李向楠

(中鐵第四勘察設計院集團有限公司，武漢　430063)

?

城市軌道交通站點分類的聚類方法研究

李向楠

(中鐵第四勘察設計院集團有限公司，武漢430063)

摘要：在城市軌道交通相關研究中，需要對站點進行劃分，討論不同站點的差異性。采用聚類分析的方法，選取站點自身特點和站點環(huán)境特征等相關的11個因素作為聚類分析的初始變量，對變量進行量化和標準化。對標準化的變量進行因子分析，從變量中提取隱藏的三個公共因子：步行環(huán)境因子、站點規(guī)模因子、站點接駁因子，達到突出特點和降低變量維度的效果。采用K-均值法，根據(jù)提取的公共因子進行聚類，最終將成都地鐵1號線現(xiàn)運營16個站點劃分為五大類。

關鍵詞：城市軌道交通；站點分類；聚類分析；因子分析；K-均值法

1概述

在城市軌道交通站點周邊空間土地開發(fā)與利用、基礎設施銜接規(guī)劃以及客流吸引特征等相關研究方面，不同類型的站點間往往存在著較大的差異性。這就需要對城市軌道交通站點進行類別劃分，來討論不同類型站點間的這種差異。國內(nèi)對于站點分類研究主要是結合站點的節(jié)點屬性和場所屬性，做定性分析[1-2]。綜合軌道交通站點的自身特點和站點周邊環(huán)境等相關因素，采用因子分析和聚類分析的方法，對站點在這些因素變量上的相似程度做定量的計算，得到站點分類結果。這就為站點分類提供了定量的、更為細致的方法，在實際中更具有可操作性，同時也為后續(xù)的相關研究打下了基礎。

2聚類變量的選擇和量化

2.1聚類變量的選取和描述

城市軌道交通站點既是城市交通網(wǎng)絡的重要節(jié)點和集散點，又是一個城市中的區(qū)域場所。站點自身屬性體現(xiàn)了站點在交通網(wǎng)絡中的節(jié)點功能和站點本身具有的特點，而周邊環(huán)境因素則體現(xiàn)了站點周圍建筑、步行環(huán)境、相關設施等的空間利用和開發(fā)功能特征。綜合考慮站點自身特點和站點環(huán)境因素，選取站點規(guī)模、高峰小時乘降量、站點與中心區(qū)距離、站點出入口數(shù)量、站點平均間隔距離、站點周邊建筑強度、密度、混合度、交叉口密度、接駁公交線路數(shù)、站點步行環(huán)境11個因素作為聚類分析的初始變量。變量描述見表1。

表1　初始變量的選取

2.2聚類變量的量化

此次研究選取的對象為成都市地鐵1號線現(xiàn)在處于運營狀態(tài)的天府廣場站、省體育館站、世紀城站等16個軌道交通站點，由于處于單線運營狀態(tài)，研究未考慮軌道線路之間換乘因素的影響。在做相關分析之前，針對選取的聚類分析初始變量，做了相關交通調(diào)查，以便于變量的量化。

(1)站點自身特性因素量化

由于選取的5個站點自身特性因素均為數(shù)值變量，通過交通調(diào)查即可獲得相關數(shù)據(jù)，因此可以直接使用調(diào)查數(shù)據(jù)。其中站點規(guī)模以候車面積為度量，體現(xiàn)了旅客等候的空間；高峰小時乘降量是在調(diào)查時高峰時段旅客出入站的數(shù)量，體現(xiàn)了站點的客流特征；站點與中心區(qū)距離體現(xiàn)了站點所處的區(qū)域特征；站點出入口數(shù)量為站點現(xiàn)使用的出入口數(shù)，體現(xiàn)了旅客進入站點的難易程度，是可達性的度量；站點間平均間隔距離是該站點相鄰站距的算數(shù)平均值，體現(xiàn)了站點在線路中的節(jié)點屬性。

(2)站點環(huán)境因素量化

站點環(huán)境因素中，建筑強度密度、建筑強度分別選取范圍內(nèi)的建筑容積率及建筑密度為衡量指標，為數(shù)值變量，直接取用。

建筑混合度是站點周邊用地多樣性和混合程度的度量，混合度一般采用熵值來表達。熵值是一個異質性指數(shù)，取值為0～1，數(shù)值越接近于1，表示混合度越大[3-5]。定義混合度的熵值為M，則其求值公式

