基于數(shù)據(jù)挖掘的地鐵車站熱濕特征抽取

杜書波， 李德奎， 楊峰， 李念程， 張鵬

(1. 同濟(jì)大學(xué)建筑與城市規(guī)劃學(xué)院， 上海 200092； 2. 聊城大學(xué)建筑工程學(xué)院， 聊城 252000； 3.聊城大學(xué)計(jì)算機(jī)學(xué)院， 聊城 252000； 4. 青島地鐵集團(tuán)有限公司， 青島 266021； 5. 西悉尼大學(xué)工程設(shè)計(jì)建成環(huán)境學(xué)院， 悉尼 NSW 2751， 澳大利亞)

2021年是中國(guó)“十四五”規(guī)劃的開局年，也被喻為“碳中和”元年[1]，隨著“30-60雙碳”目標(biāo)升級(jí)為國(guó)家戰(zhàn)略，各領(lǐng)域、各城市均提出了各自“碳達(dá)峰、碳中和”的時(shí)間表和路線圖，交通、建筑等重點(diǎn)領(lǐng)域的減排是目標(biāo)實(shí)現(xiàn)的關(guān)鍵[2]。軌道交通是城市可持續(xù)發(fā)展的重要推動(dòng)力，中國(guó)城市軌道交通近10年來得到了迅猛發(fā)展，僅在“十三五”期間累計(jì)新增運(yùn)營(yíng)線路長(zhǎng)度4 351.7 km[3]。截至2020年底，共有45個(gè)城市開通運(yùn)營(yíng)線路244條，線路總長(zhǎng)度7 969.7 km，投運(yùn)車站4 681座，其中換乘站472座[4]。城軌交通的投運(yùn)在緩解城市交通擁堵問題的同時(shí)，其交通線網(wǎng)的巨大能耗不容小覷。僅2020年，中國(guó)城軌交通總電能耗達(dá)172.4億kW·h，其中牽引能耗84億kW·h，牽引能耗占比48.72%[4]，與發(fā)達(dá)國(guó)家的牽引能耗占比70%以上差距明顯[5]。

因此如何降低非牽引能耗占比成為研究重點(diǎn)。劉志鵬[6]在對(duì)比南京3號(hào)線車站能耗數(shù)據(jù)中發(fā)現(xiàn)，地下車站的平均能耗遠(yuǎn)高于地上站能耗，且不同季節(jié)對(duì)地下站和地上站能耗比值影響巨大，冬季2月為1.5∶1，夏季8月為5.2∶1。江億院士在2016年城軌交通節(jié)能會(huì)議上指出：中國(guó)北方地區(qū)地鐵環(huán)控系統(tǒng)能耗占了車站總能耗的1/3，而南方地區(qū)則在50%左右，環(huán)控系統(tǒng)是地鐵車站主要能耗[7]。

目前，很多城市對(duì)地鐵站點(diǎn)的能耗是進(jìn)行定額計(jì)算的，如北京市出臺(tái)《城市軌道交通能源消耗評(píng)價(jià)方法》，明確提出車站能耗評(píng)價(jià)指標(biāo)[8]。在研究領(lǐng)域，劉爽等[9]以北京部分車站為例，對(duì)車站能耗的主要影響因素進(jìn)行了相關(guān)分析，發(fā)現(xiàn)主要影響因素的相關(guān)性排序?yàn)榻ㄖ娣e、敷設(shè)方式、出入口數(shù)量、線路條數(shù)及日客流量。馬江燕等[10]關(guān)于活塞風(fēng)與空調(diào)共同作用氣流耦合模型顯示，活塞風(fēng)對(duì)站點(diǎn)能耗起一定作用。陳超等[11]的研究發(fā)現(xiàn)，隨著地鐵埋深增加，風(fēng)井和通道的進(jìn)、排風(fēng)量均有所減少，地鐵能耗受外界影響減小。同時(shí)研究顯示各城市所處氣候區(qū)的不同地鐵站能耗也呈現(xiàn)顯著差異[12]。

