建成環(huán)境非線性作用下汽車客運(yùn)站最高聚集人數(shù)模型

唐秋生，許 浩

(重慶交通大學(xué) 交通運(yùn)輸學(xué)院， 重慶 400074)

0 引言

伴隨著我國(guó)城鎮(zhèn)化進(jìn)度加快和國(guó)民經(jīng)濟(jì)水平提升，汽車客運(yùn)站在設(shè)計(jì)初期因缺乏歷史客流數(shù)據(jù)、最高聚集人數(shù)測(cè)算方法泛化能力低等因素所導(dǎo)致的場(chǎng)站資源浪費(fèi)問題日益嚴(yán)重。為此，探求汽車客運(yùn)站最高聚集人數(shù)在現(xiàn)狀城市空間數(shù)據(jù)下的作用機(jī)理以完成人數(shù)測(cè)算尤為重要。傳統(tǒng)汽車客運(yùn)站最高聚集人數(shù)測(cè)算主要有3種方法：① 聚集系數(shù)法：根據(jù)最大月均乘車人數(shù)統(tǒng)計(jì)值和聚集系數(shù)計(jì)算；② 單向列車次數(shù)法：根據(jù)單方向發(fā)車次數(shù)和不平衡系數(shù)計(jì)算；③ 概率法：根據(jù)車站行車計(jì)劃表，假設(shè)旅客服從某一分布到達(dá)場(chǎng)站進(jìn)行人數(shù)仿真[1]。之后，眾多學(xué)者針對(duì)概率法進(jìn)行改進(jìn)，完成對(duì)最高聚集人數(shù)的近似估計(jì)。姚加林等[2]認(rèn)為因列車的出發(fā)方向不同，在概率法基礎(chǔ)上計(jì)算的聚集人數(shù)存在統(tǒng)計(jì)學(xué)差異；狄智瑋等[3]認(rèn)為旅客聚集規(guī)律受旅客出行目的、出行方式等個(gè)人因素影響較大；李兆豐等[4]建立了多特征融合的客流預(yù)測(cè)模型，其中不僅包括旅客個(gè)人特征，還包含天氣、日期等環(huán)境特征。至此，眾多學(xué)者展開了基于環(huán)境特征對(duì)場(chǎng)站聚集人數(shù)的研究。崔敘等[5]以站域范圍的興趣點(diǎn)、周邊房?jī)r(jià)、路網(wǎng)密度等數(shù)據(jù)構(gòu)建旅客流量預(yù)測(cè)模型；姚加林等[6]引入城市交通環(huán)境可靠性相關(guān)指標(biāo)，結(jié)合概率法探求其對(duì)場(chǎng)站最高聚集人數(shù)的影響機(jī)理。

參考國(guó)內(nèi)外針對(duì)環(huán)境特征展開的研究，Chen等[7]在考慮空間異質(zhì)性的基礎(chǔ)上提取建成環(huán)境指標(biāo)，探求針對(duì)多式聯(lián)運(yùn)出行方式的影響機(jī)理； Ding等[8]構(gòu)建以建成環(huán)境數(shù)據(jù)為基礎(chǔ)的交通通勤行為預(yù)測(cè)模型，以此解釋空間異質(zhì)性對(duì)交通行為的非線性作用；Ramezani等[9]從建成環(huán)境角度綜合研究了一系列交通行為，包括活動(dòng)空間、小汽車保有量、出行行為等；Hasnine等[10]將建成環(huán)境指標(biāo)與區(qū)域氣象指標(biāo)相結(jié)合，構(gòu)建網(wǎng)約車需求預(yù)測(cè)模型；Tu等[11]選取成都市為分析單元，探求旅客出行方式劃分與建成環(huán)境間的作用機(jī)制。

綜上，最高聚集人數(shù)測(cè)算研究從立足于場(chǎng)站自身數(shù)據(jù)(行車時(shí)刻表、車位配比等)分析逐漸轉(zhuǎn)向多源數(shù)據(jù)特征提取預(yù)測(cè)。利用建成環(huán)境差異性分析交通行為獲得了較好的反饋[12-13]，而最高聚集人數(shù)是旅客交通行為的派生變量，故本研究從空間異質(zhì)性角度考慮最高聚集人數(shù)受建成環(huán)境變化的非線性作用機(jī)理。

