基于EM 算法與Gauss 混合模型的地鐵站點(diǎn)類型分析

韓 荔，李 想，曾險(xiǎn)峰

（1. 廣州鐵路職業(yè)技術(shù)學(xué)院，廣州 510430；2. 西南交通大學(xué)交通運(yùn)輸與物流學(xué)院，成都 610031）

1 研究背景

地鐵是城市客流主要的承載工具，是調(diào)節(jié)交通結(jié)構(gòu)、緩解擁堵的重要手段。地鐵站點(diǎn)承載著不同區(qū)域的各種社會(huì)經(jīng)濟(jì)活動(dòng)，根據(jù)區(qū)域條件、交通功能、周邊土地規(guī)劃性質(zhì)被劃分為不同類型[1]。準(zhǔn)確分析站點(diǎn)類別，掌握不同類站點(diǎn)的客流特征，有助于管理者及時(shí)調(diào)整與優(yōu)化線網(wǎng)運(yùn)營狀態(tài)，為站點(diǎn)周邊土地開發(fā)提供條件，增強(qiáng)站點(diǎn)吸引力，對(duì)城市以公共交通為導(dǎo)向的開發(fā)(TOD)模式等交通規(guī)劃的推進(jìn)有著重要作用。

交通大數(shù)據(jù)能夠有效分析交通特征，可用于交通特征識(shí)別中的諸多問題，如研究旅行行為、旅行鏈重建和轉(zhuǎn)移檢測、目的地推斷和OD(原點(diǎn)/目的地)矩陣、聚類分析等[2]。相比傳統(tǒng)調(diào)查方法，交通大數(shù)據(jù)具有動(dòng)態(tài)性強(qiáng)、覆蓋范圍廣等諸多優(yōu)勢。在城市軌道交通領(lǐng)域，AFC 數(shù)據(jù)能有效記錄乘客出行信息，可用于分析城市活動(dòng)強(qiáng)度與時(shí)間分布[3]、不同城市區(qū)域的時(shí)空特征[4]，以及地鐵站點(diǎn)周邊土地利用類別對(duì)地鐵出行需求的影響[5]。

作為站點(diǎn)分類的主要考慮因素之一，客流特征受到廣泛研究。Mahrsi 等[6]根據(jù)法國Rennes 地區(qū)站點(diǎn)進(jìn)站客流分布，通過聚類方法將站點(diǎn)分為14 類，并分析了站點(diǎn)出行用戶的流動(dòng)性。Anne-sarah 等[7]提出了一種兩層Gauss 混合模型，利用自動(dòng)售檢票(AFC)數(shù)據(jù)重新劃分不同客流類型，以協(xié)助政府調(diào)整運(yùn)營服務(wù)。站點(diǎn)特征、交通銜接特征等諸多因素也被用于站點(diǎn)分類。傅搏峰等[8]在站點(diǎn)交通功能與場所特征的基礎(chǔ)上，考慮土地利用性質(zhì)與景觀優(yōu)勢度，對(duì)郊區(qū)軌道交通站點(diǎn)進(jìn)行類別劃分。金磊等[9]總結(jié)了國內(nèi)外地鐵車站分類的既有方法，并結(jié)合交通重要性與所處城市區(qū)位進(jìn)行再分類。

