基于客流特征的城市軌道交通站點(diǎn)分類
——以青島市為例

杜光遠(yuǎn)，吳 瑞，譚桂菲，趙向宇，王 昌，張曉悅

（1.交通運(yùn)輸部科學(xué)研究院，北京 100029；2.交科院技術(shù)咨詢（北京）有限公司，北京 100029）

0 引言

近年來，我國城市軌道交通取得了快速發(fā)展，運(yùn)營總里程和客運(yùn)量均持續(xù)增長[1]，但不少城市存在軌道交通與常規(guī)公交的銜接效率不高、公共交通系統(tǒng)整體吸引力較弱等特點(diǎn)。因此，提高兩網(wǎng)銜接服務(wù)能力，促進(jìn)二者融合發(fā)展，已成為城市交通亟須解決的問題。軌道交通站點(diǎn)作為交通網(wǎng)絡(luò)節(jié)點(diǎn)，是兩網(wǎng)融合銜接的關(guān)鍵點(diǎn)。由于軌道交通站點(diǎn)在區(qū)域位置、功能定位、客流需求等方面存在差異，需結(jié)合多方面因素對站點(diǎn)進(jìn)行分類，并針對性提出常規(guī)公交接駁服務(wù)要求。

截至目前，國內(nèi)外學(xué)者從多個(gè)角度對軌道交通站點(diǎn)分類進(jìn)行了研究，主要集中在以下幾個(gè)方面。1）基于站點(diǎn)客流量的形態(tài)特征、結(jié)構(gòu)特征和客流強(qiáng)度對站點(diǎn)進(jìn)行分類。如，尹芹等[2]通過提取站點(diǎn)進(jìn)站客流量的極大值點(diǎn)、偏度和峰度對北京市軌道交通站點(diǎn)進(jìn)行分類；陳艷艷等[3]以站點(diǎn)進(jìn)站客流量高峰小時(shí)系數(shù)將軌道交通站點(diǎn)分為4 類。但這類研究主要基于專家知識選取客流宏觀特征對站點(diǎn)分類，對反映乘客個(gè)體微觀出行特征考慮不足，難以滿足精細(xì)化分類要求和需要。2）基于站點(diǎn)周邊建成環(huán)境對軌道交通站點(diǎn)分類。如，王煥棟等[4]通過獲取軌道交通站點(diǎn)空間影響范圍內(nèi)興趣點(diǎn)（Point of Interest,POI），計(jì)算各類POI 比例、優(yōu)勢度和均勻度，確定軌道交通站點(diǎn)類型；李清嘉等[5]通過獲取站點(diǎn)周邊人口密度、土地利用特征、交通條件特征以及站點(diǎn)自身特征等15 個(gè)變量，將武漢市軌道交通站點(diǎn)分為6類。但相關(guān)研究需要海量的網(wǎng)絡(luò)POI 數(shù)據(jù)對分類進(jìn)行支撐，而網(wǎng)絡(luò)數(shù)據(jù)來源雜亂，無法確保數(shù)據(jù)的準(zhǔn)確性，此外詳細(xì)的區(qū)域人口密度為政府非公開信息，數(shù)據(jù)獲取成本較高。3）基于站點(diǎn)時(shí)間序列客流特征對站點(diǎn)進(jìn)行分類。如，楊興[6]以15 min 為時(shí)間粒度，提取每個(gè)站點(diǎn)運(yùn)營時(shí)間內(nèi)的進(jìn)（出）站平均客流量，并采用高斯混合模型（Gaussian Mixture Model,GMM）聚類算法對站點(diǎn)進(jìn)行類型識別；蔣陽升等[7]將進(jìn)站客流量數(shù)據(jù)處理為時(shí)間序列數(shù)據(jù)，并采用K-Means++算法對各個(gè)站點(diǎn)的客流量進(jìn)行聚類。但相關(guān)研究數(shù)據(jù)大多使用周一至周五的客流量，未考慮非工作日客流特征對站點(diǎn)分類的影響。

