王 晨，石俊剛,2，席蘇路，包佳瑤

（1.華東交通大學(xué)交通運(yùn)輸工程學(xué)院，南昌 330013；2.同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院，上海 201804；3.南昌軌道交通集團(tuán)有限公司運(yùn)營(yíng)分公司，南昌 330038）

城市軌道交通是公共交通的重要組成部分，為保障車站客運(yùn)組織工作的順利開展和安全運(yùn)營(yíng)，有必要對(duì)車站客流特征進(jìn)行科學(xué)分析。城市軌道交通自動(dòng)售檢票系統(tǒng)(auto fare collection，AFC)記錄著軌道交通乘客每日出行的進(jìn)出車站時(shí)刻等大量數(shù)據(jù)。車站的客運(yùn)組織基于海量乘客刷卡數(shù)據(jù)，對(duì)車站客流進(jìn)行統(tǒng)計(jì)分析及特征研究。地鐵車站作為客流聚集的重要節(jié)點(diǎn)，不同車站其客流特征不同。明晰車站客流特征，并對(duì)其進(jìn)行科學(xué)歸類，能夠?yàn)檐囌局贫ǔB(tài)化客運(yùn)組織方案及應(yīng)對(duì)突發(fā)大客流情況下的應(yīng)急組織預(yù)案提供重要參考。

目前，國(guó)內(nèi)外關(guān)于AFC 數(shù)據(jù)的研究主要包括客流特征分析和車站分類兩方面?？土魈卣鞣治龇矫?，姚振康等[1]從時(shí)間、空間和結(jié)構(gòu)3 重維度對(duì)車站客流分類特征進(jìn)行分析，通過譜聚類方法壓縮搜索空間讓劃分類型更精準(zhǔn)。Zhang 等[2]將客流量構(gòu)建為時(shí)間序列曲線，以站點(diǎn)客流量的波動(dòng)為特征進(jìn)行分類。Ratrout等[3]通過構(gòu)建路口各方向流量時(shí)段的特征向量，將交通時(shí)段進(jìn)行聚類劃分。陳維亞等[4]在分析客流特征的基礎(chǔ)上，提出了基于K-means 聚類算法的短時(shí)客流組合預(yù)測(cè)模型。陳東洋等[5]基于地鐵線路不同客流變化構(gòu)建各時(shí)段的特征向量，通過K-means 算法進(jìn)行聚類，劃分地鐵合理的運(yùn)營(yíng)時(shí)間。車站分類方面，楊靜等[6]結(jié)合車站的職住效用及車站周邊用地特征，考慮精細(xì)化用地性質(zhì)和客流特征的車站功能分類方法，并通過無監(jiān)督學(xué)習(xí)K-Means++算法求解。Li 等[7]依據(jù)客流量波動(dòng)中高低峰數(shù)量及偏度等相關(guān)特征數(shù)據(jù)，將車站聚集分成6 大類。蔣陽升等[8]將AFC 的進(jìn)站客流處理為時(shí)間序列數(shù)據(jù)，并基于該數(shù)據(jù)通過K-Means++算法進(jìn)行聚類，分析不同類別站點(diǎn)的客流變化與用地特征的關(guān)系，精細(xì)化描述具體站點(diǎn)的類型。傅搏峰等[9]考慮地鐵站點(diǎn)周邊建筑的土地利用特征情況，采用定性與定量相結(jié)合的方式提出面對(duì)郊區(qū)軌道交通站點(diǎn)的分類方案。黎慶等[10]考慮用地、客流等因素，結(jié)合分類指標(biāo)及聚類算法，建立基于多重因素的聚類換乘車站分類方法以應(yīng)對(duì)車站分類不精準(zhǔn)問題。

綜上，目前的車站聚類分析大都基于進(jìn)出站客流總量進(jìn)行特征提取，缺乏對(duì)于進(jìn)出站客流的時(shí)變特性的考慮，無法把握車站的高峰分布規(guī)律。本文則從客流總量和客流時(shí)變趨勢(shì)雙維度，對(duì)車站客流進(jìn)行特征提取，并考慮到周末客流特征對(duì)各車站的屬性影響，將其作為特征指標(biāo)共同組成聚類因子。將數(shù)據(jù)結(jié)構(gòu)化后提取這兩個(gè)維度的聚類指標(biāo)，提出利用雙層聚類方法對(duì)車站進(jìn)行歸類分析。其中上層聚類主要對(duì)車站總客流量特征進(jìn)行提取并分類，下層聚類則進(jìn)一步對(duì)車站客流的時(shí)變特征進(jìn)行提取并做分類，聚類后的車站在客流規(guī)模和時(shí)序分布上具有相同特性，能夠?yàn)閷?shí)際車站客運(yùn)組織的分類管理提供參考。

