基于多源數據的軌道交通站點步行吸引范圍確定方法

摘 要：城市軌道交通站點是乘客采用軌道交通出行的直接服務點和接口，分析城市軌道交通站點的步行吸引范圍，能夠在一定程度上提高城市軌道交通的線網服務水平。本文設計了一種基于多源數據的軌道交通站點步行吸引范圍確定方法，以北京軌道交通站點為例進行了實例分析，更加符合實際的確定了城市軌道交通站點的步行吸引范圍。

關鍵詞：城市軌道交通;站點;步行吸引范圍;多源數據

0 引言

軌道交通站點客流吸引范圍可定義為軌道站點投入運營后對周邊客流吸引所涉及的區域，即客流產生區域[1]。由于軌道站點周邊居民到達軌道站點會采用不同的交通方式，因此不同的交通方式對軌道交通站點來說都會產生不同的吸引范圍[2]。本文基于乘客出行調研、高德地圖路徑規劃API等數據，研究乘客在采用步行接駁軌道站點時的吸引范圍。由于步行接駁軌道站點主要受路網的影響，因此步行的吸引范圍為站點周邊的一定區域，這個區域包含軌道站點在內。

1 多源數據介紹

本文基于多源數據確定軌道站點的步行吸引范圍，采用的多源數據包括高德地圖POI數據、AFC數據、地產網站居民小區數據、乘客出行調研數據以及高德地圖步行路徑規劃API數據。

1.1 高德地圖POI數據

高德地圖POI是指地圖上的興趣點，反映現實中的居民小區、寫字樓、學校等在地圖上的分布，是土地數據的集中反映。本文考慮了居住類、辦公類和混合類的POI，其中三類POI包含的具體類別如表1所示：

1.2 AFC數據

目前北京市軌道交通乘客采用刷卡進出站的方式，乘客的刷卡信息都記錄在AFC（Automatic Fare Collection）系統中，作為統計車站進出站量的依據，AFC數據的主要字段如表2所示：

其中AFC_ID作為乘客卡號，刷卡類型主要有一卡通和單程票兩種。

1.3 地產網站居民小區數據

地產網站如鏈家、安居客等會提供居民小區數據，本文選取相對較全的鏈家網站作為居民小區獲得的數據源，采用爬蟲的方式獲取鏈家網全北京的居民小區數據，獲取的主要字段如表3所示：

1.4 乘客出行調研數據

本文通過在站點的高峰期和非高峰期采用RP調查的方式，獲取到達軌道交通站點的乘客來源地、從居住地到軌道交通站點所采用的交通方式以及乘客的出行目的等，調研內容如表4所示：

1.5 高德地圖步行路徑規劃API數據

高德地圖步行路徑規劃API通過指定路徑規劃起始點和終點的名稱或經緯度，主要返回步行路徑規劃API的實際距離和實際時間。

2 步行吸引范圍確定方法

本文采用基于數據分析的方法確定軌道站點的步行吸引范圍。吸引范圍的確定分兩步進行：第一步是確定步行接駁時間閾值，第二步是步行接駁時間閾值結合高德地圖路徑規劃API確定步行吸引范圍。

Step1：步行接駁時間閾值的確定

乘客最大接駁時間又被稱為接駁時間閾值，接駁時間閾值會包含盡可能多的接駁該站點的乘客的接駁時間。接駁時間閾值的確定需要依賴于交通方式接駁軌道站點的接駁數據。對于步行的接駁數據采用調研獲取時，由于站點較多，需要采用基于接駁時間閾值影響因素的聚類方法將站點分類，選取典型站點調研，分析其步行接駁時間閾值，再推廣到全網站點。得到了步行接駁調研時間數據后，對其進行正態性檢驗，若接駁時間符合正態分布，則采用正態分布的作為接駁時間閾值，若接駁時間不服從正態分布，則采用DBSCAN聚類算法來確定接駁時間閾值。

Step2：多方式吸引范圍的確定

確定了步行接駁時間閾值之后，結合高德地圖路徑規劃API確定在這個閾值范圍內乘客采用步行的交通方式能夠到達的區域，這個區域即為站點的步行吸引范圍[3]。本文步行吸引范圍確定的技術路線如圖1所示：

