基于聚類的地鐵通勤行為時(shí)空規(guī)律挖掘方法

李明珠 趙習(xí)枝 陳 才 張福浩 朱 軍 仇阿根

1(西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院 成都 611756)

2(中國(guó)測(cè)繪科學(xué)研究院 北京 100830)

3(江蘇海洋大學(xué) 連云港 222005)

1 引 言

自改革開放以來，我國(guó)大城市的城市范圍迅速擴(kuò)展，人口快速增長(zhǎng)，使得職住空間組織模式不斷演化。適度的職住分離布局，有助于提高城市效率、降低土地利用強(qiáng)度。但隨著城市規(guī)模的不斷擴(kuò)張，職住分離導(dǎo)致通勤距離顯著增加，不僅降低了居民幸福感，還引發(fā)了環(huán)境污染問題[1]。通過開展職住關(guān)系的研究，深化對(duì)中國(guó)城市發(fā)展規(guī)律的認(rèn)識(shí)，對(duì)于解決職住空間結(jié)構(gòu)不平衡及其衍生的交通環(huán)境住房等問題，具有重要理論和現(xiàn)實(shí)指導(dǎo)意義。

在宏觀層面上，職住關(guān)系研究通常基于一定的范圍尺度，如區(qū)(縣)、街道、交通分析小區(qū)、千米尺度的格網(wǎng)等[2-3]，利用出行調(diào)查獲得的統(tǒng)計(jì)數(shù)據(jù)，通過研究區(qū)域內(nèi)職住比[4]、通勤效率、通勤效率使用率[5]等評(píng)價(jià)因子，對(duì)職住平衡進(jìn)行測(cè)算，或?qū)β氉】臻g關(guān)系的影響因素和產(chǎn)生機(jī)理進(jìn)行探究。探究?jī)?nèi)容包括：(1)探究制度轉(zhuǎn)型和城市空間結(jié)構(gòu)變化對(duì)都市區(qū)就業(yè)空間分異、職住空間錯(cuò)位、就業(yè)可達(dá)性的影響[6]；(2)基于建成環(huán)境因素，討論土地利用的混合程度[7]、不同土地利用類型等對(duì)居民通勤的影響，探究交通設(shè)施和職住情況之間的關(guān)系[4]。在微觀層面上，現(xiàn)有研究探究了職住關(guān)系的影響因素，主要以個(gè)人的社會(huì)經(jīng)濟(jì)屬性為解釋變量[8]，討論就業(yè)者收入水平、受教育情況、住房類型、工作性質(zhì)等因素，對(duì)居民居住就業(yè)區(qū)位選擇的影響[9-10]。此外，還通過分析居民通勤移動(dòng)行為，反映職住空間結(jié)構(gòu)特征和交互規(guī)律[11-12]。隨著信息技術(shù)手段的快速發(fā)展，軌跡大數(shù)據(jù)為城市職住關(guān)系的研究提供了新的數(shù)據(jù)思路。相比于出行調(diào)查統(tǒng)計(jì)存在獲取成本高和抽樣不均勻等問題[13-14]，移動(dòng)軌跡大數(shù)據(jù)則具有樣本量大、實(shí)時(shí)全面、成本較小的優(yōu)點(diǎn)[4]。

近年來，基于移動(dòng)軌跡數(shù)據(jù)或社會(huì)經(jīng)濟(jì)數(shù)據(jù)等多源數(shù)據(jù)，有研究分析了不同性質(zhì)居民的通勤活動(dòng)規(guī)律[15-16]，探究了職住關(guān)系演變及其影響因素。通過對(duì)不同通勤群體之間通勤活動(dòng)差異進(jìn)行分析，有助于更深入地了解通勤群體對(duì)于職住空間變化的反應(yīng)和受影響程度[17]，從而為規(guī)劃方案提供建議，使規(guī)劃方案盡可能滿足通勤群體多樣性的通勤需求。目前，已有學(xué)者進(jìn)行了通勤人群劃分的研究，如付曉等[18]通過構(gòu)建居民出行群體畫像，分析不同出行人群的行為特征；萬明等[19]采用潛在類別分析法對(duì)出行數(shù)據(jù)進(jìn)行分析，將出行者劃分為 3 類異質(zhì)群體。基于交通卡數(shù)據(jù)的研究，則主要通過指定閾值和利用上下車時(shí)刻、出行次數(shù)等非連續(xù)性通勤特征，實(shí)現(xiàn)通勤個(gè)體分類[20-21]，由于較少考慮通勤行為時(shí)間連續(xù)性，難以挖掘更多潛在的時(shí)間規(guī)律。此外，基于經(jīng)驗(yàn)的閾值具有不穩(wěn)定性，如會(huì)將閾值兩端接近的個(gè)體劃分為兩類，而未考慮到閾值左右的個(gè)體具有較強(qiáng)的相似性。因此，利用合適的指標(biāo)快速選擇準(zhǔn)確的閾值較為困難。