1 AFC 數(shù)據(jù)處理及聚類客流特征選取

1.1 進(jìn)出站客流數(shù)據(jù)歸一化處理

聚類的核心思想是對(duì)數(shù)據(jù)集的特征進(jìn)行提取再劃分，因此對(duì)數(shù)據(jù)集的質(zhì)量和準(zhǔn)確性要求較高。為滿足聚類需求，對(duì)AFC 數(shù)據(jù)做規(guī)范化處理：首先選取在軌道交通運(yùn)營(yíng)時(shí)段內(nèi)的數(shù)據(jù)，刪除無關(guān)、冗余數(shù)據(jù)后按照線路站點(diǎn)進(jìn)行統(tǒng)計(jì)歸類。為保證聚類效果，對(duì)各車站進(jìn)出站客流數(shù)據(jù)使用min-max 歸一化處理，減少因?yàn)榭土髁坎町惥薮蠖斐蓴鄬?，同時(shí)也可將波動(dòng)客流的影響降到最小，即

1.2 客流特征選取

車站的客流特征可以從多個(gè)維度提取，本文從客流總量和客流時(shí)變趨勢(shì)2 個(gè)層面進(jìn)行特征提取。選取進(jìn)出站客流總量能區(qū)分不同車站的客運(yùn)規(guī)模，而工作日和周末所承擔(dān)的客流量存在明顯差異。因此，選取車站分別在工作日、周末的進(jìn)站客流總量和出站客流總量作為第一類客流特征提取的指標(biāo)。表1 選取了南昌軌道交通部分車站在歸一化后的客流特征指標(biāo)，包括工作日總進(jìn)站客流(WY_IN)和總出站客流(WY_OUT)、周末總進(jìn)站客流(WD_IN)和總出站客流(WD_OUT)4 個(gè)指標(biāo)，共同刻畫車站客流的總體規(guī)模特征。

表1 部分車站客流規(guī)模特征指標(biāo)Table 1 Passenger flow size characteristics indicators for selected stations

其次，再對(duì)各車站每日進(jìn)出站客流以小時(shí)為間隔，進(jìn)行客流時(shí)序分布特征的提取，即各車站均提取出如表1 中的各小時(shí)進(jìn)出站客流特征指標(biāo)。

2 基于雙層K-means 算法的車站聚類

根據(jù)對(duì)南昌市軌道交通客流的時(shí)空特征進(jìn)行分析可知，在無重大節(jié)假日及大型活動(dòng)影響時(shí)，客流量呈以周為單位的規(guī)律性分布特性，其中工作日客流規(guī)律相似，周末客流規(guī)律相似，而工作日和周末之間客流差異明顯。不同車站之間的客流特性差異明顯，但部分車站之間也存在一定的相似性規(guī)律，主要表現(xiàn)在客流規(guī)模和高峰分布特征上?？紤]這兩方面特性，對(duì)車站進(jìn)行合理歸類，有利于把握車站的進(jìn)出站客流規(guī)模和分布特性，可以預(yù)先制定好相應(yīng)的客運(yùn)組織方案，從而保障車站運(yùn)營(yíng)安全。

2.1 選取的聚類算法及評(píng)估方案

K-means聚類算法是處理時(shí)間序列問題中常用的方法，常規(guī)車站聚類考慮選取工作日全天客流量或各小時(shí)客流量百分比進(jìn)行特征提取。單一使用以上任意指標(biāo)進(jìn)行聚類不能準(zhǔn)確定位車站的規(guī)模和效用。為準(zhǔn)確刻畫客流總量和時(shí)變趨勢(shì)兩個(gè)特征，本文提出雙層K-means 方法，上層根據(jù)總客流量的聚類因子向量F=[WY_IN，WY_OUT，WD_IN，WD_OUT]對(duì)車站進(jìn)行聚類，得到具有相同客運(yùn)規(guī)模特征的大類車站；再對(duì)各大類車站分別基于時(shí)序性數(shù)據(jù)的平均小時(shí)客流量(含工作日和周末)指標(biāo)進(jìn)行聚類得到下層聚類結(jié)果，同一下層類別車站客運(yùn)規(guī)模和客流時(shí)變特性具有相似的特征。