然而，上述方法多基于實(shí)踐經(jīng)驗(yàn)，隨著客流特征與城市環(huán)境的不斷復(fù)雜化，難以滿足實(shí)際需求，因此多種聚類算法被應(yīng)用。陳艷艷等[10]根據(jù)北京市不同站點(diǎn)客流特征，提出利用K-means 聚類進(jìn)行站點(diǎn)分類，并對(duì)比站點(diǎn)周邊的用地性質(zhì)。李向楠[11]根據(jù)11 種不同站點(diǎn)的自身特點(diǎn)和環(huán)境特征，利用主成分分析與K-means 聚類算法，將站點(diǎn)分為5 類。余麗潔等[12]利用快速聚類法及多種譜聚類法，分別對(duì)西安地鐵2 號(hào)線站點(diǎn)進(jìn)行分類，最終發(fā)現(xiàn)NJW 算法能準(zhǔn)確反映識(shí)別。李子浩等[13]通過對(duì)工作日與假日的客流規(guī)律進(jìn)行聚類，將工作日站點(diǎn)分為職住交錯(cuò)偏居住型、辦公區(qū)域、職住交錯(cuò)偏辦公型，周末分為居住區(qū)域、商業(yè)中心和交通樞紐型、辦公區(qū)域，提出車站客流風(fēng)險(xiǎn)的分析方法。

上述研究通過分析客流等諸多特征，實(shí)現(xiàn)了對(duì)站點(diǎn)的分類。然而現(xiàn)有研究中，多數(shù)僅考慮站點(diǎn)客流特征，或者僅根據(jù)站點(diǎn)周圍用地性質(zhì)差異，尚未對(duì)站點(diǎn)全部特征進(jìn)行定量分析。此外，現(xiàn)有研究多通過用地類型來定性確定分類數(shù)量，分類過程較為主觀，削弱了研究的科學(xué)性。

基于此，筆者利用成都市多個(gè)工作日地鐵AFC 數(shù)據(jù)，充分挖掘站點(diǎn)客流曲線的形態(tài)特征及客流的時(shí)間分布特征，然后采用EM 算法與Gauss 混合模型，根據(jù)站點(diǎn)客流特征，對(duì)成都市156 個(gè)地鐵站點(diǎn)進(jìn)行聚類研究，最后根據(jù)分類結(jié)果，分析不同站點(diǎn)客流特征與土地利用性質(zhì)的關(guān)聯(lián)。下面通過關(guān)聯(lián)對(duì)比交通空間行為和實(shí)體空間特征，從管理者的角度提供對(duì)城市空間進(jìn)行研究的新思路，分析城市功能的實(shí)際空間分布結(jié)構(gòu)，為地鐵運(yùn)營管理及組織優(yōu)化提供依據(jù)，引導(dǎo)地鐵TOD 模式良好發(fā)展，為城市交通發(fā)展規(guī)劃提供依據(jù)，促進(jìn)實(shí)現(xiàn)城市結(jié)構(gòu)的“職住平衡”。

2 算法描述

根據(jù)EM 算法與Gauss 混合模型，對(duì)地鐵客流時(shí)序分布特征進(jìn)行分析，并通過迭代計(jì)算誤差平方和判斷聚類數(shù)量，從而實(shí)現(xiàn)站點(diǎn)聚類。

2.1 Gauss 混合模型

Gauss混合模型(Gaussian mixture model)將目標(biāo)曲線分解為k 個(gè)Gauss 概率密度函數(shù)，通過量化各模型參數(shù)以分析研究目標(biāo)。由于不同站點(diǎn)的客流時(shí)序曲線存在差異化分布特性，其多樣性導(dǎo)致單種函數(shù)無法直接對(duì)其進(jìn)行量化。對(duì)此，將不同站點(diǎn)客流時(shí)序曲線作為目標(biāo)曲線，利用Gauss 混合模型進(jìn)行分析，其公式如下：

2.2 EM 算法使用

期望最大化算法通過估計(jì)觀測數(shù)據(jù)與缺失數(shù)據(jù)值，迭代找尋目標(biāo)的局部最優(yōu)值。由于Gauss 混合模型均需要標(biāo)定三類參數(shù)法直接確定，利用EM 算法，通過多次迭代實(shí)現(xiàn)參數(shù)標(biāo)定，判斷客流特征屬于不同類別的概率。

n 個(gè)觀測樣本y=(y1，y2，…，yn)的極大化模型分布的對(duì)數(shù)似然函數(shù)如下：

式中：θ 為模型參數(shù)；z=(z1，z2，…，zm)是每個(gè)樣本的隱含數(shù)據(jù)，zi即屬于第i 個(gè)Gauss 概率密度函數(shù)的概率；Gauss 聚類數(shù)量m 由誤差平方和確定。

