“轨道交通微中心”理念下的慢行影响区范围确定方法

doi:10.12141/j.issn.1000-565X.210651

华南理工大学学报(自然科学版) ›› 2022, Vol. 50 ›› Issue (7): 56-65.doi: 10.12141/j.issn.1000-565X.210651

“轨道交通微中心”理念下的慢行影响区范围确定方法

陈廷照¹ 陈艳艳^1† 王子理² 郭继孚³

^1.北京工业大学城市交通学院, 北京 100124
^2.济南市道路和桥隧服务中心, 山东济南 250101
^3.北京交通发展研究院, 北京 100161

收稿日期:2021-10-12 出版日期:2022-07-25 发布日期:2022-02-06
通信作者: 陈艳艳（1970-），女，教授，博士生导师，主要从事交通运输规划与管理及大数据挖掘研究。 E-mail:cdyan@bjut.edu.cn
作者简介:陈廷照（1993-），女，博士生，主要从事交通出行行为、大数据挖掘研究。E-mail：ctzlzhao@163.com
基金资助:
国家重点研发计划项目(2018YFB1600900)

Methods of Determining the Range of Non-motorized Travel Influence Area Under the Concept of “Metro Transit Micro-center”

CHEN Tingzhao¹ CHEN Yanyan¹ WANG Zili² GUO Jifu³

^1.College of Metropolitan Transportation，Beijing University of Technology，Beijing 100124，China
^2.Jinan Road，Bridge and Tunnel Service Center，Jinan 250101，Shandong，China
^3.Beijing Transport Institute，Beijing 100161，China

Received:2021-10-12 Online:2022-07-25 Published:2022-02-06
Contact: 陈艳艳（1970-），女，教授，博士生导师，主要从事交通运输规划与管理及大数据挖掘研究。 E-mail:cdyan@bjut.edu.cn
About author:陈廷照（1993-），女，博士生，主要从事交通出行行为、大数据挖掘研究。E-mail：ctzlzhao@163.com
Supported by:
the National Key Research and Development Program of China(2018YFB1600900)

摘要/Abstract

摘要：

为响应北京地铁站周边用地一体化、打造轨道微中心的理念，本研究利用多源大数据，从公共客流、路网设计、人口密度和用地多样性等方面提取了23个影响因素，定量地刻画站点慢行影响区内的建成环境及出行特征，其中重点考虑了共享单车的接驳特征。为了弥补以往以出行者的步行时间确定轨道站点影响范围的不足，提出了融合主成分分析和K-均值聚类的站点分类模型去划定慢行影响区的范围。以北京市为例，站点影响区被分为4簇：接驳低效-连通度弱-居住主导型，接驳高效-连通度高-均衡型，接驳高效-连通度弱-混合型，接驳高效-连通度高-工作主导型。为了验证聚类的合理性，利用空间自相关的方法判断簇内指标的空间依赖性，结果显示簇1、3、4的空间分布与随机模式没有显著的差异，而簇2接驳高效-连通度高-均衡型站点在空间上存在一定的自相关特性。最后，基于聚类结果定义了轨道站点的慢行影响范围，分别为2 000、1 600、1 600、1 700 m。不同轨道站点类型慢行影响范围的明确，有助于城市规划者确定轨道微中心的建设范围，也可为以公共交通为主导的城市模式开发奠定基础。

关键词: 轨道微中心, 影响因素, 主成分分析, K-均值聚类, 慢行影响区

Abstract:

In response to the concept of land-use integration and creating micro-center around metro station in Beijing, this study extracted 23 quantitative indicators from public passenger flow, road network design, population density and land diversity to quantitatively analyze the built environment and travel characteristics of the non-motorized influence area based on multi-source big data. The connection characteristics of shared bicycles were taken into particular consideration. In order to compensate for the shortcomings of determining the influence range of metro stations by the traveler’s walking time, a classification model incorporating principal component analysis and K-means clustering was proposed to define the non-motorized influence area. Taking Beijing as an example, the study divided the metro stations into 4 clusters: inefficient connection-weak connectivity-residence oriented, efficient connection-high connectivity-balanced, efficient connection-weak connectivity-mixed, and efficient connection-high connectivity-work oriented. In order to verify the rationality of the clustering, the spatial auto-correlation was used to judge the spatial dependence of indicators. The results show that the spatial distributions of clusters 1, 3 and 4 do not differ significantly from the random model, while cluster 2 efficient connection-high connectivity-balanced stations has auto-correlation characteristics in space. Finally, based on the clustering results, the non-motorized influence areas of the metro stations were delineated as 2 000, 1 600, 1 600, and 1 700 m, respectively. The clarification of the non-motorized influence range of different metro station types can help urban planners determine the scope of micro-center construction and also lay the foundation for transport-oriented development of urban in the future.