此外，對(duì)時(shí)間序列聚類的效果評(píng)估選取了肘部法，成本函數(shù)選取不同聚類數(shù)量的簇內(nèi)誤差平方和。隨著聚類數(shù)量的增加，誤差平方和不斷減小，數(shù)據(jù)集與簇內(nèi)中心點(diǎn)的距離越近，每個(gè)類別包含的數(shù)量也會(huì)越少，導(dǎo)致分類效果變差。肘部法在聚類數(shù)量增多的過程中，尋找到一個(gè)平衡點(diǎn)，即找到簇內(nèi)誤差平方和下降速率平緩的位置作為肘部，并選取為聚類數(shù)量。

2.2 構(gòu)建雙層K-means 車站聚類模型

模型中采用的是歐式距離，地鐵車站聚類模型構(gòu)建過程如下。

步驟1：將車站進(jìn)出站總客流特征指標(biāo)矩陣F放置于歐式空間Rn中，作為客流規(guī)模特征進(jìn)行站點(diǎn)判別，由此得到上層聚類車站。表達(dá)式為

式中，fsi為第s個(gè)車站(s=1，2，…，94)的第i個(gè)特征對(duì)應(yīng)的值；在特征指標(biāo)矩陣F中挑選一個(gè)車站作為聚類中心ck，初始化k=1，并置于聚類中心集C，其中，k是當(dāng)前聚類中心數(shù)量。

通過式(2)得到的特征指標(biāo)矩陣進(jìn)行K-means 聚類，并進(jìn)行初始化聚類中心。損失函數(shù)在不斷迭代的過程中收斂在局部最小值，并通過損失函數(shù)的下降量找到合適的聚類數(shù)量。損失函數(shù)Loss 及其下降量ΔLos 分別為

式中，F(xiàn)si為車站樣本集；nk為每個(gè)類別中的車站數(shù)目。

步驟2：步驟1 完成后會(huì)得到k個(gè)上層大類，將每個(gè)上層類別車站轉(zhuǎn)化為車站劃定時(shí)段的平均進(jìn)出站客流，轉(zhuǎn)化式為

式中，Inst、Outst分別為第s個(gè)車站的第t個(gè)時(shí)段的平均進(jìn)站及出站客流量(含工作日及周末)。

每個(gè)時(shí)段的值就是時(shí)序性數(shù)據(jù)的一個(gè)特征，將所有特征按照式(2)組成一個(gè)新的特征集進(jìn)行二次聚類。

判斷剩余車站在聚類中心中的距離D(f)為

式中，K為期望類別數(shù)量，當(dāng)存在不止一個(gè)聚類中心時(shí)，選擇所有聚類中心中距離的最小值。根據(jù)車站與聚類中心的距離，計(jì)算其他車站被選為下一個(gè)聚類中心的概率ps，即

式中，C是聚類中心集的補(bǔ)集。

在當(dāng)前聚類中心集中選擇ps最大的車站，將其作為新聚類中心置于聚類中心集ck∈C，進(jìn)行不斷迭代至最終收斂。

3 雙層K-means 車站聚類情況分析

3.1 聚類結(jié)果

為避免節(jié)假日、極端天氣的影響，本文選取南昌市軌道交通2022 年6 月6—26 日連續(xù)3 周的進(jìn)出站客流量對(duì)4 條運(yùn)營(yíng)線路共94 個(gè)車站進(jìn)行雙層K-means聚類。首先在上層設(shè)定進(jìn)出站客流總量(分工作日和周末)為基礎(chǔ)特征，初步聚類得到具有相似客流規(guī)模的車站。聚類前需先根據(jù)肘部法得到聚類數(shù)量，客流量聚類誤差如圖1 所示。由圖1 可知，當(dāng)聚類數(shù)量大于3時(shí)，損失值的下降量逐步減少并趨于平穩(wěn)。根據(jù)肘部法的判別規(guī)則，選取3 為曲線的拐點(diǎn)較合適，故設(shè)定上層聚類數(shù)目為3。在上層聚類后得到了3 大類總客流量相似的車站大類，其中在3 大類中分布最少的一類僅有2 個(gè)車站，即衛(wèi)東站和八一館站，基于客流總量特征生成的上層類站點(diǎn)如表2 所示，以權(quán)重最大的兩個(gè)主成分為橫、縱坐標(biāo)進(jìn)行上層聚類可視化，結(jié)果如圖2 所示。