根據(jù)Jensen 不等式，Qi(zi)是引入的分布，滿足

最終，計(jì)算不同聚類數(shù)量下站點(diǎn)聚類結(jié)果的誤差平方和，并綜合考慮聚類數(shù)量與誤差值，選擇最合適的聚類數(shù)量，實(shí)現(xiàn)地鐵站點(diǎn)聚類分析。

2.3 聚類變量選取

變量選取是影響聚類結(jié)果的重要因素，為準(zhǔn)確描述地鐵客流特征，針對(duì)成都市156 個(gè)地鐵站點(diǎn)，根據(jù)地鐵客流形態(tài)與結(jié)構(gòu)，提取地鐵客流極大值點(diǎn)數(shù)量、偏度、峰度、時(shí)間分布等10 類特征，進(jìn)行站點(diǎn)聚類分析。

1) 極值點(diǎn)數(shù)量。各站點(diǎn)客流波峰數(shù)量可視為區(qū)分站點(diǎn)的標(biāo)志之一，可通過地鐵站點(diǎn)不同時(shí)刻的客流分布曲線得到。

2) 偏度。地鐵站點(diǎn)存在早晚高峰，且分布不均勻，偏度是描述分布偏斜方向和程度的度量，能描述這種客流分布的差異。其中，偏度大于0 表示右偏，小于0 為左偏。

3) 峰度。不同站點(diǎn)的客流高峰存在差異，通勤客流較多的站點(diǎn)早晚高峰更為顯著。峰度是描述這種分布陡緩程度的統(tǒng)計(jì)量，大于0 表示分布陡峭，小于0表示分布平坦。

4) 客流時(shí)間分布特征。由于地鐵客流在全天不同時(shí)段上的分布具有差異性，利用高峰小時(shí)系數(shù)P 與客流時(shí)段分布均衡系數(shù)U 刻畫客流的時(shí)間分布特征，有

式中，Qi表示站點(diǎn)第i 小時(shí)的客流量，Qd表示站點(diǎn)全天的客流量，H 為站點(diǎn)全天的平均客流量。表1 為站點(diǎn)聚類變量樣例。

表1 站點(diǎn)聚類特征樣例 Table 1 Samples of station characteristics for clustering

3 數(shù)據(jù)采集

本次研究選取成都地鐵2019 年5 月共計(jì)21 個(gè)工作日、156 個(gè)站點(diǎn)的AFC 數(shù)據(jù)為研究對(duì)象，數(shù)據(jù)樣例如表2 所示，字段包括進(jìn)站刷卡時(shí)間、進(jìn)站站點(diǎn)、出站刷卡時(shí)間、出站站點(diǎn)。

表2 成都地鐵AFC 數(shù)據(jù)樣例 Table 2 Sample of AFC data of Chengdu railway

完成數(shù)據(jù)采集后，將刷卡信息按時(shí)間進(jìn)行匯總，獲取不同站點(diǎn)全日18 h 的客流量。同時(shí)，為減少因其他因素所導(dǎo)致的客流波動(dòng)，研究使用21 個(gè)工作日的平均客流量作為客流量數(shù)據(jù)值。最后，將不同點(diǎn)客流的極值點(diǎn)、偏度、峰度、客流時(shí)間特征、高峰小時(shí)系數(shù)等作為聚類的輸入變量。為使不同量綱的原始數(shù)據(jù)能夠具有可比性，利用Z-score 標(biāo)準(zhǔn)化對(duì)客流數(shù)據(jù)各列特征進(jìn)行處理，保證原始數(shù)據(jù)各特征列的均值為0，標(biāo)準(zhǔn)差為1。

