CN108665191B - 基于聚集效应的地铁站外关联区域计算方法 - Google Patents

Abstract

本发明提供了一种基于聚集效应的地铁站外关联区域计算方法，该方法通过分析到站客流分布特征及客流出行方式与出行时间的关系，引入廊道效益中的聚集效应函数模型计算地铁站点对多模式交通的关联区域范围。通过建立多模式交通到站时间与到站比例间的回归模型，利用改进的聚集效应模型分别计算每种交通方式合理到站时间及在出行链中的换乘时间，再分别计算地铁站点对多模式交通的直接关联区域及间接关联区域半径。直接关联区域的确定是关联区域客流估计模型的前提条件，直接关联区域的确定为关联区域客流阈值的计算确定了边界。

Description

基于聚集效应的地铁站外关联区域计算方法

技术领域

本发明涉及地铁站区域客流估计领域，尤其涉及基于聚集效应的地铁站外关联区域计算方法。

背景技术

地铁站外关联区域范围的确定是对关联区域客流估计的关键，在轨道交通建设规划的早期，站点关联区域的范围受地铁站点的位置、站点周边土地开发程度、配套设施分布等因素影响。站点关联区域范围的研究也是对客流空间分布规律的分析，通过对站外关联区域范围的研究，为建立站外关联区域客流估计模型提供了前提条件。现有技术中，地铁站外关联区域范围的确定最初以经验值得到站点的经验吸引量，由于主观性强，缺乏说服力，广大学者逐渐将研究方法转向统计分析，利用实地调研的方式提高研究成果的准确性，最主要的研究方法是通过分析接驳方式与接驳总量来估计地铁站点的吸引量。

对客流的准确估计是提高轨道交通运营安全的关键，其中对客流数量的估计属于交通量预测的重要组成部分，如“四阶段法”。常见客流预测方法有以下几种：根据乘客出行OD进行预测、非集计模型法等，但这些方法均以四阶段法为基础，根据客流OD的分类进行预测方法应用最为广泛。

关于站外关联区域范围及客流估计方法已有系统的研究方法，总结现有站外关联区域计算方法研究主要存在以下问题：

(1)对站外关联区域的研究相对较少，未将站外关联区域归属为重点区域。且在对重点区域客流估计研究中，未表示乘客到达地铁站点时的通勤时间与选择交通工具概率之间的数量关系。

(2)客流估计方法中大多针对断面客流进行估计，区域客流的估计研究较少。且区域客流估计常用客流密度表示，无法量化区域客流数量。

发明内容

为了解决上述技术问题，本发明提供一种基于聚集效应的地铁站外关联区域计算方法，引入廊道效应中的聚集效应模型，通过分析站点多模式交通客流到站时间及到站比重，建立改进后的地铁站点聚集效应模型，采用非线性回归方法计算其他交通方式客流在地铁站点处形成的直接关联区域及间接关联区域。具体采取如下技术方案：

该方法包括如下步骤：

(1)获取地铁站外关联区域客流数据，并进行特征分析；

(2)对所述客流数据先进行归一化，再通过小波去噪进行预处理；

(3)建立基于聚集效应的站外关联区域模型

其中，t表示在站点合理关联区域的客流到达站点所需时间，t₀表示客流从最大聚集效应边缘到达站点所需的时间，P是到站客流占全部客流的百分比，a是所产生的客流的聚集效应；

(4)确定站外间接关联区域

地铁站点的间接关联区域模型如下：

其中d_ind表示地铁站点对某种交通方式换乘客流的间接关联区域半径；t₁表示某种交通方式的出行时间；

表示乘客的平均速度；c表示非直线系数；t_real表示OD间实际花费的时间，t_ideal表示OD间直线距离花费的时间；

(5)确定站外直接关联区域

d_di表示地铁站点的直接关联区域半径，

表示乘客从最大聚集效应处到安检口处的平均行走速度，t₂表示产生最大聚集效应处到地铁安检处还需要步行的时间。

优选地，相邻地铁站点的站外间接关联区域有重叠区域时，采用泰森多边形分析方法，对重叠区域进行裁剪。

附图说明

图1是本发明的方法流程图。

图2是四种交通方式的数据归一化处理结果图。

图3是八角游乐园地铁站对自行车换乘客流的辐射范围图。

图4是三个站点的站外关联区域范围图。

图5是八角游乐园地铁站的间接关联区域图。

具体实施方式

本发明确定站外关联区域影响因素包括站点乘降量、地铁站间距离、中心距离、接驳公交数等，上述四个因素对站点的关联区域范围有着不同程度的影响。首先，针对四个影响因素，确定建立关联区域模型所需数据并对数据进行特征分析。其次，对数据进行特征分析后，对特征分析发现的量纲差异及无效数据进行处理。最后建立基于聚集效应的站外关联区域模型。模型得到的站外关联区域包括间接关联区域和直接关联区域，其中本发明中研究的站外关联区域客流估计模型中的区域特指直接关联区域。本发明方法流程图如图1所示。