1 研究數(shù)據(jù)描述

1.1 研究范圍

基于重慶市現(xiàn)有交通運(yùn)輸樞紐場(chǎng)站總量，結(jié)合實(shí)際運(yùn)營(yíng)情況，選取其中具備基本場(chǎng)站功能區(qū)且發(fā)班正常的汽車客運(yùn)站作為研究對(duì)象。共得到143個(gè)有效樣本，包括一級(jí)汽車客運(yùn)站7處、二級(jí)汽車客運(yùn)站30處、三級(jí)汽車客運(yùn)站12處、四五級(jí)汽車客運(yùn)站94處。區(qū)位涵蓋重慶市主城都市圈、渝東南、渝東北城鎮(zhèn)群共29個(gè)行政區(qū)縣(圖1)。

圖1 樣本數(shù)據(jù)區(qū)位分布示意圖

建立于空間角度的建成環(huán)境數(shù)據(jù)分析應(yīng)注意尺度效應(yīng)與區(qū)劃效應(yīng)[14]?？紤]到所有樣本數(shù)據(jù)點(diǎn)均分布在重慶市各區(qū)縣，故以重慶市行政區(qū)劃作為基本分析單元。為保證建成環(huán)境指標(biāo)對(duì)樣本關(guān)聯(lián)性，同時(shí)考慮各樣本數(shù)據(jù)附近建成環(huán)境測(cè)度的異質(zhì)性，參考相關(guān)建成環(huán)境劃分研究成果，因汽車客運(yùn)站多為區(qū)域性交通服務(wù)設(shè)施，最終選取場(chǎng)站為圓心、半徑1 000 m形成的圓形緩沖區(qū)作為基本分析尺度。

1.2 數(shù)據(jù)獲取

各樣本的最高聚集人數(shù)來自重慶市各區(qū)縣綜合交通“十四五”發(fā)展規(guī)劃中場(chǎng)站設(shè)施部分和地方交通局工作簡(jiǎn)報(bào)，具體報(bào)告由重慶市國(guó)際投資咨詢集團(tuán)有限公司提供。汽車客運(yùn)站經(jīng)緯度坐標(biāo)由百度地圖開放平臺(tái)API接口爬取。建成環(huán)境數(shù)據(jù)包含至市中心距離、土地利用混合度、交叉口數(shù)量、路網(wǎng)密度、道路服務(wù)水平、公交站密度、地鐵站密度、鄰近CBD距離、發(fā)車位配比9類表征變量。其中，地理信息類數(shù)據(jù)均由Python程序通過百度API接口進(jìn)行爬取，交通信息類數(shù)據(jù)由開源地圖網(wǎng)站OSM截取，重慶市域范圍路網(wǎng)數(shù)據(jù)通過ARCGIS軟件緩沖區(qū)分析得出。

1.3 建成環(huán)境變量描述性統(tǒng)計(jì)

最高聚集人數(shù)受建成環(huán)境影響主要體現(xiàn)在可達(dá)性、公共交通支撐、路網(wǎng)復(fù)雜度、環(huán)境多樣性。通過計(jì)算市中心的距離、鄰近CBD距離表征建成環(huán)境的可達(dá)性影響，由各樣本點(diǎn)經(jīng)緯度坐標(biāo)和爬取的鄰近CBD經(jīng)緯度坐標(biāo)以及重慶市中心(選取重慶解放碑)經(jīng)緯度坐標(biāo)計(jì)算歐氏距離得到。公共交通環(huán)境的數(shù)據(jù)表征使用Python程序，借助百度地圖開放平臺(tái)計(jì)量各汽車客運(yùn)站緩沖區(qū)內(nèi)公交站、地鐵站數(shù)量得出。路網(wǎng)復(fù)雜度包括交叉口數(shù)量、路網(wǎng)密度、道路服務(wù)水平，均由ArcGIS緩沖區(qū)工具生成數(shù)據(jù)采集范圍，再利用分析工具獲取。環(huán)境多樣性主要由緩沖區(qū)內(nèi)土地利用混合程度表征，統(tǒng)計(jì)緩沖區(qū)范圍內(nèi)工業(yè)、商業(yè)、政府、醫(yī)院、公園、學(xué)校6類POI數(shù)量，完成土地利用熵指數(shù)[15]計(jì)算，見式(1)。

(1)

式中：pij為緩沖區(qū)j內(nèi)第i種設(shè)施所占的比例；Nj為緩沖區(qū)j內(nèi)包含的POI種類計(jì)數(shù)。

綜合上述9個(gè)建成環(huán)境指標(biāo)，構(gòu)建各汽車客運(yùn)站建成環(huán)境測(cè)度模型。建成環(huán)境變量描述性統(tǒng)計(jì)見表1。

