1.简介
交通是旅游系统的重要组成部分，是游客在始发地、目的地和不同景点之间进行娱乐和旅游活动的基础。在旅游城市中，地铁、公共汽车和出租车是游客最喜欢的公共交通服务。其中，出租车仅占公共交通出行的一小部分，因为近年来提倡绿色共享出行，并限制出租车预订。然而，出租车由于其方便、快捷和“点对点”的可达性，仍然是游客最喜欢的交通方式[1,2]. 与公交车和地铁的固定路线和站点不同，出租车轨迹记录中的上下车地点与人类活动高度相关[三]. 因此，分析出租车出行的时空特征及其与旅游景点配置和旅游支持要素（即城市地理中的地理背景因素）的关系对于形成旅游感知和城市旅游系统的可持续发展至关重要。 在过去几年中，大多数研究人员都使用问卷来收集旅游数据，例如交通方式[4,5]景点选择和旅游满意度。旅游活动抽样[6,7]通常使用卫星和Wi-Fi定位技术进行。这些研究大多分析了特定地区和特定时间游客的偏好、印象、感知和分布，以指导旅游产品开发和旅游流管理。然而，这种方法很难及时提供有关旅游动态的反馈，并且在大规模应用时可能成本高昂。近年来，数字足迹已成为旅游研究中广泛使用的一种方法。通过旅游门户网站和社交媒体平台，可以收集游客的旅行日志和照片等数据[8,9,10]. 这在促进旅游流空间特征向精确化和个性化方向发展方面发挥了重要作用，但也限制了其大规模分析能力。然而，在这些研究中，支撑城市旅游活动的流动性往往被忽视，这使得很难从网络数据中提取旅游交通的空间模式。 越来越多的研究试图使用出租车轨迹数据来分析城市交通的运行特征[11,12,13,14,15,16,17,18]，流量状态标识[19,20]、交通流参数计算[21,22]，最佳路线选择[23]，以及日常出行特征和模式研究[16,18]. 例如，它被用于根据乘客上下车位置以及与土地使用的关系分析旅游热点[15,24]并解释城市的功能结构[13,15,25,26]. 大多数文献只关注城市居民在工作日的行为。出租车游客的时空特征及其与旅游景点组织的关系很少受到关注[27]. 虽然出租车轨迹数据具有覆盖面广和动态特性的优点，但它们尚未有效地用于城市旅游交通模式及其影响因素的研究。此外，对旅游业的流动状态建模对于理解目的地内的景点与整个旅游系统之间的联系至关重要。它可以解释旅游系统是如何形成和重新配置的[三,11,28,29]. 城市内部的旅游流与交通网络紧密结合。然而，交通和旅游领域的学术专家在很大程度上仍然被分割。很少有研究从游客的角度关注目的地城市旅游交通的动态。 虽然以往对日常出租车出行的研究取得了良好进展，但很少有人探讨旅游高峰期出租车出行的行为和结构特征。本研究旨在填补这些空白。我们以深圳的出租车轨迹为例进行了研究。在中国，“五一”（又称国际劳动节）是传统节日之一，也是上半年旅游的首选日期。在此期间，深圳作为一个沿海旅游城市，接待了众多游客。为了研究游客乘坐出租车出行的时空特征，我们建立了“五一”期间的出租车轨迹数据集。我们从两个角度探索了出租车的轨迹：出行来源和景点的旅游网络（即为每个景点建立一个旅游网络）。这项研究对文献有两大贡献。首先，与以往对景区规模上的游客参观模式和区域规模上的旅游网络结构特征的研究不同，本文的规模侧重于城内旅游。我们使用出租车数据来描述城内旅游流和景点网络的结构。它扩展了对复杂城市旅游流的探索。其次，虽然我们之前对旅游流量的大部分了解来自手工调查和面板数据，但本研究提供了一个自下而上的客观视角，通过出租车数据揭示了旅游出行的地理相关性以及城市内旅游网络结构和空间吸引力的差异。
本文的其余部分进行如下。第2节描述了本文中使用的研究领域、方法和关键算法，包括KDE、Getis-Ord-Gi*、GWR和复杂网络度量。第3节给出了实验结果。第4节进行了讨论，最后一节对本文进行了总结。 2.数据和方法
2.1. 研究区域和数据集
