基于多源數據的地鐵站域活力評價方法研究*

文/北京工業大學城市建設學部 胡 斌 卞曉帆

北京北工大規劃設計院有限公司 王 崢

0 引言

近年來，隨著城鎮化進程加快，地鐵發展迅速。截至2019年底，地鐵線路在我國城市軌道交通運營長度中占比高達77.07%，居首要地位。但地鐵站高速注入城市空間也易導致場所認知度低、區域可達性弱等新問題。

通過分析相關理論和對地鐵站域及站域活力的進一步界定，提取所需地鐵站域活力評價指標，利用地理信息數據優勢，提出各項指標的數據來源與分析方法，為后續建立地鐵站域空間活力評價體系提供有力支持。

1 理論研究

1.1 “活力”定義

在城市空間中，活力通常揭示人與場所的相互關系，人在公共空間中完成多種社交及日?；顒樱部臻g特性激發人們生活的積極性。

根據相關定義，提取激發公共空間活力所具備的特質。

1）城市功能具有聚集度高、多元化程度高、空間多樣性高的特性。

2）城市空間環境品質較高，滿足人們的使用需求及精神愉悅感受。

3）城市空間對交往活動具有到促進作用，滿足良好日常交往需求。

4）公共空間活力體現在空間環境舒適度和使用者滿意度方面。

1.2 站城一體化理論

站城一體化理論是TOD理論的本土化延伸，是以軌道交通為核心，將站域空間、交通空間及私有物業進行統籌規劃的理論。站城一體化理論在功能上強調混合利用，在保證城市空間舒適度基礎上，強調站域與周邊公共空間的一體化開發，交通上強調與城市公共空間的合理結合。

提取地鐵站域內空間活力的評價要素，即站域職能要素中的交通組織、物理屬性和舒適性。

1）地鐵車站周邊的服務型設施可蔓延至整個城市空間。各站點周邊城市功能進一步組團化，滿足交通及生活需求。

2）在車站周邊創造適宜的車行、步行交通系統，使公共交通更便捷，提高人們的出行意愿。

3）地鐵站到周邊設施的步行范圍考慮公共空間的綜合開發與一體化建設。

2 評價指標選取

2.1 地鐵站域界定

地鐵站域既是站點與城市間的過渡空間，又承載著周邊居民的使用需求。地鐵站點分析更注重其交通性，是交通系統和城市公共空間緊密聯系的重要環節，站點與公共空間是有機整體。站域的特殊性主要體現在以下方面。

1）部分地鐵站點設計滯后于周圍環境規劃，地鐵站點與城市公共空間并未緊密結合。

2）新規劃的地鐵站域空間具有一體化特征，地上地下可同時規劃設計。

3）地鐵站建設解決了居民出行問題，帶來巨大人流，地鐵站域應滿足日常出行和應對瞬時激增客流需求。

4）地鐵站域既需注重交通設計，又應滿足周邊居民和游客的生活與出行需求。

綜上所述，地鐵站域可界定為：具有一般公共空間屬性，兼顧地鐵站點和城市公共空間特性，具備一體化和復合型空間特性，為居民和旅客提供日常公共活動和社會服務功能，承擔城市交通、公共廣場、社會服務、商業設施等城市空間屬性。

2.2 地鐵站域活力概念界定

城市普通群眾及其活動是區域活力的主體，而空間是人及其活動的物質載體，是構成活力的物質條件。地鐵使用者及其活動作為整體，與地鐵站域相互作用。地鐵站域活力需求如下。

1）安全性需求 心理學家亞伯拉罕·馬斯洛的基本需求層次理論將人的基本需求分為5類。最基本層次是生理和安全需求。站域環境因素影響使用者的安全感，進而影響站域內人群的使用情況。安全的站域空間內交通組織應保持暢通，人群行進道路不應有障礙物，車行及步行交通組織不應混雜。

2）功能多樣性需求 站域的使用者因職業、年齡、興趣及行事風格不同，表現出不同的活動需求。與功能相對乏味、單一的地鐵站域相比，熱鬧、多元化的站域更吸引使用者停留與聚集。

