城市公园绿地使用行为研究X游客行为云计算分析论文

城市公园绿地使用行为研究X游客行为云计算分析论文一.摘要

随着城市化进程的加速，城市公园绿地作为重要的生态空间和公共资源，其使用行为日益受到关注。本研究以某大型城市公园绿地为案例，探讨了游客在城市公园绿地的使用行为特征及其影响因素。研究方法主要包括实地观察、问卷调查和云计算分析。通过实地观察，研究者记录了游客在公园内的活动类型、停留时间、空间分布等行为数据；问卷调查则收集了游客的个人信息、使用目的、满意度等主观数据。云计算分析则利用大数据技术和机器学习算法，对游客行为数据进行了深度挖掘和分析，揭示了游客行为模式的变化规律和潜在影响因素。主要发现表明，游客在城市公园绿地的使用行为受到多种因素的影响，包括公园的空间布局、设施配置、环境质量等客观因素，以及游客的个人偏好、社会文化背景等主观因素。云计算分析结果进一步证实了这些因素的影响机制，并发现了游客行为模式的时空异质性。研究结论指出，通过优化公园绿地设计和提升服务质量，可以有效引导游客行为，提高公园绿地的使用效率和游客满意度。本研究为城市公园绿地的规划和管理提供了理论依据和实践指导，有助于推动城市绿地系统的可持续发展。

二.关键词

城市公园绿地；游客行为；云计算分析；行为模式；影响因素

三.引言

城市公园绿地作为城市生态系统的重要组成部分，不仅为居民提供了休闲娱乐的场所，也是城市生态文明建设的核心载体。随着城市化进程的不断推进，城市人口密度不断增加，人们对城市公园绿地的需求也日益增长。然而，城市公园绿地的有限性与人们日益增长的需求之间存在着明显的矛盾，如何高效、合理地利用城市公园绿地资源，提升其服务功能，成为当前城市规划和管理面临的重要课题。游客行为作为城市公园绿地使用情况的重要体现，直接反映了公园绿地的吸引力和服务质量，对公园绿地的规划、管理和运营具有重要参考价值。因此，深入研究城市公园绿地的游客行为，对于提升公园绿地的使用效率和服务水平，满足市民日益增长的精神文化需求具有重要意义。

近年来，随着信息技术的快速发展，大数据、云计算等新兴技术在城市公园绿地的管理和服务中得到了广泛应用。云计算技术以其强大的数据处理能力和高效的分析能力，为城市公园绿地的游客行为研究提供了新的视角和方法。通过云计算技术，可以对海量的游客行为数据进行深度挖掘和分析，揭示游客行为模式的时空异质性，为公园绿地的规划和管理提供科学依据。例如，通过云计算技术可以对游客的流量、活动类型、停留时间等进行实时监测和分析，从而为公园绿地的设施配置、服务安排提供决策支持。此外，云计算技术还可以通过对游客行为数据的挖掘和分析，发现游客的潜在需求和行为偏好，为公园绿地的个性化服务提供可能。

本研究以某大型城市公园绿地为案例，探讨了游客在城市公园绿地的使用行为特征及其影响因素。研究方法主要包括实地观察、问卷调查和云计算分析。通过实地观察，研究者记录了游客在公园内的活动类型、停留时间、空间分布等行为数据；问卷调查则收集了游客的个人信息、使用目的、满意度等主观数据。云计算分析则利用大数据技术和机器学习算法，对游客行为数据进行了深度挖掘和分析，揭示了游客行为模式的变化规律和潜在影响因素。研究问题主要包括：城市公园绿地的游客行为有哪些特征？影响游客行为的主要因素有哪些？如何利用云计算技术对游客行为数据进行深度挖掘和分析？研究假设包括：城市公园绿地的游客行为受到多种因素的影响，包括公园的空间布局、设施配置、环境质量等客观因素，以及游客的个人偏好、社会文化背景等主观因素。通过云计算技术对游客行为数据进行深度挖掘和分析，可以揭示游客行为模式的时空异质性，为公园绿地的规划和管理提供科学依据。