在大數(shù)據(jù)背景下，聚類算法可根據(jù)屬性相似性，快速地將個(gè)體劃分為不同的組，近年來，出現(xiàn)了利用聚類算法挖掘乘客出行特征的趨勢(shì)[22-23]。與閾值法相比，聚類算法更好地考慮到參與聚類個(gè)體之間的相似性，從個(gè)體出發(fā)，將特性相似的個(gè)體聚為一類。如孫世超等[24]利用分層聚類方法，確定了墨西哥城工作豐富和住房豐富的區(qū)域。龍瀛等[25]將共享自行車和碼頭的相似站點(diǎn)逐層聚類為應(yīng)用模式，提取出各站點(diǎn)的時(shí)間行為聚類特征。

針對(duì)現(xiàn)有研究在劃分通勤人群時(shí)未充分利用時(shí)間特征，劃分方法多采用經(jīng)驗(yàn)閾值導(dǎo)致準(zhǔn)確性不足的問題，本文進(jìn)行了一系列研究。首先，基于上海地鐵刷卡數(shù)據(jù)，通過構(gòu)建職住識(shí)別模型，識(shí)別通勤群體及其就業(yè)居住地；然后，采用一種時(shí)間相似度計(jì)算方法，即在單向的一維時(shí)間空間中，將兩個(gè)體通勤行程的時(shí)間重疊度作為衡量時(shí)間相似度的指標(biāo)，提取通勤個(gè)體的時(shí)間相似度特征進(jìn)行層次聚類，以研究不同通勤群體的時(shí)間規(guī)律性；最后，利用熱點(diǎn)分析模型，對(duì)通勤群體空間規(guī)律進(jìn)行分析，利用 ArcGIS 平臺(tái)進(jìn)行可視化表達(dá)，實(shí)現(xiàn)對(duì)上海通勤人群的通勤時(shí)空規(guī)律及職住空間組織特征的探究。

2 研究區(qū)域數(shù)據(jù)

本文選擇上海市的整個(gè)區(qū)域范圍作為研究區(qū)域，包括中心城區(qū)(黃浦、徐匯、長(zhǎng)寧、靜安、普陀、虹口、楊浦)、近郊區(qū)(閔行、寶山、嘉定)、遠(yuǎn)郊區(qū)(金山、松江、青浦、奉賢、崇明)和浦東新區(qū) 16 個(gè)行政區(qū)，截至 2020 年 11 月，總面積約1 237.85 km2，常住人口為 2 487.09 萬人。

研究源數(shù)據(jù)為 2016 年 07 月 11 日—2016 年07 月 17 日上海市交通卡連續(xù)一周的地鐵刷卡數(shù)據(jù)(交通卡刷卡數(shù)據(jù)包括地鐵、公交、出租刷卡記錄，地鐵記錄約占 66%，公交約占 32%，出租車約占 2%，由于公交無下車刷卡記錄，本文選擇地鐵刷卡數(shù)據(jù)作為研究數(shù)據(jù))。選取日期避開了法定節(jié)假日和重大活動(dòng)日，避免異常情況對(duì)研究造成影響。地鐵刷卡數(shù)據(jù)原始字段包括：交通卡號(hào)、刷卡日期、進(jìn)站刷卡時(shí)間、出站刷卡時(shí)間、刷卡線路站點(diǎn)、刷卡交易金額、是否優(yōu)惠。在研究時(shí)間段內(nèi)，地鐵總刷卡次數(shù)為 62 968 491次，工作日地鐵日均刷卡約 994 萬次。此外，研究數(shù)據(jù)還包括地鐵站點(diǎn)和線路空間數(shù)據(jù)，共計(jì) 323 個(gè)地鐵站點(diǎn)，站點(diǎn)數(shù)據(jù)字段包括站名、經(jīng)度、緯度和線路號(hào)。

