• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于土地利用及客流特征的地鐵車站分類

      2021-10-30 02:29:36楊靜吳可張紅亮代盛旭王亦樂
      關(guān)鍵詞:高峰客流土地利用

      楊靜,吳可,張紅亮,代盛旭,王亦樂

      (1.北京建筑大學(xué),土木與交通工程學(xué)院,北京100044;2.北京交通大學(xué),a.交通運學(xué)院,b.智慧高鐵系統(tǒng)前沿科學(xué)中心,北京100044)

      0引言

      地鐵車站是城市軌道交通線網(wǎng)中的重要節(jié)點,同時也是城市結(jié)構(gòu)的重要組成部分,不同類型的地鐵車站交通功能不同,周邊土地利用性質(zhì)也存在差異,科學(xué)的車站功能分類有助于梳理不同類型車站的交通功能及周邊土地利用特征,為車站及周邊的建設(shè)管理和發(fā)展規(guī)劃提供參考。

      選取恰當(dāng)?shù)木垲愔笜?biāo)以及聚類算法是車站分類問題的關(guān)鍵,既有研究方法按聚類指標(biāo)可分為客流特征指標(biāo)分類法、土地利用性質(zhì)指標(biāo)分類法及綜合指標(biāo)方法??土魈卣髦笜?biāo)分類法主要是從車站承載客流特征展開分析,對聚類算法進行比選和改進以期獲得更理想的車站分類結(jié)果。既有學(xué)者通常選取早晚高峰系數(shù)[1-3]、客流時間序列[4-5]、乘客出行特征[6-7]等指標(biāo)刻畫地鐵客流特征。土地利用性質(zhì)指標(biāo)分類法通常采用土地利用類型和面積[8]指標(biāo)描述地鐵車站周邊的建成環(huán)境。還有部分學(xué)者[9]綜合考慮站點周邊用地功能與客流特征,結(jié)合站點周邊用地開發(fā)類型、客流早晚高峰系數(shù)等指標(biāo)對地鐵車站進行分類。

      綜上,對于車站分類問題,既有研究大多僅對車站承載客流特征或較粗粒度的周邊土地利用情況進行分析,難以實現(xiàn)精細的車站功能分類。基于此,本文綜合考慮地鐵車站周邊建成環(huán)境與客流特征,利用車站周邊的各類客流興趣點(Point of Interest,POI)作為細粒度的土地利用特征,并結(jié)合車站的客流特征作為聚類指標(biāo),基于K-Means++算法提出一種考慮精細化用地性質(zhì)和客流特征的車站功能分類方法。

      1 地鐵車站分類特征識別

      車站服務(wù)功能主要由周邊土地利用特征決定,通過自身的客流特征表現(xiàn)出來。本節(jié)基于AFC 刷卡數(shù)據(jù)與POI數(shù)據(jù),識別車站承載客流特征與周邊細粒度土地利用特征,以綜合反映地鐵車站的服務(wù)功能。

      1.1 車站客流特征識別

      車站客流特征可以從多角度進行刻畫,本文選取通勤客流量以及早晚高峰的進出站客流量凸顯車站的職住功能差異。

      利用基于出行鏈分析的通勤出行識別方法,篩選出通勤客流。以北京地鐵某乘客為例,該乘客當(dāng)日乘坐地鐵2次,上午7:46時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。此類乘客的出行鏈具有較強的規(guī)律性,統(tǒng)計各車站輸送此類乘客的數(shù)量以分析車站的通勤客流特征。為便于討論,定義ABBA_A 流量指當(dāng)日從A 站進B 站出,再從B 站進A 站出的乘客,在A站的進站總量;ABBA_B為此類乘客在B站的出站總量,上述2 個指標(biāo)共同反映車站的通勤客流特征。選取車站早高峰進站量(AM_in)、早高峰出站量(AM_out)、晚高峰進站量(PM_in)和晚高峰出站量(PM_out)這4 個指標(biāo)刻畫車站客流早晚高峰特征,早、晚高峰時段定為6:30-9:00、17:00-20:00。部分車站早晚高峰客流特征指標(biāo)如表2所示。

      表1 某乘客當(dāng)日的地鐵出行鏈Table 1 Subway travel chain of a passenger on a day

      表2 北京部分地鐵車站某日早晚高峰客流特征指標(biāo)Table 2 Some Beijing subway station morning and evening peak passenger volume