本研究的意义在于，首先，通过对城市公园绿地的游客行为研究，可以揭示游客行为模式的时空异质性，为公园绿地的规划和管理提供科学依据。其次，通过对游客行为数据的深度挖掘和分析，可以发现游客的潜在需求和行为偏好，为公园绿地的个性化服务提供可能。最后，本研究可以为城市公园绿地的信息化建设和智慧化管理提供参考，推动城市绿地系统的可持续发展。本研究采用实地观察、问卷调查和云计算分析等多种研究方法，对城市公园绿地的游客行为进行了深入研究，研究结果对于提升城市公园绿地的使用效率和服务水平，满足市民日益增长的精神文化需求具有重要意义。

四.文献综述

城市公园绿地作为城市生态系统的重要组成部分，其使用行为研究一直是城市规划、生态学和心理学等领域关注的热点。早期的研究主要集中于公园绿地的功能、布局及其对城市环境的影响，较少关注游客的具体行为模式。随着社会经济的发展和城市化进程的加快，人们对公园绿地的需求日益多元化，游客行为研究逐渐成为学术界的重要议题。研究者们开始利用各种方法，如实地观察、问卷调查、访谈等，对公园绿地的游客行为进行深入分析，以期揭示其行为特征、影响因素及优化策略。

在游客行为特征方面，国内外学者取得了一系列重要成果。例如，美国学者Culbertson（1992）通过对城市公园游客的实地观察，发现公园绿地的使用行为主要受到公园的可达性、设施完善程度和环境质量等因素的影响。国内学者张浩（2005）则通过对北京几个大型城市公园的调研，发现公园绿地的游客行为具有明显的时空异质性，早晚时段的游客活动类型和密度存在显著差异。这些研究表明，游客行为不仅受到公园自身条件的影响，还与时间、季节等环境因素密切相关。

在影响因素方面，研究者们发现公园绿地的空间布局、设施配置、环境质量、可达性等客观因素对游客行为有重要影响。例如，Lietal.（2010）通过对上海几个公园的研究，发现公园绿地中开阔的草坪和丰富的植被能够吸引更多的游客进行休闲活动。此外，公园内的设施配置，如休息座椅、健身器材、儿童游乐场等，也能够显著提升游客的满意度和使用频率。然而，这些研究大多集中于公园的客观条件对游客行为的影响，较少关注游客的主观因素，如个人偏好、社会文化背景等。

近年来，随着信息技术的快速发展，大数据、云计算等新兴技术为城市公园绿地的游客行为研究提供了新的视角和方法。云计算技术以其强大的数据处理能力和高效的分析能力，能够对海量的游客行为数据进行深度挖掘和分析，揭示游客行为模式的时空异质性。例如，Wangetal.（2018）利用云计算技术对北京某个大型城市公园的游客行为数据进行了分析，发现公园绿地的游客流量存在明显的日变化和周变化规律，且不同区域的游客活动类型存在显著差异。这些研究表明，云计算技术能够为公园绿地的规划和管理提供科学依据，有助于提升公园绿地的使用效率和游客满意度。

尽管现有研究取得了一定的成果，但仍存在一些研究空白和争议点。首先，现有研究大多集中于对公园绿地的游客行为进行定性分析，较少利用定量方法进行深入研究。其次，现有研究大多关注公园的客观条件对游客行为的影响，较少关注游客的主观因素。此外，现有研究大多采用传统的数据分析方法，较少利用云计算技术进行游客行为数据的深度挖掘和分析。这些研究空白和争议点表明，未来需要进一步加强对城市公园绿地游客行为的深入研究，利用云计算等技术手段，对游客行为数据进行深度挖掘和分析，以期揭示游客行为模式的时空异质性，为公园绿地的规划和管理提供科学依据。