(1)地铁站外关联区域客流数据获取及特征分析

站外关联区域受站点乘降量、地铁站间距离、地铁站点进出口数、中心距离、接驳公交数等五个因素影响，在建立关联区域模型前，首先应确定所需调研数据。本发明主要研究站外关联区域的客流变化规律，目前常用的自动售检票系统AFC(Auto FareCollection)获得的客票数据无法反映不同交通方式的客流特征，且无法包含站外关联区域影响因素的信息。为保障客流数据质量，首先根据站点特征选择采集数据指标，之后再对站外关联区域进行特征分析。

(1.1)关联区域客流数据获取

通过分析站外关联区域的影响因素，为充分考虑站点乘降量、地铁站间距离、中心距离、接驳公交数等因素对站外关联区域客流的影响，在选取地铁站点时考虑了多方面的限制条件：(1)选取站点闸机群与进站口距离较近的站点。当站点闸机群位于地下且距进站口较远的站点不存在站外直接关联区域，所以在选取目标站点时应选择闸机群与进站口距离较近、进站区域容易滞留乘客的地铁站点。(2)站点附近的公交站点、自行车停放点等与地铁站点的空间位置较近，能够判断客流的运动轨迹。(3)地铁站点客流组成丰富、样本量足够大。

在获取数据前，首先应确定调查方式。在客流调查的研究中，最常使用且最经典的方法是Thomas定义的RP调查，RP(Revealed Preference Survey)调查是指对客流实际行动进行的调查；与RP调查相对应的是SP(Stated Preference Survey)调查，该调查方法是指为了获取“人们对假定条件下的方案所表现出来的主观偏好”而进行的调查。在建立站外关联区域客流估计模型前，需要采集站点实际的客流数据，不需要调研客流对假设方案是否存在主观偏好的问题。所以在对八角游乐园地铁站客流进行调研时，选择最经典的RP调查方法。

其次，为了能采集到更多客流信息，需要划分客流交通方式。随着交通行业的不断发展，乘客出行方式也更加多元化。共享经济的提出，带动了共享单车、网络约车等共享交通方式的发展。虽然出行模式更加新颖，但交通工具的内核并未发生本质变化，共享单车仍属于自行车范畴，网络约车也未超出社会车辆的定义。所以在对交通方式进行划分时，仍然将换乘地铁的乘客的交通方式分为公交、社会车辆、自行车、步行等四种方式。

最后，确定数据采集时间。本发明主要研究站外关联区域客流变化规律，为了能够充分反映换乘工具对站外关联区域客流的影响，在客流数据采集过程中需根据交通方式划分地铁客流且针对不同交通方式的客流采用问卷形式调查旅行时间。

(1.2)关联区域客流数据特征分析

为充分体现关联区域客流影响因素，在数据采集中主要针对不同交通方式客流的到站客流数量及客流到站时间两个维度进行现场调研。下面分别从客流到站规律及到站时间对关联区域客流进行特征分析。

1.到站客流规律分析

分析关联区域客流变化规律时，需要针对不同交通方式划分客流。除步行客流以外，需要在站点附近其他交通方式集散地统计到站客流变化规律。

2.旅行时间分布特征

针对不同交通方式，通过问卷调查客流旅行时间分布情况。对四种交通方式客流的旅行时间进行分类汇总，结果显示公交车及私家车客流早高峰期间大多数客流旅行时间在30min以内，自行车客流的旅行时间通常在20min以内，步行客流则分布在15min以内。统计过程中以5min为时间粒度，对应每一采样周期每种交通方式的旅行时间所占比重不同。

(2)关联区域客流数据预处理

通过分析地铁站点客流数据特征发现，到站客流数量及旅行时间受交通方式影响较大。在构建站外关联区域客流估计模型前，首先应对调研数据进行预处理。数据预处理(data preprocessing)指的是在模型构建前，对原始数据进行处理的过程。在实际采集到的客流数据信息中存在小部分无效数据，导致模型求解结果出现偏差。数据处理的出现，解决了原始数据受干扰因素影响导致信息质量下降的问题。