      1.2 細粒度土地利用特征識別

      采用百度地圖開源平臺獲取POI 數(shù)據(jù)對車站周邊的土地利用特征進行樓宇級細粒度刻畫,并參考既有研究[10]的分類方法,將POI 劃分為居住、美食、酒店、公共游覽、科研教育、公司單位、公交車站、綠地廣場等21 類設(shè)施,分屬于居住類、商業(yè)服務(wù)業(yè)類、公共管理與公共服務(wù)類、道路與交通設(shè)施類與綠地廣場類這5類用地。部分車站周邊POI情況如表3所示。

      表3 部分車站周邊POI情況Table 3 POI situation around some stations

      2 基于K-Means++算法的地鐵車站分類模型構(gòu)建

      K-Means++算法是在傳統(tǒng)無監(jiān)督聚類算法KMeans的基礎(chǔ)上,針對原算法初始聚類中心選取的隨機性特點進行修正,提升了分類的準(zhǔn)確性。該算法計算效率較高,適用于樣本量較大的分類情況。本文選取地鐵車站的分類特征指標(biāo)較多,為提升車站功能分類的計算效率,構(gòu)建了基于K-Means++的車站分類模型。

      2.1 聚類指標(biāo)選取

      聚類指標(biāo)數(shù)據(jù)集包括客流特征數(shù)據(jù)和建成環(huán)境特征數(shù)據(jù)兩部分。本節(jié)聚類數(shù)據(jù)采用標(biāo)準(zhǔn)化數(shù)據(jù),以摒除車站規(guī)模對車站服務(wù)功能分類的影響。如1.1 節(jié)、1.2 節(jié)所述,客流特征數(shù)據(jù)選用6 個指標(biāo),土地利用特征數(shù)據(jù)選用21 個指標(biāo),劃分為7 個系列,并將聚類指標(biāo)及對應(yīng)系列匯總?cè)绫? 所示,其中,F(xiàn)1~F4反映車站早晚高峰特征,F(xiàn)5,F6刻畫具有嚴(yán)格通勤特性的客流比重,F(xiàn)7~F27分別從居住、商業(yè)服務(wù)、公共管理、交通設(shè)施和綠地廣場5 個方面表征車站周邊土地利用情況。

      表4 聚類指標(biāo)Table 4 Clustering index

      2.2 地鐵車站分類模型構(gòu)建

      為避免歐式距離的乘方計算量,K-Means++中的距離判斷準(zhǔn)則選用曼哈頓距離,以提高算法的迭代效率。地鐵車站分類模型的劃分流程如下。

      Step 1 將車站服務(wù)功能特征集X 置于歐式空間Rn中,即

      式中:xmn為第m 個車站的第n 個特征對應(yīng)的值;m為組成特征集的車站編號,m=1,2,…,307;n 為特征空間維度,n=1,2,…,27。在特征集X 中選取一個車站作為聚類中心ck,k=1,并置入聚類中心集C,其中,k 為現(xiàn)有聚類中心數(shù)量。

      式中:K 為期望類別數(shù)量。當(dāng)存在多個聚類中心時,取其中距離的最小值。

      Step 3 根據(jù)車站與聚類中心的距離,計算剩余車站被選為下一個聚類中心的概率pj,即

      Step 4 現(xiàn)有聚類中心數(shù)量k=k+1,選出概率最大的1 個車站,作為聚類中心置入聚類中心集ck∈C。

      Step 5 判斷k>K 。如果為真,進入Step 6;否則,返回Step 2。

      Step 6 將k 個聚類中心分別置于K 個聚類簇中,判斷剩余車站x ∈X ?Cˉ與k 個聚類中心在歐式空間距離D(x)的最小值,并將剩余車站分配至距離最近的聚類中心所在的聚類簇Xk中。

      Step 7 判斷聚類簇Xk中元素是否發(fā)生改變。如果為真,根據(jù)聚類簇Xk重新確定聚類中心ck,并返回Step 6;否則,分類結(jié)束。

      式中:Ncard(Xk)為聚類簇Xk中的車站個數(shù)。

      3 結(jié)果分析

      采用2019年11月某工作日的原始刷卡數(shù)據(jù)和車站周邊500 m范圍的POI數(shù)據(jù)對北京地鐵307個車站進行聚類,將車站分為7類。分別分析其服務(wù)功能屬性、周邊開發(fā)程度和空間分布特征。