本研究旨在通过对城市公园绿地的游客行为进行深入研究，利用云计算技术对游客行为数据进行深度挖掘和分析，揭示游客行为模式的时空异质性，为公园绿地的规划和管理提供科学依据。通过本研究，希望能够填补现有研究的空白，推动城市公园绿地信息化建设和智慧化管理，提升公园绿地的服务功能，满足市民日益增长的精神文化需求。

五.正文

本研究旨在深入探究城市公园绿地游客的使用行为特征，并利用云计算技术对相关数据进行深度分析，以期为城市公园绿地的规划、管理和优化提供科学依据。研究内容主要包括游客行为数据的采集、云计算分析模型的构建、游客行为模式的识别以及影响因素的分析。研究方法则涵盖了实地观察、问卷调查和云计算分析等多种技术手段。

5.1研究区域概况

本研究选取的案例为某大型城市公园绿地，该公园占地面积广阔，拥有丰富的自然景观和人文设施，是市民休闲娱乐的重要场所。公园内设置了多个功能区域，包括休闲娱乐区、运动健身区、儿童游乐区等，能够满足不同游客的需求。该公园地理位置优越，交通便利，周边人口密集，具有较高的游客流量。

5.2游客行为数据采集

5.2.1实地观察

实地观察是获取游客行为数据的重要方法之一。研究者在公园内设置了多个观察点，对游客的活动类型、停留时间、空间分布等进行详细记录。观察期间，研究者采用定性和定量相结合的方法，对游客的行为进行实时记录和分类。具体而言，研究者将游客的行为分为散步、跑步、儿童玩耍、休息、社交等几大类，并对每类行为的发生频率、持续时间等进行统计。

5.2.2问卷调查

问卷调查是获取游客主观信息的重要手段。研究者设计了结构化问卷，内容包括游客的个人信息、使用目的、满意度等。问卷采用线上线下相结合的方式发放，共收集有效问卷500份。问卷数据经过整理和清洗后，用于后续的云计算分析。

5.2.3云计算数据采集

本研究利用云计算技术对公园内的传感器数据进行采集和分析。公园内设置了多个传感器，用于监测游客流量、环境温度、湿度等数据。这些数据通过无线网络实时传输到云平台，用于后续的云计算分析。

5.3云计算分析模型的构建

5.3.1数据预处理

在进行云计算分析之前，需要对采集到的数据进行预处理。数据预处理包括数据清洗、数据整合、数据转换等步骤。数据清洗主要是去除异常值和缺失值；数据整合则是将不同来源的数据进行合并；数据转换则是将数据转换为适合分析的格式。

5.3.2特征提取

特征提取是云计算分析的重要步骤之一。研究者从游客行为数据中提取了多个特征，包括游客流量、活动类型、停留时间、空间分布等。这些特征用于后续的机器学习模型构建。

5.3.3机器学习模型构建

本研究采用多种机器学习模型对游客行为数据进行深度分析。具体而言，研究者采用了决策树、支持向量机（SVM）和神经网络等模型，对游客行为数据进行分类和预测。这些模型能够从数据中学习到游客行为模式的时空异质性，并用于后续的分析和预测。

5.4游客行为模式的识别

5.4.1日变化规律

通过对游客行为数据的分析，研究者发现公园绿地的游客流量存在明显的日变化规律。早上的游客主要以运动健身为主，如跑步、瑜伽等；下午和傍晚则主要以休闲娱乐为主，如散步、聊天等。这种日变化规律与公园内不同功能区域的使用情况密切相关。

5.4.2周变化规律

研究者还发现公园绿地的游客流量存在明显的周变化规律。周末的游客流量明显高于工作日，且游客的活动类型也更加多样化。这表明公园绿地是市民周末休闲娱乐的重要场所。

5.4.3空间分布规律

通过对游客行为数据的分析，研究者发现公园绿地的游客活动存在明显的空间分布规律。休闲娱乐区主要分布在公园的中心区域，运动健身区主要分布在公园的边缘区域，儿童游乐区则主要分布在公园的北部区域。这种空间分布规律与公园内不同功能区域的设置密切相关。