(1)

式中，pi為第i種用地占總用地面積的比例；i表示站點周邊區(qū)域內(nèi)用地的種類；k表示用地的種類數(shù)量，選取居住用地、商業(yè)用地和其他用地，因此k取值為3。

站點建筑強度：選取站點周圍500 m范圍內(nèi)容積率作為建筑強度指標。數(shù)值變量，直接使用。

站點建筑密度：站點周邊500 m范圍內(nèi)建筑物的覆蓋率作為建筑密度指標。數(shù)值變量，直接使用。

公交接駁條數(shù)：站點周圍500 m范圍內(nèi)公交接駁條數(shù)。數(shù)值變量，直接使用。

交叉口密度：選取交叉口密度作為站點步行連接線路數(shù)的指標[6-7]，統(tǒng)計站點周圍500 m內(nèi)的交叉口個數(shù)。數(shù)值變量，直接使用。

站點步行環(huán)境[8-9]：體現(xiàn)了旅客步行到達站點的難易程度，步行環(huán)境的評價涉及到乘客的主觀因素，為定性參數(shù)。在調(diào)查中采用詢問評分的方法，把步行環(huán)境分位1-5五個等級，從而轉換為數(shù)值變量。

(3)數(shù)據(jù)的標準化

在聚類分析時，由于各聚類變量的量綱不同，因而需要對不同量綱的變量進行標準化。本文采用Z-score標準化的方法

(2)

式中，μj為第j列樣本數(shù)據(jù)的均值；σj為第j列樣本數(shù)據(jù)的標準差。

(3)

(4)

原始數(shù)據(jù)標準化結果如表2所示。

表2　原始變量標準化結果

注：F1～F11為變量編號，1～16為站點編號(由升仙湖-世紀城)。

3聚類因子提取

由于選取了軌道交通站點的11個特征因素作為聚類分析的初始變量，研究變量數(shù)目較多，那么變量與變量之間有可能存在著不同程度的相關性，這就使得觀測數(shù)據(jù)所反應的特征信息有所重疊，為了消除這種信息重疊的影響，選用因子分析的方法，從眾多的變量中提取能解釋原始變量的隱藏公共因子[10]。通過因子分析，降低了變量的維度和了解研究的復雜性，同時，使得在描述站點時，其特點更加突出。

3.1因子提取過程

(1)因子分析KMO檢驗和Bartlett’s檢驗

因子分析中，研究對象為成都地鐵1號線16個軌道站點，用到了站點因素的11個變量。根據(jù)spss軟件計算，得到KMO(Kaiser-Meyer-Olkin)檢驗值為0.683，變量之間存在較明顯的相關性；P檢驗的值為0.000，數(shù)據(jù)結構效度較高，原始變量適合進行因子分析，輸出結果如表3所示。

表3　因子分析KMO檢驗和Bartlett’s檢驗

(2)因子提取

本文采取主成分分析法進行因子提取，經(jīng)過計算，提取結果輸出如表4所示。因子提取結果顯示，各原始變量因子提取數(shù)值均在0.5以上，說明公因子能有效提取原始變量的信息。

表4　公因子方差

如表5所示，經(jīng)過因子分析，從11個初始變量中提取特征值大于1的3個公共因子。這3個公共因子所能解釋的原樣本中80.43%的信息量，因子提取在合理范圍內(nèi)，提取的3個因子可以解釋原始樣本。

3.2因子提取結果

為了更好地解釋提取的公共因子，選擇等量最大正交轉換的方法，旋轉載荷矩陣如表6所示。由表6可知，公共因子Factor1在站點與中心區(qū)距離、站點平均間隔距離、建筑強度、建筑密度、建筑混合度、交叉口密度及站點步行環(huán)境7個變量上有較大的變量載荷數(shù)值，為0.546～0.950，說明公共因子Factor1代表了離城市中心區(qū)較近、站點平均間隔較小、建筑密度較大、建筑強度較高、建筑混合度較大、交叉口密度較大、步行環(huán)境較好的站點，定義為站點步行環(huán)境因子；對于公共因子Factor2，在變量站點規(guī)模和站點出入口個數(shù)中有較大的載荷值，分別為0.933和0.845，因此公共因子Factor2代表了站點的規(guī)模，定義為站點規(guī)模因子；公共因子Factor3，在旅客乘降量、接駁公交條數(shù)兩個變量中有較大的載荷值，分別為0.863和0.622，因此公共因子Factor3代表站點乘降量大、接駁公交線路數(shù)較多的站點，可定義為站點接駁因子。