為提高軌道交通站點(diǎn)分類的科學(xué)性與客觀性，需充分考慮客流宏觀與微觀特征因素以及客流時(shí)間變化規(guī)律。本文將基于客流時(shí)間序列，對比周中、周末[8]乘客出行規(guī)律，從宏觀、微觀不同角度提取站點(diǎn)客流分布特征和乘客出行特征，應(yīng)用層次聚類法、K-Means、DBSCAN 算法等8種聚類算法對軌道交通站點(diǎn)進(jìn)行分類，選取最優(yōu)聚類算法結(jié)果。最后，通過分析不同類別軌道交通站點(diǎn)客流特征，提出相應(yīng)的常規(guī)公交出行接駁服務(wù)建議，為提高城市軌道交通與常規(guī)公交銜接服務(wù)能力提供支撐。

1 軌道交通站點(diǎn)特征指標(biāo)構(gòu)建及處理

1.1 站點(diǎn)特征指標(biāo)提取

為明確軌道交通站點(diǎn)特征，通過分析乘客OD 出行數(shù)據(jù)，根據(jù)站點(diǎn)微觀、宏觀客流特征，構(gòu)建三級軌道交通站點(diǎn)特征指標(biāo)體系[9]，其中選取2 個(gè)一級指標(biāo)、4 個(gè)二級指標(biāo)、10 個(gè)三級指標(biāo)（見表1）。微觀方面考慮軌道交通站點(diǎn)乘客出行特征，參考文獻(xiàn)[9]，通過計(jì)算高（低）概率軌道交通出行人群占比，探索軌道交通出行人群穩(wěn)定性；宏觀方面考慮軌道交通站點(diǎn)客流分布特征，通過計(jì)算進(jìn)（出）站客流占比[10]、進(jìn)（出）站熵值[11]、車站客流時(shí)間序列特征[12]，探索客流時(shí)間分布規(guī)律。表1中，高峰時(shí)段指工作日7:30—9:30和17:30—19:30，其余為平峰時(shí)段。

表1 站點(diǎn)特征指標(biāo)

1.2 乘客出行特征分析

通過確定高（低）概率軌道交通出行人群，計(jì)算高（低）概率軌道交通出行人群占比，量化乘客出行特征。

1）高（低）概率軌道交通出行人群劃分

基于貝葉斯理論[13]，計(jì)算不同時(shí)空條件下乘客在站點(diǎn)的出行概率，劃分高（低）概率軌道交通出行人群。依據(jù)文獻(xiàn)[9]，將出行概率≤0.4 的乘客劃分為低概率軌道交通出行人群（一周內(nèi)最多2 天利用軌道交通出行）；出行概率＞0.7 的乘客劃分為高概率軌道交通出行人群（一周內(nèi)至少4 天利用軌道交通出行）；0.4＜出行概率≤0.7的乘客劃分為中概率軌道交通出行人群（一周內(nèi)3 天利用軌道交通出行）。相比中概率軌道交通出行人群，高（低）概率軌道交通出行人群的客流量特征更能直觀反映車站乘客出行規(guī)律性，因此本文主要針對高（低）概率軌道交通出行人群展開研究，不考慮中概率軌道交通出行人群。乘客出行概率計(jì)算公式見式（1）～式（3）：

式（1）～式（3）中：P(E|T,S)為t時(shí)段內(nèi)乘客針對s站點(diǎn)的出行概率；S為軌道交通站點(diǎn)s的合集；P(M|T) 為乘客在t時(shí)段內(nèi)乘坐軌道交通的概率；P(E|S,T,M)為乘客在t時(shí)段內(nèi)由s軌道交通站點(diǎn)進(jìn)（出）站的概率；T為t的合集，分為早高峰、平峰、晚高峰；Dmetro為乘客在統(tǒng)計(jì)周期內(nèi)t時(shí)段內(nèi)乘坐軌道交通的天數(shù)；Dall為統(tǒng)計(jì)周期內(nèi)乘客乘坐軌道交通的總天數(shù)；Ro為乘客在統(tǒng)計(jì)周期內(nèi)t時(shí)段在s站點(diǎn)進(jìn)（出）站頻數(shù)；Rall為統(tǒng)計(jì)周期內(nèi)乘客在s站點(diǎn)進(jìn)/出站總頻數(shù)。