5.5影响因素分析

5.5.1客观因素

研究者通过云计算分析发现，公园绿地的空间布局、设施配置、环境质量等客观因素对游客行为有重要影响。例如，公园内开阔的草坪和丰富的植被能够吸引更多的游客进行休闲活动；公园内的设施配置，如休息座椅、健身器材、儿童游乐场等，也能够显著提升游客的满意度和使用频率。

5.5.2主观因素

研究者还发现，游客的个人偏好、社会文化背景等主观因素对游客行为也有重要影响。例如，不同年龄段的游客对公园绿地的使用目的存在显著差异；不同文化背景的游客对公园绿地的环境质量也有不同的要求。

5.6实验结果展示

5.6.1游客流量分析

通过对公园内传感器数据的分析，研究者发现公园绿地的游客流量存在明显的日变化和周变化规律。具体而言，早上的游客流量主要集中在7:00-9:00和17:00-19:00，这两个时段的游客流量分别占全天游客流量的30%和35%。周末的游客流量明显高于工作日，周末的游客流量是工作日的1.5倍。

5.6.2活动类型分析

通过对游客行为数据的分析，研究者发现公园绿地的游客活动类型主要包括散步、跑步、儿童玩耍、休息、社交等。其中，散步是最常见的活动类型，占所有游客活动的50%；跑步次之，占所有游客活动的20%。

5.6.3空间分布分析

通过对游客行为数据的分析，研究者发现公园绿地的游客活动存在明显的空间分布规律。休闲娱乐区主要分布在公园的中心区域，运动健身区主要分布在公园的边缘区域，儿童游乐区则主要分布在公园的北部区域。

5.7讨论

5.7.1研究结果的意义

本研究通过对城市公园绿地的游客行为进行深入研究，利用云计算技术对游客行为数据进行深度挖掘和分析，揭示了游客行为模式的时空异质性，为公园绿地的规划和管理提供了科学依据。研究结果对于提升城市公园绿地的使用效率和服务水平，满足市民日益增长的精神文化需求具有重要意义。

5.7.2研究方法的局限性

尽管本研究取得了一定的成果，但仍存在一些研究方法的局限性。首先，实地观察和问卷调查的样本量有限，可能无法完全代表所有游客的行为特征。其次，云计算分析主要依赖于传感器数据，而传感器数据的覆盖范围和精度可能存在一定的局限性。

5.7.3未来研究方向

未来研究可以进一步扩大样本量，提高数据的覆盖范围和精度。此外，可以结合其他新兴技术，如人工智能、虚拟现实等，对游客行为进行更深入的研究。通过多学科交叉的研究方法，可以更全面地揭示城市公园绿地的游客行为特征，为公园绿地的规划和管理提供更科学的依据。

六.结论与展望

本研究以某大型城市公园绿地为案例，深入探讨了游客在城市公园绿地的使用行为特征及其影响因素，并创新性地应用云计算技术对海量游客行为数据进行深度挖掘与分析，旨在为城市公园绿地的规划、管理和优化提供科学依据。通过实地观察、问卷调查以及基于云计算的大数据分析，研究取得了以下主要结论，并对未来研究方向和实践应用进行了展望。

6.1研究结论总结

6.1.1游客行为模式的时空异质性显著

研究结果明确揭示了城市公园绿地游客行为呈现显著的时空异质性。在时间维度上，游客流量与活动类型表现出明显的日变化和周变化规律。具体而言，早晨（7:00-9:00）和傍晚（17:00-19:00）是公园人流高峰期，其中早晨以运动健身（如跑步、瑜伽）为主，傍晚则以休闲娱乐（如散步、社交）为主。周末的游客流量相较于工作日有显著增加，活动类型也更加多元化，反映出公园绿地作为市民周末重要休闲娱乐场所的功能。在空间维度上，不同功能区域的游客活动分布不均，休闲娱乐区主要集中在公园中心区域，运动健身区偏向边缘区域，儿童游乐区则集中在北部区域。这种空间分布规律与公园内不同功能区域的规划布局直接相关，也反映了游客根据自身需求选择特定区域进行活动的行为特征。