Key words: metro micro-center, influence factor, principal component analysis, K-means clustering, non-motorized travel influence area

中图分类号:

陈廷照, 陈艳艳, 王子理, 等. “轨道交通微中心”理念下的慢行影响区范围确定方法[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 56-65.

CHEN Tingzhao, CHEN Yanyan, WANG Zili, et al. Methods of Determining the Range of Non-motorized Travel Influence Area Under the Concept of “Metro Transit Micro-center”[J]. Journal of South China University of Technology(Natural Science Edition), 2022, 50(7): 56-65.

图/表 14

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

表1

表2

表3

表4

参考文献 26

1	REUSSER ‍D ‍E，‍ ‍P LOUKOPOULOS，‍ ‍STAUFFACHER M et al.Classifying railway stations for sustainable transitions-balancing node and place functions［J］．Journal of Transport Geography，2008 ，16（3）：191-202.
2	ZEMP S， STAUFFACHER M， LANG D J，et al ．Classifying railway stations for strategic transport and land use planning：context matters！［J］．Journal of Transport Geography，2011，19（4）：670-679.
3	VALE D S ．Transit-oriented development，integration of land use and transport，and pedestrian accessibility：Combining node-place model with pedestrian shed ratio to evaluate and classify station areas in Lisbon［J］．Journal of Transport Geography，2015，45：70-80.
4	ATKINSON-PALOMBO C， KUBY M J. The geography of advance transit-oriented development in metropolitan Phoenix，Arizona，2000-2007［J］．Journal of Transport Geography，2011，19（2）：189-199.
5	‍ ‍‍M AUSTIN，‍ ‍D BELZER，‍ ‍ ‍BENEDICT A，‍et ‍al. ‍ ‍Performance-based transit-oriented development typology guidebook［J］．Guidelines ，2010，9：1-5.
6	MA X， JI Y， YANG M，et al. Understanding bikeshare mode as a feeder to metro by isolating metro-bikeshare transfers from smart card data［J］．Transport Policy，2018，71：57-69.
7	LEE J， CHOI K， LEEM Y. Bicycle-based transit-oriented development as an alternative to overcome the criticisms of the conventional transit-oriented development［J］．International Journal of Sustainable Transportation，2015，10（6）：975-984.
8	LUAN X， CHENG L， SONG Y，et al. Better understanding the choice of travel mode by urban residents：new insights from the catchment areas of rail transit stations［J］．Sustainable Cities and Society，2020， 53： 1-36.
9	O'CONNOR D， CAULFIELD B. Level of service and the transit neighbourhood-observations from Dublin City and suburbs［J］．Research in Transportation Economics，2018，69（9）：59-67.
10	NEFF J. American public transportation association［J］．Public ‍Transit：‍Critical ‍Investments，‍Real ‍Benefits，2010，4（8）：206-207.
11	RIETVELD P. The accessibility of railway stations：the role of the bicycle in The Netherlands［J］．Transportation Research Part D Transport and Environment， 2000，5（1）：71-75.
12	LU M， HSU S C， CHEN P C，et al. Improving the sustainability of integrated transportation system with bike-sharing：a spatial agent-based approach［J］．Sustainable Cities and Society，2018，41：44-51.
13	GUO Y， HE S Y. Built environment effects on the integration of dockless bike-sharing and the metro［J］. Transportation Research Part D，2020，83：102335/1-15.
14	LIN D， ZHANG Y， ZHU R，et al. The analysis of catchment areas of metro stations using trajectory data generated by dockless shared bikes［J］．Sustainable Cities and Society，2019，49：1-36.
15	TAMAKLOE R， HONG J，TAK J. Determinants of transit-oriented development efficiency focusing on an integrated subway，bus and shared-bicycle system：application of Simar-Wilson's two-stage approach［J］．Cities，2021，108：102988/1-19.
16	ZHOU S， NI Y ZHANG X ．Effects of dockless bike on modal shift in metro commuting： a pilot study in Shanghai［C］ ∥ Proceedings of Transportation research board 97th annual meeting．Washington DC：Transportation Research Board，2018.
17	CHEN Y， YAO M， CAI Z. Research on the classification of urban rail transit stations-taking shanghai metro as an example［C］ ∥ Proceedings of 2018 15th International Conference on Service Systems and Service Management （ICSSSM）. Hangzhou：IEEE，2018.
18	YANG L， SONG X ．TOD Typology based on urban renewal：a classification of metro stations for Ningbo city ［J］．Urban Rail Transit，2021，7（3）：240-255.
19	EL-GENEIDY A， GRIMSRUD M， WASFI R，et al. New evidence on walking distances to transit stops：identifying redundancies and gaps using variable service areas［J］．Transportation，2014，41（1）：193-210.
20	WANG Z J， CHEN F， XU T K. Interchange between metro and other modes：access distance and catchment area［J］．Journal of Urban Planning & Development，2016，142（4）：04016012 /1-9.
21	龙瀛，周垠‍. 街道活力的量化评价及影响因素分析——以成都为例［J］．新建筑，2016（1）：1-6.
	LONG Ying， ZHOU Yin ．Quantitative evaluation on street vibrancy and its impact factors：a case study of Chengdu［J］．New Architecture，2016（1）：1-6.
22	BADAKHSHAN ‍FARAHABADi ‍F，‍ FATHI VAJARGAH K， FARNOOSH R ．Dimension reduction big data using recognition of data features based on copula function and principal component analysis［J］．Advances in Mathematical Physics，2021，2021：9967368/ 1-8.
23	BAGIROV A M. Modified global k-means algorithm for minimum sum-of-squares clustering problems［J］．Pattern Recognition，2008，41（10）：3192-3199.
24	LI M. The bi-criteria seeding algorithms for two variants of k-means problem［J］．Journal of Combinatorial Optimization，2020：10.1007/s10878-020-00537-9 .
25	LIU H， FANG C， ZHANG X，et al. The effect of natural and anthropogenic factors on haze pollution in Chinese cities：a spatial econometrics approach［J］．Journal of Cleaner Production，2017，165：323-333.
26	李娜. 基于空间计量模型的跨区公交通勤与土地利用研究［D］．北京：北京工业大学，2018.

