袁發(fā)濤,陳通箭,魏劍波

(重慶交通大學(xué)交通運(yùn)輸學(xué)院，重慶 400074)

截至2018年年底，我國共35個(gè)城市建成投運(yùn)城軌線路185條，總運(yùn)營里程5 761.4 km.城市軌道交通運(yùn)營里程的不斷增加和網(wǎng)絡(luò)化的初步形成，使得軌道交通在城市公共交通的骨干作用日益明顯.軌道站點(diǎn)是構(gòu)成軌道交通網(wǎng)絡(luò)的基本單元，是承載城市各種社會(huì)經(jīng)濟(jì)活動(dòng)的聚集場所.軌道站點(diǎn)內(nèi)部設(shè)施布局、功能定位、周邊用地性質(zhì)等都與軌道站點(diǎn)客流息息相關(guān)，為充分發(fā)揮軌道交通骨干作用，需要對(duì)軌道站點(diǎn)客流數(shù)據(jù)進(jìn)行挖掘，精細(xì)化研究軌道站點(diǎn)客流特征.

國外對(duì)軌道站點(diǎn)客流特征研究較早，Robert Cervero[1-2]基于我國香港地鐵數(shù)據(jù)，結(jié)合地鐵站點(diǎn)周邊房價(jià)波動(dòng)信息，將地鐵網(wǎng)絡(luò)站點(diǎn)分為5類；Wei等[3]提出一種對(duì)客流量評(píng)分的公式，基于指標(biāo)評(píng)分法將地鐵站點(diǎn)分為3類.國外對(duì)于軌道站點(diǎn)研究往往基于成熟的軌道線網(wǎng)和接駁環(huán)境，對(duì)于我國軌道線網(wǎng)不完善的公共交通狀況適應(yīng)性有待考證.

近年來，國內(nèi)對(duì)軌道站點(diǎn)及其客流特征研究逐漸興起.吳嬌蓉等[4]按照站點(diǎn)區(qū)位條件、站點(diǎn)周邊地區(qū)土地利用性質(zhì)、開發(fā)規(guī)模和強(qiáng)度等數(shù)據(jù)，將郊區(qū)軌道交通站點(diǎn)劃分為7大類，并結(jié)合客流調(diào)查數(shù)據(jù)分析了客流分布規(guī)律.傅搏峰等[5]在此研究基礎(chǔ)上，運(yùn)用客流聚集效應(yīng)函數(shù)曲線，界定郊區(qū)軌道站點(diǎn)影響范圍，定義并計(jì)算不同類別用地的優(yōu)勢(shì)度指數(shù)，構(gòu)建郊區(qū)軌道站點(diǎn)功能分類體系.李向楠等[6-7]綜合軌道交通站點(diǎn)自身特點(diǎn)和站點(diǎn)周邊環(huán)境特征，選取聚類分析變量，通過主成分分析法提取關(guān)鍵因子，對(duì)站點(diǎn)在各因素因子上的相似程度做定量計(jì)算，得到站點(diǎn)分類結(jié)果.戴子文等[8]參考我國相關(guān)規(guī)范，并分析總結(jié)國內(nèi)外關(guān)于城市軌道交通車站等級(jí)劃分研究，將車站分類歸結(jié)于節(jié)點(diǎn)導(dǎo)向性和場所導(dǎo)向性2大類.結(jié)合客流量數(shù)據(jù)，提出車站分類及分類指標(biāo)和相應(yīng)的指標(biāo)標(biāo)準(zhǔn)，將車站劃分為2類3級(jí).鄧評(píng)心等[9-10]基于AFC數(shù)據(jù)，結(jié)合站點(diǎn)周邊用地屬性占比，定性分析與定量分析相結(jié)合，采用聚類算法并運(yùn)用多元線性回歸分析驗(yàn)證，將軌道交通站點(diǎn)分為多類.

已有相關(guān)研究多集中于軌道站點(diǎn)自身特性和周邊環(huán)境對(duì)站點(diǎn)進(jìn)行分類分級(jí)研究.本文基于AFC數(shù)據(jù)，多維度選取聚類變量，對(duì)軌道站點(diǎn)客流數(shù)據(jù)進(jìn)行挖掘分析，探討站點(diǎn)客流時(shí)空特性，并分析不同站點(diǎn)客流模式形成機(jī)理.