現(xiàn)利用地鐵日?qǐng)?bào)數(shù)據(jù)，通過整理和清洗，提取出城市軌道交通常規(guī)指標(biāo)數(shù)據(jù)和內(nèi)外環(huán)境兩大類數(shù)據(jù)，以軌道交通兩條地下線路為對(duì)象展開研究。

對(duì)運(yùn)營(yíng)期各階段的車站類型尤其對(duì)車站物理特征進(jìn)行科學(xué)的識(shí)別和定位，可為城軌交通的線網(wǎng)規(guī)劃、客流預(yù)測(cè)、車站內(nèi)建成環(huán)境、車站運(yùn)營(yíng)管理及能效提升起到重要的指導(dǎo)作用，也為實(shí)現(xiàn)提高熱舒適度和低成本運(yùn)營(yíng)提供技術(shù)支撐。

1 數(shù)據(jù)與變量選擇

1.1 研究區(qū)域

選取寒冷地區(qū)某大型城市地鐵Line A、B兩條線路43座車站中38座有效數(shù)據(jù)車站(含兩個(gè)換乘站)為研究對(duì)象，其中Line A有18座車站，Line B有22座車站。Line A、B兩條線路從線路長(zhǎng)度、車站數(shù)量、最高時(shí)速、開通時(shí)間基本相近(表1)，有較好的對(duì)比研究?jī)r(jià)值。

表1 城軌交通線路基本情況Table 1 Basic conditions of urban rail transit lines

1.2 基礎(chǔ)數(shù)據(jù)

本研究地理信息數(shù)據(jù)采用百度地圖爬取，溫濕度數(shù)據(jù)來源為軌交公司非疫情年運(yùn)營(yíng)日?qǐng)?bào)報(bào)表整理。數(shù)據(jù)內(nèi)容包括：各車站公共區(qū)域溫濕度數(shù)據(jù)、室外溫濕度、客流、能耗等數(shù)據(jù)。溫濕度數(shù)據(jù)來自站內(nèi)傳感器記錄的日均數(shù)據(jù)，通過運(yùn)營(yíng)日?qǐng)?bào)數(shù)據(jù)清洗、整理，得到Line A、B全年每日各車站進(jìn)出站客流，站內(nèi)外溫濕度，線路運(yùn)營(yíng)能耗等相關(guān)數(shù)據(jù)。

從圖1看，Line B客流量整體略高于Line A，客流在五一、十一假期，出現(xiàn)兩次客流高峰，單日最高客流出現(xiàn)在十一假期，近50萬(wàn)人次/d；春節(jié)和臺(tái)風(fēng)日出現(xiàn)客流的低點(diǎn)，大年初一客流最低，不足5萬(wàn)人次/d；在非節(jié)假日，客流呈周末低、工作日高的波動(dòng)特點(diǎn)，客流維持在20萬(wàn)人次/d，同時(shí)因該城市為季節(jié)性旅游城市，夏季7—9月客流量有小幅增加，夏季維持在25萬(wàn)人次/d左右。

因?yàn)長(zhǎng)ine A、B建設(shè)中未設(shè)置能耗分項(xiàng)計(jì)量，能耗數(shù)據(jù)僅按線路整體計(jì)量。地鐵日?qǐng)?bào)中包括線路牽引能耗、線損、動(dòng)力照明、運(yùn)營(yíng)總能耗等數(shù)據(jù)?？煽闯鰻恳芎腖ine B牽引能耗總體大于Line A，其中重要原因是Line B日客流量大于Line A。非牽引能耗在空調(diào)季出現(xiàn)明顯增幅，并在8月初出現(xiàn)峰值，原因是空調(diào)通風(fēng)工況調(diào)整和當(dāng)?shù)貧夂蛱攸c(diǎn)影響，從圖2可看出，牽引能耗受季節(jié)影響變化不大，但非牽引能耗在空調(diào)季增幅巨大。