深圳是中国南方沿海城市，属亚热带海洋性气候，是著名的旅游城市。由于其毗邻香港和澳门的独特地理位置，每年都吸引着众多国内外游客。深圳旅游统计年报显示，2015年，旅游住宿设施全年接待过夜游客5375.2万人次，比上年增长7.7%。其中，海外游客占22.67%，国内游客占77.33%(网址：http://wtl.sz.gov.cn/，于2021年6月26日访问）。同年，出租车出行占深圳公共交通出行的10.5%。为了调查出租车旅游的特点，我们选择了携程网（Ctrip.com）（一家受欢迎的中国旅行预订和旅行日志共享网站）上游客排名前26位的景点，以及2015年5月1日至3日乘坐出租车前往这26个景点的情况。这些景点如所示图1和在中列出表1如图所示图1出租车出行来源主要分布在南山、福田和罗湖三个地区，这三个地区的旅游景点较多。 轨道数据由在深圳运营的16828辆配备全球导航卫星系统（GNSS）的出租车收集，平均采样频率为30秒。总共有6916万条GNSS记录。每个记录包括出租车的标识、坐标（即纬度和经度）、瞬时速度、时间和占用状态（是否载客）。为了探讨旅游客源地与地理环境因素之间的关系，本研究还使用了POI（兴趣点）数据和路网数据。POI数据是从高德地图的开放API中抓取的(https://lbs.amap.com/api/webservice/guide/api/search，于2021年6月26日访问），截至2018年9月底，记录超过170万条[30]，每个POI记录都包含名称、地址、类型、经度和纬度等属性。POI数据分为11类：餐饮服务（CS）；企业服务（CES）；购物服务（SS）；交通设施；金融和保险服务（FIS）；科学、教育和文化服务（SECS）；住宅（RH）；生活服务；体育和休闲服务；医疗服务；和住宿服务（AS）。 2.2. 方法
城市旅游出行的空间结构包括三个组成部分：出行来源、旅游景点和旅游网络。为了从供给和需求两个角度分析旅游出行的时空特征，我们首先处理出租车轨迹来提取旅游出行。其次，我们使用KDE、Getis Ord Gi*和GWR分析了旅游起源的聚集趋势和空间依赖性，以及它们与地理背景因素的相关性。第三，我们建立了旅游网络，并使用复杂网络度量分析了其结构和特征，以探索每个景点旅游网络的形成机制。本文的研究方法分为以下几个部分：建立旅游出行数据集，对旅游出行来源和地理环境因素的空间依赖性进行空间聚集，并对每个景点的旅游网络结构进行定量分析。所有数据分析均在配备Intel Xeon CPU和32 GB RAM的Dell Tower 7810服务器上进行。出租车轨迹数据使用Python进行预处理。使用ArcGIS绘制旅游出行数据并进行空间分析。
步骤1：建立游客出行数据集。
原始收集的出租车轨迹是杂乱无章的，需要提取旅游行程以进行后续任务。
（1） 出租车出行提取。
我们首先识别并删除了纬度和经度大幅跳跃以及速度异常的轨迹记录。接下来，我们使用了一种称为ST-matching的地图匹配算法[31]将乘客上下车位置（由占用状态确定）之间的所有轨迹点（由乘坐状态确定）与道路网络对齐。 （2） 选择出租车旅行。
出租车出行数据分为两类出行：旅游出行和居民出行（即当地居民其他活动的出行）。首先，我们勾画出26个旅游景点的游客流失区域，以提取旅游行程。考虑到出租车落客位置的随机性和卫星定位精度的影响，我们借助谷歌卫星图像和百度街景，反复比较和修正入口附近每个景点潜在落客区域的边界(https://map.baidu.com网站/，于2021年6月26日访问），以确保提取的旅游行程的可靠性。如果出租车落客地点位于旅游景点的潜在落客区域，则此行程被视为旅游行程。最终的旅游行程数据集包含37878条记录。 第二步：旅游出行来源的空间聚集和地理环境因素的空间依赖。
出租车出行网络包括出行起点、出行路线和出行目的地。其中，出行来源通常用于基于轨迹的城市出行研究领域中预测出行生成率和出行分布，以及用于交通影响、关联关系和驾驶员因素分析。在这一步中，我们重点关注出租车旅游出行的聚集趋势、空间依赖性特征以及地理背景因素的影响。