针对地铁站外客流，应根据客流特征选择对应的数据预处理方法。对地铁站外客流数据预处理时，需要解决不同交通方式客流的量纲差异化问题以及原始数据中出现的无效数据问题。

(2.1)数据预处理方法

为解决客流量纲差异化及原始数据中存在无效数据的问题，根据客流特征选择对应的数据预处理方法。

1.数据归一化

数据归一化是将数据指数化的过程，目的在于将不同类型数据置于同一维度进行比较，有利于解决不同类型数据出现的量纲问题。数据标准化常用方法为“最小－最大标准化”，经标准化处理后，原始数据转化为无量纲化指标即所有类别数据都处于同一维度。数据归一化解决了不同维度数据可比性的问题，有利于后续综合分析不同类别数据。

为了分析不同交通方式对地铁站点客流的影响，首先应对四种交通方式的客流数据进行标准化，利用“最小－最大标准化”方法来消除四种交通方式之间的量纲影响。“最小－最大标准化”又称离差标准化，对样本量进行线性变化后转化到区间[0-1]之间，其计算公式为：

公式中max代表样本量最大值，min代表样本量最小值。

数据归一化可以有效解决不同类型间客流数据的量纲问题，使不同类型的数据具有可比性，为后续客流估计模型的数据输入提供理论依据。

2.小波去噪

实际调研数据过程中，受乘客行为的随机性影响，客流数据偶尔会出现数据缺失、噪声等情况。在进行客流统计时，客流会受一些随机因素扰动，比如客流中偶尔会出现为了尽快抵达地铁站点而快速穿越人群的乘客、老人由于行动不便而在队伍中缓慢行走导致很多乘客需要绕行的情况等。这些随机扰动会使原始调研数据中出现毛刺现象，不利于客流估计模型参数的确定。为减少数据以外随机因素干扰影响，需对客流数据进行去噪。

数据去噪常用方法有移动平均法、卡尔曼滤波法和小波去噪法。移动平均法，操作简单，但数据处理过于粗暴，去噪过程中容易将有用信息去除，不适用于对复杂数据进行分析；卡尔曼滤波法，适用于平稳线性的时间序列。小波去噪则常用与非平稳时间序列的数据去噪中。根据客流变化特征，本发明引入小波技术去掉原始数据的噪声数据，为客流估计模型提供更加真实的数据，减少客流估计模型误差。阈值去噪的基本流程分为：

Step1：选择小波基。小波基即去噪过程中所选的逼近函数。常见小波基^[37]包括haar小波、daubechies小波、symlet小波。Haar小波紧支性较好且计算简单，但不具备连续性；daubechies小波即db(N)小波基是正交小波，改善了连续性问题，但无法解决数据对称性问题。当N＝1时，db1小波即为haar小波；Symlet小波既解决了连续性问题，还具备相似对称特性。根据客流数据特征，本发明选择sym小波作为小波基。

Step2：小波去噪质量评价。在对原始数据预处理过程中，既要清理噪声数据，又要保持原始数据的真实性，小波处理后需评价去噪质量。常见质量评价方法有均方根误差法^[38]，信噪比法^[39]，互相关系数法^[40]及平滑度法^[41]等四种。均方根误差(RMSE)用于表示样本量离散程度；信噪比(SNR)则用于表示输出数据质量的可靠性；互相关系数(R)用于衡量样本量与处理后样本的相似程度；平滑度指标(r)用于表征新的样本数据的光滑程度。上述指标都分别从不同侧面描述了处理后数据的特性，为更好表征数据处理结果，选择信噪比作为衡量指标，计算方法为：

SNR＝10×lg(power_signal/power_no_ise)

式中power_signal表示原始样本数据的能量，power_no_ise表示样本数据中噪声数据的能量。

(2.2)数据处理结果

1.数据归一化结果

经数据归一化处理后得到四种交通方式对应的标准化结果如图2所示。

从图2可以看出，随着时间推移，私家车标准化结果一直处于最底端且处于0附近，所以在采样周期内，四种交通方式中私家车对地铁站点客流的贡献度最小，在建立客流估计模型时可以剔除私家车的客流数据。经过数据标准化后，其余三种交通方式即自行车、公交、步行等三种到站方式对地铁站点客流影响较大，且影响程度依次增强。