3 研究方法

3.1 職住識(shí)別模型

從單日通勤特征來看，工作日通勤活動(dòng)有兩個(gè)刷卡高峰：早高峰與晚高峰，對(duì)應(yīng)上班與下班行為；從多日通勤特征來看，通勤屬于滿足日常生存需求的出行，工作日期間存在居住地和就業(yè)地之間的往返，一周之內(nèi)滿足一定的通勤天數(shù)。因此，綜合考慮通勤人群穩(wěn)定性的特點(diǎn)，即工作日高頻出行時(shí)間段的穩(wěn)定性、出發(fā)地和目的地的穩(wěn)定性、工作日通勤行為的穩(wěn)定性，結(jié)合已有研究，建立職住識(shí)別模型[26]，從交通卡持卡人中識(shí)別出通勤人群和其職住地。

3.1.1 一日通勤出行行為識(shí)別步驟

一日通勤出行行為識(shí)別步驟為：(1)若持卡人當(dāng)日首次地鐵出行進(jìn)站刷卡時(shí)間在 6:00—10:00 之間，那么將進(jìn)站點(diǎn)設(shè)為居住站點(diǎn)R(調(diào)查統(tǒng)計(jì)表示：99.5% 居民每日首次出發(fā)點(diǎn)是居住地[27])；(2)若持卡人當(dāng)日在 16:00 以后有地鐵出行，那么將 16:00 以后的首次進(jìn)站點(diǎn)設(shè)為W；(3)若站點(diǎn)W與(1)中地鐵出行的出站點(diǎn)相同，且居住站點(diǎn)R與(2)中地鐵出行的出站點(diǎn)相同，則稱持卡人在該日具有通勤出行行為，居住站點(diǎn)為R，就業(yè)站點(diǎn)為W。如圖 1 所示，如果持卡人在 6:00—10:00 內(nèi)首次出行站點(diǎn)為居住站點(diǎn)R到就業(yè)站點(diǎn)W，16:00 后的首次出行站點(diǎn)為就業(yè)站點(diǎn)W到居住站點(diǎn)R，則認(rèn)為持卡人當(dāng)日實(shí)現(xiàn)由居住站點(diǎn)到就業(yè)站點(diǎn)的一次往返，具有通勤出行行為。

圖1 一日地鐵出行記錄示意圖Fig. 1 One-day subway trip record schematic diagram

可將通勤出行行為識(shí)別模型概括如公式(1)～(3)所示。

3.1.2 一周通勤個(gè)體與職住地識(shí)別步驟

一周通勤個(gè)體與職住地識(shí)別步驟為：(1)持卡人一周具有 3 次及以上的通勤出行行為，則認(rèn)為該持卡人為通勤個(gè)體。(2)若通勤者有且僅有一個(gè)居住站點(diǎn)，就將該站點(diǎn)視為其居住地；若有 2 個(gè)及以上居住站點(diǎn)，則計(jì)算每個(gè)居住站點(diǎn)的概率；(3)選擇概率最大且次數(shù)大于 1 的居住站點(diǎn)作為居住地，若存在兩個(gè)這樣的居住站點(diǎn)，且兩居住站點(diǎn)距離≤1.4 km(步行合理接駁閾值范圍為 600～800 m，是較適中且能容忍的最大程度[28-29])，則將兩站點(diǎn)的中間點(diǎn)作為居住地；若兩居住站點(diǎn)距離＞1 km，則剔除該持卡人數(shù)據(jù)。

