基于Wi-Fi定位技术的航站楼旅客时空行为特征分析——以上海虹桥机场T2航...|江阴雨辰互联

2023年7月9日发(作者：)

摘　要　机场航站楼中的旅客行为复杂多变，是环境行为领域的重要研究课题。Wi-Fi定位等室内定位技术的迅速发展，为研究航站楼内旅客行为提供了新的数据来源。通过66天收集的近6 000万条Wi-Fi定位数据，对上海虹桥机场T2航站楼内旅客的到离时间、活动区域与航班信息等进行分析；进一步发现可能影响旅客提前到达航站楼的因素包括时间、航空公司和延误情况等，并建立对应的回归模型。研究展示的Wi-Fi定位数据在行为分析领域的潜力，能够为航站楼设计和运营提供建议，对大型公共建筑领域亦有借鉴意义。关键词　环境行为学　机场航站楼　旅客行为　Wi-Fi定位技术　数据挖掘ABSTRACT　The complex and changeable passenger behavior in the airport terminal is an important

research topic in the field of environmental behavior. In recent years, the rapid development of indoor

positioning technology such as Wi-Fi positioning has provided a brunch of new data sources for

studying the passenger behavior in the terminal. This paper collects nearly 60 million Wi-Fi positioning

data in 66 days to characterize the passenger behavior in the T2 terminal of Shanghai Hongqiao

International Airport. Firstly, it analyzes the arrival and departure time of passengers, the activity area

and flight information; further data mining is carried out for passengers’waiting behaviors. It finds that

passengers arrived at the terminal 101.6 minutes in advance on average, which is affected by various

factors such as departing time, airlines and flight delays, and establishes a corresponding regression

model. This paper demonstrates the potential of Wi-Fi positioning data in the field of behavior analysis

through specific cases, which can provide suggestions for the design and operation of the terminal and

other public WORDS　environmental behavior study, airport terminal, passengers’behaviors, Wi-Fi

positioning technology, data miningDOI　10.12069/.202102024中图分类号　TU18　　　文献标志码　A　　　文章编号　1000-3959（2021）02-0024-07基金项目　国家自然科学基金面上项目（51578299）林雨铭　黄蔚欣*LIN Yuming　HUANG Weixin基于Wi-Fi定位技术的航站楼旅客时空行为特征分析——以上海虹桥机场T2航站楼为例Research on Passengers’ Spatial-temporal Behaviors in the Airport Terminal

Based on Wi-Fi Positioning Technology: A Case Study of Shanghai Hongqiao

International Airport2　T2航站楼旅客服务流程离开航站楼离开到达航站楼M2等待区登机大厅安全检查登机口到达/转机3F等待区值机大厅2F值机柜台转机中转大厅离开一　研究背景随着全球化的不断深入，航空业已成为现代社会不可或缺的一部分。根据国际航空运输协会的数据，2017年约有41亿人次乘飞机旅行，航空货运业务同比增长了9.7％，其中中国市场再次成为全球旅客数量增长最大的国家[1]。根据中国民航总局的数据，2017年国内有229个民用运输机场，为5.51亿的旅客提供了服务；到2020年底将有260多个民用机场，预计服务旅客数量将1F接机大厅行李提取离开乘客到达乘客转机乘客公共交通到达[作者单位]　清华大学建筑学院（北京，100086）*通讯作者（E-mail:*********************.）24　