表5　因子分析方差解釋

表6　因子分析旋轉載荷矩陣

從因子提取結果可知：站點與中心區(qū)距離、站點平均間隔距離、建筑環(huán)境、交叉口密度及站點步行環(huán)境等因素相關性較好，是因為越靠近城市中心區(qū)，軌道交通站點密度越大，建筑密集程度及強度相對較高，交叉口密度越大，步行設施越完善；公交接駁條數(shù)越多的站點，乘客換乘更加方便，因此旅客乘降量較大；同時由于成都地鐵處于建設初期，對規(guī)劃換乘站空間的預留，和城市中心的南移所導致的崗位的遷移，使得站點規(guī)模因素和站點客流量因素之間的相關性相對較差。因此，綜合各方面因素考慮，因子提取的結果較為合理。

4站點聚類分析

4.1聚類方法的選擇

本文K-均值法(k-means algorithm)進行聚類。K-均值聚類法基本思路是通過迭代算法，逐次的更新各聚類中心的值，直至得到最好的聚類結果。算法的一般步驟如下：

(1)首先適當選擇K個類的初始“中心”；

(2)根據(jù)距離“中心”最近的原則，尋找與各個個體最為相似的類，將個體分配到各個相應的類中；

(3)在完成個體分配后，針對每一類，計算其所有個體的平均值，作為該類新的“中心”；

(4)根據(jù)距離“中心”最近的原則，重新進行所有個體到各個相應類的分配；

(5)返回步驟(3)，直到所有的點不能再分配為止。

4.2相似性度量

相似性度量是指利用原始的，與個體相關的變量值計算出的，能夠確定個體之間相似性或距離的值。相似性度量有兩種形式，一種是相似性系數(shù)法，另一種是空間距離法，以空間距離法應用最多。包括絕對值距離、歐式距離、平方歐式距離、切比雪夫距離等。本文選取平方歐式距離來計算，其定義為

(5)

式中，dij為第i個樣本與第j個樣本之間的距離；xik，xjk分別為第i個樣本與第j個樣本中的第k個指標。

4.3結果輸出和類別的確定

以提取的三個公共因子為聚類變量，將聚類數(shù)據(jù)輸入，分別選取K值為3、4、5、6對站點進行聚類，經(jīng)過spss軟件計算，輸出對應于不同K值的聚類結果，結合實例情況和ANOVA表，聚類中心距離等數(shù)據(jù)的分析，最終確定K值為5時的聚類結果為本文軌道交通站點聚類結果。結果輸出如表7所示。

4.4站點聚類結果及分析

通過spss聚類分析，得到站點分類結果，將所得類的集合定義如下：

Cluster A={升仙湖站、孵化園站、高新站、火車南站、金融城站}，此類別為一般性站點；

Cluster B={火車北站}，此類別為交通樞紐型站點；

Cluster C={騾馬市站、文殊院站、人民北路站、桐梓林站、倪家橋站、省體育館站、華西壩站、錦江賓館站}，此類型為次級中心站點；

表7　聚類成員列表

Cluster D={天府廣場站}，此類行為城市中心型站點；

Cluster E={世紀城}，為中心拓展型終端站點。

站點分類結果如圖1所示。

圖1　成都市地鐵1號線站點分類結果

對所得聚類進行分析，所得結論描述如下所述。

Cluster A中站點一般特點是：距城市中心商務區(qū)的距離較遠，在軌道交通線網(wǎng)中屬于一般性乘降站點，周邊土地開發(fā)密度及強度較低，旅客乘降量較小，其分類受旅客接駁因素影響較大。

Cluster B中站點一般特點是：駁線公交接路數(shù)多，交通用地比例較大，旅客乘降量及其他交通方式接駁換乘量較大，地區(qū)交通樞紐特征明顯，屬于交通樞紐型站點。

Cluster C中站點一般特點是：距離城市中心商務區(qū)區(qū)距離適中，站點周圍步行環(huán)境相對良好，公交接駁較為便利，步行到達及離開站點的旅客數(shù)量所占比例較大，客流乘降量相對較大，屬于城市次級中心站點。