就業(yè)地識(shí)別方法同居住地識(shí)別方法。

3.2 時(shí)間規(guī)律挖掘

3.2.1 時(shí)間相似度計(jì)算方法

通勤是在時(shí)間和空間上的移動(dòng)行為，為探究通勤群體[30]在早晚通勤期出行的時(shí)間規(guī)律，挖掘不同通勤需求并制定更合理的交通規(guī)劃方案，常對(duì)通勤人群進(jìn)行分類，將具有相似出行時(shí)間規(guī)律的人劃分為一類。常見的分類方法為閾值法，例如，將第一次刷卡記錄早于 6:00 或 6:30 的持卡人定義為早出型通勤人群[21]，但該劃分方法可能會(huì)將在閾值兩端但接近的乘客劃分為兩類(如6:29 和 6:31 出行的通勤人群會(huì)被分為兩類)。因此，參考 Murtagh 等[31]計(jì)算公交乘客時(shí)間相似度的度量方法，本文提出一種通勤行程時(shí)間相似性的度量方法：若兩個(gè)行程在時(shí)間上有重疊部分(圖 2(a))，則認(rèn)為它們相似；若兩個(gè)行程沒有重疊部分(圖 2(b))，且行程間隔大于較小行程，說明呈明顯分離趨勢(shì)，則認(rèn)為它們相似度為 0；若行程間隔小于較小行程，那么仍然認(rèn)為通勤行程時(shí)間具有相似性。

圖2 行程時(shí)間關(guān)系Fig. 2 Time relationship of the trips

具體計(jì)算方法為：若行程時(shí)間存在重疊，則兩行程的時(shí)間相似度為重疊時(shí)間長(zhǎng)度與較長(zhǎng)行程時(shí)間長(zhǎng)度的比值；若不存在重疊但時(shí)間間隔小于較短行程時(shí)間長(zhǎng)度，則兩行程的時(shí)間相似度為時(shí)間間隔與較長(zhǎng)行程時(shí)間長(zhǎng)度的比值。為避免相似度出現(xiàn)負(fù)值，將以上兩種情況的計(jì)算結(jié)果加 1 作為最終相似度值。

地鐵刷卡數(shù)據(jù)會(huì)提供乘客的上車、下車刷卡信息，在通勤人群一天的刷卡記錄中，分別提取早晚通勤高峰期的通勤出行記錄，代入上式計(jì)算時(shí)間相似度。兩類通勤人群的時(shí)間相似度即為早晚行程時(shí)間相似度之和。

3.2.2 時(shí)間聚類方法

層次聚類通常被用于時(shí)序數(shù)據(jù)的趨勢(shì)分析[32-33]，本文通過層次聚類對(duì)時(shí)間相似度進(jìn)行聚類分析，以揭示通勤群體的層次結(jié)構(gòu)。層次聚類的表現(xiàn)形式有“自上而下”的分裂和“自下而上”的凝聚層次聚類兩種。凝聚層次聚類通過距離函數(shù)將數(shù)據(jù)集劃分為多類，以降低簇?cái)?shù)量，不斷重復(fù)直至形成一個(gè)單獨(dú)的類。

層次聚類主要的步驟在于確定不同層次最接近的簇類數(shù)，集群可通過距離判斷數(shù)據(jù)點(diǎn)之間的相似性，對(duì)于簇間的距離度量有多種方式：最小值法(Single)、最大值法(Complete)、平均值法(Average)及最小方差法(Ward)。根據(jù)已有研究對(duì)上述方法的比較[34]，當(dāng)無離群值時(shí)，Ward 性能較好，故本文最終選擇 Ward (即在并類時(shí)，選擇使誤差平方和增加最少的兩類進(jìn)行合并)。

對(duì)抽取的所有通勤人群進(jìn)行聚類后，本文結(jié)合輪廓系數(shù)[35-36](Silhouette)進(jìn)行最佳簇?cái)?shù)的選擇。其中，Silhouette 值越大，聚類效果越好。

3.3 空間規(guī)律挖掘

3.3.1 熱點(diǎn)分析

熱點(diǎn)分析(Getis-Ord Gi*)是一種利用 Getis-Ord Gi* 指數(shù)衡量觀測(cè)數(shù)據(jù)之間空間依賴性的技術(shù)，可用于識(shí)別局部的空間自相關(guān)現(xiàn)象[37-38]。基于量測(cè)鄰近觀測(cè)值，可確定熱點(diǎn)或冷點(diǎn)區(qū)域，具有統(tǒng)計(jì)顯著性意義的熱點(diǎn)不僅要求該位置自身要素具有較高值，而且周圍要素也要具有較高值。本文以居住站點(diǎn)和就業(yè)站點(diǎn)的刷卡數(shù)作為屬性值，利用 ArcGIS 熱點(diǎn)分析工具，分析每類通勤人群職住熱點(diǎn)和冷點(diǎn)區(qū)域，并進(jìn)行可視化表達(dá)，用于識(shí)別每類通勤者就業(yè)和居住密度與整體情況有明顯差異的位置。Getis-Ord Gi* 局部統(tǒng)計(jì)表達(dá)式如公式(5)所示。