（1） 旅游出行来源的聚集趋势和空间依赖性。
（2） 地理环境因素与出行来源之间的相关性。
第三步：游客旅游网络的定量分析。
最后，根据游客出行数据，为每个景点创建了26个旅游网络。旅游网络的节点包括旅游起点、旅游路线经过的道路交叉口和目标旅游景点。交通网络的边缘由道路交叉口之间的路段组成。由此形成的旅游网络将离散的出行来源和旅游景点整合为一个整体系统，该系统可以表示每个景点的吸引力和服务的空间范围。为了比较旅游网络的结构差异，使用了复杂的网络度量，如平均度、网络直径、平均路径长度和平均聚类系数。此处未提供每个指标的具体细节，可在相关文献中找到[35]. 3.结果
3.1. 旅游出行的时空特征
为了分析不同出行类型之间的差异，我们统计了每小时的出行次数。中的水平轴图3表示三天内的72个时隙。图3a显示了5月1日至5月3日的居民出行量，以及图3b显示前往26个景点的游客人数。如图所示，居民出行呈现周期性模式。出行次数最少为06:00。随后，出行量逐渐增加。高峰出行时间为11:00、15:00和23:00。与居民出行不同，旅游出行有两个高峰时间——11:00和15:00，旅游量最低的时间是05:00。二者之间的另一个区别是，在“五一”期间，每日居民出行呈现相同的趋势，峰值大小相似；然而，前往景点的交通量呈下降趋势，在假期的最后一天流量最低。 图4a、 b分别显示旅游行程的旅行时间和距离。从旅行时间来看，15分钟以下的短途旅行量较大，占67.89%，45分钟以下的旅行量占旅游出行量的95.48%。这表明节日期间的大多数旅行活动主要是短途旅行，只有少数人花很长时间从事旅行活动。从出行距离来看，8公里以内的出行量较大，约占71.25%，其中94.86%的出行发生在23公里以内图4a、 b都是相似的，有细微的差异，比如存在一个大约20公里的高原，它显示出一条长尾并且不是很平滑。我们拟合了行程时间和距离分布，并在比较了幂律分布、伽马分布和广义极值分布（GEV，如方程（1）所示）之后(https://www.mathworks.com/help/stats/generalized-extreme-value-distribution.html，于2021年6月26日访问），我们发现GEV更好地反映了旅行时间和旅行距离的攀升和下降趋势。计算后，GEV出行时间分布函数的参数为0.3441,2.0386，以及2.8441. 行驶距离的GEV分布函数的参数为0.4342,16.6224，和第19.822页。 为了描述“五一”期间491个交通分析区（TAZ）的出行量，我们对出行来源进行了空间相关性分析（如图5).图5a显示，出行次数较多的旅游区有白石洲、红树湾、华侨城、大梅沙、海亚白霍和国贸。旅游客源量高的旅游区可分为三种类型。第一类是具有热门景点的TAZ，如华侨城东部、大梅沙滨水公园和小梅沙滨水区。这种类型的TAZ不太受欢迎，但大多数旅行都是在出租车上进行的。第二类是交通枢纽，如罗湖港和宝安机场，在这些地方，前往旅游景点的出租车出行更加频繁。第三类是人口密集的居住区，如竹子林。然而，也有一些地区没有出租车出行，例如光明区、龙岗北部、平山北部和大鹏区。图5b显示了使用Getis-Ord-Gi*优化统计工具的空间相关性特征。在图5b、 红色表示高值的空间相关性，蓝色表示低值的空间依赖性。结果表明，出行量大的旅游区集中在南部，包括南山区和福田区。出行量较低的TAZ位于光明、龙岗、宝安、龙华和平山部分地区。 3.2. 旅游客源地与地理环境因素的相关性研究