编号	指标类型	指标	平均值	标准差	最小值	最大值
A1	客流指标	地铁登降量/人	41 865	27 017	4 608	152 249
A2		轨道站点早高峰系数进出比	2.345	3.012	0.068	15.337
A3		轨道站点晚高峰系数进出比	1.593	1.526	0.139	9.700
A4		公交登降量/人	15 244	12 646	0	105 403
A5		单车借还量/人	4 167	2 881	134	13 277
A6		轨道站点单车接驳量/人	907	637	53	2 735
A7		轨道站点单车接驳时间/s	586.565	99.128	412.813	1 182.493
A8		轨道站点单车接驳85分位距离/m	1 719.371	385.750	1 090.755	3 126.072
A9		轨道站点单车接驳早高峰系数进出比	1.059	0.366	0.325	3.147
A10		轨道站点单车接驳晚高峰系数进出比	1.046	0.355	0.363	3.296
B1	路网指标	轨道站点邻近距离/m	1 677	596	824	1 539
B2		公交站点邻近距离/m	251	61	32	260
B3		公交站点所经线路数量/条	51	30	4	47
B4		轨道路网度中心度	0.008 20	0.002 81	0.003 48	0.013 94
B5		轨道路网介数中心度	0.054 69	0.044 75	0.000 00	0.228 90
B6		轨道路网邻近中心度	0.074 33	0.013 30	0.035 23	0.097 52
B7		公交路网度中心度	0.002 66	0.001 55	0.000 34	0.007 43
B8		公交路网介数中心度	0.017 96	0.031 74	0.000 03	0.211 28
B9		公交路网邻近中心度	0.234 00	0.115 62	0.041 72	0.577 64
B10		路况等级	3.059	1.183	1.000	8.000
C1	人口指标	居住人口密度/（人·km^-2）	9 422	5 819	104	38 762
C2	人口指标	工作人口密度/（人·km^-2）	4 638	4 051	67	31 304
D1	用地多样性指标	功能混合度	1.568	0.265	0.003	1.977