2.小波去噪结果

随机选取一组步行客流时间序列进行数据处理。

小波处理后的数据，sym小波随着小波分解的层数越高，对原始数据拟合效果越平滑。整体来说，去噪后的数据信息更加平滑，毛刺现象明显减少，能够保持原始数据的细节信息。利用信噪比(SNR)确定分解层数，信噪比(SNR)计算结果如表1所示，SNR随分解次数增加先增加后减小，SNR在实际应用中数值越大越好，根据SNR计算结果，选择分解层数为3。

表3-1各小波去噪质量评价结果

综合四种小波去噪评价指标，为使拟合效果最优且防止过度拟合，本发明选取SNR作为去噪质量评价指标，从而确定小波分解层数。

(3)地铁站点客流聚集效应模型

(3.1)聚集效应模型基本原理

聚集效应原属于经济学范畴，特指经济活动受外界因素影响，不断向某一方向聚集的经济效应。聚集效应的概念最早来源于城市景观的廊道模型，后被引入轨道交通的研究中。地铁线路属于典型的人工廊道(Artificial Corridor)，地铁线路所造成的聚集效应符合人工廊道所产生的聚集效应。受廊道的影响，城市景观结构由廊道中节点与廊道线路形成的多边形实际地价梯度场形成，该现象称为人工廊道效应。廊道效应遵循梯度场效应，由廊道中节点向节点外部逐渐衰减，可用对数衰减函数来表示其衰减规律：

衰减函数表达式中，梯度场效益由e来表示，d代表空间距离，a表示最大廊道效应，是表达式中的常数项。当距离不断增大时，廊道效益不断减小。

廊道模型所产生的聚集效应后来被引入轨道交通中，并取得了较好的仿真效果。聚集效应模型被用于测算轨道枢纽步行客流的生成区域。假设在距离地铁站点d的范围内，选择某种交通方式的客流占该交通方式客流总量的百分比为η(％)，此时在距离站点d处，该种交通方式所产生的梯度场效益为e＝100-η(％)。假设所有客流都居住在距离地铁站点d₀处以外，d₀所产生的聚集效应最大，此时d₀对应的a＝100％。

该模型可清晰反映地铁站点客流的聚集效应，针对不同类型的站点，其聚集效应会发生一定变化。该模型不仅能够显示站点其他交通方式选择对站点关联区域的影响，而且还可为城市交通出行规划预测提供理论依据。理论证明，聚集效应在交通领域同样适用，地铁站点是城市路网中重要的客流集散点，地铁站点的聚集效应随着轨道交通站点距离增大而减小。地铁站点的站外关联区域范围是指以地铁站点为中心，以乘客从通勤起点到地铁站点之间的空间距离为半径形成的区域。该模型有效刻画了地铁站点对客流的聚集效应与乘客通勤距离间的反向关系。

(3.2)基于聚集效应的站外关联区域模型

地铁站外关联区域取决于站点客流乘降量、站间距离、中心距离及接驳公交数等因素。四种影响因素都从不同侧面反映了站点的规模。通过分析客流数据发现，客流与站点距离越远，选择该站点通勤的可能性越小，根据这一特征，建立基于聚集效应的站外关联区域模型。

聚集效应模型可较好地模拟地铁站点附近区域客流的分布情况，但客流受地铁站点公交线路分布等因素影响，客流分布不一定严格服从聚集效应随距离递增而递减的规律，且当距离作为模型输出时，计算得到的距离是乘客通勤的路程，并非是通勤起点至地铁站点的直线距离。为解决模型存在的问题，且综合考虑地铁站点周边用地性质、其他交通方式接驳分布等多种因素，针对不同交通方式通勤的客流，可采用客流出行时间作为站外关联区域模型的输出。根据乘客出行心理，通勤客流选择出行方式时更偏向于选择通勤时间较短、费用较低的交通方式，而对路径长短敏感性较低。基于以上原则，出行时间可以作为交通方式选择的主要因素。乘客选择出行交通方式时，由该交通方式的旅行时间决定，即地铁站点对该种交通方式的聚集效应随着某种交通方式的旅行时间的增加而减小，符合聚集效应模型的应用场景。本发明引入廊道模型的聚集效应模型，通过计算得到不同交通方式对应的的地铁站点关联区域范围。