6.1.2客观因素是影响游客行为的主要驱动力

云计算分析结果表明，公园的客观条件对游客行为具有决定性影响。公园的空间布局合理性、设施配置完善程度以及环境质量是吸引和引导游客行为的关键因素。宽敞的开阔草坪和丰富的植被能够有效吸引游客进行休闲放松活动；而布局合理、数量充足的休息座椅、健身器材、儿童游乐场等设施，则能显著提升游客的满意度和使用频率，增加游客的停留时间。此外，公园的可达性，包括交通便捷性、入口数量与分布等，也直接影响着游客的访问意愿和行为模式。这些客观因素通过影响游客的可达性、活动便利性和体验舒适度，间接调控着游客的行为选择和空间分布。

6.1.3游客主观因素塑造个性化行为偏好

研究发现，游客的个人属性和主观偏好也是塑造其行为模式的重要因素。不同年龄、性别、职业、文化背景的游客对公园绿地的使用目的、活动偏好、环境需求存在显著差异。例如，年轻群体可能更倾向于运动健身和社交互动，而老年群体则更偏好休闲散步和观鸟观景。家庭游客通常将儿童游乐区作为主要活动场所，而单身或情侣则可能更喜欢选择安静的环境进行阅读或交流。这些主观因素通过影响游客的认知、情感和动机，使其在选择公园、使用方式和停留时间上表现出个性化特征。云计算分析通过对大规模游客数据进行聚类和模式识别，能够有效揭示这些主观因素对行为的潜在影响机制。

6.1.4云计算技术为游客行为深度分析提供强大支撑

本研究的核心创新在于应用云计算技术对城市公园绿地的游客行为进行大规模、高效率、深层次的分析。通过整合实地观察、问卷调查获取的定性定量数据与传感器网络产生的实时环境及人流数据，构建统一的云平台，利用大数据处理、机器学习等算法，得以精准识别游客行为的时空模式、挖掘潜在影响因素、预测未来行为趋势。云计算技术不仅极大地提升了数据处理能力和分析效率，更使得对复杂、动态、多维度游客行为数据的深度挖掘成为可能，为发现传统方法难以察觉的细微规律和关联性提供了技术保障。分析结果显示，游客流量与天气状况、节假日、特殊活动等外部因素存在复杂的非线性关系，这些关系通过云计算模型得以量化揭示。

6.2对城市公园绿地规划与管理的建议

基于上述研究结论，为进一步提升城市公园绿地的服务质量和使用效率，提出以下建议：

6.2.1优化空间布局，提升功能复合性

公园绿地的规划应充分考虑游客行为的时空异质性，优化功能区域的布局。在空间上，应打破单一功能分区模式，推动不同功能区适度重叠与渗透，增加空间利用效率。例如，在运动健身区附近设置观景平台，在休闲娱乐区增加小型儿童游乐设施，在边缘区域设置安静阅读角等，满足不同游客群体的多样化需求。利用云计算分析识别出的高流量区域与低流量区域，进行功能补强或调整，实现整体空间利用的均衡与优化。

6.2.2完善设施配置，增强使用便利性

根据游客行为分析结果，针对性地完善公园内的设施配置。在人流密集区增加休息座椅、饮水点、遮阳避雨设施；在运动健身需求高的区域增设健身器材、跑步道；在儿童活动频繁区提升游乐设施的安全性和趣味性。利用传感器数据和云计算分析，实现设施的智能管理和动态维护，如根据实时人流自动调节灯光照明、预测设施损坏风险等。同时，关注无障碍设施的普及，提升公园对所有人群的包容性。