圖1 Line A、B年客流量變化圖Fig.1 Line A, B annual passenger flow change

圖2 Line A、B牽引能耗占比Fig.2 Proportion of traction energy consumption of Line A, B

在對(duì)A、B兩線路牽引能耗占比分析中發(fā)現(xiàn)，Line A的全年?duì)恳芎恼急葹?0.7%，Line B為37.2%(含線損，占總能耗比0.5%左右)；在空調(diào)季，Line A、B牽引能耗占比下降為34.1%和30.2%(含線損)(圖2)。牽引能耗占比明顯低于北京、上海等城市55%左右[4]，與發(fā)達(dá)國(guó)家70%差距巨大，因此非牽引能效有較大提升空間。

2 數(shù)據(jù)挖掘方法

數(shù)據(jù)挖掘是一種決策支持過程，是從大量數(shù)據(jù)中揭示出隱含的、先前未知的并具有潛在價(jià)值信息的過程。算法主要包含分類、預(yù)測(cè)、聚類、關(guān)聯(lián)分析等四種類型。本研究主要利用聚類和方差分析兩種方法。

Deng等[13]將聚類分析方法用于中國(guó)辦公建筑氣候區(qū)劃，并對(duì)K-means、Agglomerative Hierarchical Clustering兩種聚類方法進(jìn)行了比較。Wang等[14]利用空間聚類研究了土地覆蓋類型對(duì)地表溫度(land surface temperature, LST)的影響。在軌道交通方向，利用K-means算法處理AFC(automatic fare collection system)數(shù)據(jù)、用地分類數(shù)據(jù)、POI(point of information)爬取數(shù)據(jù)等多源數(shù)據(jù)分析數(shù)據(jù)客流特征。夏雪等[15]、徐威等[16]對(duì)沈陽(yáng)和蘇州軌交數(shù)據(jù)應(yīng)用次方法進(jìn)行聚類分析，將車站均劃分為了：居住型、商業(yè)商務(wù)型等5種類型。袁發(fā)濤等[17]利用重慶一天的AFC進(jìn)出站數(shù)據(jù)，對(duì)進(jìn)出站數(shù)據(jù)分別聚類，聚類出進(jìn)站和出站各6個(gè)類別，客流數(shù)據(jù)較好地刻畫了商務(wù)娛樂、住宅密集區(qū)域、工作密集區(qū)；杜翠麗等[18]利用SOM(self organizing maps)神經(jīng)網(wǎng)絡(luò)和模糊分類算法對(duì)北京AFC數(shù)據(jù)多指標(biāo)數(shù)據(jù)進(jìn)行分類。趙源[19]基于K-means對(duì)上海地鐵車站進(jìn)行了分級(jí)研究，選取了度、接近中心性、介數(shù)值和客流量四個(gè)指標(biāo)作為評(píng)價(jià)因素，多次迭代后將車站按照重要度聚類為12級(jí)，經(jīng)過特征歸納后劃分為7類，張翠林等[20]對(duì)乘客熱舒適度進(jìn)行了調(diào)查評(píng)價(jià)。

2.1 聚類分析

聚類分析是一種基于數(shù)據(jù)挖掘的聚類方式，是研究如何將研究對(duì)象按照多方面特征進(jìn)行綜合分類的一種多元統(tǒng)計(jì)方法。其中K-means算法應(yīng)用最為廣泛，被用于諸多領(lǐng)域的統(tǒng)計(jì)和決策中。該方法的核心是在歐幾里得空間中劃分n個(gè)數(shù)據(jù)對(duì)象，通過初始中心策略實(shí)現(xiàn)K對(duì)象選擇，使其成為聚類中心，再對(duì)每個(gè)簇?cái)?shù)據(jù)平均值進(jìn)行計(jì)算，能夠得到全新聚類中心，對(duì)此反復(fù)迭代計(jì)算直到全部聚類收斂，具體算法流程如圖3所示。

圖3 K-means算法流程圖Fig.3 Flow chart of K-means algorithm

聚類數(shù)k的確定是K-means算法的重要部分，對(duì)結(jié)果影響很大，選用輪廓系數(shù)。對(duì)某樣本Xi的輪廓系數(shù)S定義為

