基于?K-Means?聚類算法的城市軌道交通站點分類及客流特征分析

夏 雪，蓋靖元

（1. 沈陽市規劃設計研究院有限公司，遼寧沈陽 110004；2. 遼寧省交通運輸事業發展中心，遼寧沈陽 110005）

1 研究背景

城市軌道交通因其運量大、速度快、準時、安全等特點，對滿足高峰時段集聚的出行需求、緩解道路擁堵、節能減排有著不可估量的作用。截至2020年6月30日，中國內地開通城市軌道交通的城市已有41個，運營線路總長度為6 917.62?km[1]。城市軌道交通建設正處于突飛猛進的發展時期，而交通站點作為聯結周邊城市空間的重要節點[2]，其分類對于研究不同類型站點的周邊土地利用差異、客流變化規律、城市空間布局優化、新線路站點客流預測等都有著非常重要的作用。

國內已有部分學者對城市軌道交通站點分類開展研究。例如：徐威、鄭長江等人[3]采用K-Means聚類算法將蘇州市軌道交通站點分為一般站、商業區站、交通接駁站、居住區站、綜合交通樞紐站5類；李國強、楊敏等人[4]利用站點客流數據和興趣點（POI）數據將南京市軌道交通站點分為居住密集型、崗位密集型、混合型和樞紐型4類；鄧評心、鄭長江等人[5]采用主成分分析、多元線性回歸等方法，定性和定量相結合的方式將城市軌道交通站點分為4類。但部分學者[3-12]在進行城市軌道交通站點分類時受數據來源的限制，對站點聚類因素的考慮相對有限。

本文以沈陽市已開通的3條城市軌道交通線路（截止到2020年4月分別為1號、2號和9號線），共67個站點（其中9號線皇姑屯站尚未開放）為例，從人口分布、開發強度、公交接駁、路網長度分布、站點位置屬性、站點客流數據六大維度進行聚類分析；基于站點聚類成果，疊合多樣化數據，分析總結出各類站點客流的普適性規律，為后續站點的周邊基礎設施完善、站點客流預測、車站運營組織方案做出指導。

2 ?基于K-Means聚類算法的站點分類研究

2.1 K-Means 聚類算法

K 均值聚類算法（K-Means?clustering?algorithm）是一種迭代求解的聚類分析算法，通過逐次更新各聚類中心的值，通過迭代得到最理想的聚類結果。K-Means是聚類算法中最常用的一種，其最大的特點是簡單、易理解、運算速度快，適用于連續型的數據。本次聚類擬采用的數據以連續型數據為主，適用于K-Means聚類算法。具體算法步驟[13]如下：

（1）選取K個對象作為初始的聚類中心；

（2）計算每個對象與各初始聚類中心之間的距離，將其劃分至距離最近的聚類中；

（3）全部對象被分配后，重新計算每個聚類的聚類中心，重復進行對象分配，直至滿足終止條件。

2.2 聚類因素選取和數值標準化

2.2.1 選取原則

選取城市軌道交通站點聚類因素基于以下原則。

（1）明確城市軌道交通站點的影響范圍，是因素數值標準化的前提。

（2）城市軌道交通站點作為城市交通網絡的重要節點，受現狀條件與地理位置的影響，站點在區域內承擔不同的作用并呈現出差異化特征，選取的因素應能夠反映站點在網絡中的位置特征。

（3）城市軌道交通作為居民出行的方式之一，其吸引力取決于站點周邊的開發業態、開發強度、接駁設施、路網可達性等，選取的因素應能夠反映站點周邊各類設施的服務水平。

（4）選取的因素應能夠反映站點自身特性，如早晚高峰進出客流量或客流比例等。

2.2.2 聚類因素選取

根據《城市軌道沿線地區規劃設計導則》[14]，本文以站點周邊800?m的區域作為城市軌道交通站點影響區，同時綜合考慮因素的選取原則，選定如下六大類數據作為站點聚類分析的變量因素。

（1）基于社區的人口分布數據。本文基于沈陽市現狀街道社區人口數據，通過ArcGIS軟件，疊加人口數據與城市軌道交通站點800?m覆蓋范圍生成站點覆蓋的人口分布數據。

（2）基于興趣點（POI）的開發強度數據。POI數據一般包含數據名稱、地址、經緯度等信息，具有更新速度快、數據來源可靠等優勢。由于缺乏詳細的土地利用及崗位數據，本文基于高德地圖的POI數據，分別選取餐飲、購物、教育、金融、醫療、公司企業、政府辦公7類數據代表城市軌道交通站點周邊的開發強度或崗位分布水平，如表1所示。