2/2021 新建筑

数据时代的建筑与城市研究本文引用格式：林雨铭，黄蔚欣. 基于Wi-Fi定位技术的航站楼旅客时空行为特征分析——以上海虹桥机场T2航站楼为例[J]. 新建筑，2021（2）：24-30.达到7.2亿人次[2]。作为重要的公共交通节点，机场航站楼往往承担了复杂的功能，除了登机候机之外，还提供购物、娱乐、交流、接驳等多种功能。除此之外，作为公共设施，不同类型的人群因出行需求而聚集到机场内，由此引发的多样化行为，以及影响航站楼内旅客行为的众多因素，为环境行为学的研究带来了新的研究课题。本研究将针对机场航站楼内的旅客行为，采用大数据挖掘的方式，分析旅客的时空行为特征，并针对候机登机这一特殊的事件进行针对性分析。希望能够通过数据挖掘，揭示机场航站楼内的旅客行为动因，为机场航站楼设计与运营提供建议，也为其他类型的大型公共建筑研究提供参考。二　研究现状环境行为学研究由来已久，并随着时代发展不断调整研究范式，接纳新的数据来源和分析方法[3, 4]。在过去几十年间，环境行为研究主要依靠实态观察、问卷调查、采访和认知地图等方式，但这些研究方法在全面准确地获取行为信息上稍有不足，在应对机场这样的大尺度、高密度人流场景时，更是困难重重。另一方面，近年来室内定位技术和大数据技术的长足发展，为环境行为的研究提供了新的可能性。数字技术的日新月异，使得传感器和电子设备成为了日常生活的一部分，人在环境中的行为留下了虚拟印记，往往能够通过这些痕迹推断人的行为，进而开展分析，如应用事务日志推断社交网络的构成[5]。对于环境行为分析而言，人在空间内的活动是关注重点，因此室内定位技术占据着重要位置。室内定位技术有多种较为成熟的技术路径，如GPS[6]、超宽带（UWB）定位[7-9]、蓝牙[10]等。相比较而言，GPS定位精度限制较大；UWB及蓝牙等主动定位技术精度较高，但需要被试佩戴手环等特殊发信设备。此外，基于视频的机器视觉技术发展迅速，但现阶段主要应用于卡口计数，较难形成对时空轨迹的连续追踪。而Wi-Fi定位技术基于已经普及的Wi-Fi技术，无需被试主动发信即可实现连续的时空轨迹追踪，实现广泛的适用性、适宜的成本和较为准确的定位精度，得到了研究者们的青睐。基于Wi-Fi信号已经开展了许多相关研究，如针对滑雪度假村、旅游风景区内游客行为进行的分析[11-13]，业已证明室内定位数据能够为环境行为分析带来充1　虹桥机场T2航站楼功能平面足、可靠的来源，是未来环境行为领域重要的研究旅客可以选择在柜台办理登机手续或自助完成登机方向。服务，在登机大厅享受购物和餐饮服务；经过安全检查后，旅客进入离境大厅，可以选择在登机口附三　研究方法近等候，或前往商店和餐馆进行消费，直至登机。1　案例简介到达服务主要分布在2楼和1楼，到达旅客将经过到上海虹桥国际机场（后简称虹桥机场）始建达大厅并领取行李，穿过接机大厅离开航站楼；中于1921年，是中国第七大机场，2017年发送旅客转旅客也将经过到达大厅，然后直接转向出发大厅量达到4 000万人次，是上海最重要的枢纽机场之等待登机（图2）。一。虹桥机场设有两个航站楼：T1航站楼承担国2　数据来源际航班及部分国内航班，T2航站楼主要承担国内为了调查航站楼中旅客行为，本研究使用航班。自2010年T2航站楼正式运营以来，T1航站Wi-Fi定位技术②进行数据采集工作。Wi-Fi信楼的客流量逐渐减少，后于2014年进行改建。因号的强度会随着设备接入点（access point，此，本研究以大客流量的T2航站楼为例，研究旅客AP）之间的距离而变化，这种衰减遵循传播损耗在航站楼内的行为。公式[14]，因此可通过三边定位算法或指纹算法来T2航站楼建筑面积3 626 000 m2，包括接机定位设备[15]。同时，基于MAC地址的唯一性，还大厅（1F）、行李提取区（1F）、中转到达大厅能连续跟踪这一设备的轨迹，记录建筑空间中旅客（2F）、值机大厅（3F）、安全检查区（3F）和的时空位置，进而为环境行为研究提供丰富而有价出发大厅（M2①）等区域，流线设计上将出发和到值的信息（图3）。达的旅客分隔到不同的楼层。候机楼整体平面为π如果想要获得旅客的精确位置，需要多个同时形，共设有80个服务柜台、47个安全检查口、89从同一移动设备捕获数据的接入点。机场航站楼空个登机口和45个登机桥（图1）。间尺度大、均质性强，值机大厅、登机大厅等主要T2航站楼的旅客服务流程遵循一般的机场服务功能空间跨度均在200 m左右，但内部空间属性差流程。出发服务功能主要设置在3楼和M2楼，离港异不大。考虑到T2航站楼的建筑规模，如果需要实数据时代的建筑与城市研究