乘客出行时间受乘客的交通方式的影响，且乘客选择某种通勤工具的概率随通勤时间的增加而降低，即地铁站点对客流的聚集效应降低。固定的一种交通方式中，在到站时间t内，到站客流占全部客流的百分比为P(％)，此时该交通方式的客流所产生的梯度场效益为e＝1-P(％)。由于选择某种交通方式的客流在选择一种交通方式到达地铁站点时不可能直接到达进站口处，所以在建立模型时假设选择某种交通方式的客流处于离站点t₀时间以外，此时在t₀处该种交通方式所产生的客流的聚集效应为a＝100(％)，聚集效益模型的函数形式如公式所示：

式中根据现场调研数据可得到在时间t范围内，某种交通方式到达地铁换乘客流百分比。为计算客流吸引半径，本发明采用置信区间为80％时对应得到的时间作为某种交通方式合理的到站时间，t表示在站点合理关联区域的客流到达站点所需时间，t₀表示客流从最大聚集效应边缘到达站点所需的时间。

根据改进的聚集效应模型，可以得到某种交通方式对应的大多数客流所需时间t及客流到达站点附近产生的最大聚集效应处的t₀，两个时间分别对应着站点的间接关联区域范围及直接关联区域范围。已知t时，获取该交通方式的客流平均速度即可得到站点间接关联区域的范围；同理，改进的聚集效应模型中得到t₀后，只需获取站点附近乘客进展平均速度即可得到站点直接关联区域。

1.站外间接关联区域确定

地铁站点对乘客的间接关联区域范围d_ind可近似看做乘客的出行距离，出行距离的基本公式可表达为：

其中d_ind表示地铁站点对某种交通方式换乘客流的间接关联区域半径；t₁表示某种交通方式的出行时间；

为该交通方式乘客的平均速度；c表示非直线系数，是一个常数项，在《城市道路交通规划设计规范》有标明工程实践具体经验值范围。理想情况下，各种交通方式在早高峰期间的平均速度相对固定，但针对不同类型的站点，客流出行时间及站点非直线系数会存在一定差异性，在计算过程中应针对站点特征对出行时间及站点非直线系数重新计算。

交通方式平均行驶速度

反映了道路状况和路段服务水平，是《城市交通管理评价指标体系》中评价交通状况的直接指标。目前对于空间平均速度的测评尚未形成统一观点，本发明针对不同交通方式，根据文献资料总结出了各种不同交通方式所对应的空间平均速度。

非直线系数c以时间或费用为标准时，非直线系数代表从一节点到另一节点在路上所花费的时间或费用与两节点间空间直线距离所需花费的时间或费用之比，根据《城市道路交通规划设计规范》工程实践的路网及公交线路经验值，该值取值范围在1.15～1.4之间，在路网设计过程中通常遵循该取值范围。在针对不同的通勤方式中，可用OD间实际花费的时间t_real(或距离s_real)与直线距离花费的时间t_ideal(或距离s_ideal)之比来计算非直线系数。

对于某种交通方式而言，地铁站点的间接关联区域模型如下：

2.站外直接关联区域确定

站点直接关联区域指客流从最大聚集效应处到站点的安检口处所形成的区域，改进后的聚集效应模型可以得到不同交通方式所对应的乘客由最大聚集效应处到安检口所需的时间t₀。由于客流从站点最大聚集处到站点安检处的距离已经相对较近，不需要非直线系数再对距离进行修正，则此时计算站点的直接关联区域范围d_di为：

公式中t₂表示某种交通方式产生最大聚集效应处到地铁安检处还需要步行的时间，

表示乘客从最大聚集效应处到安检口处的平均行走速度。通过获取站点周边客流的平均速度

可以计算得到地铁站点的直接关联区域半径d_di，其计算公式如下：

(4)实例分析

基于聚集效应的地铁站外关联区域模型的实例验证部分，以北京地铁一号线八角游乐园地铁站为例。根据关联区域模型，计算不同交通方式对应的间接关联区域和直接关联区域。

(4.1)八角游乐园地铁站点间接关联区域确定

1.地铁站点对公交客流关联区域范围

(1)筛选公交线路

对于距离地铁站点有一定距离且步行无法直达站点的换乘客流而言，通常在早高峰期间为节省通勤时间会选择耗时较短的公交线路。北京市的地铁大多分布于城区，位处市郊的客流在早高峰时首先需乘坐公交才能完成之后乘坐地铁的通勤。

不同地理位置的地铁站点，分布的公交线路不同。本发明主要分析早高峰期间公交换乘地铁客流，所以对实际调研得到的换乘客流数据中，需要对公交线路进行筛选，将早高峰期间对地铁客流贡献度较低、影响较小的公交线路剔除。