4 結(jié)果分析

4.1 聚類參數(shù)標(biāo)定

肘部法則 (elbow method)是確定聚類數(shù)量的通用方法，通過計(jì)算不同聚類數(shù)量下的畸變程度(誤差平方和)，找尋最佳聚類數(shù)量。圖1 為根據(jù)聚類簇?cái)?shù)的誤差平方和分布，隨著聚類數(shù)量增多，分布曲線呈現(xiàn)快速下降，當(dāng)聚類數(shù)量為7 時(shí)，出現(xiàn)畸變程度臨界點(diǎn)，當(dāng)聚類數(shù)量大于7 時(shí)，聚類數(shù)量趨于穩(wěn)定。為保證聚類的有效性，聚類數(shù)量應(yīng)相對(duì)較低，因此本研究將156 個(gè)站點(diǎn)分為7 類。

圖1 誤差平方和隨聚類數(shù)量的變化 Figure 1 Sum of squares error as a function of the number of clusters

4.2 聚類結(jié)果分析

結(jié)合站點(diǎn)進(jìn)出客流量小時(shí)分布曲線特征，7 類聚類站點(diǎn)被定義如下：居住導(dǎo)向型、就業(yè)導(dǎo)向型、職住錯(cuò)位型、錯(cuò)位偏居住型、錯(cuò)位偏就業(yè)型、交通樞紐型、綜合型。不同類別的詳細(xì)分類結(jié)果如表3 所示，其中錯(cuò)位偏居住型、職住錯(cuò)位型、錯(cuò)位偏就業(yè)型三類站點(diǎn)的數(shù)量最多，說明成都市存在顯著的職住錯(cuò)位現(xiàn)象。

表3 EM 算法與Gauss 混合模型的聚類結(jié)果 Table 3 Result of EM algorithm and Gaussian mixture model

表4 為聚類結(jié)果的方差分析結(jié)果，其中F 值代表各變量的影響，重要程度依次為：出站高峰小時(shí)系數(shù)、進(jìn)站偏度、進(jìn)站高峰小時(shí)系數(shù)、出站偏度、出站峰度、進(jìn)站峰度、進(jìn)站客流時(shí)段分布均衡系數(shù)、出站分布均衡系數(shù)、進(jìn)站極大值個(gè)數(shù)、出站極大值個(gè)數(shù)。

表4 EM 算法與Gauss 混合結(jié)果模型的方差分析 Table 4 Variance analysis of EM algorithm and Gaussian mixture model results

4.2.1 居住導(dǎo)向型站點(diǎn)

圖2 為居住導(dǎo)向型站點(diǎn)的客流量時(shí)間分布曲線，各站點(diǎn)分布基本一致，具有顯著的單峰特征。進(jìn)站早高峰與出站晚高峰客流差異小，其中進(jìn)站高峰位于8:00—9:00，出站高峰位于19:00—19:30。

居住導(dǎo)向型站點(diǎn)客流分布不均衡程度大，不均衡系數(shù)、高峰小時(shí)系數(shù)均最高。以五根松站、華陽站為例，地鐵承載大部分在去往其他區(qū)域工作的客流，站點(diǎn)周邊土地性質(zhì)類型較單一，以居住屬性為主，包含部分教育、綠地與醫(yī)療用地，基本沒有辦公用地，工作屬性弱。

4.2.2 就業(yè)導(dǎo)向型站點(diǎn)

圖3 為就業(yè)導(dǎo)向型站點(diǎn)的客流量時(shí)間分布曲線，各站點(diǎn)分布較為相似，高峰特征明顯，其中進(jìn)站分別存在8:00—9:30、18:00—19:30 的早晚高峰，出站存在9:00 附近的早高峰。

