为准确把握城市轨道交通客流生成规律,本文从客流成长性视角探究城市轨道交通站点客流与站点周边建成环境之间的交互关系。以上海市城市轨道交通为研究案例,通过人口及就业密度、土地利用、路网密度、出入口数量、介中心性等13个因子刻...为准确把握城市轨道交通客流生成规律,本文从客流成长性视角探究城市轨道交通站点客流与站点周边建成环境之间的交互关系。以上海市城市轨道交通为研究案例,通过人口及就业密度、土地利用、路网密度、出入口数量、介中心性等13个因子刻画建成环境,基于上海市地铁刷卡数据、人口及经济普查、兴趣点(Point of Interest,POI)、道路网络等多源异构数据,分别构建建成环境对轨道交通客流影响的普通最小二乘法(Ordinary Least Square,OLS)模型与极限梯度提升(eXtreme Gradient Boosting,XGBoost)模型进行量化实证分析。结果表明,基于机器学习算法的XGBoost模型比OLS模型具有更好的模型表现。从影响贡献度来看,轨道交通站点建成初期,地铁站点出入口数量(21.9%),常住人口密度(15.9%),路网密度(9.8%)是影响城市轨道交通站点客流的最重要建成环境因素。建成近期,商业设施用地(16.5%)、容积率(11.1%)和就业密度(8.5%)等用地类建成环境变量成为提升城市轨道交通站点客流的关键。建成远期,城市轨道交通站点客流水平取决于出入口数量(18.9%)、商业设施用地开发(16.6%)与换乘线路数量(7.7%)等用地和交通之间的结合水平。研究结果证实了轨道交通客流与站点周边建成环境之间的成长性特征关系及各阶段显著影响客流的建成环境变量,为因时制宜制定城市轨道交通站城一体化开发策略提供了参考。展开更多
文摘为准确把握城市轨道交通客流生成规律,本文从客流成长性视角探究城市轨道交通站点客流与站点周边建成环境之间的交互关系。以上海市城市轨道交通为研究案例,通过人口及就业密度、土地利用、路网密度、出入口数量、介中心性等13个因子刻画建成环境,基于上海市地铁刷卡数据、人口及经济普查、兴趣点(Point of Interest,POI)、道路网络等多源异构数据,分别构建建成环境对轨道交通客流影响的普通最小二乘法(Ordinary Least Square,OLS)模型与极限梯度提升(eXtreme Gradient Boosting,XGBoost)模型进行量化实证分析。结果表明,基于机器学习算法的XGBoost模型比OLS模型具有更好的模型表现。从影响贡献度来看,轨道交通站点建成初期,地铁站点出入口数量(21.9%),常住人口密度(15.9%),路网密度(9.8%)是影响城市轨道交通站点客流的最重要建成环境因素。建成近期,商业设施用地(16.5%)、容积率(11.1%)和就业密度(8.5%)等用地类建成环境变量成为提升城市轨道交通站点客流的关键。建成远期,城市轨道交通站点客流水平取决于出入口数量(18.9%)、商业设施用地开发(16.6%)与换乘线路数量(7.7%)等用地和交通之间的结合水平。研究结果证实了轨道交通客流与站点周边建成环境之间的成长性特征关系及各阶段显著影响客流的建成环境变量,为因时制宜制定城市轨道交通站城一体化开发策略提供了参考。