Cluster D中站點包括天府廣場站，主要特點為：位置靠近城市中心商務區(qū)，站點規(guī)模較大，有良好的步行環(huán)境；旅客乘降量大，公交接駁線路較多，公交接駁便利；周邊用地以商業(yè)用地為主，建筑密度及強度較高，為城市中心型站點。

Cluster E中站點主要特點為：距離城市中心商務區(qū)較遠，站點處于線路終端，旅客乘降量較大，現(xiàn)狀常規(guī)公交服務相對不完善，外圍長途公交所占比例較大；站點周邊用地以商業(yè)辦公為主，其次為居住用地，地鐵周邊崗位數(shù)較多，呈現(xiàn)出一定的城市中心商務區(qū)特點，為城市中心拓展型站點。

5結語

本文運用因子分析和K-均值聚類分析相結合的方法，將研究對象中的16個站點進行了5個類別劃分，并根據(jù)相關調(diào)查數(shù)據(jù)特征和實例的現(xiàn)實狀況，將它們的特點予以歸納，分別定義為一般站點、交通樞紐型站點、次級中心站點、城市中心型站點、城市中心拓展型站點。本文不僅為站點的分類提供了一種更具操作性的定量分析方法，也為相關領域的后續(xù)研究打下基礎。

參考文獻：

[1]金磊，彭建，柳昆，等.地鐵車站分類理論及方法研究[J].地下空間與工程學報，2010，6(1):1339-1343.

[2]王佳，胡列格.城市軌道交通站點對常規(guī)公交客流的吸引范圍[J].系統(tǒng)工程，2010，28(1):14-15.

[3]傅博峰，吳嬌蓉，陳小鴻.郊區(qū)軌道站點分類研究[J].鐵道學報，2008，30(6):19-23.

[4]吳嬌蓉，畢艷祥，傅博峰.基于郊區(qū)軌道站點分類的客流特征和換成系統(tǒng)優(yōu)先級分析[J].城市軌道交通研究，2007(11)：23，24.

[5]Cervero R， Jin M .“Rail+Property Development : A mode of sustainable transit finance and urbanism”[R]. California， 2008:21，37.

[6]Upchurch C， et al. Using GIS to generate mutually exclusive service areas linking travel on and off a network[J]. Journal of Transport Geography， 2004(12):23-33.

[7]Gutiérrez J, J.C. García-Palomares， Distance-measure impacts on the calculation of transport service areas using GIS[J]. Environment and Planning B: Planning and Design， 2008:480-503.

[8]秦觀明.城市軌道交通接駁方式選擇及客流吸引范圍研究[D].哈爾濱:哈爾濱工業(yè)大學，2010.

[9]戴潔，張寧，何鐵軍，等.步行環(huán)境對軌道交通站點接駁范圍的影響[J].都市快軌交通，2009：46-49.

[10]Kyung Whan Kim， Deok Whan Lee， Youn Hoo Chun. A Co MParative Study on the Service Coverages of Subways and Buses[J]. KSCE Journal of Civil Engineering, 2010,14(6):915-922.

Classifying Urban Rail Transit Stations Using Cluster Analysis

LI Xiang-nan

(China Railway Siyuan Survey and Design Group co.， Ltd.， Wuhan 430063, China)

Abstract：The related researches on city rail transit require the classification of stations and the discussion of the differences of different stations. This paper uses cluster analysis to classify stations by selecting 11 initial variables relevant to stations characteristics and environment conditions to quantify and standardize the variables. Then， the standardized factors are analyzed and the pedestrian environment factor， station size factor and feeder factor are extracted to highlight the characteristics and reduce dimension of the variables. Finally， the 16 stations of Chengdu metro line 1 are divided into five clusters with k-mean algorithm on the basis of the extracted common factors．

Key words：Urban rail transit; Station classification; Cluster analysis; Factor analysis; K-mean algorithm

中圖分類號：U491

文獻標識碼：A

DOI:10.13238/j.issn.1004-2954.2015.04.006

文章編號：1004-2954(2015)04-0019-05

作者簡介：李向楠(1989—)，男，助理工程師，E-mail：lxnfly@163.com。

收稿日期：2014-11-13