旅游地图眼动行为模式研究

黄潇婷 李玟璇 闫申

[摘要]旅游者是旅游活动的主体，是旅游研究的核心。旅游者外显行为的追踪和分析已经取得了较多成果，但是旅游决策阶段仍然处于“黑箱”状态。眼睛是心灵的窗口，眼动追踪技术的发展为更好地理解旅游者的内心世界提供了可能。旅游者在制定出游计划前通常会查阅旅游景区地图、旅游攻略等。旅游者阅读旅游地图的眼动过程是否与旅游决策的制定有一定联系呢？文章借助眼动实验获取眼动数据，对眼动轨迹的时空路径进行降维处理，即假设眼动轨迹是由直线与正余弦曲线组合而成，通过计算直线的斜率与曲线的频率对眼动行为特征进行描述，总结眼动行为模式;进一步采用双样本t检验分析眼动行为模式与地图类型、旅游计划行为的关系，研究表明眼动行为模式对旅游计划行为有显著影响。文章将眼动轨迹与时间维度结合，丰富了眼动数据的分析方法;从实践的角度，眼动行为模式的定量探究为地图制图的优化以及旅游决策过程的探究有一定启示性。

[关键词]眼动行为模式;旅游地图;旅游计划行为;时间序列;曲线拟合

[中图分类号]F59

[文献标识码]A

[文章编号]1002-5006（2018）10-0087-10

引言

地图通过丰富多样的形式呈现制图对象，以符号相互之间的顺序、整体结构和空间连接方式，描述各种制图对象的内在联系和规律，完成复杂的空间信息的传递与交流。视觉感知是一个复杂的行为，分为6个心理过程：视觉寻找、发现、分辨、识别、确认和记忆搜索。空间信息的获取很大程度来源于视觉感知。眼动追踪技术作为研究空间认知、地图认知、地图制图等领域的研究方法，研究人如何与地理信息进行互动，个体在决策情景中如何感知空间的行为过程，为地图制图、景观规划等现实问题提出合理化建议，对描述空间感知能力以及预测个体行为有重要意义。旅游者在决策阶段收集、加工相关旅游信息，制定计划并做出决策，在这一过程中，地图作为获取景点区位、景区资源的工具，协助旅游者制定游览线路。

在时间地理学的话语体系中，人类所有的获得均被视作行为，行为事件一般遵循在特定的时间和空间发生特定的行为这一基本范式。任何事件从时空关联的角度来看都有着密切的关联性，随着海量数据的获取和分析技术的进步，时空间行为在城市规划、交通出行等领域成为解释经济、社会和空间过程的重要因素。在眼动实验中，眼动注视点随着时间的变化形成有序的眼动轨迹，以往对眼动数据的分析多停留在注视时长、注视点个数等静态、单一指标，忽视眼动注视点坐标这一具有空间属性的指标。本文基于时间地理学理论，通过眼动仪获取个体在地图认知过程中的眼动数据，探索眼动注视点坐标的时间序列规律，归纳个体眼动行为模式以及对旅游计划行为的影响。

1 眼动实验研究进展

1.1 心理学背景下的眼动实验研究现状

早在19世纪，国内外学者便试图通过眼球运动对人的心理活动进行相关分析。研究表明，注视点是眼睛当前输入信号以及心理加工的外在体现。主动性眼动系統可分为注视、眼跳、眼球平滑跟踪运动3类。在视觉观察中，眼球在观察目标上发生一系列的飞速跳动，停留时间超过100ms被称为注视，物体只有通过注视才能获得心理加工。法国眼科医生Javal于1878年通过实验指出，人的眼睛只有通过短时的停留才能看清图像，因此研究选取注视点分析个体空间认知行为。

眼动研究从初期的表象特征观察技术，到精确的测量记录研究，最终发展成为现代眼动技术，眼动模式主要应用在广告营销、阅读、道路驾驶等领域。学者研究阅读过程中的眼动行为得出多个眼动控制模型Rayner提出眼动控制理论E-Z Reader模式，Engbert在E-Z Reader模式的启发下构建SWIFT模型。孙瑞山和汪芋使用马尔可夫链分析飞行员的视觉注视变化情况。郭应时等基于驾驶员在实际道路环境中的眼动数据建立注视转移模型。卢兆麟结合定量、定性的方法研究中西方用户汽车识别模式的差异。