通过早高峰期间途径地铁站点的公交线路实地调研，得到每条线路的到站频次以及下车换乘的客流量，利用箱型图筛选数据。箱形图原理在于通过计算样本中中位数、25％分位数、75％分位数、上边界及下边界等统计量生成箱型图，由于箱型图的箱体中包含大部分正常数据，可通过筛选箱体外的异常值达到筛选公交线路的目的。其上下边界的计算公式如下：

UpperLimit＝Q3+1.5IQR＝75％分位数+(75％分位数-25％分位数)*1.5。

LowerLimit＝Q1-1.5IQR＝25％分位数-(75％分位数-25％分位数)*1.5。

构建箱型图时，需把样本数据由小到大排序。箱型图中，50％分位数为位于序列中间位置的数据；75％分位数为位于序列四分之三位置处的数据；25％分位数为位于序列四分之一处的数据；IQR表示上下四分位差。

通过比较各箱形图异常值可看出样本数据的表现，既可以对组内数据进行纵向比较，又可以对不同组数据进行横向比较。公交客流数据预处理后，需重新计算每组25％至75％位置数据的中位数、平均值以及方差作为筛选公交线路的依据，计算结果如表2所示：

表2各线路数据

实际调研中早高峰期间574路及914路并未在八角游乐园地铁站驻站，所以在重新构建的数据中去掉574及914两条异常值，并依据数据表现将各条数据做升序或降序处理，处理结果如表3：

表3各条线路降序处理

以上三组数据，分别取置信区间为90％作为筛选公交线路的标准，同时符合平均数、中位数及方差要求的线路有325路、472路、527路、597路、598路及663路等六条公交线路。下面根据以上最六条线路的公交数据计算地铁站点对公交客流的关联区域范围。

(2)关联区域范围确定

Step1：确定模型参数

①参数a和t₀

确定八角游乐园地铁站对公交客流的辐射范围时，需对模型中参数进行标定。公交线路确定后需要收集不同线路公交到达八角游乐园地铁站的到站时间数据，见表4：

表4各线路行程时间对应百分比

将表4调研数据带入聚集效应模型，利用MATLAB对原始数据进行统计回归计算，经回归分析求解得到各条线路在模型中对应的回归参数见表5：

表5各线路对应模型参数

②公交平均行驶速度

在城市的不同区域通常公交行驶的平均速度不同，通常情况下中心城区的公交行驶平均速度会比城区外部区域低，但基本会维持在16～25km/h，通过调查统计及实地走访公家线路驾驶员可得到在八角游乐园地铁站驻站的该六条线路在早高峰期间平均行驶速度约为20km/h。

③非直线系数

非直线系数可通过公交线路首末站之间实际行驶距离与首末站点间空间直线距离之比来计算。对之前筛选出的六条公交线路进行实地调研，统计结果如表6所示：

表6各条公交线路对应距离

《城市道路交通规划设计规范》公交线路非直线系数取值范围为1.15～1.4，然而通过实地调研发现在八角游乐园地铁站驻站的公交线路的非直线系数普遍高于规范中要求的正常值。为提高模型精度，非直线系数选取实际调研的数据。

Step 2：模型求解

将P＝80％带入模型，计算地铁站点对公交乘客的吸引时间t，此时默认各条公交线路在早高峰期间的运行速度为20km/h。计算结果如下表7所示：

表7地铁站点对各条公交线路的吸引范围

计算公交车客流的关联区域时，由于公交线路途径地点的土地开发程度不可能完全相同，导致不同公交线路载客量出现差异，不能笼统计算所有线路的关联区域范围。得到每条公交线路对应的吸引范围后，需要将得到的结果进行加权以消除不同线路的载客量差异。本发明采用组合赋权法确定每条公交线路的权重。

组合赋权法包括乘法组合法和线性组合法两种，其中乘法组合法仅适于考核指标多且权重分配均匀的情况。而在本发明涉及的模型中，公交客流贡献度的指标只有两个即发车频次及下车换乘人数，所以采用线性组合法计算各条公交线路的权重即可，计算公式为：

ω_i＝δa_i+(1-δ)b_i

其中，δ为偏好系数且0≤δ≤1，a_i，b_i为考核指标的客观权重。偏好系数由Delphi法确定，客观权重由早高峰期间各条线路客流量占总客流量的比值确定。计算结果如下表8所示：

