杨静，吴可，张红亮，代盛旭，王亦乐

(1.北京建筑大学，土木与交通工程学院，北京100044；2.北京交通大学，a.交通运学院，b.智慧高铁系统前沿科学中心，北京100044)

0引言

地铁车站是城市轨道交通线网中的重要节点，同时也是城市结构的重要组成部分，不同类型的地铁车站交通功能不同，周边土地利用性质也存在差异，科学的车站功能分类有助于梳理不同类型车站的交通功能及周边土地利用特征，为车站及周边的建设管理和发展规划提供参考。

选取恰当的聚类指标以及聚类算法是车站分类问题的关键，既有研究方法按聚类指标可分为客流特征指标分类法、土地利用性质指标分类法及综合指标方法。客流特征指标分类法主要是从车站承载客流特征展开分析，对聚类算法进行比选和改进以期获得更理想的车站分类结果。既有学者通常选取早晚高峰系数[1-3]、客流时间序列[4-5]、乘客出行特征[6-7]等指标刻画地铁客流特征。土地利用性质指标分类法通常采用土地利用类型和面积[8]指标描述地铁车站周边的建成环境。还有部分学者[9]综合考虑站点周边用地功能与客流特征，结合站点周边用地开发类型、客流早晚高峰系数等指标对地铁车站进行分类。

综上，对于车站分类问题，既有研究大多仅对车站承载客流特征或较粗粒度的周边土地利用情况进行分析，难以实现精细的车站功能分类。基于此，本文综合考虑地铁车站周边建成环境与客流特征，利用车站周边的各类客流兴趣点(Point of Interest，POI)作为细粒度的土地利用特征，并结合车站的客流特征作为聚类指标，基于K-Means++算法提出一种考虑精细化用地性质和客流特征的车站功能分类方法。

1 地铁车站分类特征识别

车站服务功能主要由周边土地利用特征决定，通过自身的客流特征表现出来。本节基于AFC 刷卡数据与POI数据，识别车站承载客流特征与周边细粒度土地利用特征，以综合反映地铁车站的服务功能。

1.1 车站客流特征识别

车站客流特征可以从多角度进行刻画，本文选取通勤客流量以及早晚高峰的进出站客流量凸显车站的职住功能差异。

利用基于出行链分析的通勤出行识别方法，筛选出通勤客流。以北京地铁某乘客为例，该乘客当日乘坐地铁2次，上午7:46时由天通苑北站前往西二旗站，下午由西二旗站前往天通苑北站，如表1所示。此类乘客的出行链具有较强的规律性，统计各车站输送此类乘客的数量以分析车站的通勤客流特征。为便于讨论，定义ABBA_A 流量指当日从A 站进B 站出，再从B 站进A 站出的乘客，在A站的进站总量；ABBA_B为此类乘客在B站的出站总量，上述2 个指标共同反映车站的通勤客流特征。选取车站早高峰进站量(AM_in)、早高峰出站量(AM_out)、晚高峰进站量(PM_in)和晚高峰出站量(PM_out)这4 个指标刻画车站客流早晚高峰特征，早、晚高峰时段定为6:30-9:00、17:00-20:00。部分车站早晚高峰客流特征指标如表2所示。

表1 某乘客当日的地铁出行链Table 1 Subway travel chain of a passenger on a day

表2 北京部分地铁车站某日早晚高峰客流特征指标Table 2 Some Beijing subway station morning and evening peak passenger volume

1.2 细粒度土地利用特征识别

采用百度地图开源平台获取POI 数据对车站周边的土地利用特征进行楼宇级细粒度刻画，并参考既有研究[10]的分类方法，将POI 划分为居住、美食、酒店、公共游览、科研教育、公司单位、公交车站、绿地广场等21 类设施，分属于居住类、商业服务业类、公共管理与公共服务类、道路与交通设施类与绿地广场类这5类用地。部分车站周边POI情况如表3所示。

表3 部分车站周边POI情况Table 3 POI situation around some stations

2 基于K-Means++算法的地铁车站分类模型构建

K-Means++算法是在传统无监督聚类算法KMeans的基础上，针对原算法初始聚类中心选取的随机性特点进行修正，提升了分类的准确性。该算法计算效率较高，适用于样本量较大的分类情况。本文选取地铁车站的分类特征指标较多，为提升车站功能分类的计算效率，构建了基于K-Means++的车站分类模型。