新建筑

2/2021　

25B1M1M2M3停车场员工VIP登机口行李提取到达大厅商店混合功能就餐候机大厅概率在场天数B21F2F3F概率在场时长 / h4　T2航站楼Wi-Fi定位系统布设情况5　旅客在场天数与在场时长分布（对数坐标）3　Wi-Fi定位技术工作原理获取安全检查区中的数据。研究涉及2016年8月5日—10月9日之间，总共66天的58 893 280条信号记录和4 512 598个接入点1Wi-Fi信息接入点2位置信息服务器四　数据分析1　数据基本情况Wi-Fi定位数据可提供高分辨率的时空行为数据，而航班时刻表可提供机场中的重要事件信息。这些信息可以用于描述机场中的旅客的时空行为。T2航站楼内不同楼层之间的数据量差异，其中出发大厅人流密度最大，而候机大厅和到达大厅中的旅客也很多。同时，每个楼层内的旅客分布是不均匀的，M2层西侧的数据量比东侧大，这可能与每层的功能区域的布局有关——航站楼西侧连接机场酒店，入住旅客有可能在此产生更多数据（图6）。从66天中整个T2航站楼内的数据量和设备量情况来看，周末的数据量少于周中，而假期的数据量最少，平均收到的数据量为377 085.5条、413 259.3条和301 767.2条。就设备数量而言，这种趋势更为明显，显示出明显的周期性和假期的显著影响，周末的设备数量平均减少10.6％，假期平均减少27.3％（图7）。数据量和设备数量之间的相关性是0.749，说明数据量和设备数量之间有着较为密切的联系。考察每天的流量变化，可以发现机场的日常运行规律——上午10:00到夜间20:00是航站楼最繁忙的时段。在上午07:00左右，设备的数量开始急MAC地址。由于Wi-Fi数据获取的是空间中的电磁信号，因此可能会包含各种类型的噪声，包括来自固定设备的信号，来自某些移动设备的伪MAC地接入点3数据库址，以及空间中的电磁噪声。同时，机场员工携带的移动设备也会对分析旅客行为产生干扰。为滤除噪声，研究根据MAC设备的存在天数、存在时长和制造商信息，对原始数据进行了筛选。由旅客在场天数和在场小时数的分布情况可现精度在2 m左右的空间定位，需要以10 m为间隔密集布置AP点，成本较高。因此，本研究仅关注设备所在的区域而非精确的位置，每个接入点的最大覆盖半径为30 m，接入点收集的数据即代表在这个区域内活动的旅客，并在登机大厅等重点空间减少AP间距，提升空间分辨率。这一定位精度可以在控制成本的前提下，较为清晰地描述机场的空间结构、人员空间分布以及旅客的时空行为。研究共布设171个AP，覆盖了整个T2航站楼（图4）。根据覆盖区域的属性，可以将这些接入点分为9个主要功能类型：停车场、员工区、VIP区、登机大厅、行李提取区、到达大厅、商店区、就餐区和混合功能区。因为布设条件的限制，无法知，在场时长很短的旅客可能是噪声数据，大多数普通旅客的在场时间不长，而较厚的尾部代表在场时间较长的机场员工，凸起的尾巴代表永远在场的固定设备（图5）。根据数据筛选的肘点原则（elbow point principle）和机场的实际情况，本研究将在场时间少于0.5 h的旅客视为噪声数据，将在场天数超过14天的旅客视为机场员工，并结合制造商的信息，保留了25 545 241条记录，涉及1 601 186个移动设备记录，分别占原始数据集的43.4％和35.5％。除了Wi-Fi定位数据外，还使用了一些其他数据，包括上海的天气数据、计划的和实际执行的航班时刻表，这些均是对旅客行为数据的重要补充。26　

