时间:2024-01-14 00:22:49 下载该word文档
地铁站点客流特征与土地利用关系研究
马晓磊;张继宇;刘剑锋;王江锋;李金海
【摘要】讨论轨道交通站点客流的时间变化规律,根据客流的时序特征,利用时间序列聚类的K-means算法对轨道交通站点进行分类,对比不同类别站点的客流差异,同时探究轨道交通站点早晚高峰进出站客流与站点周围用地密度之间的相关关系,在考虑空间相关性的基础上,采用地理加权回归定量计算回归方程,详细分析客流与用地之间的相关系数在空间的分布情况.通过分析为不同站点制定有针对性的运营管理措施,以及为轨道交通规划提供理论支持.%Thispaperresearchesthecharacteristicsofmetrostationridershipchangedwiththetime.ThesubwaystationsaredividedbyusingsequentialK-meansclusteringalgorithmbasedonthetemporaldistributionofmetrostationridership.Thedistinctionsbetweendifferentcategoriesarecomparedinthispaper.Ageographicallyweightedregression(GWRmodelwhichconsidersthespatialcorrelationisbuilttoquantitativelycalculatetheregressioncorrelationtoanalyzetherelationshipbetweenstationlevelridershipandlanddensityaroundthestation.Thepaperalsoprovidesthevisualmapstoexplorethespatialdistributionofthecorrelationcoefficients.Thisstudycanprovidetheoreticalbasistomakespecificoperationalmanagementstrategiesandhelpthedesignofurbanrailtransit.【期刊名称】《都市快轨交通》
【年(卷,期】2017(030006【总页数】6页(P33-38【关键词】城市轨道交通;地铁客流特征;土地利用;地理加权回归;时序聚类分析
【作者】马晓磊;张继宇;刘剑锋;王江锋;李金海
【作者单位】北京航空航天大学交通科学与工程学院,北京100191;北京航空航天大学交通科学与工程学院,北京100191;北京城建设计发展集团股份有限公司,北京100037;北京交通大学交通运输学院,北京100044;北京城建设计发展集团股份有限公司,北京100037【正文语种】中文
【中图分类】U231车站作为轨道交通的核心,客流问题尤为突出,这些问题与车站周围用地有着密切的联系。探索车站客流规律,挖掘客流与用地之间的关系,对于完善轨道交通系统至关重要。
轨道交通系统的客流特征一直都是研究的重点问题[1-2]。王静等利用IC卡数据从时间、空间分布来探究轨道交通网络化运营的客流特征[3]。马小毅等利用广州市轨道交通运营资料,总结轨道交通从单线发展到网络的客流规律[4]。刘剑锋等从不同线路的角度出发提取不同的客流特征信息并总结规律[5]。
在土地利用方面,很多学者研究客流与土地利用的关系。张宁等以东京为例研究车站日均上下车客流量与车站影响范围内的容积率、人口、岗位等数据之间定量和定性的关系[6]。彭沙沙等提出轨道交通线网和土地利用各自的评价体系并建立了协调评价模型[7]。李世民等研究北京地铁5号线开通后沿线的人口变化规律,得出客流与沿线用地开发的互动关系[8]。
已有研究多集中在地铁客流与土地利用的整体关系,但缺少对微观层面的客流分析。本研究以北京IC卡数据为基础,详细探究微观层面车站的客流规律,利用时间序列聚类对车站进行分类,总结不同类型站点的客流分布。根据客流分布规律,使用GWR定量计算客流特征值与用地密度之间的相关关系,为轨道交通规划运营提供数据支持。
轨道交通系统车站众多,很多车站的客流分布有相似之处,所以利用车站客流对车站进行聚类,能够简化研究,更好地挖掘客流规律。车站的单日进出站客流是典型的时间序列数据,所以本次研究选择基于K-means的时序聚类方法。这种方法将时序数据处理成K-means能够识别的数据结构,适用于大数据的聚类[9]。
K-means聚类首先按照固定规则确定k个初始中心,分别计算每个个体到初始中心的距离,将其划分至距离最近的类别中,然后重新确定初始中心,不断迭代直到符合聚类标准。
K-means方法需要事先确定分类数k。假设nm表示m类的个体数表示第m类的平均轨迹表示所有个体集合的平均轨迹。定义类间系数B表示不同类别之间的差异。
B值越大表示类与类之间的差别越大,反之则表示类之间差距越小。同样定义类内系数W,表示每一类的类内个体差异。
W值越大,表示类内之间个体差异越大,反之表示类内个体差异越小。
根据B和W的含义可以定义多种参数来判断k值的合理性。其中,Calinski和Harabaszcriterion为最常用的系数。
式中,n表示集合S的个体总数。C值越大则k的取值越合理。
K-means算法对初始中心的选择十分敏感,基于K-means的时序聚类提供多种初始中心确定方法,本次研究选择最大距离法确定初始中心。首先选择两个距离最远的个体作为初始聚类中心,然后将已选择距离最远的个体添加进聚类中心集合。这种方法能够保证初始聚类中心之间的距离最远,符合聚类的基本原则。
本次研究所用数据为通过IC卡得到的北京地铁2015年6月第一周工作日266座车站96时段