2）高（低）概率軌道交通出行人群占比計(jì)算

為判斷站點(diǎn)客流規(guī)律特征，計(jì)算高（低）概率軌道交通出行人群分別占進(jìn)出站總客流的比例，計(jì)算公式見式（4）：

式（4）中：P(E|T,S,F)表示在t時(shí)段內(nèi)s站點(diǎn)中，f類進(jìn)（出）站客流占總進(jìn)（出）站客流的比例；T和S含義同前；F是f類客流的合集，指高概率、低概率軌道交通出行人群；Qf為t時(shí)段內(nèi)在s站點(diǎn)進(jìn)（出）站的f類客流量；Qall為t時(shí)段內(nèi)在s站點(diǎn)進(jìn)（出）站的全部客流量。

1.3 客流分布特征分析

通過測算進(jìn)出站客流占比、進(jìn)（出）站熵值和車站客流時(shí)間序列特征，量化站點(diǎn)客流分布特征。

1）進(jìn)（出）站客流占比

進(jìn)出站客流占比能反映軌道交通站點(diǎn)的服務(wù)功能，包含高峰進(jìn)（出）站客流與全天進(jìn)（出）站客流的比值、高峰進(jìn)站客流與高峰進(jìn)出站客流比值、非工作日與工作日日均進(jìn)（出）站客流量比值5 個(gè)三級指標(biāo)。高峰進(jìn)（出）站客流與全天進(jìn)（出）站客流比值越大，表示該站點(diǎn)進(jìn)（出）站客流時(shí)間越集中，站點(diǎn)可在高峰時(shí)段為乘客提供更多服務(wù)；高峰進(jìn)站客流與高峰進(jìn)出站客流比值越接近0.5，表示高峰時(shí)期該站進(jìn)站客流量與出站客流量越接近平衡狀態(tài)，該站點(diǎn)的服務(wù)功能越均衡；非工作日與工作日日均進(jìn)（出）站客流量比值越大，表示非工作日與工作日的客流量差異越明顯，該站點(diǎn)在非工作日時(shí)服務(wù)更多的出行人群。

2）進(jìn)（出）站熵值

軌道交通站點(diǎn)進(jìn)（出）站熵值可用來度量站點(diǎn)全天客流分布的均衡性。熵值越接近1，表示站點(diǎn)的全天客流在早高峰、平峰、晚高峰3 個(gè)時(shí)段內(nèi)分布越均衡。進(jìn)（出）站熵值的計(jì)算公式[14]見式（5）：

式（5）中：H(X)為軌道交通站點(diǎn)進(jìn)（出）站熵值；X為刷卡狀態(tài)，分進(jìn)站和出站；Qt為t時(shí)期客流量；Qday為全天內(nèi)客流量；T含義同前。

3）車站客流時(shí)間序列特征

為了判斷車站客流隨時(shí)間的集聚程度，以30 min 作為時(shí)間粒度，計(jì)算s車站在工作日（非工作日）運(yùn)營時(shí)間內(nèi)進(jìn)（出）站的平均客流量，其計(jì)算公式見式（6）：

1.4 特征降維

為了降低算法運(yùn)算成本，實(shí)現(xiàn)聚類結(jié)果的可視化，本文采用主成分分析法對數(shù)據(jù)進(jìn)行降維處理。計(jì)算不同主成分個(gè)數(shù)對應(yīng)的累計(jì)貢獻(xiàn)率（如圖1 所示），最后選取累計(jì)貢獻(xiàn)率達(dá)到85%的3 個(gè)主成分。