主成分	方差贡献率/%	累计贡献率/%
1	36.96	36.96
2	12.89	49.85
3	8.79	58.64
4	7.17	65.81
5	5.01	70.82
6	4.66	75.48
7	3.96	79.44
8	3.33	82.77
9	2.82	85.59

类别	Moran’s I	Z得分	p值
簇1	0.100	1.680	0.093
簇2	0.064	2.718	0.007^***
簇3	0.027	0.931	0.352
簇4	0.033	1.383	0.167

类别	平均骑行接驳时间/s	平均骑行接驳85%分位距离/m	轨道站点慢行影响区范围/m
簇1	660	1 972	2 000
簇2	558	1 627	1 600
簇3	548	1 562	1 600
簇4	571	1 711	1 700

[1]	温惠英, 刘浩, 杜颖新, 等. 搭接相位信号交叉口非机动车过街行为分析[J]. 华南理工大学学报(自然科学版), 2023, 51(8): 1-11.
[2]	周璇, 王馨瑶, 闫军威, 等. 基于机器学习的建筑复杂用能系统运行状态异常检测[J]. 华南理工大学学报(自然科学版), 2022, 50(7): 144-154.
[3]	王延忠, 窦德龙, 张震, 等. 多锥构型摩擦副同步过程影响因素分析[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 58-66,83.
[4]	梁京章, 黄星舒, 吴丽娟, 等. 基于 KPCA 和改进 K- means 的电力负荷曲线聚类方法[J]. 华南理工大学学报（自然科学版）, 2020, 48(6): 143-150.
[5]	郭明军, 李伟光, 杨期江, 等. PCA 的幅值滤波特性及在转子特征提取中的应用[J]. 华南理工大学学报（自然科学版）, 2020, 48(5): 125-133.
[6]	郭明军, 李伟光, 杨期江, 等. 基于 SVD 原理的 PCA 特征频率提取算法及其应用[J]. 华南理工大学学报(自然科学版), 2020, 48(1): 1-9.
[7]	訚耀保, 梁俊哲, 原佳阳, 等. 气动伺服机构特性的影响因素分析 [J]. 华南理工大学学报（自然科学版）, 2019, 47(12): 17-24.
[8]	邹文杰王文静杨付正 . 参考中性表情的人脸表情识别[J]. 华南理工大学学报（自然科学版）, 2014, 42(5): 115-121.
[9]	高乃云朱延平谈超群肖雨亮隋铭皓. 热激活过硫酸盐氧化法降解敌草隆[J]. 华南理工大学学报（自然科学版）, 2013, 41(12): 36-42.
[10]	赖周艺夏琴香徐腾程秀全. 三边圆弧形横截面空心零件旋压成形应变网格实验[J]. 华南理工大学学报（自然科学版）, 2011, 39(8): 7-12.
[11]	杜健辉石永华王国荣黄国兴. 基于PCA_RVM的焊缝偏差识别[J]. 华南理工大学学报（自然科学版）, 2010, 38(12): 20-23.
[12]	钟元王慧南焦青张志强郑罡于海燕卢光明. 基于Granger因果检验和PCA的脑网络效应连接方法[J]. 华南理工大学学报（自然科学版）, 2010, 38(1): 76-80.
[13]	杨杰刘桂雄. 基于小波Elman神经网络的活塞环渗氮质量预测控制[J]. 华南理工大学学报（自然科学版）, 2009, 37(2): 45-48.
[14]	张肖宁李红杰首艳芳. 基于结构方程建模的道路景观评价[J]. 华南理工大学学报（自然科学版）, 2009, 37(11): 17-21.
[15]	林正春王知衍. 基于核主成分分析和子空间分类的边缘检测方法[J]. 华南理工大学学报（自然科学版）, 2009, 37(1): 59-63.

“轨道交通微中心”理念下的慢行影响区范围确定方法

Methods of Determining the Range of Non-motorized Travel Influence Area Under the Concept of “Metro Transit Micro-center”

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价