(1)

式(1)中：a為Xi與相同簇的其他樣本的平均距離，稱為凝聚度；b為Xi與最近簇中所有樣本的平均距離，稱為分離度。輪廓系數(shù)的取值范圍為[-1,1]，越趨近于1表示內(nèi)聚度和分離度均相對(duì)最優(yōu)，這樣輪廓系數(shù)的k便是最佳聚類數(shù)。

2.2 方差和標(biāo)準(zhǔn)差分析

方差分析法(analysis of variance，ANOVA)是比較多個(gè)總體的均值是否相等的方法，主要研究分類型自變量對(duì)數(shù)值型因變量的影響，在研究一個(gè)(或多個(gè))分類型自變量與一個(gè)數(shù)值型因變量之間的關(guān)系時(shí)，方差分析是最常用的方法。

標(biāo)準(zhǔn)差是離均差平方的算術(shù)平均數(shù)的算術(shù)平方根，用σ表示。標(biāo)準(zhǔn)差也被稱為標(biāo)準(zhǔn)偏差或?qū)嶒?yàn)標(biāo)準(zhǔn)差，在概率統(tǒng)計(jì)中最常使用作為統(tǒng)計(jì)分布程度上的測(cè)量依據(jù)。標(biāo)準(zhǔn)差是方差的算術(shù)平方根。標(biāo)準(zhǔn)差能反映一個(gè)數(shù)據(jù)集的離散程度。

3 聚類結(jié)果時(shí)空分析

對(duì)各車站內(nèi)溫濕度數(shù)據(jù)進(jìn)行K-means聚類，并采用輪廓系數(shù)法確定最佳聚類數(shù)k，溫濕度各聚類為四類車站。

3.1 溫度聚類結(jié)果分析

根據(jù)溫度聚類結(jié)果，將車站劃分為4類類型(表 2)。

結(jié)合溫度聚類空間分布圖(圖4)對(duì)聚類溫度曲線圖的研究發(fā)現(xiàn)(圖5)：

(1)溫度一類車站共有13座，從曲線上看，此類車站在從12月—3月期的冬季溫度略低，波動(dòng)幅度較大，夏季(空調(diào)季)溫度高于其他類型車站，說明夏季(空調(diào)季)受外界影響較大，冬季受外部環(huán)境影響一般，全年最低溫度10 ℃，最高溫度超27 ℃，全年溫度變化穩(wěn)定，振幅較??；溫度一類的Line B車站有8座，是Line A的2倍，從車站空間分布上看，集中在Line B的RMHT站至DHI站東西、南北走向區(qū)域，Line A的TAL站至HLSL站北偏西30°區(qū)域。

表2 Line A、B號(hào)線車站溫度聚類Table 2 Temperature clustering at stations of Line A，B

圖4 溫度聚類空間分布Fig.4 The spatial distribution of temperature clusters

圖5 車站溫度聚類變化曲線Fig.5 Temperature cluster change curve

(2)溫度二類車站有7座，其中5座為L(zhǎng)ine B的車站，此類型車站冬冷夏熱特征明顯，站內(nèi)溫度明顯低于另外三類，全年最低日平均溫度為5 ℃，夏季(空調(diào)季)最高平均溫度略低于溫度一類車站，也在27 ℃左右，冬季溫度振幅大，其他季節(jié)振幅較??；從車站空間分布上看，在南北向的CBL站至FSS站間分布較為集中，其他分布相對(duì)分散，此類車站冬夏季熱舒適度評(píng)價(jià)最差。

(3)溫度三類車站有7座，其中Line A 有4座，Line B有3座。從聚類溫度曲線上看，此類車站在春、夏、冬表現(xiàn)良好，11—12月的秋季開始，初冬表現(xiàn)最差，此時(shí)段站內(nèi)溫度明顯低于另外三類車站，全年最低日溫度為11 ℃左右，出現(xiàn)在12月中下旬，夏季(空調(diào)季)最高溫度較低，在24 ℃左右，初冬溫度變化大，其他季節(jié)溫度振幅小，相對(duì)穩(wěn)定；從車站的空間分布上看，在東西向的YEDL站至HCL站間分布較為集中。