圖1 主成分累計(jì)貢獻(xiàn)率

2 軌道交通站點(diǎn)分類方法

2.1 聚類算法選擇

為了對不同軌道交通站點(diǎn)進(jìn)行分類，需對降維后的特征指標(biāo)值進(jìn)行聚類處理。常用聚類算法有K-Means[15]、DBSCAN[16]、層次聚類法[17]和GMM[18]等。以青島市軌道交通站點(diǎn)為例，基于其乘客刷卡數(shù)據(jù)，分別利用GMM-EM 聚類、KMeans 聚 類、Mean shift、DBSCAN 以 及4 類層次聚類共8 種算法對青島市軌道交通站點(diǎn)的客流特征進(jìn)行聚類。用CH 系數(shù)、輪廓系數(shù)、DB 指標(biāo)[19]來檢驗(yàn)聚類結(jié)果的優(yōu)劣性。聚類算法結(jié)果對比如表2 所示。從該表可以看出，與GMM 聚類和Mean shift 聚類相 比，K-Means 算法的CH 系數(shù)分別高55.1 和54.6，輪廓系數(shù)分別高0.21 和0.05，表明K-Means 聚類結(jié)果優(yōu)于GMM 聚類和Mean shift 聚類算法。同時(shí)，從不同聚類算法分類結(jié)果（見圖2）可以看出，K-Means 能將軌道交通站點(diǎn)較明顯地分為4 類；DBSCAN 聚類算法分類結(jié)果較為雜亂；Mean shift和層次聚類算法幾乎將站點(diǎn)分為1 類或2 類，不能很好地區(qū)分不同站點(diǎn)之間的特征。因此，本文采用K-Means 算法對軌道交通站點(diǎn)進(jìn)行分類。

圖2 不同聚類算法分類結(jié)果

表2 聚類算法結(jié)果對比

2.2 K-Means聚類數(shù)的確定

由于K-Means 聚類算法在聚類前需要確定最優(yōu)聚類數(shù)k，為避免人為設(shè)定聚類數(shù)造成數(shù)據(jù)解釋和結(jié)論偏差，本文采用手肘法選擇最優(yōu)聚類數(shù)，即通過計(jì)算聚類所得劃分簇的最小化平方誤差和確定k值。k值越小，表示簇內(nèi)樣本越緊密，k取值越合理。

計(jì)算不同聚類數(shù)下K-Means 算法聚類結(jié)果的誤差平方和（如圖3 所示），當(dāng)聚類數(shù)為4 時(shí)，誤差平方和的下降幅度逐漸減小，因此選擇4 作為K-Means 算法最終的聚類數(shù)，將軌道交通站點(diǎn)分為4類。

圖3 誤差平方和隨聚類數(shù)變化曲線

3 實(shí)例分析

3.1 樣本數(shù)據(jù)

為了驗(yàn)證本文方法對于軌道交通站點(diǎn)分類的有效性，本文以青島市軌道交通站點(diǎn)為例進(jìn)行實(shí)例分析。

采集青島市2022 年5 月10 日—5 月16 日6 條軌道交通線路的128 個(gè)軌道交通站點(diǎn)的進(jìn)出站刷卡數(shù)據(jù)，剔除乘客逃票、錯(cuò)誤刷卡、反復(fù)刷卡、同站進(jìn)出等數(shù)據(jù)，共獲取有效數(shù)據(jù)766 萬條，部分?jǐn)?shù)據(jù)示例如表3所示。

表3 軌道交通刷卡數(shù)據(jù)（部分）

3.2 軌道交通站點(diǎn)分類

根據(jù)2.2 節(jié)中確定的聚類數(shù)，將1.4 節(jié)中降維后的主成分應(yīng)用于K-Means 聚類算法。根據(jù)聚類結(jié)果（見圖2（b）），將青島市128 個(gè)軌道交通站點(diǎn)分為4 類，第1、2、3、4 類站點(diǎn)數(shù)量分別為90、29、7和2，具體如表4所示。

表4 青島市軌道交通站點(diǎn)聚類結(jié)果

3.3 軌道交通站點(diǎn)客流特征分析

通過分析工作日進(jìn)出站客流時(shí)間分布、非工作日與工作日日均進(jìn)（出）站客流比值、早晚高峰高（低）概率軌道交通出行人群占比、不同類型站點(diǎn)通勤客流量，明確不同類型軌道交通站點(diǎn)的交通流特征。

