原标题：基于大数据的游客识别方法（下）

不同场景下的游客识别

从游客的定义中我们知道， 判定是否产生旅游行为最重要的是 产生一段有效的位移 ，这个 有效指的是从职住地到旅游目的地的位移 ，职住地指的是游客的就业地和居住地。所以我们的 游客识别方法，就是从许多的位移中，筛选出有效位移的方法。

使用不同来源的数据，基于不同场景的需求，要使用适合场景的筛选方法，也就是游客识别方法，以下介绍3种不同场景下的游客识别方法。

01郑州高铁的游客识别

统计郑州高铁游客量，采用出现在郑州高铁站+郑州为非常驻地+出现在郑州及周边景区的方式筛选出高铁游客（见图1）。

图1 粗分法确定游客示例

这种方法为粗分法，这种方法主要是三个筛选，第一个筛选是，该人员是否出现在郑州高铁站，第二个筛选是，出现在郑州高铁站的人员，他们的常驻地，是否不是郑州，若不是郑州，那么他们出现在了郑州高铁站，这就产生了位移，接下来再加细一下筛选，第三个筛选是，这些人员是否出现在了郑州的景区内，如果出现在了郑州的景区内，并且他们的常驻地并不是郑州，那我们就认为这些人员完成了一次有效的位移。认为这些人员是游客，这种方法有一定的误差。若要精细统计目的地的旅游人数，则需要制定细分的游客识别方法。

02海南省的游客识别

更加细致的游客识别区分方法，以海南省为例，根据每小时的手机信令数据，可以对省内的某一区域（如三亚市）的游客进行定义（见表1）。

表1 基于手机信令数据的海南省外的国内游客定义（资料来源于《旅游大数据研究》表3-2）

这种方法相较于郑州高铁的识别方法已经细致了一些，并且对游客进行了相对细致的分类。但由于这种方案要求全面的手机信令数据（一般要包括四个运营商的数据），对于数据的要求很高，所以一般不具有普适性。

03海鳗云的游客识别

海鳗云提出了一种基于卫星定位数据，适用于景区，商圈或文旅局场景的游客识别方法，计算方法如下：

（1）职住地识别

要想对游客进行识别，首先要了解游客的职住地，在海鳗云大数据系统中，职住地的值一般可以精确到区县级别。

那么如何进行游客职住地的计算呢？

第一步、将海量移动设备进行线下活动场景的轨迹补全及预测

第二步、计算步骤：

① 确定用户所属的城市：

选取最近3个月卫星定位信息，分析用户在统计期内出现频次最多的城市作为该用户的所属城市。

② 确定居住地（在1的结果集之上）：

统计用户在工作日非工作时段（21:00~07:00）及周末，出现频次最多的地址作为该用户的居住地址。

③ 确定办公地址（在1的结果集之上）：

统计用户在工作日工作时段（10:00~17:00），出现频次最多的地址作为该用户的办公地址。

第三步、算法迭代优化：

① 去除节假日的卫星定位数据

② 对于上个月预测办公地址、居住地址的出现次数，赋予一定的权重，作为输入变量，参与下月办公地址，居住地址的预测

③ 利用合作伙伴、客户提供的真实客户脱敏地址信息进行相似度检验和优化，从而提升识别准确度

（2）游客识别

在掌握了游客的职住地后，对于游客的识别就变得轻松，将到访过电子围栏内（旅游目的地）的用户筛选出来，与该用户的职住地进行对比，非该用户的职住地，即可认定为该用户为游客。以此，完成游客识别。

游客识别在海鳗云大数据平台的应用

在海鳗云大数据平台中，游客识别主要用来确定游客的来源地，游客集中来源的小区，行政区等，以黄山风景区23年国庆期间的游客为例，来源靠前的小区及行政区如下：

图2 海鳗云旅游大数据-客流分布分析-来源分布热力图

图3 海鳗云旅游大数据-客流分布分析-来源分布行政图

从以上两图中可以清晰的看到来黄山旅游的人，排行靠前的小区多是黄山市的小区，这与我们的正常认知是一致的，并且来源分布热力图的数据，与来源分布行政图的数据互相佐证，排行靠前的小区多是黄山市，游客来源最多的市，也是黄山市。

本文介绍了旅游和游客的定义，常用的一些游客识别数据来源，三个不同场景下的游客识别方法并着重介绍了海鳗云是如何实现游客识别的，展示了游客识别技术在海鳗云大数据平台的应用。