      3.1 車站服務(wù)功能屬性分析

      聚類中心的客流特征指標(biāo)權(quán)重如圖1所示,氣泡面積代表對應(yīng)特征所占比重值。

      圖1 各類車站的客流特征Fig.1 Passenger flow characteristics of various stations

      觀察圖1 可知:第1、3、7 類地鐵車站客流在早高峰進站量和晚高峰出站量存在顯著峰值,在客流特征上表現(xiàn)為“早進晚出”,與居住集中型車站客流特征類似。第4 類地鐵車站在早晚高峰特征上與第1、3、7類相似,早高峰進站量接近全日進站量的48.1%,同時段出站流量比重為18.6%,在客流特征上初步識別為居住偏工作型。第6 類地鐵車站客流在晚高峰進站量和早高峰出站量出現(xiàn)峰值,早高峰出站流量和晚高峰進站流量均達到全日進出站流量的50%以上,對向流量比重為15%,在客流特征上表現(xiàn)為工作型。第2、5 類地鐵車站在早晚高峰特性上與第6 類地鐵車站相似,第2 類車站早高峰出站量占全日出站流量的40%,對向流量比重接近30%,在客流特征上表現(xiàn)為工作偏居住型;第5類車站的高峰客流比重均低于第2 類車站,相應(yīng)地,此類車站在平峰時段承載了更多客流,初步識別為旅游休閑型。

      3.2 車站周邊開發(fā)程度分析

      車站周邊建成區(qū)域的POI 總量反映了該區(qū)域的開發(fā)程度,圖2 為聚類中心的土地利用特征,氣泡面積代表對應(yīng)特征所占比重值。觀察圖2可知:

      圖2 各類車站的土地利用特征Fig.2 Land use characteristics of various stations

      (1)呈現(xiàn)典型居住型的1、3、7類車站中,第1類車站周邊建成區(qū)域中單位車站平均POI總量為497個,其中,居住POI占比為11.6%,美食、購物和休閑娛樂POI 數(shù)量占比分別為11.2%、16.2%和10.6%。單位車站平均接駁公交線路12 條,各設(shè)施數(shù)量分布較為均衡,公共交通接駁條件較好,屬于配套設(shè)施開發(fā)較為完善的居住區(qū)域。第3 類地鐵車站周邊建成區(qū)域中單位車站平均POI 數(shù)量為202 個,其中,居住POI 數(shù)量占比為35%,美食、購物POI 占比分別為6.8%和6.1%。單位車站平均接駁公交線路10 條,相比第1 類車站,配套的商業(yè)與公共服務(wù)等設(shè)施開發(fā)程度相對較低,公共交通的接駁情況相似。第7 類地鐵車站周邊建成區(qū)域主要為對外交通設(shè)施,交通設(shè)施POI 數(shù)量占比40%以上,而居住POI 僅占5%。此類車站不屬于居住型車站,車站承載客流多為由其他交通方式換乘地鐵的市郊地區(qū)客流。然而,此類車站的平均接駁公交線路僅為5條,與前兩類車站相比,公交接駁條件較差。

      (2)第6 類車站在客流特征上表現(xiàn)為工作型車站。此類車站周邊建成環(huán)境的開發(fā)程度最高,單位車站平均POI數(shù)量達到1104個,周邊建有較多的金融機構(gòu)、寫字樓、公司單位與科研教育機構(gòu),而居住類POI 占比則相對較低。該類車站平均接駁公交線路數(shù)為17條,公交接駁條件良好。

      (3)第2、4、5 類車站的客流特征介于典型的居住型和崗位集中型車站之間。偏向居住型的第4類車站平均POI 數(shù)量為520 個,居住POI 占比為21.7%,僅次于第3 類車站,從居住生活的視角來看,此類車站美食與購物的平均POI數(shù)量分別為42個和53 個,公共醫(yī)療單位數(shù)量為2.2 個,公司單位數(shù)量為77個,平均接駁公交線路14條,高于第1類車站。偏向工作型的第2 類車站平均POI 數(shù)量為589個,居住POI占比為19.7%,略低于第4類車站,單位車站周邊建有公司單位數(shù)量為97個,高于第4類車站;美食與購物POI數(shù)量分別為46個和41個,接駁公交線路為17條。

      (4)第5 類車站在客流特征上呈現(xiàn)出工作偏休閑的特性,此類車站開發(fā)程度僅次于第6 類車站,單位車站平均POI 數(shù)量為984 個,居住類POI 占比低,在所有車站類別中,此類車站周邊建有最多的美食、酒店、購物、公共游覽場所、公用設(shè)施和綠地廣場,對于平峰時段的客流有較強的吸引力。此類車站的公交接駁條件優(yōu)異,單位車站平均接駁公交線路數(shù)為19條。

