郎月华　李仁杰　傅学庆

[摘 要]选择GPS轨迹内涵的移动速度、速度波动特征、移动状态持续时间、数据异常点等旅游行为基本特征，作为旅游行为模式分类的基础，文章提出了GPS轨迹栅格化的概念模式，设计了基于GPS轨迹栅格化的旅游行为空间模式表达方法。该方法不仅能够区分观光式、休憩式和乘车式3种不同类型的旅游行为空间模式，而且能够描述旅游空间任意位置的主导行为模式，可以解决旅游时空行为和旅游地理格局与过程的精细化定量研究。九寨沟实例研究证明，栅格化的旅游行为空间模式计算结果与其他数据源的研究结果基本一致，但描述视角更丰富、时空精度更高。该方法能够对旅游时空行为的研究提供支持，提高旅游地理学研究的精细程度，案例计算结果可以为旅游地规划与管理，特别是为观光路线和景区引导设计提供参考。

[关键词] GPS轨迹;栅格化;旅游行为;空间模式;九寨沟

[中图分类号]F59

[文献标识码]A

[文章编号] 1002-5006（2019）04-0048-10

Doi：10.19765/j.cnki.1002-5006.2019.06.010

引 言

在旅游时空行为、景观感知及其空間模式的研究中，问卷调查和深度访谈是运用最广泛的信息收集方法，例如关于旅游者环境行为、感知态度和旅游动机等方面的测量和研究。近年来，随着移动互联网和社交网络的快速发展，越来越多的旅游者在微博、旅游社交网站等网络空间中自愿发布与个人旅游行为和旅游感知体验相关的文本、评论、照片等众包旅游信息。旅游学和旅游地理学的学者开展了以此类数据源为基础的旅游地名热度、地名共现关系、景观关注度、旅行空间模式、旅游者时空行为、城市游憩空间，以及对旅游感知与目的地选择等研究。相对于调查问卷数据源来说，众包旅游信息不受问卷设计导引的影响，参与者人数更多，内容更多元化，可以与问卷数据形成有效互补。但文本、评论和照片等旅游信息内涵的时空内容具有不连续性，影响了其在精细化旅游时空行为研究方面的精度，因此利用此类数据源的研究较少关注旅游者在景区内部游览过程中的行为状态。

GPS轨迹则是满足时空连续性特征的另一类众包旅游信息，越来越多的移动App（特别是运动健康和旅行类）开始允许用户记录GPS轨迹并在网络社区中进行分享，旅行轨迹数据的获取越来越方便。GPS旅行轨迹比问卷调查和其他类型旅游信息在揭示旅游者时空行为特征上具有更加明显的优势，它连续记录的时空行为具有更高的精细度和可靠性，因此GPS轨迹数据开始应用于旅游行为研究中。例如，邀请用户携带专门GPS记录仪的方式获取旅行轨迹数据，利用时空路径、时空棱柱和空间统计等方法开展了旅游者时空行为特征的系列研究，设计开发了预测旅游者行为的启发式预测算法等。

旅行GPS轨迹和地理照片、位置微博等信息均具有时空信息，地理学者也将此类数据称为志愿者地理信息（volunteered geographic information，VGI）。与旅游学者不同，地理学的视角则是如何利用VGI挖掘旅游者行为的空间模式与过程，发现旅游行为与旅游空间单元的耦合特征，进而解释旅游时空行为的驱动机制。VGI数据用于旅游地理的研究也是以点状信息为主，主要原因在于有成熟的计算模型，例如核密度和热区分析在旅游地理中的应用。GPS轨迹是旅游者行为过程的整体记录，呈线性特征，但缺少直接将线性VGI用于旅游时空行为挖掘的有效方法。

由于GPS轨迹对于旅游行为和旅游地理研究的重要价值，本文希望设计一种GPS轨迹信息型态的变换方法，在不明显降低轨迹信息量度的基础上，将矢量数据结构描述的GPS轨迹转换为栅格结构描述的空间单元，形成更易于借助GIS等工具开展空间统计与分析挖掘的数据形式，以方便研究者开展旅游时空行为和旅游地理格局与过程的精细化定量研究。