圖1 客流總量聚類誤差Figure 1 Elbow chart of total passenger flow

圖2 上層聚類可視化Figure 2 Visualization of upper-layer clustering

表2 上層聚類結(jié)果Table 2 Upper-layer clustering results

根據(jù)上層聚類結(jié)果可知，通過總量特征將客流量極端大小的特殊站點(diǎn)初步篩選出來。第1 類車站位于南昌市CBD，是區(qū)域位置和用地性質(zhì)綜合性極高的站點(diǎn)，客流規(guī)模遠(yuǎn)大于其他車站。與之對(duì)比的是第3 類車站，該類車站坐落或臨近郊區(qū)，周圍用地并未得到充分開發(fā)，因此此類站點(diǎn)客流量極少。

第2 類車站是數(shù)量最大的類別，這類車站所處區(qū)域有顯著的用地性質(zhì)，以辦公或居住為主，因用地性質(zhì)不同，吸引乘客的類別也不同，體現(xiàn)在客流時(shí)變特征上也會(huì)存在差異。因此對(duì)第2 類客流總量相似的車站，總量特征只能在初步篩選中起作用?？土髁康膶?shí)際意義需考慮兩個(gè)方面，一是各車站時(shí)變的客流量波形特征，二是工作日與周末不同客流特征的綜合提取。

由于第1 類車站和第3 類車站數(shù)目過少無需再進(jìn)行下層聚類，僅對(duì)客流總量特征無法直接區(qū)分類別的第2 類車站進(jìn)行下層聚類，按照時(shí)變特征進(jìn)行聚類得到聚類誤差如圖3 所示。第2 類車站的損失值在聚類數(shù)目為6處下降量趨于平穩(wěn)，因此基于時(shí)變特征的下層聚類得到的大類為6 種，下層聚類結(jié)果如表3 所示。

圖3 第2 類時(shí)序特征聚類誤差Figure 3 Elbow diagram of Class 2 temporal characteristics

表3 下層聚類結(jié)果Table 3 Lower-layer clustering results

3.2 車站分類情況及分析

從客流規(guī)模上看，上層聚類得到的第1 類車站客流指標(biāo)為0.7～1，高峰時(shí)段平均進(jìn)出站量達(dá)到了640 人次/15min；上層聚類得到的第3 類客流指標(biāo)為0～0.02，高峰時(shí)段平均進(jìn)出站量?jī)H為6 人次/15min。如圖4 所示，正數(shù)為進(jìn)站客流，負(fù)數(shù)為出站客流。從客流特征看，第1 類車站客流全天規(guī)模都較大，沒有明顯的高峰特性，表現(xiàn)為客流從7 時(shí)開始聚集，一直持續(xù)到晚上22:30 后才逐漸消散。根據(jù)對(duì)南昌市用地的實(shí)際調(diào)查可知，該類車站位于南昌市中心，用地功能兼具商業(yè)、教育、住宅、文娛，是重要的交通樞紐，為“中心區(qū)域型車站”。第3 類車站客流規(guī)模很小，沒有顯著的時(shí)變性規(guī)律，根據(jù)實(shí)際用地調(diào)查，該類車站主要位于郊區(qū)，投入使用的住宅辦公等設(shè)施較少，為“近郊待開發(fā)車站”。

圖4 上層類別1 和3 進(jìn)出站客流分析Figure 4 Upper-layer category 1 and 3 inbound and outbound flow analysis

第2 類車站客流規(guī)模相對(duì)適中，包含的車站數(shù)較多。根據(jù)工作日、周末的車站進(jìn)出站客流的時(shí)變特征，對(duì)第2 類車站進(jìn)行下層聚類，得到6 個(gè)子類車站，如表4 所示。

表4 下層大類站客流特性Table 4 Passenger flow characteristics at lower-layer broad-category stations