为了确定行程起点的聚集趋势，我们使用30、50、100、150、200、250和300 m作为带宽进行了核密度估计。实验结果表明，密度图上的出行聚集区分布模式相似。这里，我们以100米带宽下的密度图为例。图6表明“五一”期间的主要旅游聚集区包括四个区域：深圳火车站、大马士沙景区、欢乐谷和红瑞社区。 为了模拟旅游旺季期间游客来源的空间变化与地理环境因素分布之间的相关性，利用POI数据和游客出行来源数据建立了GWR模型。首先，我们从7个核密度图（30、50、100、150、200、250和300m）中提取每个行程原点的密度值，然后在每个行程原点建立相应大小的缓冲区，并提取缓冲区内每种类型POI的数量。在每个尺度上，我们选择出行起点的核密度值作为因变量，选择11种POI的数量作为替代解释变量。我们使用OLS算法检查并筛选了七个尺度下的自变量。变量筛选和建模的标准是（1）确保建模成功，（2）能够解释旅游出行特征，（3）满足显著性检验，以及（4）避免多重共线性和空间相关性。在100米的带宽和缓冲区下，模型的最终优良度为0.9489。R2-调整后为0.948554。GWR模型中选择了七类地理环境因素（CS、SLS、TF、RH、AS、SS和SECS）作为最终解释变量。
地理环境因子的回归系数差异显著，其中CS、SLS、TF、RH和AS五个因子的平均值对旅游出行均为正，SS和SECS系数的平均值对旅游出行均为负。各类型POI相关系数的统计结果如所示图7在系数平均值为正的因素中，排名为：TF、AS、RH、SLS和CS；负系数均值的排序为SS和SECS。 我们在空间上可视化了回归系数。图8结果表明，POI与红色旅游出行呈负相关，与绿色旅游出行呈正相关。主要TAZ标记在图8a–g。它们包括万厦站（WX）、科苑站（KY）、香蜜湖站（XMH）、大芬站（DF）、宝坻站（BT）、大梅沙站（DMS）、南山邮政局（NSPO）、彭兴花园站（PXHY）、桥城东路站（QCDL）、布吉站（BJ）、梅林站（ML）、国贸站（GM）、林芝站（LZ）、林志站（LZ）、泥岗站（NG）、，竹子林站（ZZL）、红树林湾站（MBS）和沙布站（SB）。图中显示回归系数在空间上具有高度异质性。不同类型的POI与旅游出行的相关性在每个行政区都有很大差异。例如，在宝安区，交通设施与住宿服务之间存在正相关关系，与住宅住房之间存在负相关关系。龙华区交通设施与餐饮服务呈正相关，住宿服务、居住设施、体育休闲服务呈负相关。南山、福田和罗湖的各类旅游设施之间的相关性表现出异质性。 3.3. 旅游出行网络的结构特征
为了解释旅游景点之间的联系以及旅游流网络是如何形成的，从出租车出行数据中选择了与26个景点相关的出租车轨迹，以构建景点的出行网络。图9显示了25个旅游景点的旅游网络，它们清楚地显示了25处景点的空间覆盖范围。值得注意的是，罗斯海岸的景点网络较小，此处未绘制。图中显示（1）、（2）、（4）、（5）和（7）覆盖最宽的范围；它们是：莲花山公园、大梅沙滨水公园、梧桐山公园、欢乐谷和小梅沙滨水区公园。图9（6） （10）、（11）、（14）、（15）、（17）、（18）和（24）的空间范围最小：中英街、仙湖植物园、观澜版画村、荷兰深圳花城、洪树林自然保护区和甘坑客家人小镇。其余区域覆盖最为密集：锦绣中国民俗村、海洋世界、凤凰山森林公园、华侨城东部、世界之窗、国际园林花卉博览园。 此外，我们将深圳旅游网络的路段数除以总路段数，得出每个景点的覆盖范围。每个景点的覆盖率统计结果如所示图10覆盖率最高的四个景点是（1）、（16）、（22）和（26）-莲花山公园、世界之窗、欢乐海岸和人才公园。覆盖率最低的景点是（11）、（17）和（25）-观澜版画村、甘坑客家人小镇和玫瑰海岸。 此外，每个景点的出租车游客出行次数汇总在如所示的堆叠条中图11。蓝色、浅绿色和深绿色条分别显示5月1日、2日和3日每个景点的旅游次数。如果游客数量每天都在增加，那么只能看到最后一天的游客数量。如果游客数量减少，可以看到三天的游客量。在剩下的案例中，只能看到两天的游客量。图中显示，景点（1）、（4）、（5）、（8）、（9）、（20）和（24）的游客量每天都在减少，其中（1）和（25）前两天的游客量减少较少。