1 研究理论与方法

GPS轨迹栅格化思想源于GIS的点要素空间模式挖掘方法，例如空间插值、核密度统计、热区分析等，计算结果都是依据点要素属性值生成专题栅格。如果能够将单条GPS轨迹中与行为特征有关的指标转换为栅格数据，就可以利用丰富的栅格分析工具进行群体时空行为模式的深入分析，服务于旅游和地理学研究。解决这一问题的关键点：第一，利用GPS轨迹点信息进行特定研究目标的分类或分组，以确定栅格像元值类型和计算方法;第二，确定合适的栅格像元大小，以适应研究目标对空间尺度的要求。

1.1 景区旅游者行为分类方法

已有相关研究多是从旅游线路的空间分布特征来描述旅游行为，较少描述旅游者在景区内部游览过程中的行为状态。要使GPS轨迹栅格化结果支撑景区群体旅游行为空间表达，就要考虑轨迹记录的移动速度、速度波动、特定状态持续时间、行程长度与数据异常点等基本特征。上述行为特征都可以通过GPS轨迹数据记录下来。

1.1.1景区旅游者行为分类方法的概念化描述

旅游行为模式分类的核心指标是移动速度，同时考虑速度稳定性、特定移动状态的持续时间和行程距离。例如，在较长时间内以较低速度持续行进较长行程的旅游行为模式多为观光式游览行为;旅游者乘坐电瓶车、缆车等摆渡式交通工具的乘车式游览行为，将以较高速度持续行进较长行程，期间可以伴有短时低速或静止状态;欣赏景观或临时休息的休憩式游览行为，将呈现极低移动速度或静止状态，在较长时间内完成较短的行程。

准确划分旅游行为类型还需剔除信号异常等数据干扰。无论是休憩、观光还是乘车的游览方式中，一般将持续一定时间和行程的相对稳定移动状态视为某个行为类型。但GPS轨迹在记录过程中可能因信号原因出现少量异常点，表现为相对于前后一定距离内的相邻点位速度偏移均值较大。速度值偏离均值较大且持续距离不足的少量异常点不能单独表示某一类旅游行为，应根据旅游地线路特征和行为模式的特点归并为相邻行为类型。

1.1.2景区旅游者行为的分类标准

由于没有发现关于景区游览速度定量特征的研究，旅游者移动速度的指标分析借鉴了吴江玲等对城市行人步行速度的研究结果。同时，结合旅游地考察调研，基于GPS轨迹数据特征和旅游者行为模式特点，制定了景区典型旅游者行为模式分类的内容描述与定量化参考标准，将较常见的旅游者行为模式划分为“休憩式游览”“观光式游览”“乘车式游览”3种（表1）。

基于上述分类标准，以单条GPS轨迹为例对景区3类代表性旅游者行为模式进行特征描述（图1）。图中的1-33号轨迹点，呈现了连续较长时间小于0.5 m/s的极低速度，形成高密度点聚集的较短行程特征，判断该组数据表现为休憩式游览模式;34-233号轨迹点的速度整体保持在0-2.25 m/s小幅波动区间，持续时间较长且形成了较长的行程，可以判断为观光式游览模式;234-473号轨迹点的速度保持在整体大于2.25 m/s的较大波动区间，持续时间较长且形成了较长的行程，故判断为乘车式游览模式。在乘车式游览模式中的368号轨迹点属于异常点类型，虽然该点的瞬时速度属于观光式游览的速度范围，但该点左右两侧的连续大量轨迹点速度均是乘车式游览速度范围，因此，单独的368号点不能判断为观光式游览模式，而应归并为乘车式游览模式。

