模型建构

 

 

3.1数据收集

 

场地改造前的调研于2019年6月4日（工作日）和6月16日（休息日）的5个时间段（07：00—08：00、09：30—10：30、12：00—13：00、14：30—15：30、18：30—19：30）展开。笔者通过现场测量获取空间要素数据，采用录像、问卷和Wi-Fi探针等复合调查方法获取行为活动数据，以弥补单一方法的局限性。1）通过录像记录游人的性别、组群、运动轨迹、分布状况等信息；2）通过问卷对老年（>65岁）、中青年（18~65岁）和儿童/少年（<18岁）进行问卷调查②，获得目的、路线、吸引点偏好等信息；3）将Wi-Fi探针布设在吸引点周围，细致记录行为数据，为吸引点附近驻留量的拟合提供精准数据。

 

3.2筛选转译

 

 

根据不同人群行为特征，如极限时长、极限距离、基础速度等，赋予粒子“个性化”参数。笔者将行为活动归为观赏、坐憩、文化、运动、消费5类，用AnyLogic软件行人库的行为模块进行转译；将空间要素归为基面组织、岸线形式、公共建筑、配套设施4类，用AnyLogic软件行人库的环境模块进行转译。

 

一些不易表达的情境可以通过模型改进来完善，如运用代码内的条件语言对遮阴设施下的环境模块进行定义，日照越强模块吸引力越大。由此，建立多代理粒子群和仿真环境。

 

3.3偏好分析

 

人群对空间要素的偏好，是促成行为随机性的主要原因。根据问卷的1~5级吸引点偏好选择，取平均值获得各类人群对不同要素的偏好评分，确定11类要素吸引点③。然后，计算单类要素偏好评分与11类要素评分总和的比值，作为要素初始吸引力权重，提供粒子和仿真空间的参数关系（表1），后续将通过模型拟合修正吸引力权重。

 

3.4模拟运行

  

 

更多的候选路径支持行人不确定性的活动调度和路径选择[25]。为模拟滨水随机行为过程，笔者设置“行为活动链”，其中7个入口和5个出口代表场地尽端，中间串联46个要素吸引点，位置相近的吸引点并联设置。依据初始吸引力权重分配粒子，如咖啡厅对老年人的初始吸引力权重为0.06，则有6%的老年属性粒子在此停留。将与现场出入口人数相应数量的粒子放到各个尽端，粒子进入仿真空间后，遵循“感知—选择—行动”的连续流程，并依据吸引力权重受到各类要素不同程度的吸引，在每一个步进中对并联的下一组吸引点做出选择，在哪个吸引点被吸引、驻留或直接跳过，模拟走向吸引点、驻留、不被吸引继续前进等行为，实现粒子的自主运行（图3）。

 

3.5拟合调校

 

输出模拟结果，对人群密度、分布、轨迹等实测和模拟示图进行定性比较，同时对46个吸引点驻留量实测和模拟数据在SPSS软件中进行双变量相关性分析。如果相关性分析结果不理想，则调整吸引力权重，如魔法矩阵最初实测和模拟数据相差较大，故对中青年和老年的吸引力权重进行调整，直到调整至0.35时结果较好（实验显示以0.10为最小调整单位模拟结果有明显变化）。最终，10个时间段各吸引点相关性分析的Pearson系数最小为0.686，最大为0.938，均大于0.600；显著性水平均为0.000，远小于0.010，表明模型有效。