2/2021 新建筑

数据时代的建筑与城市研究剧增加，旅客集中到达机场，而在上午10:00左右是第二个旅客集中到达的时间点。在中午12:00之后，设备数量仍然缓慢增加，晚间20:00之后呈急剧下降态势。到凌晨02:00左右，航站楼内几乎没有移动设备了。相比之下，节假日下午的增长不太明显（图8）。考虑到部分旅客可能未携带智能手机或未启用Wi-Fi，设备数量并不一定代表旅客的数量，但是可以从实际执行的航班时刻表中获得实际的旅客人数。研究发现，实际的旅客人数与Wi-Fi室内定位系统获取的MAC地址的数量具有高度相关性，相关系数高达0.821，这意味着Wi-Fi定位系统数据可以视为对旅客的有效抽样（图9）。事实上，Wi-Fi定位系统所记录到的旅客数量大约是实际旅客数量的一半左右。B21F2F3F数据量（百万）周中周末假日设备数量B1M1M2M32　到达与离开基本情况分析与传统的研究方法相比，Wi-Fi定位可以用更高的分辨率地来追踪人的轨迹。在此基础上，可以揭示整个航站楼的人员流向，以及到离航站楼的具6数据量可以通过区分每个旅客第一次和最后一次出现的区域，对其进行分类。在登机口附近消失的人群可以被视为出发旅客，出现在到达大厅的人群可以被视为到达旅客。研究发现，出发旅客大多是从VIP区或候机大厅出现，此外有部分旅客从商店区域出现，也有部分从到达大厅进入航站楼的转机旅客。另一方面，除了转机之外，到达旅客绝大多数是从停车场离开了航站楼。不同区域之间的联系强度和重要程度，可以通过人数间接反映（图10）。考虑到Wi-Fi轨迹可能不完整，因此在其他一些区域（例如商店）也出现了一定数量的旅客。为了服务于机场的主要客户，仅保留具有完整轨迹的数据记录，并在此基础上对到达和离开的旅客进行76　旅客数据分布热力图7　定位数据量与移动设备数量逐日变动情况日期深入研究。分析出发旅客到达和离开的位置，可以看到他们主要从出发大厅和VIP区域进入航站楼，然后从不同的登机口离开。而出发旅客到达与离开时间分布情况则显示，他们从06:00左右开始到达航站楼，并持续到23:00左右；大多数旅客的停留时间为1～2 h，而晚上到达的旅客的停留时间似乎稍长一些（图11）。分析到达旅客行为可以发现，大多数旅客在进入航站楼后立即从到达大厅离开了，而有些旅客则从停车场离开。从时间上看，从上午09:00到第二天凌晨02:00均有旅客到达，他们中的大多数并不8　移动设备数量逐时变动情况周中周末假日设备数量9　移动设备数量与实际旅客数量逐日变动情况NN乘客数量时间日期数据时代的建筑与城市研究

新建筑

2/2021　

27设备数量设备数量体时间和位置。VIP候机大厅停车场到达大厅离开时间离开区域员工商店就餐混合功能24:0024:0020:0020:0016:0016:00离开时间人数12:0012:0008:0008:0004:0004:00登机口行李提取候机大厅停车场到达大厅员工商店就餐混合功能登机口行李提取VIP00:0008:0004:0016:0000:0024:0012:0020:0000:0008:0004:0016:0000:0024:0012:0020:0011b到达时间12b到达时间10B1到达区域M1M2M3B1M1M2M3B21F2F3FB21F2F3F11a10　旅客到达与离开地点类型分布11　出发旅客到达与离开位置与时间分析a　地点热力图　　b　时间分布注：点的大小表示旅客的数量离开到达12a12　到达旅客到达与离开位置与时间分析a　地点热力图　　b　时间分布注：点的大小表示旅客的数量离开到达在机场进行过多的停留（图12）。一方面，针对航班延误造成的旅客拥堵，如果能根据旅客到达航站楼的规律提前进行准备，将对减轻量中形成此峰值。可以推断，这些离开的旅客，乘坐的正是之后能与之对应的航班（图13）。本研究采用连续小波变换（continous