本文仅设计了常见的典型旅游行为模式分类与定量描述标准。对于不同类型和环境特征的旅游地，分类与定量化标准可以进行适时调整，这并不影响栅格化计算与表达。例如，地形起伏较大的景区应考虑地形对旅游者步行和摆渡车速度的影响;水上景区的摆渡船速度及波动特征也不同于陆路交通工具。

1.2 基于轨迹栅格化的空间模式表达

对复杂的GPS旅行轨迹进行栅格化处理，有助于清晰解析每条旅行轨迹呈现的基本行为空间模式（图2），也有助于从多种视角进行行为模式的集成化，以准确解析旅游行为空间与旅游地理空间的耦合特征。轨迹栅格化的基本思路如下：

（1）基于轨迹点基本单元的旅游行为分类。首先，根据速度数值分布的基本模式，结合持续时间和行程长度判断3种基本行为类型;第二，根据不同行为的分类标准，分别判断不同行为模式下的速度异常;第三，根据速度异常数据的连续数量、时间与行程等特征，确定是否邻近归并。

（2）栅格化的像元尺度确定。考虑到常见景区观光线路的地形特征，以及GPS数据精度问题，在不同大小栅格像元的多次试验基础上，本文最终选用50 mx50 m栅格单元作为通用大小，使整个景区计算结果具有可比性。研究者可根据景区规模、地形特征和研究精细程度进行栅格像元尺度调整。

（3）GPS数字轨迹的栅格化。利用每条数字轨迹的轨迹点分类结果生成合适尺度的线性栅格，为后续轨迹栅格集成叠加提供基础数据。

（4）单一旅游行为类型的栅格叠加集成。例如，可以将所有旅行轨迹栅格图层分别按“休憩式”“观光式”“乘车式”分别进行叠加统计，获得观光线

路上每个像元位置出现某一类型旅游行为模式的频次分布栅格，以进行特定类型行为的空间模式分析。

（5）多类型旅游行为空间集成。将像元值为行为类型的所有旅行轨迹栅格进行叠加统计，获得观光线路上每个像元位置处的旅游行为类型特征。进一步判断各像元位置是否表现为某种主导的旅游行为类型，或是不同类型旅游行为相对均衡的混合行为类型。

（6）其它旅游行为空间模式分析。可以根据栅格数值内涵开展其他与旅游行为相关的专题空间模式分析，例如轨迹栅格化时采用停留时间作为像元专题值，可以探查游览时长的空间分布模式等。

2 九寨沟旅游地实证研究

九寨沟是中国著名的5A级旅游景区、国家级自然保护区和世界自然遗产地，拥有湖泊、瀑布、特色村寨等类型多样的旅游资源，观光线路纵深50多公里，可获得较多的旅游者GPS轨迹数据，适合开展景区内旅游行为及其空间模式的研究。九寨沟也是国内外旅游研究者关注的热点旅游地，有丰富的旅游研究成果，能够为本文研究提供理论和数据支撑，并适宜进行结果对比验证。利用本文提出的轨迹栅格化方法，对九寨沟旅游者GPS轨迹进行栅格化处理，解析每条轨迹呈现的空间行为模式，并分别从3种基本旅游行为类型的视角分析旅游者行为的空间模式。

2.1 数据采集与处理

本文的GPS轨迹数据来自GPS旅行社区“六只脚”。研究组于2016年10月采用网络爬虫获取了九寨沟GPS轨迹245条，涉及用户、出发时间、历时、海拔高度、速度和位置照片等基本信息。通过两个轨迹点之间的移动时间和距离信息，可以计算两点间的速度，进而判断旅游者的游览行为和状态。在“六只脚”网站中，与轨迹匹配的位置照片称为脚印，是轨迹上传者提供的兴趣照片，能够为旅游行为分类提供参考。

