(4): 11-18.]

[33]
Yuan G, Sun P H, Zhao J, et al. A review of moving object trajectory clustering algorithms[J]. Artificial Intelligence Review, 2017, 47(1): 123-144.

[34]
Tang J J, Bi W, Liu F, et al. Exploring urban travel patterns using density-based clustering with multi-attributes from large-scaled vehicle trajectories[J]. Physica A: Statistical Mechanics and Its Applications, 2021, 561: 125301.

[35]
De Sousa R S, Boukerche A, Loureiro A A F. Vehicle trajectory similarity: Models, methods, and applications[J]. ACM Computing Surveys, 2020, 53(5): 1-32.

[36]
Tao Y G, Both A, Silveira R I, et al. A comparative analysis of trajectory similarity measures[J]. GIScience & Remote Sensing, 2021, 58(5): 643-669.

[37]
Kosub S. A note on the triangle inequality for the Jaccard distance[J]. Pattern Recognition Letters, 2019, 120: 36-38.

DOI

[38]
Robusto C C. The cosine-haversine formula[J]. The American Mathematical Monthly, 1957, 64(1): 38.

[39]
McInnes L, Healy J, Astels S. Hdbscan: Hierarchical density based clustering[J]. The Journal of Open Source Software, 2017, 2(11): 205.

[40]
王振彪, 徐贞顺, 刘纳, 等. 监督式主题模型及其应用综述[J]. 计算机工程与应用, 2024, 60(8): 56-68.

DOI

[ Wang Zhenbiao, Xu Zhenshun, Liu Na, et al. Review of supervised topic models and applications[J]. Computer Engineering and Applications, 2024, 60(8): 56-68.]

DOI

[41]
黄佳佳, 李鹏伟, 彭敏, 等. 基于深度学习的主题模型研究[J]. 计算机学报, 2020, 43(5): 827-855.

[ Huang Jiajia, Li Pengwei, Peng Min, et al. Review of deep learning-based topic model[J]. Chinese Journal of Computers, 2020, 43(5): 827-855.]

[42]
Chauhan U, Shah A. Topic modeling using latent dirichlet allocation: A survey[J]. ACM Computing Surveys, 2021, 54(7): 1-35.

[43]
Jelodar H, Wang Y L, Yuan C, et al. Latent Dirichlet Allocation (LDA) and topic modeling: Models, applications, a survey[J]. Multimedia Tools and Applications, 2019, 78(11): 15169-15211.

DOI

[44]
Maier D, Waldherr A, Miltner P, et al. Applying LDA topic modeling in communication research: Toward a valid and reliable methodology[J]. Communication Methods and Measures, 2018, 12(2-3): 93-118.

[45]
赵凯, 王鸿源. LDA最优主题数选取方法研究: 以CNKI文献为例[J]. 统计与决策, 2020, 36(16): 175-179.

[ Zhao Kai, Wang Hongyuan. Research on the selection method of LDA’s optimal topic number: Taking CNKI literature as an example[J]. Statistics & Decision, 2020, 36(16): 175-179.]

[46]
关鹏, 王曰芬. 科技情报分析中LDA主题模型最优主题数确定方法研究[J]. 现代图书情报技术, 2016(9): 42-50.

[ Guan Peng, Wang Yuefen. Identifying optimal topic numbers from sci-tech information with LDA model[J]. New Technology of Library and Information Service, 2016(9): 42-50.]

[47]
叶随, 席建超. 青藏高原区旅游廊道识别与评价[J]. 地理学报, 2023, 78(10): 2630-2644.

DOI

[ Ye Sui, Xi Jianchao. Identification and evaluation of tourism corridor: A case study of Qinghai-Tibet Plateau[J]. Acta Geographica Sinica, 2023, 78(10): 2630-2644.]

DOI

Options
文章导航

/

〈 〉