3）社會交往需求 人是社會性動物，日常生活中需與他人進行感情交流。人們更易在舒適環境中進行社會交往活動，此空間能促進人群聚集，使站域產生活力。

2.3 評價指標選取

結合上文對相關理論的研究和對地鐵站域的概念界定，本文認為地鐵站域空間的活力度可表述為：地鐵站域為本地居民和游客提供滿足生存、活動及精神需求的能力。

為構建地鐵站域空間活力評價體系，結合地鐵站域和站域活力概念界定，對地鐵站域活力評價指標進行合理提取和重新定義，評價層為人群活動、站域職能及站域自身要素，評價準則為人群活動、功能性、區位、交通、物理屬性、舒適性6個部分，再細分為10余個評價指標（見表1）。

表1 地鐵站域活力評價要素

3 數據來源與處理方法

3.1 數據來源

評價空間活力的數據包括百度熱力圖、POI興趣點、街景圖片及路網基礎數據等。

3.1.1 百度熱力圖

百度熱力圖可直觀反映站域內的人群信息，基于LBS平臺的手機用戶地理信息數據，通過Python編程語言工具調取騰訊宜出行平臺位置服務API，得到該區域內的用戶數量和位置信息，計算人群分布的相對密度，提取用不同顏色和亮度表征人群分布的圖片，后通過柵格處理量化圖片信息用于評價指標的研究。

3.1.2 POI興趣點

POI興趣點是地理信息系統中的術語，泛指一切可抽象為點的地理對象，尤其是與人們生活密切相關的地理實體。POI數據可通過高德地圖及百度地圖對外開放的API接口對需要的POI數據進行爬取。

3.1.3 街景圖片

街景圖片可通過百度地圖獲取，并根據研究需要對其相關要素進行識別和評估，以Python編程語言作為主要方法，使用百度地圖API獲得，視點位置數據用于確認抓取樣本點，視線垂直角度設置為平視視角，水平角度根據路網形態沿街的長軸方向，抓取道路兩側街景視圖。街景數據經過語義分割處理后可用作地鐵物理環境、交通等評價指標。

3.1.4 路網基礎數據

路網基礎數據可用于分析站域交通和品質特性，通過OSM地圖獲取，后續可結合其他數據和軟件將評估指標量化為數值。

3.2 評價指標分析判斷方法

3.2.1 柵格影像處理

部分圖片信息并不能直接得出量化評價數值，如在人群分析中，采集的原始熱力數據圖無法直接與評價指標建立聯系。通過ArcGIS，Python等將熱力圖進行柵格處理，將圖片中信息的顏色、亮度等矢量化，轉化為數據信息，將熱力值賦予研究站域內抓取的每個樣本點，統計各時刻的熱力值，表征該站域內活力值的大小。

3.2.2 核密度分析

密度分析可分為核密度分析、點密度分析及線密度分析，根據輸入要素數據，計算整個區域內某類型或多個類型數據的聚集狀況。核密度分析基于POI數據，利用Arc-GIS對功能設施及人群的聚集程度進行分析，便于構建評價模型。

3.2.3 空間句法

空間句法主要研究人與其生存空間的關系，除常用的Depthmap外，還可借助ArcGIS內的Axwoman和sDNA插件，基于拓撲及“角度-米制”混合度量方式進行分析。根據TOD理論參考地鐵站點間的距離，在400～800m中選取相應的半徑數值對地鐵站域進行連續分析，可用于區位性、可達性、視域、道路網密度、空間可識別度等評價指標分析。

3.2.4 香農多樣性指數

商業設施聚集程度和業態多元化是評價地鐵站域活力的重要指標?；谙戕r多樣性指數對站域內設施的聚集性與多元化進行量化評價，如果指數趨近于1，即個體趨近于同一種，則其多樣性指數越趨近于0，以反映設施聚集和業態多元化程度。