本研究对现有的中、英文献进行回顾，通过以下路径检索眼动实验在旅游研究中的应用，以“eyetracking”“eye movement”“眼动实验”等关键词在EBSCO、Elsevier、Taylor &Francis，中国知网等数据库全面搜索，与旅游直接相关的文章共20条篇，其中，SSCI类7篇，CSSCI类3篇，普通期刊4篇，硕士论文6篇。通过梳理发现，眼动实验在旅游中的应用尚处于起步阶段，多选用旅游目的地照片，宣传广告、酒店图片、网站网页、旅游地图符号作为实验刺激材料，探究旅游行为是否会受刺激材料内容、文字大小、颜色等属性的影响。本文任选8篇文章列举眼动实验方法，如表1所示，实验设计有用组间设计、组内设计两种方式，实验样本数量范围为20～69，眼动仪以Tobii，Eyelink等居多;眼动指标多选取注视时长、注视点个数等。

1.2 旅游地图和普通地图的差异

地图是用符号及图像来表达事物在空间中如何分布的工具，以地图为刺激材料的眼动实验可追溯到20世纪七八十年代。眼动实验在地图学领域具有不可替代的优越性，国外学者早期基于注视时长等指标分析不同刺激材料间的差异。Andersen等探究寻路过程中地理标志的影响，发现地标越多寻路差异越小 Brychtova等证明地图颜色对比度高、尺寸适中的地图有助于读图者理解。Ooms等发现经验丰富的人在阅读地图时通常保持以往的习惯。Incoul等发现电子地图每秒注视个数比纸质地图多，但注视点分布情况并无显著差异。国内学者邓毅博基于眼动实验研究地图的图例位置，发现在满足图面视觉平衡的条件下，图例应优先选择放置于左上角。随着社会与旅游活动的日益频繁，地图可用性，地图设计地图样式 l地图符号的有效性，制图动画可观性等受到业界以及学者的广泛关注。

旅游地图是用地图法则表现旅游客体的媒体，专为旅游主体服务的一种专题空间模型，与交通、接待、服务设施和广告宣传等均属旅游媒体。作为专题地图的一种，旅游地图不仅具有传递空间信息的功能，更要与旅游元素紧密相连。旅游学科对地图的研究包括地图编制，地图符号设计，旅游底图对地图符号设计的影响、旅游地图符号的认知有效性等。旅游知识地图指在知识可视化的驱动下对空间旅游数据进行深加工，侧重探索旅游行为、旅游要素与地理要素之间的内在联系。

2 研究方法

2.1 眼动轨迹的时空路径可视化表达

时间地理学和人类活动分析等方法将人类的行为视作时空中相互依赖的活动序列，这一序列可用时空维度相结合的时空路径表示。眼动轨迹的时空路径，指眼动轨迹随时间变化形成的时空路径。本文基于时间序列原理分析眼动注视点坐标，将眼动坐标依次与时间对应，借助时空路径呈现眼动轨迹。图1（a）为某被试眼动轨迹的时空路径，X、Y轴分别为横、纵坐标，Z轴代表时间点，共同构成一个三维时间序列图形。

2.2 眼动轨迹时空路径的降维处理

由于三维时间序列的复杂性，很难从图1（a）RR现有规律的眼动模式，因此本文提出化整为零、降维的方法，将眼动轨迹的时空路径进行降维处理。通过降维，将三维时空路径降为二维时间序列，分别形成横坐标与时间点、纵坐标与时间点组成的二维时间序列。每条眼动轨迹的时空路径，都包括两条二维时间序列。图1（b）、图1（c）所示为降维后的眼动注视点横、纵方向随时间变化的轨迹。图1（b）表示眼动注视点横坐标与时间结合的轨迹，图1（c）表示眼动注视点纵坐标与时间结合的轨迹。

对眼动数据进行降维处理，基于以下3个因素：首先，眼动坐标基于屏幕坐标系具有横、纵坐标属性，可类比为地理坐标系中的经、纬度。第二，基于地理坐标系，如果将X、Y坐标系转化为极坐标系，即利用角度与距离表示点的坐标，那么单独分析角度可以得到注视点是顺时针移动和逆时针移动，单独分析距离可以得到注视点是离心运动还是向心运动。这對描述注视点移动路径很有帮助。同理，基于屏幕坐标系下分析也能够得到眼动行为的特征。第三，通过观察降维后的时空序列图形，发现绝大部分图像存在类似于某种模式的变化规律，综上所述，将三维眼动坐标进行降维处理，可看作对地理坐标系分析方法的拓展，也是对眼动数据分析方法的创新应用。