1 軌道客流數(shù)據(jù)描述與處理

1.1 數(shù)據(jù)描述

截至2018-10-30，重慶市主城區(qū)已開通運(yùn)營軌道線路1號(hào)線、2號(hào)線、3號(hào)線、5號(hào)線、6號(hào)線(含6支線)、10號(hào)線，共計(jì)142座軌道站點(diǎn)(換乘站點(diǎn)不重復(fù)計(jì)算).本文分別采集重慶市主城區(qū)軌道線網(wǎng)2018年1月和10月(非節(jié)假日)乘客刷卡數(shù)據(jù)，平均每天大約有500多萬條出行記錄，每條出行記錄包含進(jìn)出站時(shí)間、站點(diǎn)編號(hào)、卡種等出行屬性，具體信息如表1所示.

表1 重慶市主城區(qū)軌道刷卡數(shù)據(jù)

1.2 數(shù)據(jù)處理

利用Python編程對(duì)原始數(shù)據(jù)進(jìn)行清洗、處理，結(jié)合重慶市主城區(qū)軌道交通實(shí)際運(yùn)營情況，得到每日06：00—24：00的乘客進(jìn)出站出行記錄.以軌道站點(diǎn)為基本單元統(tǒng)計(jì)分析單位時(shí)間粒度下的進(jìn)出站客流量，分別得到進(jìn)站客流矩陣A和出站客流矩陣B，完整而準(zhǔn)確的乘客刷卡數(shù)據(jù)有利于對(duì)站點(diǎn)層面客流展開數(shù)據(jù)特征挖掘與客流模式識(shí)別.

2 研究方法

依托軌道客流數(shù)據(jù)，針對(duì)軌道站點(diǎn)層面客流時(shí)空特征展開研究.分時(shí)段劃分站點(diǎn)客流量，提取變量因子，根據(jù)變量因子選擇合適方法，挖掘軌道客流特征、識(shí)別客流模式.聚類算法可有效挖掘數(shù)據(jù)內(nèi)部特征，根據(jù)數(shù)據(jù)相似性將時(shí)空特性高度一致的站點(diǎn)客流歸類分析.常見的聚類算法有劃分法、層次法、基于密度的方法、基于網(wǎng)格的方法以及基于模型的方法.劃分法基于“距離”對(duì)數(shù)據(jù)集進(jìn)行相似性劃分，使得同一簇中元素盡可能相近或相似，不同的簇中的元素盡可能遠(yuǎn)離或不同.K-means方法計(jì)算速度快，可解釋性強(qiáng)，對(duì)大數(shù)據(jù)集的處理效率較高，本文采用K-means算法能對(duì)站點(diǎn)客流模式快速識(shí)別，適用于挖掘站點(diǎn)客流時(shí)空特征.

2.1 K-means聚類算法

K-means聚類算法根據(jù)選取的初始聚類中心，將數(shù)據(jù)集中剩余元素，按照規(guī)則劃分至各類別中，通過迭代算法對(duì)各聚類中心不斷轉(zhuǎn)移更新，直到滿足迭代要求，得到最佳的劃分結(jié)果.算法計(jì)算步驟如下.

步驟1對(duì)于給定包含m個(gè)元素的數(shù)據(jù)集，任意從該數(shù)據(jù)集中選取k個(gè)元素，作為初始聚類中心yi,i=1,2,…,k；

步驟2依次計(jì)算每個(gè)元素到初始聚類中心的距離d(xj,yi),j=1,2,…,m,i=1,2,…,k將各個(gè)元素xj按照“歐氏距離”最短原則劃分到相應(yīng)的聚類中心；

步驟4計(jì)算誤差平方和準(zhǔn)則函數(shù)G:

(1)

步驟5判斷前后兩次聚類中心是否滿足迭代要求ε，若滿足要求則迭代結(jié)束，若不滿足要求，則返回步驟2.

2.2 結(jié)果評(píng)價(jià)方法

K-means聚類算法雖計(jì)算簡單，效率較高，但對(duì)初始聚類中心k值確定鮮有研究，為了判斷聚類有效性，在對(duì)聚類算法結(jié)果的評(píng)估中使用了Dunn指數(shù)(D)、Xie-beli指數(shù)(XB)2個(gè)指標(biāo)，計(jì)算式如下：

(2)

(3)

式中，n為數(shù)據(jù)集中元素個(gè)數(shù)；Ci為第i個(gè)類別；ci為Ci的聚類中心；d(x,y)為x和y的歐氏距離.D指數(shù)是不同類別中任意2個(gè)元素的最短距離與同一類別中任意2個(gè)元素的最大距離的比值，D值越大，說明類間差別越大，且類內(nèi)差別越小，此時(shí)聚類結(jié)果最佳.XB是每個(gè)元素與其聚類中心均方距離與聚類中心之間最小平方聚類的比值，XB取值越小，聚類效果更好.D指數(shù)、XB指數(shù)旨在評(píng)判聚類中心k值數(shù)目的合理性.

