城市轨道交通车站高峰客流偏差研究*

2021-02-04余丽洁陈宽民马超群

城市轨道交通研究 2021年1期

余丽洁肖娜陈宽民马超群

（1.长安大学运输工程学院，710064，西安；2.中交第一公路勘察设计研究院有限公司，710075，西安∥第一作者，博士研究生）

城市轨道交通车站设计时，其通过能力应按该站预测远期高峰小时客流量或客流控制期高峰小时客流量乘以超高峰系数进行计算［1］。但在实际应用中发现，全线客流的高峰小时时段不一定是车站客流的高峰时段［2］。文献［3］通过对车站客流高峰时段的确定，得到了更准确的车站设计客流。文献［4］根据车站周边用地特征，得出了车站高峰偏差的时间建议取值和车站高峰客流的扩大系数。但由于目前这些研究只停留在影响因素方面，未深入进行车站高峰客流的定量分析，因此对确定合理车站设计客流的技术指导性不强。

本文通过实际案例，针对城市轨道交通车站高峰小时（以下简为“车站高峰”）时段与城市高峰小时（以下简为“城市高峰”）时段不一致的现象，对车站客流高峰偏差进行细化分析，得到描述高峰偏差的方法——车站高峰偏差系数（PDC），并确定影响车站高峰偏差的主要因素；最后利用最小二乘支持向量机（LSSVM）建立车站高峰偏差系数的计算模型，以期得到精确度较高的车站设计客流。

1 车站客流高峰偏差分析

高峰小时指由于城市地区通勤与通学等出行引起的出行数量明显高于其他时间的某个小时，一般分早、晚高峰小时。本文的城市高峰即指早、晚高峰。车站高峰指车站在一日内客流最集中的某一小时，车站高峰小时客流则指车站高峰小时内的进出站客流。对于市区线，服务对象主要是通勤、通学的乘客，客流多集中于城市高峰时段，故市区线上大多数车站的高峰小时与城市高峰趋近或重叠。但由于车站服务区域环境功能等的不同，部分车站高峰与城市高峰偏差较大。这种偏差不仅表现在高峰发生时段上，也体现在客流量级上。

以西安地铁为例，截至2018 年12 月底已开通3 条线路，共63 座车站。现利用西安地铁2018 年5月份中21 个工作日（5 月2 日为劳动节后第一个工作日，客流受节假日影响，故剔除）的AFC（自动售检票）数据对63 座车站进行高峰偏差分析。发现41%的车站其车站高峰与城市高峰相吻合；59%的车站其车站高峰与城市高峰产生不同程度的偏差，客流量偏差在1 ～1 246 人次不等，具体偏差结果见图1 和表1。无偏差车站在此不再赘述。

由表1 可知，车站偏差幅度主要集中在-15 min～30 min 区间。其中11 座车站其车站高峰早于早高峰15 min，这类车站多处于线路首末端，位于市郊区；车站服务区域主要是居住区，主导客流是上班、上学通勤客流。这类车站由于距离市中心较远，乘客出发时刻较早，故形成的车站高峰相应提前。相对城市高峰滞后的车站共25 座，其中17 座车站滞后15 min，7 座车站滞后30 min，滞后的车站多处于发展相对成熟的区域，周边用地相对复杂，有高密度的就业区、大型商业区、娱乐休闲区等，吸引的客流包括了旅游观光、商业购物客流，客流聚集时间较早高峰晚。

北客站比较特殊，其车站高峰是13:45—14:15，与城市高峰偏离较大。这是因为北客站是交通枢纽类车站，其客流时间分布主要受铁路动车发车时刻约束。

表1 西安市轨道交通车站高峰偏差幅度

图1 西安地铁车站高峰偏差量

2 车站高峰偏差系数

由前文分析可知，存在高峰偏差的车站其自身高峰时段的进出站客流量明显大于城市高峰时段的进出站客流量。城市轨道交通车站规模是基于预测的城市高峰时段的车站客流量设计，对于偏差车站，预测的车站设计客流量必然偏小，导致车站规模设计偏小［5］。因此，为了得到更精确的车站设计客流，必须对预测的城市高峰时段客流量进行扩大修正。本文引入一个扩大系数，将其称为车站高峰偏差系数。

车站高峰偏差系数旨在描述某车站在车站高峰时段客流量与城市高峰时段车站客流量之间的偏差程度，对存在偏差车站的城市高峰时段车站客流量进行扩大。因此，定义车站高峰偏差系数（PPDC）表达式如下：

式中：

ps——车站高峰小时进出站客流量；

pc——城市高峰小时车站进出站客流量。

当车站高峰与城市高峰时段重叠时，表明车站高峰未产生偏差，即ps＝pc，此时PPDC=1；当车站高峰偏离城市高峰时，该车站在车站高峰时段的进出站客流量必然大于城市高峰时段的进出站客流量，即ps＞pc，此时PPDC＞1。因此，PPDC≥1，且其值越接近于1，表示车站高峰客流与城市高峰车站客流越接近，偏差越小。反之，表示偏差越大。