3 实验

3.1 被试

实验在山东大学旅游行为实验室内完成。被试来自山东省济南市各高校，男女比例1：1。所有被试均遵循眼动实验的特殊规范，裸眼或矫正视力正常，非色盲、色弱;近期身体状况良好;无访问香港海洋公园经历，未提前浏览与香港海洋公园等相关的信息。遵循心理学实验知情同意原则。

3.2 实验仪器

EyeSo Ec60遥测式眼动仪基于现代光学记录法研制，利用眼球转动时相对位置不变的某些眼部结构和特征作为参照，在位置变化特征和这些不变特征之间提取视线变化参数，通过几何模型或映射模型获取视线方向。采样频率30/60FPS，屏幕分辨率1920×1080，尺寸大小 20厘米×1.9厘米×1.9厘米，显示屏23英寸。

3.3 实验材料

刺激材料分别为香港海洋公园导览图（图2a）、香港海洋公园电子标准地图（图2（b》，以下简称导览图、标准地图。导览图下载于香港海洋公园官方网站，标准地图获取于百度地图，使用ArcGIS软件进行标准化处理。

3.4 实验内容

实验包括眼动实验、问卷两部分。实验选取42位被试，21位使用标准地图作为刺激材料，21位使用导览图，两幅地图中包含的所有信息均视为统一整体，阅读内容包括地图上景点、交通线路、图标等全部信息。为模拟真实情景下的旅游计划行为，实验时间3分钟以上，且无限制。问卷包括人口统计学信息、旅游计划的制定、同伴选择等问题。

3.5 实验过程

被试抵达实验室休息就坐，了解实验流程，主试协助被试校准眼动仪，校准无误后开始实验，眼动实验结束后填写旅游计划行为调查问卷，结束实验，表示感谢。

3.6 研究假设

本文提出对眼动轨迹的时空路径进行降维处理，通过观察后发现降维后眼动注视点的横、纵坐标随时间呈某种趋势变化，因此提出以下假设：眼动轨迹由一条正余弦曲线和一条直线组成。

图3（a）为某被试眼动注视点横坐标随时间变化的轨迹，由图可知纵坐标（眼动轨迹的横坐标）在摆动中逐渐增大，因此可用拟合直线的斜率k表示眼动轨迹的趋势程度，此时斜率k为正，表明纵坐标逐渐增大。曲线的频率ω，表示眼动轨迹的摆动程度，频率ω越低，表明眼动轨迹摆动的速率越慢。本文选取斜率k和频率ω两个指标分析眼动轨迹，探究眼动行为模式。

基于以上假设，假设该模型的表达式为：

其中，W_t～WN（0，1）。

根据正余弦的基本定理，可以将表达式看作由一个正弦函数、一个余弦函数和一次函数进行的线性组合，因为：

4 数据处理与分析

4.1 典型样本与样本概况

实验时间：2016年3月21日-31日。

样本概况：本文通过EyeSo眼动分析软件获取眼动注视点坐标数据，共42条有效眼动数据及问卷样本，每条眼动轨迹包含1542～534个数据点，共42454条数据。表2为眼动实验和问卷数据典型样本，包括年龄、地图类型、性别、持续时间、路径长度、注视点坐标、计划游览景点和个数。

4.2 眼动数据预处理

由于部分被试在开始阶段存在不适应情况，以及实验过程中的回看等习惯都会导致注视点混乱且不规律，因此需要对降维后的眼动数据进行预处理，使用时间序列中的移动平均去除随机波动，以便得到更确切的趋势和发展方向。

移动平均的计算公式如下：

其中，m为移动平均的时期个数。由于本文所用设备设定每秒会有60个采样点，故将m定为60。

图3b为移动平均后某被试眼动注视点横坐标的轨迹。其中，散点图为原始眼动数据点，黑色折线为移动平均后得到的数据点。可看出移动平均能够去除随机波动，得到眼动数据更确切的趋势和发展方向。

4.3 数据拟合

本文采用最小二乘法，数据点（X_i，Y_i），i=1，2，…n，误差r_i=p（X_i）-Y_i，i=1，2，…，n的大小，即对给定数据点（X_i，Y_i），i=1，2，…n，在取定的函数类Φ中，求p（x）∈Φ，使误差r_i=p（X_i）-Y_i，i=1，2，…，n的平方和最小。