第二天达到峰值的景点有（2）、（3）、（7）、（14）、（15）、（16）、（18）、（19）、（22）、（23）和（26）。 我们使用每个景点的四个指标计算了26个景点的复杂网络指标（如表1). 结果如所示图12平均度数最大的是（22）欢乐海岸，最小的是（2）大梅沙滨水公园。最大的网络直径是（7）小梅沙滨水区公园，最小的值是（11）观澜版画村。对于平均路径长度，最大值为（7）小美沙滨水公园，最小值为（11）观澜版画村。对于平均聚类系数，最大值为（22）欢乐海岸，最小值为（21）羊台山森林公园。 我们创建了景点之间的空间互动强度图（如图13)使用不同景点之间的旅游次数。在图13节点表示26个景点，边缘表示景点之间的流连接。我们使用自然断点法将旅游人数分为三类。红色边缘的行程次数最多，蓝色边缘次之，灰色边缘最少。值得注意的是，东部和西部的内部景点紧密相连，而周围景点的联系较少。世界之窗、锦绣中国民俗村、欢乐海岸、欢乐谷的旅游量最高，形成了一个紧密的集群。东西部景点之间的主要游客流位于大梅沙和世界之窗之间。青青世界、荷兰深圳花城、野生动物园、大汾村和中英街位于网络结构的边界，景区节点与其他节点稀疏相连。此外，上述还表明，假日期间的旅游流主要集中在旅游业发展较好、资源密集、丰富、可达性高的地区。 4.讨论
（1） 旅游出行模式分析。
对于分布模型，有各种模型来描述轨迹数据中行程距离和行程时间的分布模式，如幂律分布、指数分布、指数截尾幂律分布，对数正态分布和伽马分布。布罗克曼[36]观察到人类旅行距离呈幂律分布。燕[37]认为交通方式影响聚集的出行模式，单一交通方式的位移应遵循指数分布而非幂律。梁[38]认为出租车乘客出行的位移呈指数衰减。张研究了中国哈尔滨的城市流动性，发现出行距离遵循对数正态分布[39]. Veloso发现伽马分布可以描述出租车的行驶距离[40]. 从以上研究可以看出，轨迹数据中包含的旅行时间和距离模式很难在不同的数据集和研究区域中使用统一的模型来表示。在本研究中，通过对出行距离的建模和比较分析，我们发现GEV模型更好地代表了“五一”旅游出行的特征。它可以描述旅行中的爬升和下降特征。根据从其他数据导出的模式，所有数据都属于长尾分布，这表示长距离的流量在减少。然而，GEV在描述爬升特征时更符合数据。其中一个可能的原因是，旅游资源的布局特点和天气因素的结合导致在游览附近景点时需要更舒适的交通。这一现象可以描述游客对出租车出行的偏好，这将有助于规划高效的交通系统，促进游客在多个景点之间的周转。此外，这一现象有望指导他们在游览多个景点时，就交通服务做出明智的决定。 对于出行流动模型，以前的大多数文献都给出了目的地之间的流动模式[41]. 相比之下，很少有研究专门对目的地内流动进行建模。因此，澄清目的地内部流动的模式很重要[42]尤其是城市旅游流的特点。在许多国家，出租车是许多旅行的首选方式，尤其是对从事商业和旅游的个人而言。现有的使用轨迹数据的出行行为研究主要关注通勤者的交通特征。在本研究中，我们分析了城内景点之间出租车出行网络的结构特征。McKercher和Lew[43]给出了游客的四种流动模式，即有或无单程旅行的单一目的地、中转站和环形旅游、有或无多通道的环形旅游以及集散式。这些模式可以用来指导旅游产品开发。然而，很难适应多个景点之间的交通组织和协同发展规划的需要。我们利用出租车OD数据和游客量建立了多个景点之间的流量网络。本研究报告的结果表明，出租车出行数据可以揭示旅游资源的空间使用行为，可用于指导旅游产品开发、旅游线路组织和规划。 对于影响因素的建模，已经做了很多有意义的工作。城市出租车出行与地理位置密切相关，特别是社会人口分布和建成环境特征[1]. 与以往的研究相比，本研究侧重于建筑环境的影响。考虑到出租车轨迹数据获取的难度以及游客的人口统计特征，我们建立了以出行密度为因变量、以缓冲区内POI为解释变量的地理加权回归模型，以帮助解释旅游出行的空间不平衡性。由于很难建立影响旅行的环境因素范围，我们在七个不同的尺度上进行了缓冲区分析，以建立可能容纳更多解释变量的模型。通过实验，我们发现能够解释出行发生特征的可建模变量是不同的。在100 m处，各种POI的相关影响更为有效。 （2） 对旅游交通规划的影响。
