0 引言
近年来，我国城市轨道交通取得了快速发展，运营总里程和客运量均持续增长[1]，但不少城市存在轨道交通与常规公交的衔接效率不高、公共交通系统整体吸引力较弱等特点。因此，提高两网衔接服务能力，促进二者融合发展，已成为城市交通亟须解决的问题。轨道交通站点作为交通网络节点，是两网融合衔接的关键点。由于轨道交通站点在区域位置、功能定位、客流需求等方面存在差异，需结合多方面因素对站点进行分类，并针对性提出常规公交接驳服务要求。
截至目前，国内外学者从多个角度对轨道交通站点分类进行了研究，主要集中在以下几个方面。1）基于站点客流量的形态特征、结构特征和客流强度对站点进行分类。如，尹芹等[2]通过提取站点进站客流量的极大值点、偏度和峰度对北京市轨道交通站点进行分类；陈艳艳等[3]以站点进站客流量高峰小时系数将轨道交通站点分为4类。但这类研究主要基于专家知识选取客流宏观特征对站点分类，对反映乘客个体微观出行特征考虑不足，难以满足精细化分类要求和需要。2）基于站点周边建成环境对轨道交通站点分类。如，王焕栋等[4]通过获取轨道交通站点空间影响范围内兴趣点（Point of Interest, POI），计算各类POI比例、优势度和均匀度，确定轨道交通站点类型；李清嘉等[5]通过获取站点周边人口密度、土地利用特征、交通条件特征以及站点自身特征等15个变量，将武汉市轨道交通站点分为6类。但相关研究需要海量的网络POI数据对分类进行支撑，而网络数据来源杂乱，无法确保数据的准确性，此外详细的区域人口密度为政府非公开信息，数据获取成本较高。3）基于站点时间序列客流特征对站点进行分类。如，杨兴[6]以15 min为时间粒度，提取每个站点运营时间内的进（出）站平均客流量，并采用高斯混合模型（Gaussian Mixture Model, GMM）聚类算法对站点进行类型识别；蒋阳升等[7]将进站客流量数据处理为时间序列数据，并采用K-Means++算法对各个站点的客流量进行聚类。但相关研究数据大多使用周一至周五的客流量，未考虑非工作日客流特征对站点分类的影响。
为提高轨道交通站点分类的科学性与客观性，需充分考虑客流宏观与微观特征因素以及客流时间变化规律。本文将基于客流时间序列，对比周中、周末[8]乘客出行规律，从宏观、微观不同角度提取站点客流分布特征和乘客出行特征，应用层次聚类法、K-Means、DBSCAN 算法等8种聚类算法对轨道交通站点进行分类，选取最优聚类算法结果。最后，通过分析不同类别轨道交通站点客流特征，提出相应的常规公交出行接驳服务建议，为提高城市轨道交通与常规公交衔接服务能力提供支撑。
1 轨道交通站点特征指标构建及处理
1.1 站点特征指标提取
表1 站点特征指标 |
| 一级指标 | 二级指标 | 三级指标 |
|---|---|---|
| 乘客 出行特征 | 高（低）概率轨道交通出行人群占比 | 高概率轨道交通出行人群占比 |
| 低概率轨道交通出行人群占比 | ||
| 客流分布特征 | 进（出） 站客流 占比 | 高峰进站客流与全天进站客流比 |
| 高峰出站客流与全天出站客流比 | ||
| 高峰进站客流与高峰进出站客流比 | ||
| 非工作日与工作日日均进站客流比 | ||
| 非工作日与工作日日均出站客流比 | ||
| 进（出）站 熵值 | 进站熵值 | |
| 出站熵值 | ||
| 车站客流时间序列特征 | 每30 min粒度内进站客流量 |
1.2 乘客出行特征分析
通过确定高（低）概率轨道交通出行人群，计算高（低）概率轨道交通出行人群占比，量化乘客出行特征。