2.1 聚類要素與變量確定

城市軌道交通站點步行接駁時間閾值受到很多因素的影響，當城市軌道交通站點區位、站點周邊圈層內的職住特性和交通設施因素、站點周邊居民情況不同時，站點的步行接駁時間閾值都會發生變化[4，5]。本文從土地利用和站點自身的角度考慮其步行接駁時間閾值的影響因素，分別從站點區位特性、站點軌道可達性、站點周邊土地利用的圈層分布情況和站點其他交通方式的可達性對站點進行聚類，所選擇的聚類指標如表5所示：

對于軌道站點路網可達性，本文采用基于改進的空間句法的計算方法，設從城市軌道交通中一個站點到另一個站點的最短時間為這兩個節點間的深度值，用表示。對城市軌道交通系統，將系統中某個節點到其他所有節點的最短時間的平均值作為分母，將這些最短時間的和作為分子，兩者相除得到站點的路網可達性[6]。

其中表示城市軌道交通網絡中的站點總數。城市軌道交通站點的路網可達性值越高，表示該站點的可達性越好。

對于站點自行車和公交的接駁可達性，采用基于高德地圖路徑規劃API的接駁可達性計算方法，將站點周邊半徑2 km的矩形范圍內的乘客采用相應的交通方式的平均接駁時間作為相應交通方式的接駁可達性。首先以站點為中心，以半邊長為2 km圈定站點周邊的矩形區域;然后，將矩形區域以邊長100 m的網格進行網格化，取每個網格中心點;最后，對每個網格中心點到軌道站點調用高德地圖路徑規劃API獲取其采用自行車和公交方式的接駁時間，將所有網格中心點同一種交通方式的接駁時間的平均值作為該站點該種交通方式的接駁可達性。

2.2 聚類方法的選擇

采用K均值算法進行站點聚類。

2.3 聚類過程與步驟

在進行聚類的過程中，由于聚類指標之間有著數量級的差異，因此需要首先對聚類指標進行標準化，這里選擇Z-score標準化[7]，然后采用基于損失函數SSE和輪廓系數的最優聚類數目確定方法。

獲取了典型站點的接駁時間數據之后，對接駁時間數據進行正態性檢驗，本文采用構造檢驗統計量法，采用D檢驗和W檢驗來進行接駁時間的正態性檢驗。

根據接駁時間正態性檢驗結果，若其服從正態分布，則采用極大似然估計進行參數估計，估計出正態分布的參數。根據正態分布的原則，在正態分布的區間內，包含了原始數據99.7%的樣本點，因此，本文選用此區間的右側值，即作為接駁時間的閾值，在這個閾值下，包含了原始數據99.85%的樣本點。

對獲取的站點的多方式接駁時間數據，當其不服從正態分布時，采用DBSCAN聚類方法確定其接駁時間閾值。

DBSCAN聚類算法的兩個設置參數為半徑參數Eps和最小樣本參數Min_Samples，采用基于輪廓系數和噪聲數據比例的方法確定最優的半徑參數和最小樣本參數，噪聲數據比例是一種DBSCAN聚類算法獨有的聚類效果評判指標，噪聲數據所占的比例越少說明聚類的效果越好，這里的輪廓系數和KMeans中的輪廓系數含義相同。

對站點多方式接駁時間數據DBSCAN的聚類結果，選取除噪聲數據之外的最大的接駁時間作為接駁時間的閾值，這樣可以使得盡可能多的數據包括在這個閾值之內。

在確定了站點的步行接駁時間閾值之后，調用高德地圖步行路徑規劃API確定步行吸引范圍，在調用高德地圖步行路徑規劃API確定吸引范圍時，其技術路線如圖2所示：

3 案例分析

以北京市軌道站點為例，基于表5中的聚類指標，采用KMeans方法對全網310個站點進行聚類分析。在聚類過程中，聚類的數目和損失函數以及輪廓系數的關系如圖3所示，從圖中可以看出，最佳聚類數目為3。

根據最佳聚類數目進行KMeans聚類，聚類結果可視化如圖4所示：

對于站點的分類結果，類別1代表的站點，以南邵、舊宮、傳媒大學為代表，這類站點分布在城市的外圍，站點自身可達性和周邊其他交通方式接駁可達性最低，但由于這類站點周邊的人口分布較多，且站點周邊乘客可選擇的交通方式有限，因此，這類站點乘客對采用步行方式接駁軌道站點的容忍程度最高，即步行接駁時間閾值最大。類別0代表的站點，以國貿、海淀黃莊為代表，這類站點周邊的職位較多但人口不多，在北京市處于3～4環的位置，這類站點自身可達性和周邊其他交通方式接駁可達性相比第1類站點較高，但是不及第2類站點，因此這類站點的步行接駁時間閾值處在第2類和第1類之間。類別2代表的站點，以西直門、西單為代表，這類站點周邊的人口和職位分布居中且站點大部分分布在城市的二環內，站點可達性和周邊的其他交通方式可達性最高，因此這類站點的步行接駁時間閾值最小。