A、B、C 類車站的主要客流屬性都是通勤客流，具有明顯的潮汐現(xiàn)象，工作日存在明顯的高峰出行特征，而周末客流則無明顯高峰特性。但這3 類車站的客流峰值特征存在一定差異，如圖5 所示，A 類車站進(jìn)出站客流均表現(xiàn)為雙峰特性，即均存在早、晚高峰；B 類車站進(jìn)出站均呈現(xiàn)單峰特性，其中進(jìn)站僅存在晚高峰，出站僅存在早高峰；C 類車站進(jìn)出站同樣均呈現(xiàn)單峰特性，但特征與B 類相反，即進(jìn)站僅存在早高峰，出站僅存在晚高峰。圖6 展示了進(jìn)出站量各時(shí)段占比分布情況，由圖6 可知，A 類進(jìn)出站早晚高峰時(shí)段進(jìn)出站百分比都較為均衡；B 類車站進(jìn)站左低右高，出站右高左低；C 類車站剛好相反。根據(jù)實(shí)際用地調(diào)查，3 種類型車站的周邊用地?zé)o大型商圈和景點(diǎn)，用地性質(zhì)較為單一，以功能性效用為主。不同處在于職住結(jié)合型車站周邊住宅區(qū)和辦公區(qū)數(shù)量較為均衡；就業(yè)主導(dǎo)型車站以寫字樓、辦公用地為主，配有少許住宅區(qū)；居住主導(dǎo)型車站周邊住宅區(qū)密集，有少許辦公用地。

圖5 下層類別A、B、C 類車站客流特征對(duì)比Figure 5 Comparison of ABC passenger flow characteristics for the lower-layer category

圖6 下層類別A、B、C 分時(shí)進(jìn)出站客流與全天的比值Figure 6 Ratio of lower-layer category ABC time-sharing inbound and outbound passenger flows to the whole day

D、E 類車站的主要客流屬性為通勤休閑客流，工作日早晚高峰均呈現(xiàn)雙峰特性，但平峰客流相對(duì)于A、B、C 類車站更多，而周末客流量波動(dòng)性較明顯(見圖7～8)。工作日期間，D 類車站進(jìn)站客流早高峰占主導(dǎo)地位，而出站客流晚高峰占主導(dǎo)地位；E 類車站進(jìn)站客流晚高峰占主導(dǎo)地位，而出站客流早高峰占主導(dǎo)地位。周末期間，D 類車站白天進(jìn)站客流量大，而夜間出站量較大；E 類車站白天出站量大，而夜間進(jìn)站量較大。根據(jù)實(shí)際用地調(diào)查，D 類車站周邊主要是學(xué)校和居民住宅區(qū)，主要客流為工作日通勤客流，周末會(huì)產(chǎn)生一定的休閑娛樂出行；E 類車站周邊以商業(yè)為核心，配置了開發(fā)完善的辦公區(qū)，同時(shí)也有較為密集的住宅區(qū)，因此，工作日同樣會(huì)產(chǎn)生通勤類客流，而周末會(huì)吸引大量休閑娛樂客流。

圖7 下層類別D、E 類車站客流特征對(duì)比Figure 7 Comparison of DE passenger flow characteristics for the lower-layer category

圖8 下層類別D、E 分時(shí)進(jìn)出站客流與全天的比值Figure 8 Lower-layer category DE inbound and outbound flow analysis

F 類車站主要客流屬性為休閑、就醫(yī)、外出客流，工作日和周末的客流都處于較高水平，周末客流大于工作日客流，其客流呈現(xiàn)多峰波狀，客流特征如圖9(a)所示。選取F 類的代表車站生成的進(jìn)出站占比如圖9(b)所示，由圖9(b)可知，進(jìn)出站客流百分比較為均勻。根據(jù)實(shí)際用地調(diào)查，醫(yī)旅文娛型車站周邊以公園、醫(yī)院、車站為主，少有住宅辦公用地。

圖9 下層類別F 客流特征及分時(shí)進(jìn)出站客流與全天的比值Figure 9 Lower-layer category F passenger flow characteristics and the ratio of time-sharing inbound and outbound passenger flows to the whole day