1）高（低）概率轨道交通出行人群划分
基于贝叶斯理论[13]，计算不同时空条件下乘客在站点的出行概率，划分高（低）概率轨道交通出行人群。依据文献[9]，将出行概率≤0.4的乘客划分为低概率轨道交通出行人群（一周内最多2天利用轨道交通出行）；出行概率>0.7的乘客划分为高概率轨道交通出行人群（一周内至少4天利用轨道交通出行）；0.4<出行概率≤0.7的乘客划分为中概率轨道交通出行人群（一周内3天利用轨道交通出行）。相比中概率轨道交通出行人群，高（低）概率轨道交通出行人群的客流量特征更能直观反映车站乘客出行规律性，因此本文主要针对高（低）概率轨道交通出行人群展开研究，不考虑中概率轨道交通出行人群。乘客出行概率计算公式见式（1）~式（3）：
式（1）~式（3）中： 为 时段内乘客针对 站点的出行概率； 为轨道交通站点s的合集； 为乘客在 时段内乘坐轨道交通的概率； 为乘客在 时段内由 轨道交通站点进（出）站的概率； 为 的合集，分为早高峰、平峰、晚高峰； 为乘客在统计周期内 时段内乘坐轨道交通的天数； 为统计周期内乘客乘坐轨道交通的总天数； 为乘客在统计周期内 时段在 站点进（出）站频数； 为统计周期内乘客在 站点进/出站总频数 。
2）高（低）概率轨道交通出行人群占比计算
为判断站点客流规律特征，计算高（低）概率轨道交通出行人群分别占进出站总客流的比例，计算公式见式（4）：
式（4）中： 表示在 时段内 站点中， 类进（出）站客流占总进（出）站客流的比例； 和 含义同前； 是 类客流的合集，指高概率、低概率轨道交通出行人群； 为 时段内在 站点进（出）站的 类客流量； 为 时段内在 站点进（出）站的全部客流量。
1.3 客流分布特征分析
通过测算进出站客流占比、进（出）站熵值和车站客流时间序列特征，量化站点客流分布特征。
1） 进（出）站客流占比
进出站客流占比能反映轨道交通站点的服务功能，包含高峰进（出）站客流与全天进（出）站客流的比值、高峰进站客流与高峰进出站客流比值、非工作日与工作日日均进（出）站客流量比值5个三级指标。高峰进（出）站客流与全天进（出）站客流比值越大，表示该站点进（出）站客流时间越集中，站点可在高峰时段为乘客提供更多服务；高峰进站客流与高峰进出站客流比值越接近0.5，表示高峰时期该站进站客流量与出站客流量越接近平衡状态，该站点的服务功能越均衡；非工作日与工作日日均进（出）站客流量比值越大，表示非工作日与工作日的客流量差异越明显，该站点在非工作日时服务更多的出行人群。
2）进（出）站熵值
轨道交通站点进（出）站熵值可用来度量站点全天客流分布的均衡性。熵值越接近1，表示站点的全天客流在早高峰、平峰、晚高峰3个时段内分布越均衡。进（出）站熵值的计算公式[14]见式（5）：
式（5）中： 为轨道交通站点进（出）站熵值； 为刷卡状态，分进站和出站； 为 时期客流量； 为全天内客流量； 含义同前。
3）车站客流时间序列特征
为了判断车站客流随时间的集聚程度，以30 min作为时间粒度，计算 车站在工作日（非工作日）运营时间内进（出）站的平均客流量，其计算公式见式（6）：
式（6）中： 为工作日/非工作日内 时间粒度下进（出）站的平均客流量， 表示从运营时间开始，第 个30 min时间粒度； 为一周内的工作状态，分为工作日和非工作日； 含义同前； 为天数集合，当 为工作日时，为周一至周五共5个 ，当 为非工作日时，为周六、周日2个 ； 为在 时期， 时间粒度内 车站进（出）站的客流量； 为 的集合长度。
1.4 特征降维
2 轨道交通站点分类方法
