城市軌道交通車站高峰客流偏差研究*

余麗潔 肖 娜 陳寬民 馬超群

（1.長安大學運輸工程學院，710064，西安；2.中交第一公路勘察設計研究院有限公司，710075，西安∥第一作者，博士研究生）

城市軌道交通車站設計時，其通過能力應按該站預測遠期高峰小時客流量或客流控制期高峰小時客流量乘以超高峰系數進行計算［1］。但在實際應用中發現，全線客流的高峰小時時段不一定是車站客流的高峰時段［2］。文獻［3］通過對車站客流高峰時段的確定，得到了更準確的車站設計客流。文獻［4］根據車站周邊用地特征，得出了車站高峰偏差的時間建議取值和車站高峰客流的擴大系數。但由于目前這些研究只停留在影響因素方面，未深入進行車站高峰客流的定量分析，因此對確定合理車站設計客流的技術指導性不強。

本文通過實際案例，針對城市軌道交通車站高峰小時（以下簡為“車站高峰”）時段與城市高峰小時（以下簡為“城市高峰”）時段不一致的現象，對車站客流高峰偏差進行細化分析，得到描述高峰偏差的方法——車站高峰偏差系數（PDC），并確定影響車站高峰偏差的主要因素；最后利用最小二乘支持向量機（LSSVM）建立車站高峰偏差系數的計算模型，以期得到精確度較高的車站設計客流。

1 車站客流高峰偏差分析

高峰小時指由于城市地區通勤與通學等出行引起的出行數量明顯高于其他時間的某個小時，一般分早、晚高峰小時。本文的城市高峰即指早、晚高峰。車站高峰指車站在一日內客流最集中的某一小時，車站高峰小時客流則指車站高峰小時內的進出站客流。對于市區線，服務對象主要是通勤、通學的乘客，客流多集中于城市高峰時段，故市區線上大多數車站的高峰小時與城市高峰趨近或重疊。但由于車站服務區域環境功能等的不同，部分車站高峰與城市高峰偏差較大。這種偏差不僅表現在高峰發生時段上，也體現在客流量級上。

以西安地鐵為例，截至2018 年12 月底已開通3 條線路，共63 座車站。現利用西安地鐵2018 年5月份中21 個工作日（5 月2 日為勞動節后第一個工作日，客流受節假日影響，故剔除）的AFC（自動售檢票）數據對63 座車站進行高峰偏差分析。發現41%的車站其車站高峰與城市高峰相吻合；59%的車站其車站高峰與城市高峰產生不同程度的偏差，客流量偏差在1 ～1 246 人次不等，具體偏差結果見圖1 和表1。無偏差車站在此不再贅述。

由表1 可知，車站偏差幅度主要集中在-15 min～30 min 區間。其中11 座車站其車站高峰早于早高峰15 min，這類車站多處于線路首末端，位于市郊區；車站服務區域主要是居住區，主導客流是上班、上學通勤客流。這類車站由于距離市中心較遠，乘客出發時刻較早，故形成的車站高峰相應提前。相對城市高峰滯后的車站共25 座，其中17 座車站滯后15 min，7 座車站滯后30 min，滯后的車站多處于發展相對成熟的區域，周邊用地相對復雜，有高密度的就業區、大型商業區、娛樂休閑區等，吸引的客流包括了旅游觀光、商業購物客流，客流聚集時間較早高峰晚。

北客站比較特殊，其車站高峰是13:45—14:15，與城市高峰偏離較大。這是因為北客站是交通樞紐類車站，其客流時間分布主要受鐵路動車發車時刻約束。

表1 西安市軌道交通車站高峰偏差幅度

圖1 西安地鐵車站高峰偏差量

2 車站高峰偏差系數

由前文分析可知，存在高峰偏差的車站其自身高峰時段的進出站客流量明顯大于城市高峰時段的進出站客流量。城市軌道交通車站規模是基于預測的城市高峰時段的車站客流量設計，對于偏差車站，預測的車站設計客流量必然偏小，導致車站規模設計偏小［5］。因此，為了得到更精確的車站設計客流，必須對預測的城市高峰時段客流量進行擴大修正。本文引入一個擴大系數，將其稱為車站高峰偏差系數。

車站高峰偏差系數旨在描述某車站在車站高峰時段客流量與城市高峰時段車站客流量之間的偏差程度，對存在偏差車站的城市高峰時段車站客流量進行擴大。因此，定義車站高峰偏差系數（PPDC）表達式如下：

式中：

ps——車站高峰小時進出站客流量；

pc——城市高峰小時車站進出站客流量。

當車站高峰與城市高峰時段重疊時，表明車站高峰未產生偏差，即ps＝pc，此時PPDC=1；當車站高峰偏離城市高峰時，該車站在車站高峰時段的進出站客流量必然大于城市高峰時段的進出站客流量，即ps＞pc，此時PPDC＞1。因此，PPDC≥1，且其值越接近于1，表示車站高峰客流與城市高峰車站客流越接近，偏差越小。反之，表示偏差越大。

3 車站高峰偏差影響因素

影響車站客流量的因素通常分為人口數量、周邊建成環境、社會經濟因素、城市軌道交通車站特征共4 類［6］。由于人口數量和社會經濟因素主要影響的是客流量級，對車站高峰偏差影響較小，故著重分析城市軌道交通車站周邊建成環境和車站特征對車站高峰偏差的影響。