本研究从时空和网络的角度分析了城市旅游出行的特征。结果表明，城市形态结构和旅游资源分布不均是造成旅游客流分布冷热的主要原因之一。在这种情况下，单一的交通方式会影响城市旅游出行的意愿和印象。此外，作为一种快速交通工具，司机盈利的需求影响了乘客寻找过程的空间分布，因为他们更喜欢去人口密度高的地方。这也给旅行带来了竞争压力。为了使城市旅游资源受到公众的青睐，开发省时、长途的交通方式是可持续城市旅游系统的必要组成部分。以深圳为例，本研究的数据收集年份为2015年，当时该市北部和东部有五条地铁线路，缺乏地铁线路。当出租车分布不充分时，公众不得不依赖公交车，这可能会增加出行时间，降低出行意愿。深圳市政府也在努力改善交通条件，尽管其主要目标是满足日常通勤和流动性的需要，这也始终有利于该市的旅游业。截至2020年，深圳已有11条地铁线路，东部和北部的出行条件得到了显著改善。此外，自2016年以来，深圳开发了共享汽车，可以通过智能手机进行呼叫，并在出发点准时取货。这些交通方式为长途旅游提供了便利，并弥补了出租车载客空间分布的不平衡。总的来说，出租车是城市旅游交通系统中最重要的组成部分之一。然而，为了实现城市旅游的可持续发展，开通长途地铁和增加汽车共享将有助于满足郊区的旅游出行，提高城市旅游的公平性、城市旅游的形象和游客满意度。
（3） 限制。
有多种交通方式可用于城市旅游，如地铁、公共汽车和出租车。最近，汽车共享逐渐成为公众的一种新的交通方式。本研究仅关注单一时间段“五一”期间的出租车出行，这在交通方式的综合性方面存在局限性。然而，相关数据分析方法也适用于其他交通方式，与传统的人工旅游调查相比，结果是可靠的，特别是对于出租车等交通方式，现场调查数据难以收集。另一个限制是旅游旅行的提取方法。考虑到出租车停靠地点的随机性，很难在旅游景点的入口处确定准确的区域，以帮助提取可靠的行程。然而，我们试图确保数据的质量和落客区的准确性，例如，通过为不同的景点入口和道路布局设置不同的落客区，并将百度街景和谷歌卫星图像结合起来，修正掉掉的区域，以考虑到“五一”期间游客流量的拥堵。
5.结论和未来工作
在本研究中，我们研究了旅游客源地的空间分布特征及其与地理环境因素的相关性，以及旅游旅游网络的结构特征。首先，我们使用KDE算法分析了旅游客源地的空间聚集特征。结果表明，旅游出行集中在旅游景点和城市出入境口岸分布较高的地区。其次，我们使用Getis-Ord Gi*检验了旅游出行的空间依赖性，发现城市空间结构、形态特征和旅游资源分布都会对旅游出租车出行产生影响。第三，利用GWR模型探讨了旅游客源地与城市地理环境因素之间的相关性。结果显示，旅游出行与各因素之间的相关性存在显著差异。最后，我们构建了旅游网络，并使用复杂网络度量对其进行了量化和比较。还发现了其他有趣的见解，这些见解与一些先入为主的想法和相关研究要么一致，要么不一致。首先，旅游网络覆盖率和旅游出行量之间的趋势相似。此外，对于覆盖率高的景点，游客量的峰值出现在旅游期的第二天。位于覆盖率排名中间的景点显示游客量呈下降趋势。其次，城市旅游景区之间的空间互动强度具有分组性和层次性两个结构特征。然而，这些组在空间上并不是均匀分布的。这就是为什么深圳南北部的冷热旅游差异很大的原因之一。
与其他公共交通数据相比，出租车GNSS记录的位置和时间戳具有更高的准确性，能够可靠地揭示人们的运动模式。在这里，我们只分析了“五一”期间的游客特征，未来，我们的目标是获取几年来同期的数据，并对中国其他旅游季节（如国庆节）进行比较分析。此外，我们将重点关注旅游景点周围交通的环境语义特征，以帮助旅游产品开发和游客调节。