经过对每条轨迹的分析评价，删除重复、行程过短、位置不匹配和基本属性缺失的各类无效轨迹148条，保留有效轨迹97条，轨迹总行程4797.6 km，最长轨迹160.992 km，最短轨迹0.153 km，平均轨迹长49.5 km，轨迹点总计222 765个;位置照片共计1759张，涉及47条轨迹，附带照片最多的轨迹有照片397张。根据本文制定的景区典型旅游者行为模式分类的定量化標准，对九寨沟景区的轨迹数据进行行为模式的栅格化处理，并进行分类可视化（图3）。

2.2 观光式游览行为的空间模式

观光式游览行为（图3a）在游览线和景观两个尺度下都呈现明显的空间分异。部分游览步道的观光式行为聚集特征明显。树正沟、日则沟和则查洼沟3条主要游览线中，旅游者在日则沟的观光游览行为最集中，“镜海一珍珠滩一五花海一箭竹海”景段是最集中且空间跨度最长的步行观光游览段，达到6 km左右;树正沟中的观光式游览行为分布也比较集中，“荷叶寨一老虎海”景段是连续性较长的步行观光游览段;则查洼沟没有明显的连续性观光游览段。

在景观尺度下，观光式游览行为最集中的景观区是珍珠滩瀑布，其次是五彩池、长海、五花海、熊猫海、剑岩悬泉，第三是诺日朗瀑布、树正群海、树正瀑布等;另外，九寨沟口、诺日朗游客中心等区域也有相对集中的观光式游览行为。

2.3 休憩式游览行为的空间模式

在观光式游览行为比较集中的区域均零散分布有休憩式游览集中的位置（图3b），但没有明显的连续性休憩式行为空间聚集区域。例如，九寨沟的沟口区，日则沟的珍珠滩、孔雀河、熊猫海、箭竹海、剑岩悬泉景观区，树正沟的火花海、树正群海、树正瀑布景观区，日则沟的五彩池、长海景观区。这些位置或者有视野较好的观景台，或者有购物点，或者有休息区。旅游者往往停下来休息、购物或拍照留念等。

2.4 乘车式游览行为的空间模式

九寨沟的乘车式游览空间分布连续（图3c），且相对于其他行为类型来说，空间分异较小。九寨沟景区纵深50多千米，乘坐景区摆渡车在景观点之间快速导航是大多数游览者选择的游览方式。

树正沟作为进出九寨沟的主要交通线，旅游者乘车数量最多，因此全线乘车式游览最为集中、连续。则查洼沟乘车的旅游者比重也比较大，且全线分布均匀。则查洼沟的沿途景点较少，上季节海、下季节海景观的季节性明显，冬季少有游客下车游览;南端的长海景观则是旅游者关注的重点，因此，则查洼沟的乘车式游览也呈现全线均匀分布的特

征。日则沟以箭竹海为界南北两段乘车式游览具有明显差异，“诺日朗一箭竹海”段乘车式游览明显高于“箭竹海一剑岩悬泉”段。主要原因是“剑岩悬泉一原始森林”景段只在旺季开放相对乘车式游览比重最低。

2.5 主导旅游行为的空间模式

为了获得九寨沟观光线路上不同游览行为的总体空间模式，可以将休憩式、观光式和乘车式3种类型的行为空间行为模式栅格进行叠加统计，获得每个像元处的主导旅游行为模式（图3d）。本文将每个像元位置处某种类型的旅游行为比重超过50%的定义为该位置的主导行为模式，3种旅游行为模式占比相对均衡的像元位置定义为混合行为模式。

九寨沟旅游行为模式总体空间分布所示。除少数景点外，九寨沟观光线路上不同位置的旅游者行为主导模式与线路功能具有很好的耦合性。

观光式游览为主导行为模式的区域则明显集中分布于各线路的步行栈道上，其中，日则沟“镜海一珍珠滩一五花海一箭竹海”景段和树正沟“荷叶寨一老虎海”两部分景段均呈现了集中连续的观光式游览主导路段。而且，观光式游览集中分布的路段均是海子类型的景观区域。例如，树正沟的芦苇海、双龙海、火花海、树正群海、老虎海;日则沟的五花海、熊猫海、箭竹海;则查洼沟的五彩池、长海等。