2.1 聚类指标选取

聚类指标数据集包括客流特征数据和建成环境特征数据两部分。本节聚类数据采用标准化数据，以摒除车站规模对车站服务功能分类的影响。如1.1 节、1.2 节所述，客流特征数据选用6 个指标，土地利用特征数据选用21 个指标，划分为7 个系列，并将聚类指标及对应系列汇总如表4 所示，其中，F1～F4反映车站早晚高峰特征，F5,F6刻画具有严格通勤特性的客流比重，F7～F27分别从居住、商业服务、公共管理、交通设施和绿地广场5 个方面表征车站周边土地利用情况。

表4 聚类指标Table 4 Clustering index

2.2 地铁车站分类模型构建

为避免欧式距离的乘方计算量，K-Means++中的距离判断准则选用曼哈顿距离，以提高算法的迭代效率。地铁车站分类模型的划分流程如下。

Step 1 将车站服务功能特征集X 置于欧式空间Rn中，即

式中：xmn为第m 个车站的第n 个特征对应的值；m为组成特征集的车站编号，m=1,2,…,307；n 为特征空间维度，n=1,2,…,27。在特征集X 中选取一个车站作为聚类中心ck,k=1，并置入聚类中心集C，其中，k 为现有聚类中心数量。

式中：K 为期望类别数量。当存在多个聚类中心时，取其中距离的最小值。

Step 3 根据车站与聚类中心的距离，计算剩余车站被选为下一个聚类中心的概率pj，即

Step 4 现有聚类中心数量k=k+1，选出概率最大的1 个车站，作为聚类中心置入聚类中心集ck∈C。

Step 5 判断k>K 。如果为真，进入Step 6；否则，返回Step 2。

Step 6 将k 个聚类中心分别置于K 个聚类簇中，判断剩余车站x ∈X ⋂Cˉ与k 个聚类中心在欧式空间距离D(x)的最小值，并将剩余车站分配至距离最近的聚类中心所在的聚类簇Xk中。

Step 7 判断聚类簇Xk中元素是否发生改变。如果为真，根据聚类簇Xk重新确定聚类中心ck，并返回Step 6；否则，分类结束。

式中：Ncard(Xk)为聚类簇Xk中的车站个数。

3 结果分析

采用2019年11月某工作日的原始刷卡数据和车站周边500 m范围的POI数据对北京地铁307个车站进行聚类，将车站分为7类。分别分析其服务功能属性、周边开发程度和空间分布特征。

3.1 车站服务功能属性分析

聚类中心的客流特征指标权重如图1所示，气泡面积代表对应特征所占比重值。

图1 各类车站的客流特征Fig.1 Passenger flow characteristics of various stations

观察图1 可知：第1、3、7 类地铁车站客流在早高峰进站量和晚高峰出站量存在显著峰值，在客流特征上表现为“早进晚出”，与居住集中型车站客流特征类似。第4 类地铁车站在早晚高峰特征上与第1、3、7类相似，早高峰进站量接近全日进站量的48.1%，同时段出站流量比重为18.6%，在客流特征上初步识别为居住偏工作型。第6 类地铁车站客流在晚高峰进站量和早高峰出站量出现峰值，早高峰出站流量和晚高峰进站流量均达到全日进出站流量的50%以上，对向流量比重为15%，在客流特征上表现为工作型。第2、5 类地铁车站在早晚高峰特性上与第6 类地铁车站相似，第2 类车站早高峰出站量占全日出站流量的40%，对向流量比重接近30%，在客流特征上表现为工作偏居住型；第5类车站的高峰客流比重均低于第2 类车站，相应地，此类车站在平峰时段承载了更多客流，初步识别为旅游休闲型。

3.2 车站周边开发程度分析

车站周边建成区域的POI 总量反映了该区域的开发程度，图2 为聚类中心的土地利用特征，气泡面积代表对应特征所占比重值。观察图2可知：

图2 各类车站的土地利用特征Fig.2 Land use characteristics of various stations

(1)呈现典型居住型的1、3、7类车站中，第1类车站周边建成区域中单位车站平均POI总量为497个，其中，居住POI占比为11.6%，美食、购物和休闲娱乐POI 数量占比分别为11.2%、16.2%和10.6%。单位车站平均接驳公交线路12 条，各设施数量分布较为均衡，公共交通接驳条件较好，属于配套设施开发较为完善的居住区域。第3 类地铁车站周边建成区域中单位车站平均POI 数量为202 个，其中，居住POI 数量占比为35%，美食、购物POI 占比分别为6.8%和6.1%。单位车站平均接驳公交线路10 条，相比第1 类车站，配套的商业与公共服务等设施开发程度相对较低，公共交通的接驳情况相似。第7 类地铁车站周边建成区域主要为对外交通设施，交通设施POI 数量占比40%以上，而居住POI 仅占5%。此类车站不属于居住型车站，车站承载客流多为由其他交通方式换乘地铁的市郊地区客流。然而，此类车站的平均接驳公交线路仅为5条，与前两类车站相比，公交接驳条件较差。