2.1 聚类算法选择
为了对不同轨道交通站点进行分类，需对降维后的特征指标值进行聚类处理。常用聚类算法有K-Means[15]、DBSCAN[16]、层次聚类法[17]和GMM[18]等。以青岛市轨道交通站点为例，基于其乘客刷卡数据，分别利用GMM-EM聚类、K-Means聚类、Mean shift、DBSCAN以及4类层次聚类共8种算法对青岛市轨道交通站点的客流特征进行聚类。用CH系数、轮廓系数、DB指标[19]来检验聚类结果的优劣性。聚类算法结果对比如表2所示。从该表可以看出，与GMM聚类和Mean shift聚类相比，K-Means算法的CH系数分别高55.1和54.6，轮廓系数分别高0.21和0.05，表明K-Means聚类结果优于GMM聚类和Mean shift聚类算法。同时，从不同聚类算法分类结果（见图2）可以看出，K-Means能将轨道交通站点较明显地分为4类；DBSCAN聚类算法分类结果较为杂乱；Mean shift和层次聚类算法几乎将站点分为1类或2类，不能很好地区分不同站点之间的特征。因此，本文采用K-Means算法对轨道交通站点进行分类。
2.2 K-Means聚类数的确定
3 实例分析
3.1 样本数据
为了验证本文方法对于轨道交通站点分类的有效性，本文以青岛市轨道交通站点为例进行实例分析。
采集青岛市2022年5月10日—5月16日6条轨道交通线路的128个轨道交通站点的进出站刷卡数据，剔除乘客逃票、错误刷卡、反复刷卡、同站进出等数据，共获取有效数据766万条，部分数据示例如表3所示。
表3 轨道交通刷卡数据（部分） |
| 票卡号 | 交易 日期 | 交易 类型 | 交易 车站 | 交易 时间 | 交易金额 /元 |
|---|---|---|---|---|---|
| 720090201065068 | 2022/05/10 | 进站 | 361 | 22:51:35 | 4 |
| 720082501060876 | 2022/05/10 | 出站 | 1323 | 23:22:06 | 3 |
3.2 轨道交通站点分类
表4 青岛市轨道交通站点聚类结果 |
| 站点类型 | 站点名称 |
|---|---|
| 第1类站点 | 丁家河、世博园、世纪大道、东郭庄、东韩、两河、中山公园、中山路、中心医院、仙家寨（汽车北站）、会展中心、健康中心、健身中心（红岛会展）、兴国路、农业大学、凤凰山路、凤凰岛、凤岗路、利津路、北九水、北宅、南北屯、南岭、博览中心、双珠路、古镇口、大洋、大涧、大珠山、天目山路、太平角公园、太行山路、学院路、安子、安顺路、小寨子、山东大学、山里、广饶路、庙石、张家楼、张村、新港山路、朝阳山、枯桃、水泊、水清沟、永年路、汇泉广场、沟岔、泊里、流亭、浦里、海安路、海尔路、海川路、海洋大学、海游路、温泉东、灵山卫、王家港、琅琊、瑞金路、皋虞、盛海路（世博城）、石油大学、积米崖、红岛火车站、红岛科技馆（方特）、胜利桥（纺织谷）、胶东、胶东机场、胶州北站、臧村、董家口港、董家口火车站、蓝色硅谷、薛家岛、观涛、观象山（市立医院）、贡口湾、辛屯（灵山湾）、遵义路、钱谷山、长沙路、隐珠、青岛二中、青岛科大、鳌山卫、龙湾 |
| 第2类站点 | 万年泉路、人民会堂、北岭、华楼山路、双山、同安路、君峰路、团岛、地铁大厦、宁夏路、小村庄、延安三路、振华路、李村公园、枣山路、正阳中路、永平路、江西路、沧安路、泰山路、海泊桥（海慈医疗）、清江路、石老人浴场、芝泉路、辽阳东路、错埠岭、青岛北站、高雄路、麦岛 |