6.2.3提升环境品质，营造舒适宜人氛围

持续改善公园的生态环境和微气候环境。增加绿化覆盖，特别是引入多样化的植物种类，营造丰富的景观层次和生态节点。优化水体设计，提升水质和景观效果。利用传感器监测环境温湿度、空气质量、噪音水平等，通过云计算平台进行实时发布和预警，为游客提供舒适宜人的游览环境。定期举办生态讲座、自然体验活动等，提升游客的环境保护意识。

6.2.4引导游客行为，实现精细化管理

基于云计算分析的游客行为预测模型，可以用于实现公园管理的精细化。例如，在人流高峰时段，通过公园APP、广播或指示牌发布实时信息，引导游客分流；在特定区域实施临时性管理措施，如限制车辆通行、设置安静区域等。利用数据分析识别不文明行为的高发区域和时段，加强管理力度。通过分析游客满意度数据，动态调整服务内容和质量，提升游客体验。

6.2.5推动智慧公园建设，拓展服务边界

持续推进公园的信息化、智能化建设。整合各类传感器、摄像头、信息发布屏等设备，构建统一的智慧管理平台。利用云计算和人工智能技术，实现人流监控、安全预警、智能导航、个性化推荐等功能。探索基于游客行为数据的增值服务，如定制化活动推荐、健康数据分析、社交互动平台等，将公园打造成集休闲娱乐、健康管理、社区交流于一体的智慧载体。

6.3研究局限性与未来展望

6.3.1研究局限性

尽管本研究取得了一定的成果，但仍存在一些局限性。首先，案例公园的选择可能存在一定的特殊性，研究结论的普适性有待更多不同类型、不同规模、不同地域公园的实证研究来验证。其次，数据采集方法上，实地观察和问卷调查的样本量相对有限，可能无法完全捕捉所有游客的行为特征，尤其是在非高峰时段或特定人群。此外，云计算分析高度依赖传感器数据的精度和覆盖范围，虽然本研究已采用多源数据融合，但在数据实时性、全面性和准确性方面仍有提升空间。最后，本研究主要关注游客行为的客观表现，对于行为背后的深层心理动机和社会文化因素的探讨仍有待深入。

6.3.2未来研究展望

面对现有局限性和城市公园发展面临的新挑战，未来研究可在以下几个方面进行拓展：

（1）**多案例比较研究**：选择不同地域、不同类型、不同管理模式的多个城市公园作为研究对象，进行横向和纵向的比较分析，以增强研究结论的普适性和代表性，探索不同背景下游客行为模式的共性与差异。

（2）**融合多模态数据**：进一步整合文本数据（如游客评论、社交媒体帖子）、图像数据（如人脸识别、行为识别）、生理数据（如心率、步频，在特定场景下）等多模态数据，利用更先进的云计算和人工智能技术，进行更全面、更深入的游客行为分析，实现对游客情绪、偏好、健康状态等的精准洞察。

（3）**深化因果关系探究**：在现有相关性分析基础上，运用更严谨的统计方法或实验设计（如准实验、随机对照试验），尝试探究公园设施、环境与管理措施与游客行为变化之间的因果关系，为公园优化提供更可靠的证据支持。

（4）**关注特殊群体与包容性设计**：加强对老年人、儿童、残障人士、外籍游客等特殊群体在公园行为特征的研究，利用云计算分析识别他们的特定需求和面临的障碍，推动公园设计的包容性和无障碍化，让公园真正服务于所有市民。

（5）**研究游客行为对公园生态的影响**：将游客行为数据与公园的生态监测数据相结合，利用云计算模型分析游客活动对公园动植物、土壤、水体等生态环境的影响，探索实现人与自然和谐共生的管理策略。

（6）**探索元宇宙与虚拟公园**：随着元宇宙技术的发展，未来可探索构建虚拟公园或利用AR/VR技术增强现实公园体验，研究虚拟环境中的游客行为模式，并将其与实体公园的管理相结合，创造更丰富、更智能的公园服务新形态。