4 職住空間關(guān)系與通勤時(shí)空特征分析

4.1 上海市總體職住特征分析

核密度估計(jì)是一種典型的分析點(diǎn)模式空間分布及集聚變化情況的分析方法。由于本文的分析對(duì)象為軌道交通乘客的職住區(qū)域，故本文基于識(shí)別的通勤人群的通勤數(shù)據(jù)，提取居住站點(diǎn)和就業(yè)站點(diǎn)，利用核密度估計(jì)方法，以分析上海通勤人群居住與就業(yè)總體的空間聚集特征并進(jìn)行可視化分析。

如圖 3 所示，居住高聚集區(qū)域主要沿內(nèi)環(huán)線分布，并在內(nèi)環(huán)以外沿軌道線呈放射狀向外擴(kuò)散分布，沿交通線呈點(diǎn)狀離散分布或呈帶狀分布，且總體上浦西的居住密度高于浦東。

圖3 居住核密度圖Fig. 3 Kernel density of the residence

由圖 4 可知，就業(yè)活動(dòng)主要在內(nèi)環(huán)以內(nèi)，就業(yè)聚集點(diǎn)在內(nèi)環(huán)內(nèi)呈現(xiàn)東-西方向多核心分布，少量就業(yè)聚集地散落在內(nèi)環(huán)以外，但范圍不會(huì)延伸到外環(huán)以外，散落的高密度就業(yè)地是上海一些典型的產(chǎn)業(yè)園區(qū)，如東南方的張江高科技園區(qū)以及西邊的漕河經(jīng)濟(jì)技術(shù)開發(fā)區(qū)。

圖4 就業(yè)核密度圖Fig. 4 Kernel density of the workplace

4.2 通勤活動(dòng)的時(shí)空特征分析

通勤活動(dòng)直接體現(xiàn)為軌道交通站點(diǎn)客流，站點(diǎn)客流是站點(diǎn)周邊用地形態(tài)產(chǎn)生的出行需求體現(xiàn)，亦是站點(diǎn)設(shè)施使用情況的直接反映[39]。由于通勤人員依據(jù)站點(diǎn)進(jìn)行通勤活動(dòng)，故根據(jù)構(gòu)建的職住識(shí)別模型識(shí)別出 562 268 位通勤人員。隨機(jī)選取 5% 的通勤人員，將上述的時(shí)間聚類方法應(yīng)用于抽取的通勤樣本。通過計(jì)算時(shí)間相似度，可得到一個(gè)相似度矩陣實(shí)現(xiàn)層次聚類，表 1 為隨機(jī)抽取 5 名通勤人計(jì)算出的時(shí)間相似度示例。由于應(yīng)用背景是通勤人群的分類，本實(shí)驗(yàn)將聚類數(shù)范圍初定為 3～7，計(jì)算每個(gè)簇?cái)?shù)對(duì)應(yīng)的 Silhouette指數(shù)，并與其他層次聚類進(jìn)行比較，結(jié)果如表 2 所示。由表 2 可知，Ward 的結(jié)果整體較優(yōu)。此外，當(dāng)簇?cái)?shù)為 5 時(shí)，Silhouette 指數(shù)較高，因此，為揭示通勤人群的層次結(jié)構(gòu)，本實(shí)驗(yàn)將通勤人群分為 5 簇進(jìn)行分析。

表1 時(shí)間相似度Table 1 Temporal similarity

表2 簇?cái)?shù)與對(duì)應(yīng)的 Silhouette 指數(shù)Table 2 Number of clusters and Silhouette values