3.1 車站周邊建成環境

車站周邊建成環境主要指周邊土地開發強度和混合度。有關研究表明，土地利用混合度高的車站，其更能平衡居民不同時間段的出行需求，降低高峰期與平峰期的出行量差異［7］。對于周邊土地類型比較單一的車站，其車站客流在時間分布上越不均衡，車站高峰與平峰差異越大。文獻［8］在研究車站客流高峰偏差與用地的關系時，發現通勤用地占比和待開發用地占比對車站客流高峰偏差影響較大。因此，本文用車站800 m 范圍內的通勤用地、待開發用地建筑面積占比來研究車站周邊用地對車站高峰偏差的影響。

3.2 車站到市中心的距離

車站位置對高峰時段車站進、出站客流有顯著影響，主要體現在吸引客流的性質和能力上。城市高峰客流的形成也是源于通勤客流，故這類車站其車站高峰偏差理應較小。但由于各車站到市中心的距離不同，站點周邊乘客乘車時刻則會不同，造成各車站高峰時段存在差異，比如西安市二環外的車站早高峰可能在7:00，二環內的車站早高峰則可能在7:30。因此車站到市中心的距離也應考慮為影響車站高峰偏差的重要因素。

3.3 節點中心性

如果兩站點步行吸引范圍內土地利用條件相同，通常換乘站的客流量比普通站更高［9］。已有研究在分析普通站與換乘站之間的差別時，通常將兩類站點設置為離散的虛擬變量［10］，這將忽略不同區位換乘站之間特征的差異。為衡量城市軌道交通網絡各站點的區位及連接性，本研究借鑒圖論中節點中心性的概念，用節點中心性替代“站點是否換乘站”這個虛擬變量［11］。計算方法如下：

式中：

Bi——車站的節點中心性；

ωst——從s 站到t 站的最短路徑數；

ωsit——從s 站到t 站經過i 站的最短路徑數。

4 高峰偏差模型建立

城市軌道交通進出站客流隨機性較大、波動頻繁且維數高，高峰偏差的形成比較復雜。高峰偏差系數變化具有動態性、非線性和不確定性等特征。本文選取解決有限樣本、非線性、高維數等問題更具優勢的LSSVM 建立模型預測高峰偏差系數。

LSSVM 是支持向量機（SVM）的一種改進，將支持向量機中的不等式約束改為等式約束，采用平方損失函數，把解二次規劃問題轉化為求解線性方程組問題，極大提高了求解問題的速度和收斂精度。一些學者已將此方法用于城市軌道交通節假日客流預測［12］。

本文采用參數相對較少、適應能力強的高斯核函數（RBF）作為LSSVM 的核函數：

式中：

σ——高斯核的帶寬，與節點中心性符號相同

將車站周邊800 m 范圍內通勤用地和待開發用地建筑面積比例、車站到市中心的距離和車站節點中心性這4 個因素作為預測因子，以車站高峰偏差系數為預測值，進行建模回歸。

5 實例分析

5.1 數據獲取

本文研究的數據集包括：①2018 年5 月21 個工作日的各車站全日進出站客流數據，由西安市地鐵運營公司提供；②車站周邊800 m 范圍內通勤用地、待開發用地建筑面積；③各車站到市中心的距離。利用西安市土地利用詳細規劃圖得到不同用地類型的面積，結合百度高清衛星地圖，采用MATLAB 圖像識別技術獲取了車站周邊不同用地類型的建筑面積以及各車站到市中心（鐘樓）的距離，最后計算各用地類型的分布比例。

5.2 數據處理

車站用地類型比例取值范圍為［0，1］區間，無需標準化，車站到市中心的距離及節點中心性采用極差標準法將其歸一化處理。其后隨機選取47 座車站數據作為訓練集，剩余16 座車站數據作為測試集進行建模。

5.3 預測結果

通過軟件MATLAB2016a 中的LSSVM1.8 包實現試驗中的LSSVM 模型。訓練得出待標定參數γ為7.21，σ2為2.64，調整擬合優度R2為0.71。作為對比，基于SPSS 軟件采用線性模型對同樣的47 座車站進行線性擬合，對剩余16 座車站樣本進行回歸預測，得到其調整R2為0.285。對比說明LSSVM 模型擬合效果優于線性模型的（見圖2 和表2）。

圖2 LSSVM 模型和線性模型的回歸預測結果

表2 LSSVM 模型和線性模型回歸結果比較

產生誤差的原因主要是由于站點周邊土地利用混合度大小不一以及個別車站主導用地類型特殊。模型中僅考慮了大多數車站用地的普遍特征，對于特殊車站考慮欠佳。

6 結語

1）為了提高車站設計客流預測的精確度，本文通過分析車站高峰小時客流與城市高峰小時車站客流的關系，定量描述車站高峰客流偏離城市高峰車站客流的程度，提出通過車站高峰偏差系數來合理修正城市高峰小時車站客流。

2）基于西安地鐵運營數據，對車站高峰偏差影響因素進行了分析，并利用最小二乘支持向量機建立了車站高峰偏差模型，取得較好的擬合效果，表明這一模型能有效預測車站高峰偏差系數，為準確預測車站設計客流提供了方法。

3）車站在投入運營后，其高峰時段也會受到當日天氣、溫度等外界條件的影響，而在規劃階段，這些影響很難預測，因此在未來的研究中應考慮車站高峰偏差系數的日均變化情況。