每位被试的眼动轨迹时空路径通过降维可拆分得到两条时间序列。图3（c）为某被试的横坐标轨迹，推断近似函数p（x）为倾斜的正余弦函数，具体表达式为：

p（x）=Asin（ωχ）+Bcosωχ+kx+b

其中，x为自变量，A，B，ω，k，b为参数。

首先对A，B，k，b进行求解（假设。已知，下文将对如何确定ω进行详细解释），计算公式如下：

分别对A，B，k，b求偏导数，并使其等于0.可得：

根据假设，ω和数据点（X_i，Y_i）已知，可解得A，B，k，b。我们便可得到近似函数：

P（x）=A sin（ωχ）+Bcos（ωχ）+kx+b

由于本文不需要對数据进行统计推断和统计预测，所以自变量和残差可以不满足线性回归的假设，即满足独立正态分布。ω在正余弦函数中表示频率，是周期T的倒数，如果确定T，则可确定ω。对于周期T，通过遍历所有的时间段（从1到n），得到n个近似函数p（x），在比较决定系数Rz确定最佳周期T，即可得到最佳频率ω。

决定系数R²表示数据点（X_i，Y_i）被近似函数p（x）的解释程度，决定系数R²越大，表示该近似函数越可靠。计算决定系数R²的公式如下：

由于变量个数确定，比较调整的决定系数或决定系数并无差别，故选择决定系数R²。

图3d为拟合后某被试眼动横坐标轨迹。其中散点图为原始数据点，较细的折线为移动平均后的数据点，较粗的曲线为使用最小二乘法拟合后的近似函数。

使用最小二乘法拟合后的相关统计量，可以发现截距项、正弦项、余弦项、斜率项对应的p值以及F统计量对应的p值都十分显著，决定系数R²=0.6593。因此使用最小二乘法对带有趋势的正余弦曲线对于眼动注视点横坐标的时间序列图拟合的较为成功。

为提高拟合精确度，采用非线性最小平方法对数据进行验证，初始值定为由最小二乘法得到的最佳A，B，k，b和ω，并采用AIC信息准则作为比较两种方法的判定标准。AIC信息准则是衡量统计模型拟合优良性的一种标准，它建立在嫡的概念基础上，可以权衡所估计模型的复杂度和此模型拟合数据的优良性，AIC值越小，表明模型拟合数据越好。

AIC的计算公式为：

AIC=-2ln（L）+2P

其中，L为该模型的似然函数，p为模型的参数个数。

对眼动数据进行最小二乘法和非线性最小平方法拟合，分别得出两种方法的AIC值，发现虽然部分非线性最小平方法的AIC值与最小二乘法的AIC值很接近，但所有的非线性最小平方法的AIC值都大于最小二乘法的AIC值。表3列举6位被试的拟合数据，经验证最小二乘法的效果最好。

因此，斜率k和频率ω可作为眼动轨迹的重要指标。斜率k代表眼动轨迹的活动趋势，频率ω代表眼动轨迹的摆动程度。斜率k代表的整体眼动趋势指，被试在地图阅读过程中具有偏向某一位置的趋势，但不代表忽视其他部分。表4为数据处理后的典型样本，S1opeX、S1opeY分别表示横、纵坐标时间序列图的斜率，ωx、ωy分别表示横、纵坐标时间序列图的频率。

4.4 眼动行为模式聚类

每位被试的眼动时空轨迹经过降维处理后会变成二维时间序列，42位被试的三维眼动轨迹时空路径，降维处理可得84幅横、纵坐标二维时间序列图，通过数据拟合可知每位被试在水平方向和竖直方向上眼动轨迹的活动趋势和频率。本文选取水平方向上斜率与频率和竖直方向上斜率与频率作为聚类指标，使用MATLAB软件，对数据采用基于聚类中心的密度算法分类，该方法能够对初始点保持稳健且能够保持k-means方法的优点。首先根据silhouette信息，可得最佳分类个数为2，再对数据采用基于聚类中心的密度算法分类，结论如下（表5）：

第1类眼动行为模式，水平方向斜率为正，即眼动重心向右倾斜，竖直方向斜率为负，即眼动重心向下倾斜，称为右下型;同理第2类称为左上型。第1类眼动行为模式，水平方向频率为0.0037，速率较慢，竖直方向频率为0.0047，速率较快，称为波动型;同理，第2类眼动行为模式中，水平、竖直方向频率分别为0.0041和0.0043，均为中速，称为稳定型。在眼动频率上，第2类明显更稳定于第1类眼动行为模式。

综上所述，第1类眼动行为模式为右下波动型，第2类眼动行为模式为左上稳定型。观察两幅刺激材料发现，两幅地图的右下方均有图例，因此第1类较第2类对图例的关注度更高。类型1的波动性可理解为被试在阅读地图时，由于需要来回查看图例辅助阅读，因此眼动频率较大，类型2的阅读重心位于地图的左上区域，表明被试在阅读地图时呈现整体偏左上的趋势，眼动行为较稳定。