就業(yè)導(dǎo)向型站點(diǎn)與居住導(dǎo)向型站點(diǎn)相似，客流不均衡系數(shù)、高峰小時(shí)系數(shù)大，但進(jìn)出站高分分布時(shí)段相反。以世紀(jì)城、天府三街為例，地鐵承載大部分在此工作的客流，站點(diǎn)周邊的工作屬性強(qiáng)，基本不具備居住性質(zhì)，包含大量的商業(yè)與工業(yè)用地，具有諸多辦公區(qū)域與大型商業(yè)廣場。

4.2.3 職住錯(cuò)位型站點(diǎn)

圖4 為職住錯(cuò)位型站點(diǎn)的客流量時(shí)間分布曲線，各站點(diǎn)分布較為相似，進(jìn)出站客流均具有明顯的早晚高峰，高峰流量較為接近。進(jìn)站高峰位于8:00—9:30、18:00— 19:30，出站高峰位于8:30—9:30、18:30—20:00，且各站點(diǎn)進(jìn)站高峰呈現(xiàn)小范圍波動(dòng)，出站高峰更集中。

以三里壩、倪家橋?yàn)槔氉″e(cuò)位型站點(diǎn)相比居住、就業(yè)型站點(diǎn)，用地性質(zhì)多樣、用地分布相對(duì)均勻，包括居住、商業(yè)、綠地、醫(yī)療、教育等諸多用地。然而，該類站點(diǎn)附近居民的工作地點(diǎn)不在此處，同時(shí)附近工作人群也未在站點(diǎn)周圍居住，職住分離顯著。

圖2 居住導(dǎo)向型站點(diǎn)的客流量時(shí)間分布曲線 Figure 2 Time distribution curve of passenger flow in living-oriented stations

圖3 就業(yè)導(dǎo)向型站點(diǎn)的客流量時(shí)間分布曲線 Figure 3 Time distribution curve of passenger flow in career-oriented stations

圖4 職住錯(cuò)位型站點(diǎn)的客流量時(shí)間分布曲線 Figure 4 Time distribution curve of passenger flow in living-employment dislocation stations

4.2.4 錯(cuò)位偏居住型站點(diǎn)

圖5 為錯(cuò)位偏居住型站點(diǎn)的客流量時(shí)間分布曲線，站點(diǎn)客流分布較為相似，有顯著的進(jìn)站客流早高峰、出站客流早晚高峰。進(jìn)站高峰位于 8:00—9:30、18:00—19:30，出站高峰位于 9:00、19:30附近。

錯(cuò)位偏居住型是所含站點(diǎn)最多的類型，包含49個(gè)地鐵站點(diǎn)，具有較大的客流分布非均衡系數(shù)與高峰小時(shí)系數(shù)。以一品天下、萬年場為例，該類站點(diǎn)與職住錯(cuò)位型站點(diǎn)類似，周圍用地性質(zhì)較多，分布較為均勻，居住用地顯著多于其他類型用地，造成進(jìn)站晚高峰不顯著，但仍存在一定的職住錯(cuò)位現(xiàn)象。

4.2.5 錯(cuò)位偏就業(yè)型站點(diǎn)

圖6 為錯(cuò)位偏就業(yè)型站點(diǎn)的客流量時(shí)間分布曲線，與錯(cuò)位偏居住型站點(diǎn)客流相反，進(jìn)站客流具有顯著的早晚高峰，出站客流的晚高峰較低。相比上述幾類站點(diǎn)，各站點(diǎn)客流分布相似度較低。進(jìn)站高峰位于8:00—9:00、18:00—20:00，時(shí)間跨度長，出站高峰更集中，分別位于9:00、19:00 附近。

錯(cuò)位偏就業(yè)型站點(diǎn)同樣具有較大的客流分布非均衡系數(shù)與高峰小時(shí)系數(shù)。以三瓦窯、市二醫(yī)院為例，地鐵承載較多到此地工作的乘客，形成出站早高峰與進(jìn)站晚高峰。與職住錯(cuò)位型、錯(cuò)位偏居住型站點(diǎn)類似，具有較為多樣的用地性質(zhì)，且各類用地分布均勻，同時(shí)商業(yè)用地、工業(yè)用地顯著多于其他類型，站點(diǎn)附近的工作性質(zhì)更加多樣化，存在職住錯(cuò)位現(xiàn)象。