(4)溫度四類共聚類車站11座，其中Line A有6座，Line B有4座，換乘站1座。從溫度曲線上看，此類車站在春、夏、秋、冬四季表現(xiàn)均良好，全年最低日平均溫度為13 ℃左右，出現(xiàn)在2月初，夏季(空調(diào)季)最高溫度較低在24 ℃左右，秋季溫度變化大，其他季節(jié)溫度振幅相對(duì)穩(wěn)定；從車站的空間分布上看，在東西向的YEDL站至HCL站間分布較為集中。從車站溫度聚類結(jié)果看，Line B車站比Line A的冬季更冷、夏季更熱。

3.2 濕度聚類結(jié)果分析

采用同上算法對(duì)車站濕度進(jìn)行聚類和分析，依據(jù)站內(nèi)濕度劃分為四類車站(表3)。

結(jié)合空間坐標(biāo)分布(圖6)對(duì)濕度聚類曲線圖的研究發(fā)現(xiàn)(圖7)。

表3 車站濕度聚類Table 3 Humidity clustering in stations

圖6 濕度聚類空間分布Fig.6 The spatial distribution of humidity clusters

圖7 車站濕度聚類變化曲線Fig.7 Humidity cluster curve of stations

濕度一類的車站春、秋兩過度季濕度曲線波動(dòng)較大，曲線整體向下偏移，低于其他車站濕度分類；冬、夏季曲線相對(duì)平穩(wěn)，從此類車站分布圖上看，因聚類只有3座車站，數(shù)量少，無法從地理位置上查找分布規(guī)律。

濕度二類聚類車站共有14座，從曲線波動(dòng)幅度上看，此類車站在秋、冬季波動(dòng)幅度較大，且濕度明顯高于其他車站；春、夏季較平穩(wěn)，尤其夏季空調(diào)季，說明夏季受外界影響較??；從車站空間分布上看，40%的Line B車站聚類為此種類型，且分布較集中，主要延?xùn)|北西南走向DTDS站附近及東西走向WSGC站附近分布。

濕度三類聚類車站共13個(gè)，Line A、Line B車站數(shù)量相當(dāng)，分別為7座和6座，從濕度曲線看，此類車站在春、秋振幅很大，濕度高，夏季整體濕度明顯高于其他聚類車站，濕度平均濕度超過75%；從空間分布上看，主要集中在Line A從MD站到DH站東偏北15°走向一線、Line A北偏西35°MLL站至DH站走向、Line B南北走向DHL站到QJL站，因?yàn)榇藚^(qū)域東南南側(cè)為沿水面一線，此段Line A車站受前水面潮濕空氣影響大，符合空間分布規(guī)律及特點(diǎn)，但HCL站與相鄰兩車站濕度曲線差異較大，應(yīng)有其他因素影響。

濕度四類聚類車站共8座，在秋末11—12月底的秋末、初冬曲線變化大，尤其在12月曲線振幅較大，1—4月濕度也略低于其他車站，振幅與其他車站基本一致；從空間分布看，小部分在YEDL占附近較為集中，其他車站分散分布。

4 基于溫濕度聚類的車站物理特征熱濕抽取分析

通過第3節(jié)聚類研究可知：同一線路、同時(shí)段相鄰車站的溫濕度波動(dòng)曲線也會(huì)有較大區(qū)別。從車站宏觀空間分布，能發(fā)現(xiàn)一定的規(guī)律，但難以完美詮釋。車站自身的埋深、出入口朝向及出入口數(shù)量等物理屬性也是影響站內(nèi)熱濕環(huán)境的重要因素。