(2)第6 类车站在客流特征上表现为工作型车站。此类车站周边建成环境的开发程度最高，单位车站平均POI数量达到1104个，周边建有较多的金融机构、写字楼、公司单位与科研教育机构，而居住类POI 占比则相对较低。该类车站平均接驳公交线路数为17条，公交接驳条件良好。

(3)第2、4、5 类车站的客流特征介于典型的居住型和岗位集中型车站之间。偏向居住型的第4类车站平均POI 数量为520 个，居住POI 占比为21.7%，仅次于第3 类车站，从居住生活的视角来看，此类车站美食与购物的平均POI数量分别为42个和53 个，公共医疗单位数量为2.2 个，公司单位数量为77个，平均接驳公交线路14条，高于第1类车站。偏向工作型的第2 类车站平均POI 数量为589个，居住POI占比为19.7%，略低于第4类车站，单位车站周边建有公司单位数量为97个，高于第4类车站；美食与购物POI数量分别为46个和41个，接驳公交线路为17条。

(4)第5 类车站在客流特征上呈现出工作偏休闲的特性，此类车站开发程度仅次于第6 类车站，单位车站平均POI 数量为984 个，居住类POI 占比低，在所有车站类别中，此类车站周边建有最多的美食、酒店、购物、公共游览场所、公用设施和绿地广场，对于平峰时段的客流有较强的吸引力。此类车站的公交接驳条件优异，单位车站平均接驳公交线路数为19条。

3.3 车站空间分布分析

综合车站服务功能属性和周边开发程度，将7类车站进行命名，结果如表5所示。各类车站空间分布如图3 所示。配套设施开发完善的典型居住型车站分布较为分散，主要分布在近远郊区，如昌平区、房山区、大兴区、通州区。职住结合的工作型车站分布相对集中，主要分布在城区的东城、西城及丰台北部。具有商业开发潜力的典型居住型车站数量相对较少，站点主要集中分布在西部、北部地区，少量分布于东南部内城及近郊。配置一定工作岗位的居住型车站基本分布在内城，南部分布最为密集，集中于四环以内，零星站点分布于房山区、昌平区，如房山城关、昌平东关等。高度开发的典型工作型车站全部分布在内城，集中于海淀区、朝阳区，如中关村、望京等。职住结合的工作型车站呈块状分布，集中于城市北部内城，西城区、东城区、海淀区、朝阳区分布较为密集。旅游休闲型车站在二环以内站点分布较为密集，如北海北、动物园、西单等，大多站点集中分布于城市内城北部地区。交通枢纽地区站点分布也相对集中，如东直门、北京西站等。少数站点分布在近远郊地区。尚待开发的远郊车站数量最少，位于城市远郊地区，昌平区内分布相对集中。车站类别名称及数量如表5所示。

图3 北京地铁网络车站分类结果Fig.3 Classification results of Beijing subway network stations

表5 车站类别编号及类别名称Table 5 Station category number and category name

4 结论

本文所建地铁车站分类模型，采用楼宇级精度的POI数据对车站土地利用特征进行刻画，相比既往研究，聚类结果具有更好的解释性。例如，同为典型居住型车站的第1 类车站与第3 类车站在客流特征上具有高度的相似性，无法通过聚类算法的改进实现车站类型识别。引入POI 数据指标后，可以明显观察到第1 类车站在商业服务、公共卫生等配套设施的开发程度上显著高于第3 类车站，由此可见，引入高精度土地利用数据能有效提高非监督学习方法的客观性和解释性。对比传统城市规划中以区县或规则路网划分的地块为单位，利用其内部各类型用地比例衡量规划合理性的做法，本文结果较为精细的展现了车站直接影响区域内部的实际建成环境，区域内部各类型POI比例及数量能更为细致的反映区域不同功能及开发情况，为衡量规划合理性提供新视角，为精细化的城市规划提供参考。