圖5 錯(cuò)位偏居住型站點(diǎn)的客流量時(shí)間分布曲線 Figure 5 Time distribution curve of passenger flow in partial living dislocation stations

圖6 錯(cuò)位偏就業(yè)型站點(diǎn)的客流量時(shí)間分布曲線 Figure 6 Time distribution curve of passenger flow in partial employment dislocation stations

4.2.6 交通樞紐型站點(diǎn)

圖7 為交通樞紐型站點(diǎn)的客流量時(shí)間分布曲線，出站客流分布基本一致，進(jìn)站客流相似度較低，同時(shí)客流峰值偏低，沒有顯著的早晚高峰特征，進(jìn)出站客流分別在18:00、9:00 左右達(dá)到最大值。

交通樞紐型站點(diǎn)主要承載前往綜合交通樞紐的乘客，因此客流分布與樞紐運(yùn)輸班次顯著相關(guān)。相比綜合交通樞紐，該類站點(diǎn)附近的其他類型用地對(duì)客流作用不明顯，客流非均衡系數(shù)最低。

4.2.7 綜合型站點(diǎn)

圖8 為綜合型站點(diǎn)客流量分布時(shí)間曲線，相比其他站點(diǎn)，綜合型客流分布差異較大，存在多個(gè)時(shí)間分布不規(guī)律的峰值，客流具有隨機(jī)性。形態(tài)特征上，站點(diǎn)非均衡系數(shù)與高峰小時(shí)系數(shù)較低，客流分布較為均衡，客流量差異性較?。坏擃愓军c(diǎn)進(jìn)出站的極大值點(diǎn)最多，且偏度、峰度均值最小。以春熙路、寬窄巷子為例，這類站點(diǎn)周圍的用地性質(zhì)種類及分布最為均衡，醫(yī)療用地、綠地、商業(yè)用地及各種景點(diǎn)均較多。

圖7 交通樞紐型站點(diǎn)客流量時(shí)間分布曲線 Figure 7 Time distribution curve of passenger flow in transportation junction stations

圖8 綜合型站點(diǎn)客流量時(shí)間分布曲線 Figure 8 Time distribution curve of passenger flow in synthesis stations

4.3 站點(diǎn)空間分布

圖9 為不同類型地鐵站點(diǎn)的空間分布結(jié)果。居住導(dǎo)向型站點(diǎn)主要分布在成都南部與東部的近郊區(qū)域，屬于雙流區(qū)與成華區(qū)，位于成都市“東進(jìn)、南擴(kuò)”規(guī)劃發(fā)展的主要方向，城市建設(shè)迅速。就業(yè)導(dǎo)向型站點(diǎn)主要集中在以天府廣場、金融城為中心的市中心與武侯區(qū)核心，區(qū)域配套設(shè)施完善，是成都市最主要的工作區(qū)域。錯(cuò)位型站點(diǎn)整體數(shù)量最多，空間分布最為廣泛，大部分職住錯(cuò)位型站點(diǎn)位于2、3、4 號(hào)線的兩端，少部分位于7 號(hào)線的環(huán)線附近，這體現(xiàn)了成都以往的單中心發(fā)展模式，造成較為嚴(yán)重的職住分離，大規(guī)模周邊城區(qū)人口通勤出行距離較長。隨著多中心城市規(guī)劃目標(biāo)的提出，職住分離的狀況在后續(xù)將得到改善。錯(cuò)位偏居住型主要集中于成都地鐵7 號(hào)線環(huán)線的東西兩側(cè)，呈現(xiàn)典型的環(huán)狀結(jié)構(gòu)，分布密集，集中于市中心周圍；與錯(cuò)位偏就業(yè)型的占比相比，整體分布較為分散，位于二環(huán)與科學(xué)城附近，呈現(xiàn)中心偏南的分布，兩種類型展現(xiàn)了成都市整體向南發(fā)展的特征。交通樞紐型與綜合型客流受典型地標(biāo)、景區(qū)的影響顯著，諸如成都市各大醫(yī)院，成都東客站與成都北站、機(jī)場等交通樞紐，以及寬窄巷子等著名景區(qū)。其他用地影響相對(duì)較低，整體分布規(guī)律不明顯。