3 车站高峰偏差影响因素

影响车站客流量的因素通常分为人口数量、周边建成环境、社会经济因素、城市轨道交通车站特征共4 类［6］。由于人口数量和社会经济因素主要影响的是客流量级，对车站高峰偏差影响较小，故着重分析城市轨道交通车站周边建成环境和车站特征对车站高峰偏差的影响。

3.1 车站周边建成环境

车站周边建成环境主要指周边土地开发强度和混合度。有关研究表明，土地利用混合度高的车站，其更能平衡居民不同时间段的出行需求，降低高峰期与平峰期的出行量差异［7］。对于周边土地类型比较单一的车站，其车站客流在时间分布上越不均衡，车站高峰与平峰差异越大。文献［8］在研究车站客流高峰偏差与用地的关系时，发现通勤用地占比和待开发用地占比对车站客流高峰偏差影响较大。因此，本文用车站800 m 范围内的通勤用地、待开发用地建筑面积占比来研究车站周边用地对车站高峰偏差的影响。

3.2 车站到市中心的距离

车站位置对高峰时段车站进、出站客流有显著影响，主要体现在吸引客流的性质和能力上。城市高峰客流的形成也是源于通勤客流，故这类车站其车站高峰偏差理应较小。但由于各车站到市中心的距离不同，站点周边乘客乘车时刻则会不同，造成各车站高峰时段存在差异，比如西安市二环外的车站早高峰可能在7:00，二环内的车站早高峰则可能在7:30。因此车站到市中心的距离也应考虑为影响车站高峰偏差的重要因素。

3.3 节点中心性

如果两站点步行吸引范围内土地利用条件相同，通常换乘站的客流量比普通站更高［9］。已有研究在分析普通站与换乘站之间的差别时，通常将两类站点设置为离散的虚拟变量［10］，这将忽略不同区位换乘站之间特征的差异。为衡量城市轨道交通网络各站点的区位及连接性，本研究借鉴图论中节点中心性的概念，用节点中心性替代“站点是否换乘站”这个虚拟变量［11］。计算方法如下：

式中：

Bi——车站的节点中心性；

ωst——从s 站到t 站的最短路径数；

ωsit——从s 站到t 站经过i 站的最短路径数。

4 高峰偏差模型建立

城市轨道交通进出站客流随机性较大、波动频繁且维数高，高峰偏差的形成比较复杂。高峰偏差系数变化具有动态性、非线性和不确定性等特征。本文选取解决有限样本、非线性、高维数等问题更具优势的LSSVM 建立模型预测高峰偏差系数。

LSSVM 是支持向量机（SVM）的一种改进，将支持向量机中的不等式约束改为等式约束，采用平方损失函数，把解二次规划问题转化为求解线性方程组问题，极大提高了求解问题的速度和收敛精度。一些学者已将此方法用于城市轨道交通节假日客流预测［12］。

本文采用参数相对较少、适应能力强的高斯核函数（RBF）作为LSSVM 的核函数：

式中：

σ——高斯核的带宽，与节点中心性符号相同

将车站周边800 m 范围内通勤用地和待开发用地建筑面积比例、车站到市中心的距离和车站节点中心性这4 个因素作为预测因子，以车站高峰偏差系数为预测值，进行建模回归。

5 实例分析

5.1 数据获取

本文研究的数据集包括：①2018 年5 月21 个工作日的各车站全日进出站客流数据，由西安市地铁运营公司提供；②车站周边800 m 范围内通勤用地、待开发用地建筑面积；③各车站到市中心的距离。利用西安市土地利用详细规划图得到不同用地类型的面积，结合百度高清卫星地图，采用MATLAB 图像识别技术获取了车站周边不同用地类型的建筑面积以及各车站到市中心（钟楼）的距离，最后计算各用地类型的分布比例。

5.2 数据处理

车站用地类型比例取值范围为［0，1］区间，无需标准化，车站到市中心的距离及节点中心性采用极差标准法将其归一化处理。其后随机选取47 座车站数据作为训练集，剩余16 座车站数据作为测试集进行建模。

5.3 预测结果

通过软件MATLAB2016a 中的LSSVM1.8 包实现试验中的LSSVM 模型。训练得出待标定参数γ为7.21，σ2为2.64，调整拟合优度R2为0.71。作为对比，基于SPSS 软件采用线性模型对同样的47 座车站进行线性拟合，对剩余16 座车站样本进行回归预测，得到其调整R2为0.285。对比说明LSSVM 模型拟合效果优于线性模型的（见图2 和表2）。