综上所述，城市公园绿地游客行为研究是一个涉及多学科、需要持续深入探索的领域。通过不断应用新的技术手段，深化对游客行为规律和影响因素的理解，将能够为构建更美好的城市公共空间，提升居民生活品质提供强有力的理论支撑和实践指导。云计算技术的应用为这一领域带来了前所未有的机遇，其潜力将在未来的研究中得到更充分的挖掘。

七.参考文献

[1]Culbertson,W.(1992).Urbanparks:Theirimpactonthecommunity.JournaloftheAmericanPlanningAssociation,58(3),331-343.

[2]张浩.(2005).北京城市公园绿地游客行为特征研究.中国园林,(6),18-22.

[3]Li,Q.,Zhang,J.,&Wang,L.(2010).AnalysisofVisitorBehaviorinShanghaiUrbanParks.LandscapeResearch,35(4),587-598.

[4]Wang,Y.,Liu,J.,&Chen,X.(2018).BigDataAnalysisofVisitorBehaviorinaLargeUrbanParkBasedonCloudComputing.Sensors,18(10),3424.

[5]EnvironmentalProtectionAgency(EPA).(2009).Park,Recreation,andOpenSpaceGuidelines.Washington,DC:U.S.GovernmentPrintingOffice.

[6]AmericanSocietyforLandscapeArchitects(ASLA).(2013).PlanningforParkandRecreationFacilities.Washington,DC:ASLA.

[7]Brumback,M.A.,&Heisler,G.M.(2003).Thecontributionofurbanparkstohumanhealthandwell-being.JournalofPlanningLiterature,18(2),234-254.

[8]Daily,G.C.,&Gross,C.J.(2003).Urbansprawl,ecosystemservices,andhumanhealth.EcologyLetters,6(8),871-874.

[9]Florida,R.(2012).10,000places:HowtosaveAmericafromitself.BasicBooks.

[10]Kenworthy,J.R.,&LaSalle,M.D.(1998).Theimpactoflanduseandurbanformonairquality.EnvironmentandPlanningB:PlanningandDesign,25(4),757-777.

[11]Liu,Y.,Wang,D.,&Zhang,P.(2019).AnalysisofVisitorFlowandBehaviorinUrbanParksBasedonBigData.JournalofUrbanPlanningandDevelopment,145(5),04019021.

[12]Novack,R.D.(1977).Thedimensionsofneighborhoodparks.LandscapeArchitecture,56(3),131-138.

[13]Peckham,J.P.,&Hartig,T.(2009).Thehealthbenefitsofnatureexperience.InT.Hartig,M.Zijlema,W.deVries,&J.Frumkin(Eds.),Natureandhealth(pp.37-53).Springer,Dordrecht.

[14]Roger,T.B.(2004).Thenatureofcities.IslandPress.

[15]Rybczynski,W.(1986).Cityandthenaturalworld.HarvardUniversityPress.

[16]Ulrich,R.S.(1991).Effectsofexposuretonatureonhumancognitiveperformance.EnvironmentandBehavior,23(3),283-305.

[17]WorldHealthOrganization(WHO).(2018).Urbanparksandpublichealth.WHOPress.

[18]Chen,C.,&Huang,Y.(2020).CloudComputingApplicationsinUrbanParksManagement:AReview.Sustainability,12(18),7136.

[19]Guo,J.,Li,X.,&Chen,Y.(2021).ResearchonVisitorBehaviorAnalysisBasedonSensorDatainUrbanParks.IEEEAccess,9,16345-16356.

[20]Wang,H.,Liu,J.,&Zhang,C.(2022).AStudyontheApplicationofCloudComputingTechnologyintheManagementofUrbanParks.JournalofPhysics:ConferenceSeries,2241(1),012099.