      3.3 車站空間分布分析

      綜合車站服務(wù)功能屬性和周邊開發(fā)程度,將7類車站進行命名,結(jié)果如表5所示。各類車站空間分布如圖3 所示。配套設(shè)施開發(fā)完善的典型居住型車站分布較為分散,主要分布在近遠郊區(qū),如昌平區(qū)、房山區(qū)、大興區(qū)、通州區(qū)。職住結(jié)合的工作型車站分布相對集中,主要分布在城區(qū)的東城、西城及豐臺北部。具有商業(yè)開發(fā)潛力的典型居住型車站數(shù)量相對較少,站點主要集中分布在西部、北部地區(qū),少量分布于東南部內(nèi)城及近郊。配置一定工作崗位的居住型車站基本分布在內(nèi)城,南部分布最為密集,集中于四環(huán)以內(nèi),零星站點分布于房山區(qū)、昌平區(qū),如房山城關(guān)、昌平東關(guān)等。高度開發(fā)的典型工作型車站全部分布在內(nèi)城,集中于海淀區(qū)、朝陽區(qū),如中關(guān)村、望京等。職住結(jié)合的工作型車站呈塊狀分布,集中于城市北部內(nèi)城,西城區(qū)、東城區(qū)、海淀區(qū)、朝陽區(qū)分布較為密集。旅游休閑型車站在二環(huán)以內(nèi)站點分布較為密集,如北海北、動物園、西單等,大多站點集中分布于城市內(nèi)城北部地區(qū)。交通樞紐地區(qū)站點分布也相對集中,如東直門、北京西站等。少數(shù)站點分布在近遠郊地區(qū)。尚待開發(fā)的遠郊車站數(shù)量最少,位于城市遠郊地區(qū),昌平區(qū)內(nèi)分布相對集中。車站類別名稱及數(shù)量如表5所示。

      圖3 北京地鐵網(wǎng)絡(luò)車站分類結(jié)果Fig.3 Classification results of Beijing subway network stations

      表5 車站類別編號及類別名稱Table 5 Station category number and category name

      4 結(jié)論

      本文所建地鐵車站分類模型,采用樓宇級精度的POI數(shù)據(jù)對車站土地利用特征進行刻畫,相比既往研究,聚類結(jié)果具有更好的解釋性。例如,同為典型居住型車站的第1 類車站與第3 類車站在客流特征上具有高度的相似性,無法通過聚類算法的改進實現(xiàn)車站類型識別。引入POI 數(shù)據(jù)指標(biāo)后,可以明顯觀察到第1 類車站在商業(yè)服務(wù)、公共衛(wèi)生等配套設(shè)施的開發(fā)程度上顯著高于第3 類車站,由此可見,引入高精度土地利用數(shù)據(jù)能有效提高非監(jiān)督學(xué)習(xí)方法的客觀性和解釋性。對比傳統(tǒng)城市規(guī)劃中以區(qū)縣或規(guī)則路網(wǎng)劃分的地塊為單位,利用其內(nèi)部各類型用地比例衡量規(guī)劃合理性的做法,本文結(jié)果較為精細的展現(xiàn)了車站直接影響區(qū)域內(nèi)部的實際建成環(huán)境,區(qū)域內(nèi)部各類型POI比例及數(shù)量能更為細致的反映區(qū)域不同功能及開發(fā)情況,為衡量規(guī)劃合理性提供新視角,為精細化的城市規(guī)劃提供參考。

      猜你喜歡
      高峰客流土地利用
      客流增多
      病毒病將迎“小高峰”全方位布控巧應(yīng)對
      石慶云
      書香兩岸(2020年3期)2020-06-29 12:33:45
      土地利用生態(tài)系統(tǒng)服務(wù)研究進展及啟示
      濱海縣土地利用挖潛方向在哪里
      基于自學(xué)習(xí)補償?shù)氖覂?nèi)定位及在客流分析中的應(yīng)用
      雨天早高峰,自在從容時。
      人工免疫算法在電梯客流時段劃分的應(yīng)用
      城市軌道交通運營客流數(shù)據(jù)分析缺陷及應(yīng)對
      論低碳經(jīng)濟與轉(zhuǎn)變土地利用方式
      西林县| 阳江市| 枣阳市| 托克托县| 江西省| 公安县| 密山市| 大丰市| 泸州市| 恩平市| 墨脱县| 玛沁县| 咸宁市| 广灵县| 河间市| 清徐县| 镇宁| 梁河县| 射洪县| 河源市| 博乐市| 六盘水市| 惠来县| 黄龙县| 汉源县| 兰考县| 修武县| 白玉县| 绩溪县| 综艺| 苍山县| 平和县| 清河县| 重庆市| 五寨县| 瑞昌市| 沧州市| 拜泉县| 蓬安县| 扶风县| 东台市|