表8各条公交线路赋权

得到各条公交线路权重后，计算站点对公交换乘客流的关联区域范围如下表9所示：即八角游乐园地铁站对周边公交客流的间接关联区域为3.81千米。

表9加权计算站点关联区域范围

2.地铁站点对自行车客流关联区域范围

随着近年来绿色出行的倡导以及共享单车的出现，自行车为解决“最后一公里”问题再填新活力。自行车具有快捷方便的特点，为短距离行驶提供了可靠的换乘模式。自行车的行驶速度受体力、路况、天气情况等因素限制，研究数据表明^[48]，自行车在独立的非机动车道上行驶的平均车速为16.28km/h，在机非混合道路中行驶的平均车速为14.21km/h。自行车易受外界环境、乘客身体素质等因素的影响，一般自行车最大出行时间控制在20至30分钟以内。

Step1：确定模型参数

(1)参数a和t₀。确定八角游乐园地铁站对自行车客流的辐射范围时，需对模型中参数进行标定，问卷结果见表10：

表10自行车客流出行时间对应出行比例

利用MATLAB进行统计回归计算，经回归分析求解得到自行车客流在模型中对应的回归参数，其中a＝1.87，t₀＝7.02。

(2)自行车平均行驶速度。根据实地调研，八角游乐园地铁站附近1公里以内大多数道路都设置了分隔设施，而1公里以外区域设置分隔设施道路明显减少，而大多数选择自行车作为通勤工具的客流居住地址都在离站点一公里以外，所以在确定自行车平均行驶速度时，选择14.21km/h为自行车乘客的平均速度。

(3)非直线系数。将交通小区抽象为点，根据非直线系数定义可通过计算乘客通勤起点与终点的骑车距离与空间直线距离来计算。但实际调研中，自行车客流的出发地点较难获取。根据路网设计经验值，非直线系数取值范围在1.15～1.4之间，模型求解中选择临界值1.4作为自行车客流的非直线系数。

Step2：模型求解

本发明同样选择P＝80％时得到的时间作为地铁站点对自行车客流的合理吸引时间。将P＝80％带入模型计算参数t，此时默认自行车客流在早高峰期间的平均行驶速度为14.21km/h。计算结果如表11所示：

表11地铁站点对自行车客流的吸引范围

计算得到八角游乐园地铁站对自行车换乘客流的辐射范围如图3所示：即八角游乐园地铁站对周边公交客流吸引半径为3.13千米。

3.地铁站点对步行客流关联区域范围

在早高峰期间，步行客流总希望能在最短的时间经过最短的距离达到目标站点以达到缩短通勤时间的目的。通常情况下，步行客流在向目标位置移动时偏向于一个稳定速度值，该值被称为行人自由流速度或期望速度。若相邻区域无干扰存在，行人将以该速度完成早高峰的通勤。早高峰期间选择步行到达地铁站点的客流通常来源于地铁站点附近的住宅小区，在到达地铁站点之前，通常不会出现空间挤压情况，步行客流在到达地铁站点直接关联区域前可按照行人自由流速度通勤。

Step1：确定模型参数

(1)参数a和t₀。早高峰期间步行客流的问卷调查结果见表12：

表12步行客流出行时间对应比例

利用MATLAB进行非线性回归，回归分析求解得到自行车客流在模型中对应的参数，其中a＝1.81，t₀＝6.87。

(2)步行客流的自由流平均速度。根据实地调研，八角游乐园地铁站附近1～2公里内，有将近十处大型住宅小区。且小区附近公共设施配置齐全，无空间挤占现象，故选择1.39m/s作为步行客流的自由流平均速度。

(3)非直线系数。路网设计时遵循非直线系数取值范围在1.15～1.4之间，本发明选择临界值1.4作为步行客流的非直线系数。

Step2：模型求解

作为示例，本发明同样选择P＝80％时得到的时间作为地铁站点对步行客流的吸引时间。将P＝80％带入模型，计算地铁站点对步行客流的吸引时间t。计算结果如表13所示：

表13地铁站点对步行客流吸引范围

计算得到八角游乐园地铁站对自行车换乘客流的辐射范围即八角游乐园地铁站对周边步行客流吸引半径为1.11千米。

通过改进的聚集效应模型可以分别计算出不同交通方式的关联区域，结算结果显示，站点最大关联区域半径为3.81km，即八角游乐园地铁站的站外直接关联区域范围是以站点为圆心，以3.81km为半径的区域。

