基于客流数据的上海轨道交通站点聚类分析.pdfVIP

人民公交总第206期

PEOPLESPUBLICTRANSPORTATION

基于客流数据的上海轨道交通站点聚类分析

██文/王凯█上海申电云数字科技有限公司

摘 要：随着城市规模的持续扩张以及人口的不断增长，城市交通拥堵问题日益严峻。轨道交通凭借

其大运量、高效率等优势，成为缓解城市交通压力的关键手段。本文以上海轨道交通全网站点为分析

对象，基于车站每小时进出站客流量为数据基础对站点进行聚类分析。首先，定量分析出针对上海轨

道交通最合适的站点聚类数。其次，通过K-Means聚类将上海轨道交通站点划分至5个类别。最后，从

客流量大小、客流趋势、地理位置等维度对聚类结果进行分析讨论，其研究成果可为车站运营组织方

案调整、车站客流预测等提供参考。

关键词：城市轨道交通；进出站客流；层次聚类；K-Means聚类

为满足日益增长的社会出行需求以及提高乘客的出不确定性影响。第二，目前研究中使用的乘客出行数据

行体验和满意度，城市轨道交通企业正利用数字化转型往往是一周至一个月的工作日数据，时间跨度较短，造

打造高效、便捷、舒适的智慧交通服务。客流分布及客成聚类效果不佳。因此，本文针对第一个问题，在进行

流量大小是轨道交通日常运营及整体布局设计时重点关K-Means聚类前结合手肘法原则及层次聚类选取出最为

注的指标之一，可以为车站运营组织、车站客流预测等合适的聚类数，从而减少主观因素。针对第二个问题，

提供数据支撑，对于加速轨道交通数字化转型及提供针本文选取了2023年1—7月工作日每个车站的进出站客流

[1]

对性指导建议有着重要作用。统计数据进行聚类研究，利用较长时间段的客流数据可

现有研究主要从乘客出行信息以及车站属性两个方以避免因特定因素带来的短期客流波动。

面展开对轨道交通站点进行聚类分析。于展利用早、晚

高峰进出站系数构建多重聚类模型，包含密度峰值聚类、1数据来源与异常值处理

DBSCAN、K-Means3种聚类方式，结合聚类结果以及1.1数据来源

[2]

空间区划对上海轨道交通站点高峰分布特征进行描述。本文数据集范围为上海市18条地铁线路、408个车

张开婷等基于乘客出行信息，提取出客流分布特征或乘站。数据来源为自动售检票系统获取的2023年1—7月工

客出行特征数据，利用主成分分析法对特征进行降维，作日中每个车站每5 min的进站与出站客流总数，为便于

最后利用K-Means聚类进行轨道交通站点的分类研究[3]。分析，将每天的数据统计时间统一为5:00—23:59。由于

黎庆等从车站用地因素、车站区位因素、客流因素3个维5 min颗粒度的进出站客流数据不稳定性较大，本文将使

度提取换乘站分类的影响因素并提出分类指标计算方法，用小时客流数据作为聚类分析的基础。

结合K-Means聚类对南京地铁展开实例分析[4]。李国强1.2异常值处理

等通过分析每个站点的兴趣点数据，对轨道交通站点的地铁在日常运营过程中，可能由于临时举办活动或

特征进行分类描述[5]。者各种偶发事件，而采取短时的运营调整措施，待故障

以上方法均在一定程度上对轨道交通站点进行了合恢复后再逐渐恢复正常的运营状态。在这个过程中，进

理分类，并且K-Means聚类得到了广泛应用。但仍存在出站客流有可能呈现陡降和激增的趋势，往往与日常情

两点不足：第一，相关研究通常容易忽视对于聚类数目形下的正常值有较大偏差，对于本文的日常车站聚类容

的选取，这对于后续的聚类类别及聚类效果有着直接的易造成负面影响，导致聚类效果不佳。由于每个车站的

1762025/14

百家