由于地鐵車站通過風(fēng)井、出入口等通道直接連通室外空間，車站內(nèi)濕熱環(huán)境受室外環(huán)境影響較大，車站內(nèi)部可認(rèn)為屬半開放空間，車站內(nèi)受環(huán)控系統(tǒng)、活塞風(fēng)等設(shè)備影響，同時(shí)由于其埋深、出入口數(shù)量、出入口朝向等物理特征差異，各車站受室外環(huán)境影響的大小存在一定差異。

首先采用單因素方差分析法對(duì)室內(nèi)外溫濕度差值與埋深、出入口朝向及出入口數(shù)量進(jìn)行了相關(guān)性驗(yàn)證，并根據(jù)聚類結(jié)果進(jìn)行解釋。

標(biāo)準(zhǔn)差值從某種意義上代表了室內(nèi)熱濕環(huán)境在各物理因素的影響下與室外熱濕環(huán)境的關(guān)聯(lián)程度，由于城市軌道交通與室外空間通過風(fēng)井、出入口等直接連通，能源驅(qū)動(dòng)的地鐵環(huán)控系統(tǒng)隨季節(jié)和時(shí)段及進(jìn)行運(yùn)行模式調(diào)整。

從車站物理特征看，車站的埋深、出入口數(shù)量及車站朝向均有影響。

4.1 溫濕度聚類與埋深

因站臺(tái)層高度為為5.1 m，基本一致，差異僅在站廳層，埋深數(shù)據(jù)只取站廳層埋深。在溫濕度與埋深的相關(guān)性研究中，采用方差齊檢驗(yàn)來驗(yàn)證室內(nèi)外溫濕度差值與站廳埋深的關(guān)系，顯著性為0，強(qiáng)相關(guān)。

對(duì)溫度聚類埋深數(shù)據(jù)比較看(圖8)，溫度聚類三>溫度聚類一>溫度聚類四>溫度聚類二。結(jié)合站內(nèi)溫度曲線看，溫度聚類二，平均埋深最淺，冬冷夏熱，受室外環(huán)境影響較大，溫度聚類三平均埋置最深，多數(shù)大于13 m，四季溫度更為穩(wěn)定，其溫度表現(xiàn)符合地下建筑埋深越大，溫度越穩(wěn)定的規(guī)律。

在濕度埋深聚類分析中(圖9)，濕度聚類二>濕度聚類三>濕度聚類一>溫度聚類四，濕度聚類三的濕度波動(dòng)大，較不穩(wěn)定。從其埋深分布看，有雙峰特點(diǎn)，大埋深和淺埋深均出現(xiàn)濕度不穩(wěn)定，淺埋深在深秋初冬濕度增加，有冷凝現(xiàn)象，符合濕度規(guī)律。

圖8 溫度聚類車站埋深分布Fig.8 The burial depth distribution of temperature clustering

圖9 濕度聚類車站埋深分布Fig.9 The burial depth distribution of humidity clustering

從埋深因素分析看：大埋深有利于穩(wěn)定站內(nèi)溫度，但大埋深增加濕負(fù)荷，且濕度受空間分布影響更大，濕度聚類三更多分布在沿海岸線區(qū)域。

4.2 溫度聚類與朝向角度

首先對(duì)地鐵車站朝向進(jìn)行方位角度統(tǒng)計(jì)分析，定義正西為0°，順時(shí)針計(jì)算。研究首先對(duì)站內(nèi)外溫濕度差值與車站方位角的相關(guān)性進(jìn)行驗(yàn)證，通過方差齊檢驗(yàn)顯著性為0，強(qiáng)相關(guān)。

參照2019年氣象數(shù)據(jù)各季節(jié)風(fēng)向(圖10)，該城市具有強(qiáng)季風(fēng)特點(diǎn)，春夏季風(fēng)向主要為SSE、S、SE，秋冬季主要為NNW、NW、N。