3 結(jié)果與分析

3.1 聚類結(jié)果

通過采集重慶市主城區(qū)軌道全網(wǎng)2018年10月某1天的刷卡數(shù)據(jù)，利用Python 編程得到各站點(diǎn)全日進(jìn)出站客流數(shù)據(jù).分別選取進(jìn)站、出站客流數(shù)據(jù)為聚類變量，將每日06：00—24：00共18 h客流數(shù)據(jù)按0.5 h劃分，則每條站點(diǎn)數(shù)據(jù)包含36個(gè)變量，共獲得5 112個(gè)(142個(gè)站點(diǎn)×36)變量用于聚類，結(jié)合初始聚類中心值評(píng)價(jià)指標(biāo)，確定聚類數(shù)k值為6，聚類結(jié)果如表2、表3所示.

表2 進(jìn)站客流聚類結(jié)果

表3 出站客流聚類結(jié)果

以進(jìn)出站客流數(shù)據(jù)為聚類變量，以進(jìn)站數(shù)據(jù)在前，出站數(shù)據(jù)次之的順序排列，得到進(jìn)出站客流矩陣C(A,B)142×72，則每條站點(diǎn)數(shù)據(jù)包含72個(gè)變量，共獲得10 224個(gè)(142個(gè)站點(diǎn)×72)變量用于聚類，結(jié)合初始聚類中心值評(píng)價(jià)指標(biāo)，確定聚類數(shù)k值為6，聚類結(jié)果如表4所示.

為探究不同軌道站點(diǎn)類型隨軌道交通建設(shè)規(guī)模的發(fā)展和周邊建筑環(huán)境變化對(duì)聚類結(jié)果的影響，本文利用相同數(shù)據(jù)處理方法對(duì)重慶市主城區(qū)軌道全網(wǎng)2018-01-01乘客進(jìn)出站刷卡數(shù)據(jù)進(jìn)行聚類分析，聚類結(jié)果如表5所示.

由表2～表4不同輸入變量聚類結(jié)果可知：進(jìn)站客流數(shù)據(jù)能較好反映住宅密集區(qū)域軌道站點(diǎn)；而出站客流數(shù)據(jù)則較好地刻畫商務(wù)娛樂、工作崗位密

表4 進(jìn)出站客流聚類結(jié)果

表5 2018年1月某日進(jìn)出站客流聚類結(jié)果

集區(qū)域軌道站點(diǎn)，進(jìn)出站客流數(shù)據(jù)能更好地挖掘不同軌道站點(diǎn)的客流模式.由聚類結(jié)果可知，進(jìn)站客流與出站客流在聚類結(jié)果上有偏差，但出站客流與進(jìn)出站客流聚類結(jié)果更接近，更能反映基于數(shù)據(jù)的不同類型軌道站點(diǎn)乘客出行特征.

由表4～表5聚類結(jié)果可知，2018年1月與2018年10月刷卡數(shù)據(jù)進(jìn)出站客流聚類結(jié)果有所差異，主要體現(xiàn)在類別Ⅳ、Ⅴ、Ⅵ較小客流站點(diǎn)上，聚類結(jié)果變化站點(diǎn)主要位于重慶軌道5號(hào)線、10號(hào)線，這2條軌道線路于2017年年底開通運(yùn)營.分析該部分站點(diǎn)不同時(shí)期客流量指標(biāo)如圖1、圖2所示，該類站點(diǎn)日進(jìn)站客流總量和各時(shí)段客流量均有所上升，結(jié)合實(shí)際分析可知，隨著軌道交通建設(shè)規(guī)模擴(kuò)大、線網(wǎng)不斷完善、新線接入等都會(huì)對(duì)站點(diǎn)分類結(jié)果造成一定影響.