表1 建成環(huán)境變量描述性統(tǒng)計(jì)

2 模型構(gòu)建

最高聚集人數(shù)與建成環(huán)境之間的具體作用方式受交通出行人心理、年齡結(jié)構(gòu)等因素影響，呈現(xiàn)非線性關(guān)系，傳統(tǒng)的統(tǒng)計(jì)學(xué)模型難以捕捉各變量對(duì)因變量的影響程度。梯度提升決策樹(GBDT)模型是一種基于集成學(xué)習(xí)的決策樹算法，通過對(duì)殘差的不斷擬合學(xué)習(xí)逐漸提高預(yù)測(cè)精度。該模型在交通行為預(yù)測(cè)領(lǐng)域應(yīng)用較為廣泛。最高聚集人數(shù)是交通行為的派生變量，本文中嘗試構(gòu)建GBDT模型研究建成環(huán)境作用于最高聚集人數(shù)的非線性關(guān)系。為保證模型有效性，需對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行空間自相關(guān)分析和多重共線性檢測(cè)。

2.1 空間自相關(guān)分析

地理信息領(lǐng)域常用莫蘭指數(shù)(Moran’sI)表達(dá)變量在空間上的相關(guān)關(guān)系[16]。本文中進(jìn)行假設(shè)檢驗(yàn)，提出零假設(shè)：備選變量在空間上不存在顯著相關(guān)關(guān)系；備擇假設(shè)：備選變量在空間存在顯著相關(guān)關(guān)系。通過ArcGIS空間相關(guān)性工具進(jìn)行計(jì)算，計(jì)算結(jié)果見表2?？梢园l(fā)現(xiàn)，最高聚集人數(shù)在空間自相關(guān)分析中的p值小于0.05，拒絕零假設(shè)，說明存在顯著關(guān)系；前8個(gè)變量通過p檢驗(yàn)，說明在空間尺度下均存在統(tǒng)計(jì)學(xué)意義，但作為第9個(gè)變量的發(fā)車位配比p值為0.138，未通過檢驗(yàn)，考慮其莫蘭指數(shù)為0.51，值較高，故暫時(shí)保留該變量，進(jìn)一步分析變量間的線性相關(guān)性。

表2 莫蘭指數(shù)分析

2.2 共線性分析

構(gòu)建模型的因變量為最高聚集人數(shù)，自變量為9個(gè)建成環(huán)境指標(biāo)。為避免因變量間的共線關(guān)系影響模型預(yù)測(cè)精度，對(duì)變量數(shù)據(jù)集進(jìn)行多重共線性檢測(cè)。通過Matlab軟件內(nèi)置的Corr函數(shù)，對(duì)變量?jī)蓛蛇M(jìn)行Pearson相關(guān)性分析，結(jié)果見表3。表3內(nèi)數(shù)據(jù)結(jié)構(gòu)為(R,P)?？梢园l(fā)現(xiàn)，交叉口數(shù)量與路網(wǎng)密度之間存在強(qiáng)相關(guān)關(guān)系且通過顯著水平檢驗(yàn)?？紤]到交叉口與路網(wǎng)結(jié)構(gòu)的依存關(guān)系和空間自相關(guān)分析結(jié)果，選擇保留該變量；發(fā)車位配比分別與4個(gè)變量存在顯著相關(guān)關(guān)系，同時(shí)考慮空間自相關(guān)分析結(jié)果，認(rèn)為發(fā)車位配比不僅在空間上不存在統(tǒng)計(jì)學(xué)意義，還嚴(yán)重影響其余變量的正常表征，故剔除發(fā)車位配比變量；其余變量間均通過Pearson相關(guān)性檢驗(yàn)，表明無顯著相關(guān)關(guān)系，故保留變量x1～x8。

表3 變量共線性檢驗(yàn)結(jié)果

2.3 梯度提升決策樹模型

GBDT模型的核心思想是回歸樹的迭代學(xué)習(xí)，不同于分類樹，其計(jì)算值以累加的形式呈現(xiàn)，故對(duì)損失函數(shù)L(yi,η)，yi為第i個(gè)樣本最高聚集人數(shù)值與預(yù)測(cè)估計(jì)值的差，η為使得損失函數(shù)最小的參數(shù)，即有：

(2)

利用負(fù)梯度下降(梯度提升)的方式不斷擬合損失函數(shù)，直到達(dá)到預(yù)測(cè)精度或最大迭代步數(shù)完成學(xué)習(xí)，最終得到：