綜上所述，所有車站的類型可以歸納為8 種，如表5 所示。

表5 車站類別編號(hào)及類別名稱Table 5 Station category numbers and category names

本文采用雙層K-means 算法。在上層分類中，分類指標(biāo)是車站在工作日、周末的進(jìn)出站總量，聚類結(jié)果分為3 大類。其中第1 類車站客流規(guī)模最大，且遠(yuǎn)大于其他車站。此類車站僅包含2 個(gè)，分別為衛(wèi)東站和八一館站，均處于城市CBD 核心區(qū)，綜合性較強(qiáng)，包括通勤、休閑、娛樂、旅游等性質(zhì)。由于全天客流都處于較高水平，是南昌市軌道交通最容易擁堵的車站，是實(shí)際客運(yùn)組織需要重點(diǎn)關(guān)注的車站。第3 類車站客流量很小，僅包含5 個(gè)，均坐落于偏遠(yuǎn)郊區(qū)，周邊用地尚待進(jìn)一步開發(fā)。此類車站由于客流規(guī)模很小，通常情況下不易發(fā)生擁堵，客運(yùn)組織安全性較好，待后續(xù)商業(yè)、辦公或住宅項(xiàng)目開發(fā)后需投入適當(dāng)關(guān)注。第2 類車站客流相對(duì)適中，包含的車站數(shù)量較多，分布較廣，需要進(jìn)一步細(xì)分。從分類結(jié)果來看，上層分類很好地給出了不同客運(yùn)規(guī)模的車站類型，與實(shí)際匹配度較好，有助于運(yùn)營(yíng)管理人員把握車站的總體客運(yùn)規(guī)模，對(duì)于其制定不同等級(jí)的客運(yùn)組織方案和應(yīng)急預(yù)案具有借鑒意義。

針對(duì)第2 類車站，進(jìn)一步根據(jù)車站工作日、周末的進(jìn)出站客流的時(shí)變特性進(jìn)行下層聚類分析，聚類出6 個(gè)子類車站。根據(jù)分析發(fā)現(xiàn)，這6 類車站在工作日、周末其時(shí)變特性存在明顯差異，而各子類的客流分布相似度較好?？梢姡摲诸悓?duì)于客流在不同日期類型捕捉的時(shí)變特征較好，有助于運(yùn)營(yíng)管理人員根據(jù)類型把握客流高峰，制定合理的客運(yùn)組織方案和應(yīng)急預(yù)案。

4 結(jié)論

本文以南昌市軌道交通的AFC 數(shù)據(jù)為基礎(chǔ)，通過雙層K-means 聚類算法對(duì)南昌軌道交通94 個(gè)車站進(jìn)行分類，其中上層根據(jù)客運(yùn)規(guī)模進(jìn)行聚類，下層則根據(jù)不同日期的客流時(shí)變特性進(jìn)行聚類。研究結(jié)論如下：

1) 上層聚類得到3 大類不同客運(yùn)規(guī)模車站，其中第1 類為南昌地鐵大客流車站，均處于城市CBD 核心區(qū)域，全天客流規(guī)模較大，高峰極易形成擁堵，是日?？瓦\(yùn)組織需要重點(diǎn)關(guān)注的車站。第3 類車站為小客流車站，均位于偏遠(yuǎn)郊區(qū)，周邊用地開發(fā)水平低，不易引發(fā)客流擁堵。

2) 第2 類車站客流規(guī)模適中，包含車站多，根據(jù)工作日、周末的進(jìn)出站客流時(shí)變特征進(jìn)一步進(jìn)行下層聚類，得到6 個(gè)子類車站。各子類車站在工作日、周末的進(jìn)出站客流高峰分布特征差異明顯，對(duì)于實(shí)際制定分類的客運(yùn)組織方案和應(yīng)急預(yù)案提供了較好的依據(jù)。

3) 通過雙層K-means 聚類算法，把握客運(yùn)規(guī)模和客流時(shí)變特征，并結(jié)合實(shí)際用地調(diào)查將站點(diǎn)分為中心區(qū)域型車站、近郊待開發(fā)車站、職住結(jié)合型車站、就業(yè)主導(dǎo)型車站、居住主導(dǎo)型車站、教育居住型車站、商業(yè)辦公型車站、醫(yī)旅文娛型車站等8 大類，各類車站分類特征明顯，能夠?yàn)閷?shí)際客運(yùn)組織提供借鑒，為其他城市的車站聚類提供參考。