wavelet transform）的方法[16]来检测不同区域的离开数量峰值，并且将它们与紧随其后的航班关联在一起。必须注意，同一个接入点附近可能有多个登机口，并且旅客离开和航班起飞之间存在一定的时间间隔，因此对于一批集中离开的旅客，可能有多个航班与之相关。为确保严谨性，研究仅选取可以唯一关联的航班。在覆盖登机口的62个接入点的数据中，总共发现了27 458个离开峰值，经过筛选后匹配了8 743个航班，涉及73 121人次。这些数据可以看作是针对全体旅客数据的有效采样，可以更清楚地反映出站旅客的行为。五　提前时间分析1　提前时间对于行为学分析而言，一个有趣的问题是，旅客会在航班预定出发时间前多久到达航站楼？这一提前时间受多种因素影响：不同的航空公司可能会有不同的登机流程，更繁复的流程会导致旅客预留出更多的时间；对于飞行旅程较长的航班，托运行李和安全检查可能会花费更多时间，从而导致更长的提前时间；对于一天内较晚的航班，旅客提前到达航站楼的难度更小，也会导致提前到达；此外，旅客个人的风险偏好也会影响决策，等等。探究旅客提前到达航站楼的行为，能够带来多方面效益。一方面，机场了解旅客提前到达的行为，可以通过更好的运营和引导，为旅客提供购物、餐饮等方面的服务，创造更高的经济效益；另航站楼管理压力有一定帮助。下文将基于数据，分析旅客提前到达航站楼的规律。2　旅客航班匹配Wi-Fi数据中的MAC地址信息仅涉及设备本身，不能据此获得乘客的航班信息，因此需要一种从时空信息进行间接推断的方法。Wi-Fi室内定位系统恰能提供空间分辨率较高的轨迹信息，结合详尽的航班时刻表，为这种间接推断提供了可能。通过登机口附近接入点记录的信息，可以推断旅客搭乘的航班号。以255号接入点覆盖范围内的56号登机口附近的设备数量数据收集为例，可以发现尽管设备数量一直在变化，但是在飞行开始前离开数量中有一个明显的峰值。可以合理假设，这些乘客是由于在附近登机口登机而集中离开了航站楼，因此在离开数3　提前时间分布根据旅客所搭乘的航班号，能够获取旅客达到航站楼的时间，以及对应航班的计划时间。这样，28　

2/2021 新建筑

数据时代的建筑与城市研究人数就能计算出旅客是在航班计划起飞时间之前多久到达航站楼。这一提前时间，可能受到航班执行时间、航空公司和航班延误情况等多种因素的影响。13　56号登机口设备数量与航班执行情况示例14　旅客提前到达时间分布图KDE均提前时间是101.6 min，略小于一般航空公司建议的120 min。这个分布的形状接近正态分布，大部分旅客集中在平均值附近，只有少数乘客提前3 h以上到达机场，占比9.4％。另一个有趣的结果是，3.8％的乘客在航班计划的起飞时间之后才到达机场。由于航空公司会提前告知乘客航班的延误情况，因此可能是这些乘客根据延误情况，相应更改了到达机场的时间（图14）。设备数量概率根据所有乘客提前时间的概率分布可知，平14提前时间（较航班计划时间而言）/ min不同类型旅客在提前时间上也存在差异。对于在夜间起飞的航班，旅客的平均提前时间较长，在10:00、14:00、18:00和22:00的平均值分别为96.9 min、98.3 min、107.7 min和115.9 min，呈现出明显的增长趋势。相比较而言，航空公司对提前时间的影响较不明确，提琴图显示出不同航空公司分布有所差异，但可能的原因是由于航班数量的不同，航班数量较少的航空公司样本量相对较小，提前时间会较为分散（图15）。研究还发现：由于大多数夜间出发的航班（尤其24:00之后）都是由于延误造成的，因此提前时间的分布逐渐转移到负值，且规律性显著；对于几乎没有延误的航班（延误少于30 min），旅客们平均提前120.5 min到达航站楼；随着延误时间增加，提前的时间减少，对于延误时间在60～90 min之间的航班，旅客的平均提前时间为90.2 min；而对于严重延误的航班（延误超过180 min），平均的提前时间为-13.8 min。除此之外，航班类型、飞行距离等要素，也都可能对旅客提前到达航站楼的行为带来影响。13航班时刻注：垂直虚线表示该时刻有该编号航班起飞航空和海南航空则显著为正，代表乘坐这些航空公司的旅客在提前到达这一行为上有所不同。乘坐吉祥航空和海南航空航班的乘客，更倾向于提前到达航站楼，而乘坐南方航空的乘客则相反，这可能与不同航空公司的候机流程有关。对于延误时间而言，航班每延误1 min，平均提前时间就减少0.68 min，代表航班延误有可能导致旅客更倾向于稍晚到达机场；具体来说，对于计划于上午10点起飞的航班，若旅客们平均提前120 min，则将会在08:00左右到达航站楼；若该航班延误至中午12:00起飞，旅客们的平均提前时间将会减少约40 min，即在09:20左右到达。考虑到旅客可以通过各种渠道得知航班延误的信息，并相应调整出行计划，较晚到达航站楼，这种差异是合理的。对于出发时间和登机时间，系数均显著为正（+4.37），因此可以理解为，在一天内，晚出发的旅客平均会比前一个小时出发的旅客提前4.37 min来到航站楼候机。这说明，下午或晚间出发的旅客们更倾向于提前到达航站楼，这可能是因为，这些旅客有更充裕的时间来完成出行前的相关准备。通过回归模型，能够定量计算旅客提前到达航站楼的时间，对于机场调控人流、缓解延误时的旅客乘载压力，都有着重要作用。考虑到机场情况复杂，初始建设投入大、流线组织固定、空间优化难度较大，通过运营管理来提升空间的利用效率是较为合适的应对策略。结合虹桥机场实际运营情况，对机场内设施提出以下可能的应对策略。在值机柜台和安检口处，可根据旅客提前到达时间，结合机场整体客流情况，提前开放此类服务设施，缓解客流压力；根据旅客在不同时段的出行偏好，适当提前晚间值机柜台开放时段；可针对不同航司的旅客差异，调整登机口开放时间与航司安排，并对客流进行一定的引导，减少延误下的拥堵情况；此外，结合登机口的客流引导作用，调整业态的空间分布，面向停留时间较长的航司旅客提供更有针对性的业态，提升经济效益；根据旅客在不同时段的出行偏好，适当延长餐饮等业态的营业时间。由于机场运营管理同时涉及空侧与地侧，绩效评价应包括容量、安保、延误、噪声等多个方面，具体运行策略应结合具体情况进行分析研判。以上针对旅客提前到达航站楼这一行为，进行了定量分析与建模，其结果可以为机场的精细化运营管理提供依据。4　回归分析针对可能影响旅客提前到达航站楼的因素，可使用简单线性回归进行建模，将旅客提前到达的时长作为因变量，选取航空公司、航班座位数、延误情况、起飞时间、登机时间、航班距离等6个因素作为自变量，对影响因素及影响程度进行初步分析。总体来说，模型通过了F检验，证明模型在总体上是有效的。R2为0.534，代表模型中的变量解释了53.4%的变化，模型具有一定的解释力。在列举出的因素中，部分航空公司及延误时间、出发时间和登机时间的p值均小于0.01，代表这些因素对于旅客的提前时间有显著影响。具体来说，南方航空的航班显著为负，吉祥六　总结机场航站楼是一个综合度很高的复杂系统，以其为对象的空间行为研究既是对环境行为学研究的有力补充，也对设计、管理和日常生活有着非常重要的启示作用。相较于传统的环境行为学研究方法，数字技术为客观记录大量人群的活动信息提供数据时代的建筑与城市研究