4.2.1 時(shí)間特征分析

根據(jù) 5 個(gè)簇早晚通勤期(6:00—10:00、16:00—22:00)的刷卡量統(tǒng)計(jì)可知，各簇的上下班刷卡時(shí)間的分布存在一定的差異(圖 5)。

cluster1 的上班刷卡時(shí)間集中在 7:00—8:30，下班刷卡時(shí)間集中在 17:00—19:00；cluster2 的上班刷卡時(shí)間分布在 8:00—9:00，下班刷卡時(shí)間集中在 17:30—19:00；cluster3 的上班刷卡時(shí)間明顯較晚，出行時(shí)間最晚，主要集中在 8:30—10:00，下班刷卡時(shí)間集中在 16:00—17:30 和 18:30—22:00，存在加班晚歸現(xiàn)象；cluster4 的上班刷卡時(shí)間比cluster1 推遲 0.5 h，分布在 7:30—8:30，下班刷卡時(shí)間與 cluster1 和 cluster2 相似，主要集中在17:30—19:00；cluster5 明顯有較多的早出通勤者，上班刷卡時(shí)間集中在 6:00—7:30，下班時(shí)間也偏早，集中在 16:30—18:30。

利用時(shí)間相似的聚類劃分，要求通勤人員不僅在刷卡時(shí)刻相似，還要在出行時(shí)段具有一定的相似性，綜合上述的上下班刷卡時(shí)間分布，可將通勤人員匯總成 3 類(表 3)：(1)上海大多數(shù)通勤人員屬于常規(guī)型通勤者，占比為 68%，在常規(guī)型中的 3 類群體也具有一定規(guī)律，cluster1 和 cluster4上班出行時(shí)間更偏早(7:00—8:30)，cluster2 上班出行時(shí)段偏晚(8:00—9:00)；(2)晚出型通勤者占比為21%，下班有早歸和加班晚歸兩種情況，由圖 5(c)可知，19:30 以后下班的通勤人群占比約為 10%；(3)早出型通勤者占比最小，早出型通勤人員同時(shí)也是早歸型通勤人員，占通勤人群的 11%。

表3 通勤出行時(shí)間規(guī)律Table 3 Time patterns of commuting

圖5 早晚通勤高峰刷卡情況Fig. 5 Travel rate of morning-evening commuter rush hours

4.2.2 空間特征分析

在空間分布上，基于 ArcGIS 軟件，得到 5個(gè)簇的就業(yè)點(diǎn)與居住點(diǎn)冷熱空間分布圖(圖 6)。由圖 6 可知：(1)就業(yè)熱點(diǎn)聚集在城市中心區(qū)分布，5 類就業(yè)熱點(diǎn)基本分布在中環(huán)內(nèi)，集中在內(nèi)環(huán)，結(jié)合就業(yè)核密度圖可知，就業(yè)呈現(xiàn)向心聚集的單中心格局，但在中心顯現(xiàn)就業(yè)的多核心結(jié)構(gòu)。(2)各類的居住熱點(diǎn)分布存在一定差異，但與居住核密度圖具有一致性。具體地，cluster5和 cluster4 的居住熱點(diǎn)離中心就業(yè)區(qū)較遠(yuǎn)，分布在遠(yuǎn)郊區(qū)的 9 號(hào)線末端；cluster3 的居住次熱點(diǎn)分布在城南中心區(qū)，離中心就業(yè)區(qū)最近，使得其有條件能夠晚出行上班，但需要支付更多的住房成本，結(jié)合時(shí)間特征分析，cluster3 可能是工作時(shí)間靈活的高收入群體和加班活動(dòng)多的軟件信息就業(yè)者；cluster1 和 cluster2 的居住熱點(diǎn)主要集中在就業(yè)中心區(qū)的近郊與遠(yuǎn)郊區(qū)，cluster1 熱點(diǎn)分布在 7 號(hào)、1 號(hào)和 3 號(hào)線末端及中心區(qū)北邊的 11號(hào)線，cluster2 熱點(diǎn)分布在 10 號(hào)、9 號(hào)和 5 號(hào)線并向西延伸至遠(yuǎn)郊區(qū)。綜上所述，早出型離就業(yè)中心區(qū)更遠(yuǎn)，晚出型離就業(yè)中心區(qū)更近。(3)居住的冷點(diǎn)區(qū)基本聚集在黃浦江東邊及中心區(qū)北邊，該情況與浦東與浦西發(fā)展時(shí)期不同、浦南與浦北發(fā)展差異有關(guān)。