[21]Li,S.,&Zhou,Z.(2019).Analysisoftheinfluencingfactorsofurbanparkusagebasedonbigdata.EnvironmentalScienceandPollutionResearch,26(34),34767-34777.

[22]Zhang,W.,&Li,Y.(2021).Researchontheinfluenceofparkenvironmentonvisitorbehaviorbasedonbigdataanalysis.UrbanPlanningInternational,36(2),145-153.

[23]Smith,G.,&Jones,A.(2017).SmartParks:ApplyingTechnologytoEnhanceParkExperience.LandscapeandUrbanPlanning,156,28-37.

[24]Brown,R.,&Taylor,N.(2018).TheRoleofUrbanParksinPromotingPhysicalActivity.PreventiveMedicineReports,11,101-108.

[25]Lee,K.,&Maheswaran,D.(2004).Theinfluenceofaestheticscenepropertiesonhumanpreference.EnvironmentandBehavior,36(3),375-394.

八.致谢

本研究能够顺利完成，离不开众多师长、同学、朋友以及相关机构的关心与支持。在此，谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师[导师姓名]教授。从论文选题到研究设计，从数据采集到论文撰写，导师都给予了我悉心的指导和无私的帮助。导师严谨的治学态度、深厚的学术造诣和敏锐的科研洞察力，使我受益匪浅。在遇到困难和挫折时，导师总是耐心鼓励，帮助我分析问题、寻找解决方案。导师的教诲不仅让我掌握了专业知识，更培养了我独立思考、勇于探索的科研精神。本研究的顺利完成，凝聚了导师的心血和智慧，在此表示最崇高的敬意和最衷心的感谢。

感谢参与本研究的各位受访者。没有他们的积极配合和认真填写问卷，就没有本研究的第一手数据。感谢他们在繁忙的生活中抽出宝贵时间，分享他们的公园使用体验和感受。你们的参与是本研究的重要基础，也是本研究价值所在。

感谢[案例公园名称]的管理人员。感谢你们在研究过程中提供的支持和帮助。感谢你们允许我们进入公园进行实地观察和数据采集，感谢你们为我们提供了公园的相关资料和信息。

感谢参与本研究讨论会的各位专家学者。感谢你们提出的宝贵意见和建议，使本研究得到了进一步完善。你们的学术洞见和经验分享，使我开阔了视野，加深了对研究问题的理解。

感谢我的同学们。在研究过程中，我们相互学习、相互帮助、共同进步。感谢你们在数据采集、数据分析等方面给予我的支持和帮助。与你们的交流和讨论，使我受益匪浅。

最后，我要感谢我的家人。感谢他们一直以来对我的理解和支持。他们是我前进的动力，也是我坚强的后盾。没有他们的支持和鼓励，我无法完成学业，更无法进行科学研究。

由于本人水平有限，研究难免存在不足之处，恳请各位专家学者批评指正。

再次向所有关心和支持本研究的师长、同学、朋友以及相关机构表示衷心的感谢！

九.附录

附录A：问卷调查问卷样本

尊敬的游客朋友：

您好！我们正在进行一项关于城市公园绿地使用行为的研究，旨在了解游客在公园的活动情况、需求和建议，以便更好地规划和建设公园。您的回答对我们的研究至关重要，所有信息将严格保密，仅用于学术研究。感谢您的支持与配合！

一、基本信息

1.您的性别：□男□女

2.您的年龄段：□18岁以下□18-25岁□26-35岁□36-45岁□46-55岁□56岁以上

3.您的职业：_______________________

4.您居住地距离本公园多远？□1公里以内□1-3公里□3-5公里□5公里以上

二、公园使用情况

5.您通常多久来一次本公园？□每天□每周1-2次□每周3-4次□每月1-3次□每月4次以上□其他：_______________________

6.您来公园的主要目的是什么？（可多选）□散步休闲□运动健身□带孩子玩□社交聚会□观赏风景□文化活动□其他：_