3.2.5 語義分割

語義分割工具SegNet和DeepLab可用于分割采集的街景圖片，較準確地提取天空、道路、綠化、建筑、車和人等要素，從而計算每張圖片中不同要素占比，在此基礎上匯總抓取的每個視點位置對應不同方位方向的要素構成，取平均值，并鏈接至地鐵站域內相應的街道上，從而獲得站域內抓取的每條街道對應的圍合度、綠視率、開闊度3個指標的量化數值，可為評價量化指標及建立評價模型提供基礎。

4 活力量化方法

根據評價指標的處理方法，量化各個指標，然后根據評價指標的權重確定最終的活力評分，進而排序。

4.1 皮爾森相關系數

相關性分析反映兩個或多個不同變量元素之間的相關程度及系數，用于總體分析活力構成要素與地鐵站域活力之間的相關性，但評價指標過多且數據量較小時，得出結果不明確。

4.2 層次分析法

層次分析法是定性與定量相結合的研究判斷方法，具有系統化、層次化特點。針對多層次結構系統，用相對量的比較確定多個判斷矩陣，綜合得出總權重。

4.3 埃洛等級分系統

在相同地鐵站域類型中，運用埃洛等級分系統，將站域之間比較的結果轉化為每項評價體系的實際分值，為統計分析提供基礎。運用ANN算法計算目標城市的同類型地鐵站域信息，得出地鐵站域活力評價結果，訓練自動化的活力評價模型，用于對地鐵站域的綜合排序。傳統專家學者打分方式僅是對樣本集進行排序，采用埃洛等級分系統可直接排序。

4.4 機器學習

在深度學習中，有卷積神經網絡、循環神經網絡、人工神經網絡等不同類型，其中人工神經網絡算法是以數學模型模擬神經元活動及模仿生物神經網絡功能的機器學習算法。相較傳統的數據處理方法，神經網絡技術在處理隨機性數據、模糊數據、非線性數據方面優勢明顯?；谀繕顺鞘型愋偷罔F站域的樣本確定評價模型，進而對同類型地鐵站域進行大規模評價打分，以此計算各個地鐵站域評價指標的評價分值。機器學習的缺點在于需長時間收斂才能得出結果，且結果跟預期有些出入，數據量、需求量較多。因此，應以機器學習為主導，多種方式互相佐證。

5 結語

在構建地鐵站域活力量化分析指標時，從地鐵站域周邊要素和自身要素出發，從地鐵站域區位、交通、功能、人群活動、物理屬性、舒適性6個方面選取代表性指標。

1）數據與分析方法 大數據本身具有數據巨量化、宏觀化、多層次優勢，基于大數據分析的地鐵站域活力評價體系對評價指標進行定量分析，通過多種表現方式，如用顏色在地圖上表現得分情況，使評價結果更明顯、直觀。

評價地鐵站域活力指標的數據來源與數據處理方法，取決于評價指標所需的相關數據類型，為提高活力評價操作的可行性和結果的有效性，鑒于大數據獲取的難易程度，給出各指標因子的分析方法、相關數據來源及數據處理方式（見表2）。

表2 地鐵站域活力評價指標信息

2）構建評價體系 整個評價體系中構建的評價指標可直接或間接量化。利用機器學習與可視化方法對處理過的各項指標進行評分，選取城市中同類型地鐵站域，為機器學習提供足夠的訓練樣本，充分挖掘各個評價因素所需數據。評價指標所需的數量龐大，結合幾種活力量化評價方式的側重點，共同構建評價體系。通過構建的評價體系可更快速、清晰地為地區內其他地鐵站域評分。

地鐵站域活力評價是以數據為基礎的評價方式，對評價指標的選擇也是重要因素，本文的研究尚存不足，今后將進一步挖掘需提取和完善的地鐵站域活力評價指標，合理運用大數據分析工具進行整合和分析，重點針對目標城市中地鐵站域活力的共性規律和不同類型地鐵站域所需評價準則層的活力側重點，為地鐵站域城市設計提供可行性策略。