圖6 居住與就業(yè)冷熱空間分布Fig. 6 Spatial hot-cold distribution map of residence and workplace

5 結(jié) 語

目前，通勤群體的劃分方法較少考慮通勤行程的時(shí)間連續(xù)性特征，針對(duì)該問題，本文進(jìn)行了進(jìn)一步的研究。本文基于上海市 288 個(gè)軌道交通站點(diǎn)和連續(xù)一周的交通卡地鐵刷卡數(shù)據(jù)，構(gòu)建了職住識(shí)別模型，用于識(shí)別通勤人群和職住地，定義了一種通勤行程時(shí)間相似度的度量方法，基于層次聚類的結(jié)果，對(duì)通勤人群進(jìn)行細(xì)化分析，并結(jié)合熱點(diǎn)分析模型，探究各類型通勤人群居住與就業(yè)的熱點(diǎn)區(qū)域，挖掘上海市通勤人群潛在的時(shí)空規(guī)律及職住空間組織特征。

研究發(fā)現(xiàn)：(1)上海市的職住空間呈環(huán)狀分布，就業(yè)熱點(diǎn)區(qū)分布在城市中心區(qū)域，具有強(qiáng)就業(yè)吸引力；居住郊區(qū)化明顯，居住熱點(diǎn)區(qū)大多分布在市中心以外，與總體居住和就業(yè)的核密度圖一致，即高密度居住點(diǎn)在內(nèi)環(huán)外沿軌道線分布、高密度就業(yè)地在中心區(qū)聚集。(2)按照通勤出行時(shí)間規(guī)律，可將上海市通勤人員劃分為常規(guī)型、晚出型和早出早歸型，與居住熱點(diǎn)分布相對(duì)應(yīng)?？傮w上，越早出行的類型，其居住熱點(diǎn)離就業(yè)中心區(qū)越遠(yuǎn)，在常規(guī)型中偏早出行的兩個(gè)簇，其居住熱點(diǎn)離就業(yè)中心區(qū)比偏晚的簇更遠(yuǎn)，從側(cè)面驗(yàn)證了上海的單中心結(jié)構(gòu)。此外，上海大多數(shù)的通勤方式屬于常規(guī)型通勤，即在 7:00—9:00 進(jìn)行上班通勤活動(dòng)，17:00—19:00 進(jìn)行下班通勤活動(dòng)，占比達(dá) 68%。在常規(guī)型通勤中，上班通勤出行時(shí)間主要聚集在 7:00—8:30。(3)各類型的就業(yè)熱點(diǎn)區(qū)差異不明顯，大多集中在內(nèi)環(huán)；但上海市中心黃浦江東西側(cè)的居住熱點(diǎn)分布不一致，居住熱點(diǎn)分布在北部和西部的近郊和遠(yuǎn)郊區(qū)，居住冷點(diǎn)區(qū)主要分布在中心區(qū)的東部，并向浦東新區(qū)延伸。

盡管 Song 等[37]和 Goulet[38]試圖利用 POI 賦予通勤人員屬性，但因 POI 存在多尺度疏密不一的問題，難以構(gòu)建有效的屬性連接。由于缺少通勤人群的社會(huì)經(jīng)濟(jì)數(shù)據(jù)，故本文未能在不同群體差異和職住空間分布的成因方面進(jìn)行深入探討。此外，職住空間的形成是一個(gè)多因素作用和長(zhǎng)期動(dòng)態(tài)演化的過程，尹芹等[39]學(xué)者目前也僅對(duì)單一時(shí)間段內(nèi)的居民職住變化進(jìn)行研究?？筛鶕?jù)居民的通勤模式對(duì)職住空間規(guī)劃提供科學(xué)建議，在后續(xù)研究中，將多年的通勤數(shù)據(jù)和社會(huì)經(jīng)濟(jì)數(shù)據(jù)納入研究，從更廣的時(shí)間度揭示通勤人群層次結(jié)構(gòu)和職住空間分布的變化規(guī)律及影響因素，有助于更好地了解不同通勤群體的需求。