（3）基于POI的公交站點數據。本文利用高德地圖的POI數據，統計出城市軌道交通站點800?m范圍內的公交站點數量，用以表征站點周邊公交接駁換乘水平。

（4）基于地理信息系統（GIS）的路網長度數據。站點范圍內的路網長度是對城市軌道交通站點可達性的體現。一般來說，站點周邊道路網長度越長，在一定程度上體現的站點周邊路網體系越完善，站點可達性越高。本文利用沈陽市道路交通網GIS數據，統計出站點800?m范圍內的道路網長度。

表1 基于POI數據的開發強度一覽表

（5）基于三層維度的站點位置數據。城市軌道交通站點所處區位對站點周邊空間的開發規模、開發業態及交通設施配套產生較大影響。本文分別從站點在城市空間、軌道線網、城市交通網3個維度入手，對站點的位置屬性進行賦值。其中：城市空間位置依據沈陽市四環的城市空間結構中心開發強度高、外圍開發強度較為滯后的特點，將站點區位分為1、2、3、4四個等級，數字分別代表站點處于幾環內；軌道線網位置依據站點在軌道線網中的位置，將站點分為終點站、換乘站、一般站3類，分別用1、2、3進行賦值；城市交通網位置將800?m覆蓋范圍存在鐵路、大型公交換乘樞紐的站點定義為交通樞紐站，賦值1，其他站則為0。

（6）基于城市軌道交通自動售檢票系統（AFC）的站點客流數據。AFC通過記錄乘客進出站時間、站點編號等信息，分析出各站點全天不同時段上下客流信息。本文以AFC客流數據為依據，分別選取早高峰/晚高峰進站客流占全天進站客流比例、早高峰/晚高峰出站客流占全天出站客流比例共4項數據作為站點差異化的客流特征。

綜合以上，本次共選取六大類數據、17個具體因素作為站點聚類分析的初始輸入要素，如表2所示。

2.2.3 聚類因素數值標準化

不同評價指標具有不同的量綱，會影響數據分析的結果，為消除指標之間的量綱影響，需要進行數據標準化處理[3]，以解決數據指標之間的可比性。本文采用Z-score方法進行數值標準化處理，即將每一變量值與其平均值之差除以該變量的標準差，標準化后各變量的平均值為0，標準差為1，從而消除了量綱和數量級的影響。

表2 站點聚類因素一覽表

2.2.4 因子分析

在聚類分析中，選取的因素較多，雖然能夠增加聚類效果的可靠性，但由于指標間經常存在一定的相關性，使得觀測數據呈現的信息存在重疊現象。而因子分析是一種從多個變量指標中選擇出少數幾個綜合變量指標的多元降維統計方法，能夠消除相關因素信息重疊的影響[15]。

本文將17個因素的標準化數值進行因子分析，利用統計產品與服務解決方案（SPSS）軟件計算得到KMO（Kaiser-Meyer-Olkin）和巴特利特球度檢驗結果。其中，KMO=0.846,處于0.8～0.9之間；巴特利特球度檢驗結果顯著性=?0，小于0.05，說明因素之間存在很大程度的相關性，適合進行因子分析。通過因子分析，從17個因素中提取出3個公共因子作為K-Means聚類算法的輸入變量。結合實際情況，最終選取K值為5類時的聚類結果作為沈陽市軌道交通站點分類結果。

2.3 沈陽市軌道交通站點分類結果

根據聚類結果將站點劃分為居住型、商業商務型、綜合開發型、產業型、交通樞紐型五大類，如圖1所示。

（1）居住型。共40個站點，主要體現為站點覆蓋人口較多，用地業態以餐飲、購物、教育等生活型服務為主，早高峰進站比例明顯高于出站比例。

（2）商業商務型。共11個站點，主要體現為用地業態中生活型服務和崗位型服務較為豐富，早高峰出站比例明顯高于進站比例。

（3）綜合開發型。共5個站點，主要體現為站點人口覆蓋密集（800?m覆蓋人口在3萬人以上），生活型服務和生產性服務較為豐富，處于二環核心區以內，高峰時段進出比例較為均衡。

圖1 沈陽市軌道交通站點分類

（4）產業型。共5個站點，主要體現為站點覆蓋人口少，周邊用地業態以公司企業和工廠等崗位型服務為主，處于外圍環路，公交站點分布較少，早高峰出站比例明顯高于進站比例。

（5）交通樞紐型。共6個站點，包含城市軌道交通換乘站、鐵路樞紐站和公交樞紐站，該類站點生活型服務較為豐富，高峰時段進出比例較為均衡。

3 基于站點分類的客流特征分析

3.1 居住型站點客流特征分析

（1）居住型站點高峰時段進出站比例受站點覆蓋人口影響較小，基本穩定在一個區間。居住型站點早高峰進站比例集中在12%～25%之間，出站比例集中在5%～12%之間，早高峰進站比例明顯高于出站，這與居住型站點早高峰居民高強度通勤出行需求有關，如圖?2?所示。晚高峰時段受各單位通勤時間的差異、居民休閑娛樂需求的影響，晚高峰進出站比例較早高峰低，出站比例略高于進站比例（出站比例集中在8%～14%之間，進站比例集中在4%～10%之間），如圖3所示。