3条风景线上全线均呈现了连续的乘车式类型主导的空间行为模式，与九寨沟全线摆渡车的车行道路分布一致。休憩式类型主导的位置无集中连续分布区，主要散列分布在各乘车点、购物区、观景台和休息区的位置，与旅游地基础设施配置的耦合性明显。

3 结果对比验证

为了验证基于GPS轨迹进行旅游行为分类的有效性，研究组又采集了用户发布GPS轨迹时附带的脚印（用户随GPS轨迹上传的位置照片）共1759张，并基于轨迹点记录的速度信息计算旅游者在每个位置的平均停留时间。将平均停留时间和拍照行为的空间特征与GPS轨迹解析的旅游行为模式进行对比验证。

3.1 基于位置照片分布的空间模式对比

旅游者发布的位置照片分布呈现的空间模式，与GPS轨迹栅格化解析获得的旅游者观光式游览、休憩式游览的空间模式高度一致。照片数量较多的路段正是旅游者观光式游览、休憩式游览的集中路段，照片分布集中的景观位置也是观光式游览密度较高的位置。从图4a可以看出，照片数量较多的区域主要分布在树正沟“荷叶寨一犀牛海”景段，日则沟“珍珠滩瀑布一箭竹海”“天鹅海一剑岩悬泉”景段，则查洼沟的“五彩池一长海”“诺日朗群海一则渣洼寨”景段;照片分布集中的景观位置包括树正瀑布、树正群海、树正寨，珍珠滩、珍珠滩瀑布，五花海，五彩池，以及九寨沟口等。上述计算结果与王守成利用Panoramio照片数据分析得到九寨沟旅游者关注度空间模式结果一致。相比之下，位置照片是离散状态的表达，重点表达旅游者对不同景观的关注度情况，是离散的景观感知。GPS轨迹是连续状态的记录，能体现一个连续的旅行时空过程，不仅完整记录了旅游者的旅行轨迹等空间信息和丰富的时间属性，还可以展示旅游者对不同景点的感知，解析出观光、游览、休憩、乘车等更丰富的行为模式类型。在研究方法上，本文将矢量数据栅格

化，能有效削减由于信号原因导致的数据精度和误差，将不能完全重合的多路径集成到统一的空间统计单元，有利于空间单元的集成表达、逻辑计算和时空统计。

3.2 基于停留时间的空间模式对比

旅游者在不同区域的停留时间的空间模式（图4b）与观光式游览、休憩式游览的空间模式也具有很好的耦合性。日则沟的“珍珠滩瀑布一箭竹海”、树正沟的“荷叶寨一犀牛海”、则查洼沟的“诺日朗群海一则渣洼寨”3个景段，是在空间上连续分布的旅游者停留时间较长的景段。在停留时间较长的景段，往往旅游者的游览速度较慢，也伴有较多的拍照等行为。另外，观光线路起止点会有较多拍照行为，呈现较长停留时间，例如九寨沟口、日则沟的剑岩悬泉、则查洼沟的长海和五彩池等景点。观光式游览、休憩式游览集中的路段，旅游者停留时间较长，也伴有较多拍照行为，与乘车式游览路段形成明显的空间差异。

4 结论与讨论

以GPS定位技术为基础的基于位置服务（location based services，LBS）的发展为大众出行提供了便捷服务，也为旅游行为规律的研究和旅游產品的规划提供了数据支持。本文结合当前大数据、时空分析等技术，通过GPS旅行轨迹大数据表现的旅游行为特征，实现旅游者行为模式分类。本文设计的旅游者景区内部空间行为模式计算模型，可以对不同类型的景区内旅游者的行为模式进行判断划分，进而解析旅游者对景观的关注度，从而有助于更好地理解群体行为表现的空间结构和旅游地理过程。本文通过对自发上传轨迹数据进行筛选、清洗、行为模式划分等处理与分析，使旅游者的旅游行为及对景观关注、感知的状态逐渐清晰。对旅游学，尤其是旅游地理学而言，GPS轨迹不仅可以用于研究旅游者的旅游行为，还可以在多时空尺度下挖掘旅游者感知与评价，进而深入研究旅游者的关注度，为旅游地管理决策服务。