對(duì)比溫度波動(dòng)曲線(圖5)，溫度聚類二表現(xiàn)最差，僅從朝向(圖11)與溫度聚類(圖12)相關(guān)性看，溫度聚類二車站朝向無規(guī)律，但從空間分布圖可發(fā)現(xiàn)，溫度聚類二為線路盡端交通樞紐站或換乘車站，站內(nèi)環(huán)境復(fù)雜，受室外環(huán)境影響大；溫度聚類三車站方位角度主要集中在NE、NNE、N向，受室外風(fēng)環(huán)境影響較小，站內(nèi)冬暖夏涼，熱環(huán)境穩(wěn)定，但在深秋和初冬溫度表現(xiàn)低，從11—12月風(fēng)向看，此時(shí)段會(huì)有SSW風(fēng)，對(duì)溫度聚類三產(chǎn)生影響，造成此時(shí)段的溫度低于其他類型車站。

圖10 季節(jié)風(fēng)玫瑰Fig.10 Seasonal Wind Rose

圖11 溫度聚類車站朝向Fig.11 Station orientation of temperature cluster

圖12 溫度聚類車站方位角分布Fig.12 Station orientation distribution of temperature cluster

對(duì)比溫度波動(dòng)曲線(圖7)，在車站朝向(圖13)與濕度聚類(圖14)分析中發(fā)現(xiàn)，濕度聚類三盡端站或換乘站更易受室外環(huán)境影響，濕度波動(dòng)大，表現(xiàn)差，與車站方位角關(guān)聯(lián)性小。

5 結(jié)論

利用聚類分析、相關(guān)性檢驗(yàn)等數(shù)據(jù)挖掘方法研究了兩條地鐵線路共38座車站空間位置、埋深、方位朝向等站點(diǎn)物理屬性對(duì)各地鐵車站溫、濕度影響規(guī)律，為各車站根據(jù)其自身物理特征確定更為合理的被動(dòng)式節(jié)能措施和合理的能耗定額提供理論支撐。

(1)從聚類結(jié)果看，根據(jù)站內(nèi)溫、濕度波動(dòng)特點(diǎn)各聚類出四種類型。溫度聚類從線路上看，Line B車站比Line A的冬季更冷、夏季更熱，從溫度二類車站表現(xiàn)為夏熱冬冷，溫度波動(dòng)大，說明其與外環(huán)境相關(guān)性大，這類車站主要出現(xiàn)在Line B上，重點(diǎn)對(duì)Line B車站的冬、夏兩季進(jìn)行技術(shù)干預(yù)，減少外環(huán)境影響，提高舒適度。

圖13 濕度聚類車站朝向Fig.13 Station orientation of humidity clustering

圖14 濕度聚類車站方位角分布Fig.14 Station orientation distribution of humidity clustering

(2)聚類中發(fā)現(xiàn)，波動(dòng)類型與地鐵線路走向有一定關(guān)系。在溫度一類中表現(xiàn)較為明顯，溫度一類從空間分布中主要集中在Line B上的RMHT站至DHI站東西、南北沿海走向區(qū)域及Line A的TAL站至HLSL站北偏西30°區(qū)，通過朝向分析發(fā)現(xiàn)由于受海陸風(fēng)或季風(fēng)影響，后期會(huì)繼續(xù)對(duì)分布規(guī)律車站與微環(huán)境、站內(nèi)情況進(jìn)行詳細(xì)研究。

(3)在對(duì)站內(nèi)外溫濕度差與埋深、方位朝向的方差分析中發(fā)現(xiàn)：各物理特征與站內(nèi)溫濕度均強(qiáng)相關(guān)，從排序看，濕度與出入口關(guān)系較小，受空間位置及埋深影響較大。

由于地鐵車站內(nèi)熱濕環(huán)境是各物理特征綜合影響的結(jié)果，其空調(diào)環(huán)控系統(tǒng)的調(diào)節(jié)應(yīng)根據(jù)站點(diǎn)特點(diǎn)選擇合適的運(yùn)行模式和功率；同時(shí)，車站的能耗定額也應(yīng)針城市不同區(qū)域、型式、朝向、微氣候等因素對(duì)車站能耗定額進(jìn)行系數(shù)修正，故應(yīng)根據(jù)運(yùn)營(yíng)后評(píng)價(jià)進(jìn)行及時(shí)調(diào)整。