(3)

梯度提升決策樹模型的具體學(xué)習(xí)步驟如下：

步驟1損失函數(shù)參數(shù)估計(jì)：初始化最高聚集人數(shù)計(jì)算模型F0(x)，各回歸樹參照初始常數(shù)值設(shè)置進(jìn)行損失函數(shù)參數(shù)η估算，有：

(4)

步驟2梯度計(jì)算：計(jì)算損失函數(shù)L(yi,η)，并求偏導(dǎo)計(jì)算梯度：

(5)

其中：rim為負(fù)梯度，m為迭代次數(shù)，F(xiàn)(xi)為估計(jì)函數(shù)。

步驟3回歸樹參數(shù)估計(jì)：利用回歸樹hm(x,βj)對(duì)殘差進(jìn)行擬合求解，使得殘差最小的回歸樹參數(shù)βm有：

(6)

其中：βm為第m次迭代時(shí)回歸樹參數(shù)；hm(x,βm)為第m次迭代時(shí)回歸樹的估計(jì)結(jié)果；N為樣本數(shù)。

步驟4回歸樹權(quán)重估計(jì)：迭代到目前步驟，已完成損失函數(shù)、回歸樹參數(shù)估計(jì)，還需估計(jì)回歸樹權(quán)重系數(shù)。繼續(xù)使用損失函數(shù)對(duì)回歸樹權(quán)重進(jìn)行估計(jì)，有：

(7)

步驟5更新模型：

Fm(x)=Fm-1(x)+γmhm(x,βm)

(8)

步驟6判斷精度或步數(shù)：針對(duì)當(dāng)前迭代結(jié)果進(jìn)行精度檢驗(yàn)，若達(dá)到預(yù)設(shè)精度則輸出最終模型；或檢查迭代步數(shù)是否達(dá)到最大步數(shù)，若達(dá)到則輸出模型；否則，返回步驟2繼續(xù)迭代。

對(duì)于決策樹類模型，因其集成學(xué)習(xí)的特殊性，可由所有基學(xué)習(xí)器(即子決策樹)計(jì)算分析各個(gè)變量對(duì)因變量的影響程度：

(9)

(10)

針對(duì)上述GBDT模型，借助Python程序“sk-learn”包中“ensemble”模塊進(jìn)行求解，構(gòu)建綜合考慮建成環(huán)境影響的最高聚集人數(shù)計(jì)算模型。在建模學(xué)習(xí)過程中，需要對(duì)模型的超參數(shù)進(jìn)行設(shè)置，模型學(xué)習(xí)率與學(xué)習(xí)步長(zhǎng)通常情況下具有耦合關(guān)系，需協(xié)同調(diào)整。當(dāng)學(xué)習(xí)率較大時(shí)，需要更長(zhǎng)的迭代次數(shù)以防止過擬合；反之，當(dāng)學(xué)習(xí)率較小時(shí)，需要較小的迭代次數(shù)增強(qiáng)模型的泛化能力。采用五折交叉驗(yàn)證法進(jìn)行模型檢驗(yàn)[12]。考慮研究樣本數(shù)據(jù)量為143，屬于偏小，故學(xué)習(xí)率和迭代步長(zhǎng)不宜過小。為防止過擬合現(xiàn)象，設(shè)置學(xué)習(xí)率值為0.91，迭代步長(zhǎng)為30；為表征所有指標(biāo)對(duì)因變量產(chǎn)生的影響程度，并體現(xiàn)與OLS模型的區(qū)別，將單顆回歸樹深度結(jié)構(gòu)控制為5，所含特征數(shù)即指標(biāo)數(shù)量為8；原始樣本中各指標(biāo)數(shù)據(jù)由“爬蟲”技術(shù)爬取，存在一定誤差，故樣本噪聲處理系數(shù)值取0.7進(jìn)行降噪處理。

3 模型結(jié)果分析

3.1 全局分析

通常使用檢驗(yàn)集擬合優(yōu)度R2來檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)情況。為體現(xiàn)GBDT模型在建成環(huán)境非線性作用影響下的預(yù)測(cè)精度，采用傳統(tǒng)線性回歸(OLS)和隨機(jī)森林模型(RF)進(jìn)行對(duì)比論證，具體結(jié)果見表4。RF模型的訓(xùn)練超參數(shù)設(shè)置與GBDT模型超參設(shè)置在最大程度上保持一致，設(shè)置迭代步長(zhǎng)為30，單顆決策樹深度限制為5，單顆決策樹最大特征樹取值為8，其余決策樹葉子數(shù)量和初始數(shù)生成方法等參數(shù)均使用缺省值。