1）工作日進(jìn)出站客流時(shí)間分布特征

工作日進(jìn)出站客流時(shí)間分布特征可反映出客流隨時(shí)間的變化規(guī)律。4 類站點(diǎn)客流時(shí)間分布如圖4 所示，從客流整體分布情況來看，早高峰相比于晚高峰，進(jìn)出站客流量更為集中。但第3 類站點(diǎn)，早高峰進(jìn)站客流量小于晚高峰；第4 類站點(diǎn)，早高峰出站客流量小于晚高峰。從進(jìn)出站客流均衡性方面來看，第2 類站點(diǎn)高峰時(shí)段進(jìn)站與出站客流量基本持平。

圖4 4類站點(diǎn)客流時(shí)間分布

2）非工作日與工作日日均進(jìn)（出）站客流比

非工作日與工作日日均進(jìn)（出）站客流比可反映非工作日與工作日的客流變化情況。4 類站點(diǎn)非工作日進(jìn)（出）站客流量分布如圖5 所示。從該圖可以看出，非工作日客流中，第4 類站點(diǎn)客流量最多，進(jìn)出站日均總客流量平均在25 000人次以上，客流量主要集中在具有旅游性質(zhì)的站點(diǎn)和對外客運(yùn)樞紐性質(zhì)的站點(diǎn)等。4 類站點(diǎn)非工作日與工作日日均進(jìn)（出）站客流比如圖6所示。從該圖中可以看出，第4 類軌道交通站點(diǎn)和第1類個(gè)別站點(diǎn)的客流比明顯高于其他站點(diǎn)，在嶗山景區(qū)、黃島旅游區(qū)及臺東商業(yè)區(qū)等熱門區(qū)域，周末客流量變化明顯，周末日均客流量是周中的3倍以上。

圖5 4類站點(diǎn)非工作日進(jìn)（出）站客流量分布

圖6 4類站點(diǎn)非工作日與工作日日均進(jìn)（出）站客流比

3）早晚高峰高（低）概率軌道交通出行人群占比特征

高概率軌道交通出行人群占比情況可反映站點(diǎn)客流的穩(wěn)定性。4 類站點(diǎn)早晚高峰高概率軌道交通出行人群出行占比分布如圖7所示，整體上，早高峰較晚高峰的高概率軌道交通出行人群出行占比大，表明早高峰站點(diǎn)客流比較穩(wěn)定。第3 類站點(diǎn)早高峰高概率軌道交通出行人群出站占比和第2類站點(diǎn)的早高峰高概率軌道交通出行人群進(jìn)站占比均超過70%，表現(xiàn)出第3類站點(diǎn)很強(qiáng)的出站客流穩(wěn)定性和第2類站點(diǎn)很強(qiáng)的進(jìn)站客流穩(wěn)定性。

圖7 4類站點(diǎn)早晚高峰高概率軌道交通出行人群占比分布

圖7 （續(xù)）

3.4 站點(diǎn)類別特征分析

基于3.3 中軌道交通站點(diǎn)客流量特征，分析青島市4 類軌道交通站點(diǎn)特征。青島市不同類型軌道交通站點(diǎn)分布如圖8所示。

圖8 不同類型軌道交通站點(diǎn)分布

第1 類：居住導(dǎo)向型站點(diǎn)。站點(diǎn)客流時(shí)間分布圖（圖4（a）、（e））具有突出的進(jìn)站早高峰和出站早高峰特征。相比其他站點(diǎn)來說，該類型站點(diǎn)日均進(jìn)（出）站客流量最少，但非工作日客流量與工作日日均進(jìn)站客流比值較大，表明非工作日時(shí)，乘客出行需求反而增多。這與該類型站點(diǎn)周邊存在大型居住社區(qū)事實(shí)相符，如青島二中地鐵站點(diǎn)周邊具有大型居住社區(qū)，并配套學(xué)校、超市等便民設(shè)施。

第2 類：職住混合型站點(diǎn)。站點(diǎn)客流時(shí)間分布圖（圖4（b）、（f））存在明顯的左單峰形態(tài)，周中早高峰進(jìn)（出）站客流都較為突出，與第1類站點(diǎn)類似，但其工作日高峰進(jìn)站客流與高峰進(jìn)出站客流比值接近0.5，表明此類站點(diǎn)的服務(wù)功能較為均衡，同時(shí)服務(wù)工作類客流和居住類客流。這與該類型站點(diǎn)周邊既存在辦公場所又存在居住區(qū)的事實(shí)相符，如萬年泉路地鐵站周邊既有研究所、醫(yī)院、學(xué)校、政府辦公區(qū)以及各類有限公司等辦公場所，又有各式住宅小區(qū)。