圖9 不同地鐵站點(diǎn)類型空間分布 Figure 9 Spatial distribution of different subway station types

5 結(jié)語

地鐵作為城市交通主動(dòng)脈，是調(diào)節(jié)交通結(jié)果的重要手段。準(zhǔn)確識(shí)別車站類型，分析客流出行規(guī)律，對(duì)調(diào)整與優(yōu)化線網(wǎng)運(yùn)營，掌握站點(diǎn)周邊土地開發(fā)，引導(dǎo)地鐵TOD 模式發(fā)展有著重要的作用，可有效促進(jìn)城市結(jié)構(gòu)的“職住平衡”，為城市交通發(fā)展與規(guī)劃提供支撐。筆者根據(jù)成都市21 個(gè)工作日地鐵AFC 數(shù)據(jù)，基于客流曲線的極值、偏度、峰度及客流時(shí)間分布特征，利用肘部法則確定最優(yōu)聚類數(shù)量，然后利用EM 算法與Gauss 混合模型，對(duì)成都市156 個(gè)地鐵站點(diǎn)進(jìn)行聚類分析，研究結(jié)果表明：

1) 為保證聚類合理性與有效性，誤差平方和與聚類數(shù)量均應(yīng)相對(duì)較低。本研究利用肘部法則，將成都市的156 個(gè)地鐵車站分為7 種不同類型，包括居住導(dǎo)向型、就業(yè)導(dǎo)向型、職住錯(cuò)位型、錯(cuò)位偏居住型、錯(cuò)位偏就業(yè)型、交通樞紐型、綜合型。

2) 本研究基于EM 算法與Gauss 混合模型分析客流特征，證實(shí)了客流時(shí)序曲線特征的分析方法，其中極值點(diǎn)、偏度、峰度、客流時(shí)間特征等能有效體現(xiàn)客流分布。

3) 從地鐵站點(diǎn)類型的空間分布上來看，城市中心城區(qū)的區(qū)域功能齊全，站點(diǎn)類型多樣；但城市外圍站點(diǎn)的車站類型較為單一，并且多數(shù)為錯(cuò)位型站點(diǎn)，需要進(jìn)一步優(yōu)化職住空間。

4) 本研究為數(shù)據(jù)驅(qū)動(dòng)城市規(guī)劃提供了良好的范例。通過分析地鐵客流數(shù)據(jù)，一方面直接把握居民出行的時(shí)空規(guī)律，為管理者快速、動(dòng)態(tài)把握與調(diào)整線網(wǎng)運(yùn)營提供依據(jù)，另一方面也側(cè)面反映了成都城市功能的空間分布結(jié)構(gòu)，為分析城市空間結(jié)構(gòu)及演變提供全新的視角。

后續(xù)研究將引入更多元的特征值，添加與交通設(shè)施更緊密相關(guān)的信息，如站點(diǎn)周邊土地利用性質(zhì)、人口崗位等社會(huì)經(jīng)濟(jì)信息，以便更全面地分析不同城市區(qū)域的地鐵站點(diǎn)差異，準(zhǔn)確獲取并對(duì)比城市區(qū)域板塊的功能。同時(shí)，將結(jié)合非工作日的客流數(shù)據(jù)，更全面地識(shí)別出地鐵站點(diǎn)的類型，分析地鐵客流與站點(diǎn)功能在工作日和非工作日的變化。