(4.2)八角游乐园地铁站点直接关联区域确定

地铁站点的直接关联区域是指，其他交通方式到达地铁站点附近再步行进入进站口所形成的区域。通过计算可以得到t_0bus＝7.28min，t_0bike＝7.02min，t_0walk＝6.87min。由于乘客选择的交通方式不同，各种交通方式形成的直接关联区域半径也不同，但由于各种交通方式最大聚集效应处都处于站点附近，且站点的站外直接关联区域的半径相较间接关联区域半径已经构成量级上的差异，所以计算站外直接关联区域时不必要区分几种交通方式分别对应的直接关联区域半径。为囊括所有客流，选择t₀最大的即可。经现场调研，由于八角游乐园B进站口处路况复杂，客流到达站点附近至安检处速度v_in＝0.25m/s。经计算，该站点的直接关联区域半径为d_di＝109.2米。

经现场测量，由八角游乐园B进站口处至公交车站的直线距离约为91.5米，到附近自行车停放点距离为105米，基本涵盖了所有交通方式集散地。

d_di的确定为计算关联区域客流估计的研究提供了前提条件，地铁站外关联区域的客流估计主要是指直接关联区域。得到直接关联区域范围后，可根据区域客流密度计算区域内客流最大阈值，区域内客流阈值的计算为地铁站外关联区域客流估计模型中的守恒方程提供了约束条件。

(4.3)八角游乐园站外关联区域确定

八角游乐园地铁站与相邻的古城地铁站及八宝山地铁站两个站点属于同一类站点，同类站点的站外关联区域相同。则八角游乐园地铁站与相邻两个车站的直接关联区域和间接关联区域范围相同，利用GIS展示三个站点的站外关联区域范围如图4所示。图中较小圆形区域代表站外直接关联区域，较大的圆形区域代表代表站外间接关联区域。

理论上讲，根据改进的聚集效应模型，每个站点的间接关联区域最大范围相互独立。但从图4中可以明显看出，相邻站点的站外间接关联区域有重叠区域，这部分区域主要涉及站点间客流竞争，在重叠区域的客流倾向于距离较近的地铁站点。为避免间接关联区域出现的重叠现象，引入泰森多边形分析方法确定重叠区域的划分。

泰森多边形分析法步骤如下：

Step1：根据改进的聚集效应模型确定站点关联区域范围；

Step2：结合泰森多边形分析方法，对重叠区域进行裁剪；

Step3：GIS结果展示。利用泰森多边形重新划分的站外关联区域如图5所示。

利用泰森多边形分析法对站外间接关联区域重新裁剪后，八角游乐园地铁站的间接关联区域如图5所示，此时相邻站点的关联区域不存在重叠现象，符合实际要求。

Claims (2)

1.一种基于聚集效应的地铁站外关联区域计算方法，站外关联区域是指以地铁站点为中心，以乘客从通勤起点到地铁站点之间的空间距离为半径形成的区域，其特征在于，该方法包括：

(1)获取地铁站外关联区域客流数据，并进行特征分析；

(2)对所述客流数据先进行归一化，再通过小波去噪进行预处理；

(3)根据预处理后的客流数据，建立基于聚集效应的站外关联区域模型

其中，t表示在站外关联区域的客流通过固定的交通方式到达站点所需时间，t₀表示客流通过所述固定的交通方式从最大聚集效应边缘到达站点所需的时间，P是到站客流占全部客流的百分比，a是客流在离站点t₀时间处所述固定的交通方式所产生的客流的聚集效应；

(4)所述站外关联区域包括站外间接关联区域和站外直接关联区域，根据上述基于聚集效应的站外关联区域模型，得到所述固定的交通方式对应的大多数客流所需时间t及客流到达站点附近产生的最大聚集效应处的时间t₀，两个时间分别确定站点的间接关联区域范围及直接关联区域范围；

(4.1)确定站外间接关联区域

地铁站点的间接关联区域模型如下：

其中d_ind表示地铁站点对某种交通方式换乘客流的间接关联区域半径；t₁表示某种交通方式的出行时间；

表示乘客的平均速度；c表示非直线系数；t_real表示OD间实际花费的时间，t_ideal表示OD间直线距离花费的时间；

(4.2)确定站外直接关联区域

d_di表示地铁站点的直接关联区域半径，

表示乘客从最大聚集效应处到安检口处的平均行走速度，t₂表示产生最大聚集效应处到地铁安检处还需要步行的时间。

2.如权利要求1所述的基于聚集效应的地铁站外关联区域计算方法，其特征在于，

相邻地铁站点的站外间接关联区域有重叠区域时，采用泰森多边形分析方法，对重叠区域进行裁剪。

Images