新建筑

2/2021　

29h

间时前提均平00000000::::::::::::::::::::::456789222航班计划时刻h

间时前提均平航空公司h

间时前提均平航班延误时间 / min15　不同类型旅客提前时间提琴图了技术手段，为在这样复杂系统中抽丝剥茧地分析境认知和寻路行为等，都是后续值得深入探讨的话行为特征提供了可能性。题。□研究基于虹桥机场T2航站楼66天的Wi-Fi定位数据集，描述了机场内旅客行为的时间和空间分　　图片来源：图1引自/guide2/jcxx/布，并对出发旅客和到达旅客的到离时间、区域进t2013129_；其余图片均由作者拍摄或绘制。行了具体的分析与讨论。在此基础上，针对旅客提注释前到达候机楼候机这一行为进行了深入分析，讨论① M层为错层，其中M1层未对研究开放，M3层为VIP休可能影响这一行为的因素，并建立简单线性回归模息区。型。研究证明，通过Wi-Fi定位数据，能够较好描② Wi-Fi定位系统是一种基于IEEE 802.11协议工作的室述机场航站楼内的旅客行为，并能对旅客提前到达内定位系统。具有Wi-Fi功能的电子设备，如智能手机等，每隔几分钟就会向周围的无线接入点（AP）广播候机的行为进行针对性分析，同时定量分析了航班一组探测请求信号（probe request frame）。因此，延误时间、出发时间等因素对这一行为的影响，讨用于监视的接入点可以无干扰的记录下这组信息，包括论了机场运营管理的可能策略。总而言之，研究基信号时间，设备信息（MAC地址）和信号强度。相较于于Wi-Fi定位数据，对机场航站楼内旅客行为进行旅客安检信息等传统数据来源而言，Wi-Fi定位技术能够全方位覆盖整个航站楼，包括停车场、值机大厅等安了针对性分析，希望能为环境行为学的研究提供新检信息难以覆盖的空间，同时不涉及旅客的具体个人信的数据来源和研究方法，并为机场的运营管理提供息，能够有效的保护个人隐私，具有一定的优势。数据和新见解。此外，针对空间占用率等与环境行为密切相关的要素，还可使用贝叶斯模型等数学工参考文献具进行更为深入的建模分析[17][1] JUNIAC A D. Annual Review 2018[R]. Sydney:

。International Air Transport Association(IATA), 2018.与此同时，必须指出，虽然室内定位数据蕴[2] CAAC. 2017 Civil Aviation Industry Development

含了丰富信息，却依然不可能完全取代传统研究方Statistics Bulletin[M]. Beijing: Civil Aviation

式。具体的行为内容、人的认知与想法，都是人群Administration of China(CAAC), 2018.[3] 李斌. 环境行为学的环境行为理论及其拓展[J]. 建筑学行为更为丰富的面向，不能依靠位置信息加以简单报，2008（2）：30-33.涵盖。旅客在航站楼内的行为，诸如心理预期、环[4] 陆伟，叶宇. 日益数字化的时代带给环境行为研究的机遇30　

2/2021 新建筑

数据时代的建筑与城市研究与挑战[J]. 时代建筑，2017（5）：69-71.[5] 陈创，徐波，肖仰华，等. 基于事务日志的社会网络抽取[J]. 计算机研究与发展，2015，52（11）：2508-2516.[6] NIRJON S, LIU J, DEJEAN G, et al. COIN-GPS:

Indoor Localization from Direct GPS Receiving[C]//ACM. Proceedings of the 12th Annual International

Conference on Mobile Systems, Applications, and

Services. New York: ACM, 2014: 301-314.[7] HUANG W X, YANG L J. Research on Residential

Behaviour Based on UWB Indoor Positioning

Technology[C]//EBRA. Proceedings of the EBRA

2018, Wuhan, China. Wuhan: Huazhong University

of Science & Technology Press, 2018: 366-371.[8] 黄蔚欣，杨丽婧. 基于UWB室内定位技术的居住行为量化分析与可视化[J]. 城市建筑，2018（19）：22-25.[9] 黄蔚欣，杨丽婧. 基于UWB室内定位系统的居住行为研究[J]. 建筑技艺，2018（8）：86-89.[10] FELDMANN S, KYAMAKYA K, ZAPATER A, et al.

An Indoor Bluetooth-based Positioning System:

Concept, Implementation and Experimental

Evaluation[C]//ICWN. Proceedings of the

International Conference on Wireless Networks.

Las Vegas: CSREA Press, 2003: 109-113.[11] 黄蔚欣，张宇，吴明柏，等. 基于 Wi-Fi定位的智慧景区游客行为研究——以黄山风景名胜区为例[J]. 中国园林，2018，34（3）：25-31.[12] 林雨铭，黄蔚欣. 基于Wi-Fi定位数据的人群特征探究[C]//数字建筑设计专业委员会. 全国建筑院系建筑数字技术教学研讨会暨DADA2017数字建筑国际学术研讨会论文集. 北京：中国建筑工业出版社，2017：445-454.[13] HUANG W X, HAN M Z. Analyzing Temporal

Information in Big Data Acquired by Indoor

Positioning System using Wi-Fi[C]//EBRA.

Proceedings of the EBRA 2016. Chongqing:

Chongqing University Press, 2016: 197-202.[14] HATA M. Empirical Formula for Propagation Loss

in Land Mobile Radio Services[J]. Ieee T Veh

Technol, 1980, 29(3): 317-325.[15] MOK E, RETSCHER G. Location Determination

Using WiFi Fingerprinting Versus WiFi

Trilateration[J]. Journal of Location Based

Services, 2007, 1(2): 145-159.[16] DU P, KIBBE W A, LIN S M. Improved Peak

Detection in Mass Spectrum by Incorporating

Continuous Wavelet Transform-based Pattern

Matching[J]. Bioinformatics, 2006, 22(17): 2059-2065.[17] HUANG W X, LIN Y M, LIN B R, et al. Modeling