表4 模型預(yù)測(cè)精度分析結(jié)果

經(jīng)過對(duì)比分析發(fā)現(xiàn)，GBDT模型在訓(xùn)練集和測(cè)試集2個(gè)維度上均優(yōu)于RF模型和OLS模型。在GBDT與RF模型之間，因GBDT模型的基學(xué)習(xí)器由回歸樹組成，而RF模型由分類樹和回歸樹共同組成，故對(duì)于純數(shù)值變化類型的樣本數(shù)據(jù)集，GBDT模型更能有效捕捉自變量對(duì)因變量的影響程度；在GBDT與OLS模型的擬合優(yōu)度對(duì)比方面，說明最高聚集人數(shù)與建成環(huán)境指標(biāo)間的作用方式傾向于非線性影響。模型適用性方面，通過GBDT模型和RF模型的訓(xùn)練集表現(xiàn)可發(fā)現(xiàn)，2種模型均能較好地表征樣本數(shù)據(jù)內(nèi)部作用關(guān)系。模型泛化能力方面，針對(duì)最高聚集人數(shù)方面的研究中，變量屬性多為純數(shù)值變量，故GBDT模型的基學(xué)習(xí)器回歸樹更為占優(yōu)，而RF模型的基學(xué)習(xí)器為分類樹，更適合在指標(biāo)為邏輯變量和數(shù)值變量混合時(shí)使用。在泛化能力方面，GBDT模型在最高聚集人數(shù)測(cè)算方面表現(xiàn)較好。

從模型的顯著水平來看，所有變量均與最高聚集人數(shù)存在顯著相關(guān)關(guān)系。根據(jù)變量重要程度指標(biāo)分析，影響最高聚集人數(shù)的最重要指標(biāo)是土地利用混合度，貢獻(xiàn)程度為23%；其次是公交站密度和至市中心距離，貢獻(xiàn)程度分別為20%、17%，除地鐵站密度(4%)之外，其余變量貢獻(xiàn)程度在7%～12%范圍浮動(dòng)。不難看出，土地利用混合度表征建成環(huán)境的多樣性，即表明該區(qū)域的綜合發(fā)展程度，故出行人在選擇汽車客運(yùn)站時(shí)，傾向于選擇周邊環(huán)境便利、發(fā)展程度高的汽車客運(yùn)站。公交站密度與地鐵站密度表征該建成環(huán)境的交通設(shè)施服務(wù)水平，研究結(jié)果表明周邊交通配套設(shè)施的齊全程度對(duì)最高聚集人數(shù)有主要影響。

3.2 單變量分析

采用控制變量法，取所有變量樣本數(shù)據(jù)均值為基礎(chǔ)數(shù)據(jù)，以上、下限為界獨(dú)立分析各變量與最高聚集人數(shù)的作用機(jī)制。

建成環(huán)境可達(dá)性指標(biāo)對(duì)最高聚集人數(shù)的影響見圖2。

圖2 建成環(huán)境可達(dá)性指標(biāo)對(duì)最高聚集人數(shù)的影響

最高聚集人數(shù)隨著至市中心距離的增大而逐漸減少，可理解為至市中心遠(yuǎn)的區(qū)域?yàn)榻伎h，其出行量必然小于主城都市區(qū)。其中，距離為12 km時(shí)達(dá)到最大值1 473人，之后隨距離增加而逐漸降低；在37～183 km區(qū)間內(nèi)趨勢(shì)平穩(wěn)，人數(shù)穩(wěn)定在900左右；在210～310 km區(qū)間，人數(shù)穩(wěn)定在550左右。出現(xiàn)2個(gè)平臺(tái)的原因可能是城市聚集效應(yīng)影響導(dǎo)致閾值效應(yīng)明顯，城區(qū)范圍內(nèi)的汽車客運(yùn)站受距離影響較大，而近郊和遠(yuǎn)郊的汽車客運(yùn)站因距離過大受影響較輕。與鄰近CBD距離整體呈負(fù)相關(guān)，距離越大，最高聚集人數(shù)越低。