4.5 旅游地图眼动行为模式分析

（1）眼动行为模式与地图类型的关系

由于本文选取不同地图作为实验材料，根据以上聚类结果，采用一致性卡方检验探究眼动行为模式与地图类型的关系。

H0：类型1中导览图的比率等于类型2中导览图的比率

H1：类型1中导览图的比率不等于类型2中导览图的比率。

由于导览图占地图总数的比率为21/42=0.5，根据原假设，期望的导览图中类型1的数量为0.5×23=11.5。根据聚类结果，类型1与类型2中两类地图的被试数量如下（表6）。

由此可以得到卡方统计量：

自由度为（列数-1）×（行数-1）。在本文中自由度为1×1=1.而x_0.05，1²=3.841>0.865，所以接受原假设H0，即类型1中导览图的比率等于类型2中导览图的比率。因此，地图类型对旅游地图眼动行为模式没有影响。

（2）眼动行为模式与旅游计划行为的关系

首先，确认地图类型是否会影响旅游计划行为，可对地图类型与旅游计划行为进行方差F检验。经检验p值为0.7269>0.05，接受原假设，该两样本方差一致。然后判断均值是否一致，对两样本应用双样本t检验，经检验p值为0.7347>0.1，接受原假设，即该两样本均值一致。证明地图类型对旅游计划行为无显著影响，表明图例等地图要素的呈现方式对实验任务的完成无显著差异。

研究眼动行为模式与旅游计划行为的关系，根据问卷中被试计划游览景点个数的选择，使用双样本t检验眼动行为模式与旅游计划行为的关系。同理，首先判断该两样本的方差是否一致。经检验P值为0.8005>0.05，接受原假设，即该两样本方差一致。然后，对两样本应用双样本t检验中方差一致的情况。经检验，p值为0.1，因此在0.1的拒绝程度下拒绝原假设，即两样本均值不同，且类型2选择的计划游览景点个数大于类型1，表明眼动行为模式对旅游计划行为有显著影响。

5 结论与讨论

5.1 眼动行为模式分析方法的贡献

当前，眼动实验分析对注视点坐标的关注较少，无法从时空角度对眼动行为进行解释。本文从时空数据叠加的视角出发，通过降维分析眼動注视点数据，采用最小二乘法对84幅眼动轨迹的二维时间序列进行曲线拟合，得到眼动时空行为模型，最后基于聚类中心的密度算法进行聚类，总结眼动行为模式。

5.2 旅游地图眼动行为模式结构化分类

通过降维处理，将三维眼动轨迹的时空路径拆分为二维时间序列，将眼动行为模式分为两类：水平方向频率低一水平方向斜率正一竖直方向频率高-竖直方向斜率负以及水平方向频率中一水平方向斜率负一竖直方向频率中一竖直方向斜率正，即右下波动型和左上稳定型，两类分别包括23位和19位被试。分析眼动模式与地图类型、计划游览景点的关系，发现眼动模式与旅游计划行为显著相关。从实践的角度来看，在真实旅游情景下，根据旅游者的眼动数据预测其旅游计划行为，为分析旅游计划行为的过程提供可能，对研究旅游者决策行为有重要意义。

5.3 研究展望

随着眼动技术的发展，学者希望通过眼动实验深入探究心理活动。从被试选取的角度来看，实验样本的多样性是保证研究结果普遍性的基础。本实验选取的被试为在校大学生，大学生虽属于潜在旅游者的一部分，但仍存在一定局限性，今后的研究应尽量保证样本来源的多样性。从眼动模型来看，基于本文的研究方法加入对初始点（b）、初始摆动方向（φ）和摆动幅度（A）的分析，从多角度对眼动行为进行全面的描述，能够更好地理解眼动行为。对旅游经营者而言，眼动数据的挖掘具有广泛的应用前景，随着智慧旅游的不断发展，若景区能借助眼动设备收集旅游者计划游览行为的眼动数据，在大数据的支持下，能够区分旅游者的眼动行为模式，计算旅游者计划游览某景点的概率，进而预测旅游者的旅游计划行为。第一时间获取旅游者的游览意图，有助于旅游经营者细分市场、精准营销，有助于景区管理中心预测、调控客流动态，有助于旅游目的地实现更加科学、有效的管理，从而为旅游者提供精准化、个性化服务，提高旅游服务质量，促进旅游业高质量发展。