在本文的研究中，站點分類結果用于選擇調研的典型站點。

3.1 典型站點步行接駁數據調研

根據北京軌道交通站點聚類的結果，取各類的代表站點進行調研，選取了海淀黃莊、中關村、蘇州街、人民大學、知春里、知春路、南邵、舊宮8個代表車站。調研時段涵蓋工作日的早高峰、晚高峰和平峰。對每個站點收回的有效調研問卷數量及步行有效問卷數量如表6所示：

在獲得調研數據之后，根據乘客來源點、接駁的軌道站點及采用的步行接駁方式，調用高德地圖步行路徑規劃API確定實際的接駁時間，作為乘客的步行接駁時間。

3.2 站點步行接駁閾值確定結果

對問卷調查獲取的調研數據，取采用步行接駁方式接駁的乘客的調研數據，對每一類站點，計算得到的調研站點閾值如表7所示：

對每一類站點，將這一類站點中調研站點的步行時間閾值的平均值作為這一類站點的步行接駁時間閾值，并將其推廣到這類站點中的其他所有站點，如表8所示：

在確定了站點的步行接駁時間閾值后，需要結合高德地圖路徑規劃API確定步行吸引范圍。在實際的接駁過程中，乘客從居住地采用步行方式通過路網到達軌道交通站點，而通過路網的距離和直線距離有一定的差距，傳統的研究一種是直接采用直線距離，另一種是采用路網的直線系數進行修正。這兩種方式都有弊端，采用直線距離情況下有時候會產生很大的誤差，采用直線系數進行修正的情況下往往是路網非常理想的情況，現實中這種理想的情況非常少。因此，為了解決這個問題，采用高德地圖路徑規劃API返回的路徑規劃數據作為實際數據，能夠反映乘客采用不同交通方式最真實的接駁距離和接駁時間。本文在確定步行吸引范圍時調用了高德地圖步行路徑規劃API，高德地圖步行路徑規劃API指定的參數和返回的參數在上文中已有介紹。

以西直門和朝陽門代表車站，展示其步行吸引范圍確定結果，如圖5所示。

北京市全網所有站點的步行吸引范圍如圖6所示：

4 結論

本文分析了步行的吸引范圍特點，采集了步行接駁軌道站點數據，提出了基于步行接駁時間分布特征分析和DBSCAN聚類的接駁時間閾值計算方法，并構建了基于步行接駁時間閾值和高德地圖路徑規劃API的站點步行吸引范圍確定方法，確定了站點的步行吸引范圍。本文的創新點在于確定站點步行吸引范圍時，采用了基于正態性檢驗和DBSCAN聚類的接駁時間閾值計算方法，并采用了高德地圖路徑規劃API作為路網的修正工具，實現了將吸引范圍確定為更加符合實際接駁情況的不規則多邊形。

參考文獻：

[1]董婷婷.城市軌道交通站點客流吸引范圍研究[D].大連交通大學，2017.

[2]楊京帥，張殿業.城市軌道交通車站合理吸引范圍研究[J].中國鐵路，2008（3）：72-75.

[3]王宜堂.基于空間數據和廣義線性貝葉斯的城市軌道交通OD預測[D].北京交通大學，2020.

[4]田國敏.基于城市軌道交通站點與城市空間節點耦合視角下的站點周邊地區發展研究[D].長安大學，2017.

[5]李向楠.城市軌道交通站點吸引范圍研究[D].西南交通大學，2013.

[6]陳濤.基于改進拓撲度量法的城市軌道交通網絡可達性分析[J].2010年交通運輸類院校研究生學術論壇委員會.全國交通運輸類院校研究生學術論文集：2010：15-19.

[7]徐威，鄭長江，馬庚華，等.基于k-means聚類的城市軌道交通站點分類研究[J].貴州大學學報（自然科學版），2018，35（6）：106-111.

[8]王淑偉，孫立山，榮建.北京市軌道站點吸引范圍研究[J].交通運輸系統工程與信息，2013，13（3）：183-188.