4.1 結论

通过GPS轨迹数据中的轨迹点位置、记录时间等信息，将数字轨迹栅格化，实现了基于数字GPS轨迹的旅游者行为分类及其空间化表达。GPS轨迹的栅格化结果有效提升了GPS轨迹对旅游行为特征的表征效果，可以获得不同类型旅游行为的空间分布模式，有助于在多时空尺度下开展旅游行为的定量化研究。

实证分析表明，GPS轨迹能够清晰表征多时空尺度下的旅游者不同类型行为的空间分布模式。九寨沟旅游者行为的空间分布模式特征明显。从整个旅游地空间尺度来看，观光式游览集中、连续分布于树正沟、日则沟两条风景线，则查洼沟只有五彩池.长海局部景观区域较为典型。从单条风景线的空间尺度来看，树正沟的“荷叶寨一老虎海”景段，日则沟的“镜海一珍珠滩一五花海一箭竹海”景段是观光式游览集中分布的景段。从单个景观看，树正群海、诺日朗群海、珍珠滩、五花海、熊猫海、箭竹海等是观光式游览集中的景观。

基于GPS轨迹解析的不同类型游览行为的空间模式与景区的基础交通配置、管理模式有较好的对应关系，同时与旅游者发布的位置照片和停留时间的空间模式耦合性较好。不同类型的游览行为分布与交通类型空间模式基本耦合，但也有少数耦合性较差的区域。例如，珍珠滩瀑布、树正瀑布、五花海等是旅游者关注度较高的景点，但其栈道及观赏空间位置相对庞大的旅游者数量显得狭小，难以满足旅游者观光的需求。再如，空间分布较大的景观，如犀牛海、老虎海、芦苇海等景点，海子面积广大、全程景色差异性小，旅游者在此驻足观光的比重较五花海、树正瀑布小，栈道作为旅游者交通通行设施的功能突出。乘车式游览在整个九寨沟景区的所有线路广泛分布，与全程摆渡车设置的管理模式一致;而游客乘坐摆渡车主要目的是在不同景点之间移动，因此拍照行为非常少。观光式游览密集分布与配备步行栈道的位置重合;观光式游览集中的景段和景点也是停留时间较长的路段或位置，同时旅游者发布的位置照片数量也比较多。

4.2 讨论

在大数据时代背景下，GPS导航服务产生的大数据为更好地理解旅游者旅游行为规律提供了数据支持。相对于旅游微博、位置照片和游记文本等形式的众包旅游信息来说，尽管GPS轨迹总体上数据量不大，但GPS轨迹不仅完整记录了旅游者的旅行轨迹等空间信息，还完整记录了轨迹的时间属性，能体现一个连续的旅行时空过程。

本文采用的GPS轨迹来自开放的旅游信息分享社区，它不同于研究者邀请游客参与调查获得的

GPS轨迹，不会受调查研究设计目标的影响，是旅游者自主选择旅行路线的结果，属于VGI的范畴。因此，VGI类型的GPS轨迹内涵的时间信息能够间接描述旅游者对旅游景观的偏好选择，与其它VGI形式的旅游信息一样，此类GPS轨迹也是旅游地理学和旅游者时空行为研究的优质数据源。