| 第3类站点 | 五四广场、井冈山路、敦化路、浮山所、燕儿岛路、苗岭路、青岛站 |
| 第4类站点 | 台东、李村 |
3.3 轨道交通站点客流特征分析
通过分析工作日进出站客流时间分布、非工作日与工作日日均进（出）站客流比值、早晚高峰高（低）概率轨道交通出行人群占比、不同类型站点通勤客流量，明确不同类型轨道交通站点的交通流特征。
1）工作日进出站客流时间分布特征
工作日进出站客流时间分布特征可反映出客流随时间的变化规律。4类站点客流时间分布如图4所示，从客流整体分布情况来看，早高峰相比于晚高峰，进出站客流量更为集中。但第3类站点，早高峰进站客流量小于晚高峰；第4类站点，早高峰出站客流量小于晚高峰。从进出站客流均衡性方面来看，第2类站点高峰时段进站与出站客流量基本持平。
2）非工作日与工作日日均进（出）站客流比
3）早晚高峰高（低）概率轨道交通出行人群占比特征
高概率轨道交通出行人群占比情况可反映站点客流的稳定性。4类站点早晚高峰高概率轨道交通出行人群出行占比分布如图7所示，整体上，早高峰较晚高峰的高概率轨道交通出行人群出行占比大，表明早高峰站点客流比较稳定。第3类站点早高峰高概率轨道交通出行人群出站占比和第2类站点的早高峰高概率轨道交通出行人群进站占比均超过70%，表现出第3类站点很强的出站客流稳定性和第2类站点很强的进站客流稳定性。
3.4 站点类别特征分析
3.5 不同类型轨道交通站点常规公交出行接驳服务建议
1）对于居住导向型站点，针对其整体客流量小、乘客出行时间随机的特点，建议提高小区周边公交站点步行可达性，将步行到公交站点的时间控制在5 min以内，在固定区域范围内，以现有公交站点为基础，为市民提供1分钟响应、动态发班的“区域巡游定制公交”服务，发展 “灵活接驳轨道交通站点”的业务模式，在保障公共服务的基础上，提升公交运营效率。
2）对于职住混合型站点，由于早高峰进站客流中高概率轨道交通出行人群较多，对常规公交存在准点和快速到达轨道交通站点的要求，建议采用早高峰定制接驳公交形式，整合出行起止点、出行时间、服务水平相似的个体出行需求，设计个性化公交运行线路和站点，满足该类人员快速直达轨道交通站点的出行需求。
3）对于就业导向型站点，由于早高峰出站客流中通勤人员占比较多，对候车时间容忍度较低，建议以总换乘距离最短为目标，对接驳常规公交站点进行空间布局优化；以乘客总换乘时间最短为目标，优化接驳公交运营时刻表，减少乘客等待时间。采取准点到站的运营模式，将到站时间精确到±3 min以内，实现从“赶公交”“等公交”到“准点上车”“掐点乘车”。
4）对于娱乐购物型站点，相比工作日，非工作日进出站客流量更多，大部分为娱乐购物人群，因此建议在保证与轨道交通站点接驳的同时，综合考虑乘客的出行时间、游玩、购物需求，串联起各大热门景点商圈和“打卡点”，形成休闲微循环线路，在每周六至周日、法定节假日以及旅游旺季等运营，以满足乘客出行需求。
4 结束语
本文利用轨道交通刷卡数据，基于乘客出行特征和客流分布特征，对轨道交通站点特征进行提取，应用K-Means聚类算法将轨道交通站点分为就业导向型、职住混合型、居住导向型、娱乐购物型等4类，并结合站点特征提出常规公交出行接驳服务建议。研究成果可为轨道交通站点功能分类提供参考，为优化常规公交接驳服务提供支撑。
由于数据可获取性，本文仅基于客流特征对轨道交通站点进行了聚类，未考虑其他非客流因素，如周边土地利用情况、居住人口数和就业岗位数等，而这些因素对站点分类精细度具有一定影响，在未来研究中，将考虑这些因素对轨道交通站点类型的影响，进一步提高站点功能分类的科学性。