（2）早高峰進站量和晚高峰出站量與居住型站點覆蓋人口成正比關系，如圖4所示。對早高峰進站量、晚高峰出站量與覆蓋人口進行比值分析，發現其比值主要在一個區間內浮動，早高峰進站量與人口的比值集中在5%～15%之間，晚高峰出站量與人口的比值集中在0～10%之間，如圖5所示。

3.2 商業商務型站點

圖2 居住型站點早高峰進出站客流比例與站點覆蓋

圖3 居住型站點晚高峰進出站客流比例與站點覆蓋

圖4 居住型站點早高峰進站量、晚高峰出站量與站點覆蓋人口關系

（1）商業商務型站點早高峰出站比例和晚高峰進站比例是一天中的峰值。商業商務型站點因站點周邊公司企業、辦公等崗位型用地較多，早高峰出站比例和晚高峰進站比例是一天中的峰值，其中早高峰出站比例主要集中在12%～20%之間，晚高峰進站比例主要集中在10%～15%之間，如圖6所示。

（2）站點周邊POI點位越多，早高峰出站客流占比相對更大。由于崗位型POI點位數量僅顯示周邊公司企業數量，未能直接計算崗位的規模和數量，因此只能初步表示崗位的密集程度。對崗位型POI點位和客流比例進行疊加分析發現，如圖6所示，站點周邊POI點位越多，早高峰出站客流比例相對更大，在一定程度上能夠為今后站點客流預測作一定參考。

3.3 綜合開發型站點

綜合開發型站點的定位為周邊各類生活型和崗位型服務設施豐富、人口密集、處于核心區、道路可達性強、公交接駁水平高的站點，如表3所示。該類站點早晚高峰的進、出站比例較為接近，集中在8%～13%之間，未體現出明顯的高低差距，這與站點周邊用地開發種類豐富，客流產生量和吸引量都較高有關，如圖7所示。

3.4 產業型站點

產業型站點的定位為站點800?m范圍內覆蓋人口少，周邊用地業態以公司企業或工廠等崗位型設施為主，處于外圍環路，如表4所示。通常而言，受崗位型用地強客流吸引力影響，產業型站點應體現出早高峰出站比例遠大于進站比例的情況。但本次歸類的產業型站點情況比較特殊，該類產業型站點位于外圍的經濟技術開發區，800?m范圍內以公司企業為主，800～2?000?m內存在大量的住宅小區。受經濟技術開發區與主城區之間常規公交、道路等設施不足的限制，較多的住宅小區居民傾向于高峰時段通過公交、慢行接駁等方式到達地鐵進行出行，導致本次分類的產業型站點呈現早晚高峰進站和出站比例相差不大的現象，如圖8所示。因此，外圍站點因周邊交通設施不便，在分析或預測站點產生吸引客流量時應擴大站點輻射范圍，將接駁客流量也納入考量。

圖5 居住型站點早高峰進站量、晚高峰出站量與站點覆蓋人口比例

圖6 商業商務型站點客流特征

表3 綜合開發型站點周邊設施表

圖7 綜合開發型站點客流特征

表4 產業型站點周邊設施表

圖8 產業型站點客流特征

3.5 交通樞紐型站點

樞紐型站點進出站客流不但受周邊用地布局的影響，還受接駁客流的影響。由于對外交通樞紐站（機場、火車站等）客流出行時間分布上較為分散，與通勤早晚高峰重疊度較低，因此該類站點早晚高峰客流特征受接駁客流影響較小，而換乘站則相反，受接駁客流影響較大。

由此次分類的交通樞紐型站點可以看出，如圖9所示，沈陽站、沈陽北站2個鐵路樞紐站早晚高峰進出站客流占比存在較大差異，其中沈陽站緊鄰太原街商圈、沈陽北站緊鄰北站金融商貿區，兩者在客流特征上更接近商業商務型站點。青年大街、鐵西廣場、奧體中心作為地鐵線路的換乘站，滂江街作為公交與地鐵的換乘站，其早晚高峰進出站客流所占比例接近。

4 結語

本文結合AFC、POI、ArcGIS等多樣化數據采集方式，從人口分布、開發強度、公交接駁、路網長度分布、站點位置屬性、站點客流數據六大維度入手，多源融合選取了17個站點聚類因素；通過K-Means聚類算法，將沈陽市現狀3?條城市軌道交通線路67個站點劃分為居住型、商業商務型、綜合開發型、產業型、交通樞紐型五大類；在站點分類的基礎上，融合人口、POI點位等數據對站點早晚高峰時段的客流特征進行疊加分析，總結出沈陽市各類站點高峰進出站客流普適性規律，可為后續站點周邊基礎設施完善、站點客流預測、車站運營組織方案做出指導。

圖9 交通樞紐型站點客流特征