本文将矢量数据栅格化，有效削减由于信号原因导致的数据精度和误差，将不能完全重合的多路径集成到统一的空间统计单元（特别是线性单元），有利于空间单元的集成表达和逻辑计算，方便对数据进行时空统计。应用当前GIS学科中的成熟、丰富的分析模型与方法，实现多时空尺度的旅游行为定量化研究。可以方便的实现从“轨迹点一景点一景段一观光线路一景区一旅游地”的不同尺度灵活变换，实现旅游时空行为的多尺度研究。栅格化的表达方法不仅适用于GPS轨迹数据，还可以应用到如兴趣点（point of interest，POI）、位置照片、位置微博等多源数据中，使不同数据的分析处理方法更加多元化。

本文的研究主要关注多条GPS轨迹的栅格化集成结果呈现的旅游者行为的共性时空特征。从GPS轨迹的时空信息特征和志愿提供的模式方面看，对单条GPS轨迹的深入挖掘，也可以支持基于个体的旅游时空行为研究，从多时空尺度上准确表达旅游者对旅游空间的关注度。通过GPS轨迹数据，不仅可以准确地从空间尺度上了解旅游者对不同景点的关注度，还可以掌握旅游者流动信息，进而揭示旅游者行为规律。在旅游地规划与管理，特别是观光路线和景区导引设计提供技术支持。另外，在城市空间结构研究以及城市居民出行行为研究方面，该方法同样适用。GPS轨迹表现了用户空间分布集聚动态规律，通过GPS轨迹对出租车的运行状态进行分析，了解人们的出行特征、解析城市居民的行为规律，如职住关系、通勤出行时空分布等，从而有助于城市公交换乘枢纽以及其他公共设施的规划设计。

Spatial Pattern Analysis of Tourist Behavior based on Rasterization of GPS Trajectories

LANG Yuehua1， LI Renjie1，2， FU Xueqing1，2

（I.College of Resources and Environmental Sciences. Hebei Normal University， Shijiazhuang 050024， China;

2. Laboratory of Environmental Change and Ecological Construction ofllebei Province. Shijiazhuang 050024， China）

Abstract： Location-based services that utilize GPS are convenient for travel. The GPS data collectedby such services can be used to investigate tourist behavior and plan tourism products. GPS datainclude location and time and thus can be used to reconstruct tourist time- space behavior. GPS trajec-tories are more reliable than data obtained from questionnaires and other types of tourist information.

Based on the characteristics of GPS trajectories， such as movement velocity， velocity fluctuation，movement duration， and data anomalies， this study rasterizes GPS trajectories and proposes a methodfor representing tourist behavioral spatial patterns. This method can distinguish three types of touristbehavioral spatial patterns， namely the sightseeing tour， recreational tour， and bus tour. In addition， itcan indicate the dominant behavior pattern anywhere in a tourist area. This information can be used toquantitatively study tourist time-space behavior and tourism geography.

An empirical study conducted on Jiuzhai Valley demonstrates that GPS trajectories can be used tocharacterize the spatial distribution patterns of different types of tourist under multiple temporal andspatial scales. The tourist behavior characteristics of the spatial distribution model are obvious. For theentire tourist area， sightseeing tours are found to be concentrated in Shuzheng Valley and Rize Valley.Colorful Pond and Lang Lake are typical landscapes in Zechawa Valley. From the spatial scale of asingle sightseeing line， sightseeing is concentrated in the "Heye Village-Tiger Lake" section in ShuzhengValley and the "Mirror Lake- Pearl Shoal- Five Flower Lake- Arrow Bamboo Lake" section in RizeValley. From the spatial scale of a single landscape， Shuzheng Lakes， Nuorilang Lakes， Pearl Shoal，Five Flower Lake， Panda Lake， and Arrow Bamboo Lake are the most popular sightseeing spots.

The results of the rasterized tourist behavior spatial model are basically consistent with other datasources， but the model provides a richer perspective for research and gives higher spatio- temporalaccuracy. The proposed method can be used for research on tourist space-time behavior and tourismgeography. The results can provide a reference for the planning and management of tourismdestinations， especially sightseeing routes and scenic guide design.

Keywords： GPS trajectory; rasterization; tourist behavior; spatial pattern; Jiuzhai Valley