圖1 站點(diǎn)單日進(jìn)站客流總量

圖2 站點(diǎn)各時(shí)段進(jìn)站客流量

3.2 乘客出行特性分析

由表4聚類結(jié)果可知，類別Ⅰ唯一代表站點(diǎn)是光電園，進(jìn)出站客流變化如圖3所示，圖中正負(fù)僅代表進(jìn)出站含義，客流量均為正數(shù).全天早高峰以出站客流為主，晚高峰以進(jìn)站客流為主，除早晚高峰其他時(shí)段客流稀少，是一個(gè)典型的工作崗位密集的非商圈區(qū)域.光電園是重慶規(guī)模最大、高精尖領(lǐng)域最為集中的地區(qū)，高新科技產(chǎn)業(yè)豐富，且居住人口較少，因此該區(qū)域全天客流量呈現(xiàn)明顯單峰潮汐現(xiàn)象.

類別Ⅱ代表站點(diǎn)為觀音橋，進(jìn)出站客流變化如圖4所示.全天客流有明顯早晚高峰，早晚高峰進(jìn)出站客流量較大，平峰時(shí)間段客流明顯高于其他站點(diǎn)，無低谷狀態(tài)，且夜晚20:00—22:00客流出現(xiàn)小高峰.這是典型的工作崗位密集商圈地區(qū)，與觀音橋、小什字軌道站點(diǎn)連接的重慶最重要的兩大商圈觀音橋步行街和解放碑商圈現(xiàn)狀相吻合.

圖3 類別Ⅰ代表站點(diǎn)

圖4 類別Ⅱ代表站點(diǎn)

圖5 類別Ⅲ代表站點(diǎn)

圖6 類別Ⅳ代表站點(diǎn)

類別Ⅲ代表站點(diǎn)為大坪和南坪，進(jìn)出站客流變化如圖5所示.全天客流有明顯早晚高峰，各時(shí)段進(jìn)出站客流不及類別Ⅱ多.與類別Ⅰ、Ⅱ相比，進(jìn)出站客流潮汐現(xiàn)象較弱，而進(jìn)出站客流呈顯著同步性，是居住人口密集的城市組團(tuán)商圈地區(qū).該類站點(diǎn)主要分布于南坪、沙坪壩、大坪等城市次級(jí)商圈附近.

類別Ⅳ代表站點(diǎn)為長生橋和花卉園，進(jìn)出站客流變化如圖6.客流變化與類別Ⅰ相反，雖不及類別Ⅰ峰值，但仍具有明顯潮汐現(xiàn)象，早高峰以進(jìn)站客流為主，晚高峰以出站客流為主.此類站點(diǎn)為居住人口密集型-換乘便捷型區(qū)域，主要分布于大中型住宅區(qū)以及公交-軌道換乘集中區(qū)域附近.

圖7 類別Ⅴ代表站點(diǎn)

類別Ⅴ代表站點(diǎn)為重慶北站南廣場和江北機(jī)場T2航站樓，進(jìn)出站客流變化如圖7所示.全日各時(shí)段客流較平均，無明顯客流高峰和低谷，但客流相對(duì)較大.此類站點(diǎn)多為軌道站點(diǎn)與城市對(duì)外交通樞紐接駁站點(diǎn)，以及軌道站點(diǎn)與大型公交換乘接駁站點(diǎn).

類別Ⅵ代表站點(diǎn)為劉家壩和曹家灣，進(jìn)出站客流變化如圖8所示.全日進(jìn)出站客流量較少，早晚高峰不明顯，此類站點(diǎn)分布于軌道線網(wǎng)兩端城市郊區(qū)地帶，與一般公交途經(jīng)站點(diǎn)接駁，站點(diǎn)輻射區(qū)居住人口稀少，就業(yè)崗位缺乏，為一般性軌道途經(jīng)站點(diǎn).

圖8 類別Ⅵ代表站點(diǎn)

4 結(jié)束語

本文提出一種基于AFC數(shù)據(jù)的不同站點(diǎn)分類研究方法，該方法采用K-means算法，按照不同聚類變量，對(duì)軌道站點(diǎn)進(jìn)出站客流數(shù)據(jù)進(jìn)行挖掘，將重慶市主城區(qū)142個(gè)軌道站點(diǎn)分為6種乘客出行特征，并探討隨軌道交通建設(shè)規(guī)模的發(fā)展和新線接入對(duì)聚類結(jié)果的影響，最后分析不同類型站點(diǎn)時(shí)空特性.在今后的研究中，筆者將從更多維度對(duì)客流數(shù)據(jù)進(jìn)行挖掘分析，尋求客流內(nèi)部關(guān)聯(lián)，為精細(xì)化研究軌道站點(diǎn)客流提供更為準(zhǔn)確的理論方法與推廣應(yīng)用.