建成環(huán)境多樣性對(duì)最高聚集人數(shù)的影響見圖3。土地利用混合度峰值作用明顯，在混合度為0.385時(shí)取得最大值1 504，小于該值時(shí)呈上升趨勢(shì)，大于該值時(shí)呈下降趨勢(shì)，最終趨于穩(wěn)定。在土地利用混合度低時(shí)，說明區(qū)域基礎(chǔ)設(shè)施建設(shè)不完全，無法為出行人提供便利；在混合度較高時(shí)，區(qū)域發(fā)展水平高可能導(dǎo)致區(qū)域結(jié)構(gòu)復(fù)雜，同樣不利于出行。

圖3 建成環(huán)境多樣性對(duì)最高聚集人數(shù)的影響

建成環(huán)境路網(wǎng)復(fù)雜度對(duì)最高聚集人數(shù)的影響見圖4。交叉口數(shù)量在0～20區(qū)間走勢(shì)平穩(wěn)；從20開始最高聚集人數(shù)陡增至1 350，此后呈下降趨勢(shì)。路網(wǎng)密度變化趨勢(shì)相同，在1～1.7區(qū)間最高聚集人數(shù)上升至1 200，呈現(xiàn)U型關(guān)系。道路服務(wù)水平閾值作用明顯，在密度值為5.04時(shí)轉(zhuǎn)折聚集人數(shù)由900下降至230并趨于穩(wěn)定。交叉口數(shù)量、路網(wǎng)密度和道路服務(wù)水平均表征建成環(huán)境路網(wǎng)復(fù)雜度，其值過小說明該區(qū)域交通組織存在局限，其值過大說明該區(qū)域復(fù)雜程度高，易增加出行人的心理負(fù)擔(dān)，進(jìn)而影響最高聚集人數(shù)。

圖4 建成環(huán)境路網(wǎng)復(fù)雜度對(duì)最高聚集人數(shù)的影響

建成環(huán)境公交支撐度對(duì)最高聚集人數(shù)的影響見圖5。公交站密度與最高聚集人數(shù)之間整體呈正相關(guān)，在0.859～15.8區(qū)間人數(shù)逐漸上升。地鐵站密度與聚集人數(shù)存在明顯閾值效應(yīng)，當(dāng)密度值為0.366時(shí)，最高聚集人數(shù)為948；當(dāng)密度值為0.844時(shí)，最高聚集人數(shù)為1 541。公交站布設(shè)難度小，布設(shè)站點(diǎn)廣，能基本表明該區(qū)域的公共交通支撐度，密度值高說明該區(qū)域公交便捷，利于換乘；而地鐵站密度受軌道線路布設(shè)影響大，樣本數(shù)據(jù)周圍至多存在3座地鐵站，大部分為0座，故考慮是樣本數(shù)據(jù)結(jié)構(gòu)問題導(dǎo)致閾值效應(yīng)。

圖5 建成環(huán)境公交支撐度對(duì)最高聚集人數(shù)的影響

4 結(jié)論

1) 最高聚集人數(shù)的變化趨勢(shì)在空間信息上存在顯著相關(guān)，且與建成環(huán)境指標(biāo)有密切關(guān)聯(lián)。土地利用混合度貢獻(xiàn)程度最高，為23%；接下來是公交站密度，貢獻(xiàn)20%和至市中心距離，貢獻(xiàn)17%。這表明在新建或改建汽車客運(yùn)站時(shí)，可結(jié)合區(qū)域控制性規(guī)劃著重考慮以上3個(gè)因素進(jìn)行聚集人數(shù)的合理測(cè)算。

2) 在各變量的局部分析中，變量對(duì)最高聚集人數(shù)的非線性作用明顯，并有效詮釋了不同測(cè)度下對(duì)聚集人數(shù)影響的差異。其中，表征建成環(huán)境可達(dá)性的市中心距離和鄰近CBD距離均呈現(xiàn)負(fù)相關(guān)趨勢(shì)；建成環(huán)境多樣性的土地利用混合度峰值效應(yīng)明顯，于0.385時(shí)取得最大值；建成環(huán)境路網(wǎng)復(fù)雜度中的交叉口密度指標(biāo)隨著數(shù)值變化逐步增大，于23.7時(shí)取得最大值，隨后逐步減少。此外，路網(wǎng)密度和道路服務(wù)水平均呈現(xiàn)U型關(guān)系，故建議規(guī)劃時(shí)將取值控制在適宜區(qū)間；建成環(huán)境公交支撐度中的公交站密度呈正相關(guān)，地鐵站密度閾值效應(yīng)明顯，故建議在汽車客運(yùn)站建設(shè)時(shí)控制地鐵站密度。