第3 類：就業(yè)導(dǎo)向型站點(diǎn)。站點(diǎn)客流時(shí)間分布圖（圖4（c）、（g））具有早高峰出站人數(shù)較多，晚高峰進(jìn)站人數(shù)較多的特點(diǎn)，符合通勤人員早高峰出站上班，晚高峰進(jìn)站下班的情況。相比其他站點(diǎn)類型，該類站點(diǎn)晚高峰進(jìn)站的人員和早高峰出站的人員中，高概率軌道交通出行人群占比最多，表明該類型站點(diǎn)出行規(guī)律性較強(qiáng)，車站服務(wù)通勤類客流的特征較明顯，這與該類型站點(diǎn)附近存在金融商務(wù)辦公區(qū)和行政辦公中心的實(shí)際相符。

第4 類：娛樂購物型站點(diǎn)。站點(diǎn)周中日均入（出）站客流量均小于周末，表明周末客流量更大。相比于其他類型站點(diǎn)，該類站點(diǎn)周中晚高峰出站客流量大（圖4（h）），高峰值接近2 000 人次/d，表明晚上該類型站點(diǎn)較吸引人流量。這與該類型站點(diǎn)附近存在步行街和商圈，晚上和周末吸引客流的事實(shí)相吻合。站點(diǎn)客流時(shí)間分布圖也具有突出的早高峰進(jìn)站客流（見圖4（d）），表明該站點(diǎn)周邊也具有一定的居住屬性。

3.5 不同類型軌道交通站點(diǎn)常規(guī)公交出行接駁服務(wù)建議

1）對于居住導(dǎo)向型站點(diǎn)，針對其整體客流量小、乘客出行時(shí)間隨機(jī)的特點(diǎn)，建議提高小區(qū)周邊公交站點(diǎn)步行可達(dá)性，將步行到公交站點(diǎn)的時(shí)間控制在5 min 以內(nèi)，在固定區(qū)域范圍內(nèi)，以現(xiàn)有公交站點(diǎn)為基礎(chǔ)，為市民提供1 分鐘響應(yīng)、動(dòng)態(tài)發(fā)班的“區(qū)域巡游定制公交”服務(wù)，發(fā)展“靈活接駁軌道交通站點(diǎn)”的業(yè)務(wù)模式，在保障公共服務(wù)的基礎(chǔ)上，提升公交運(yùn)營效率。

2）對于職住混合型站點(diǎn)，由于早高峰進(jìn)站客流中高概率軌道交通出行人群較多，對常規(guī)公交存在準(zhǔn)點(diǎn)和快速到達(dá)軌道交通站點(diǎn)的要求，建議采用早高峰定制接駁公交形式，整合出行起止點(diǎn)、出行時(shí)間、服務(wù)水平相似的個(gè)體出行需求，設(shè)計(jì)個(gè)性化公交運(yùn)行線路和站點(diǎn)，滿足該類人員快速直達(dá)軌道交通站點(diǎn)的出行需求。

3）對于就業(yè)導(dǎo)向型站點(diǎn)，由于早高峰出站客流中通勤人員占比較多，對候車時(shí)間容忍度較低，建議以總換乘距離最短為目標(biāo)，對接駁常規(guī)公交站點(diǎn)進(jìn)行空間布局優(yōu)化；以乘客總換乘時(shí)間最短為目標(biāo)，優(yōu)化接駁公交運(yùn)營時(shí)刻表，減少乘客等待時(shí)間。采取準(zhǔn)點(diǎn)到站的運(yùn)營模式，將到站時(shí)間精確到±3 min 以內(nèi)，實(shí)現(xiàn)從“趕公交”“等公交”到“準(zhǔn)點(diǎn)上車”“掐點(diǎn)乘車”。

4）對于娛樂購物型站點(diǎn)，相比工作日，非工作日進(jìn)出站客流量更多，大部分為娛樂購物人群，因此建議在保證與軌道交通站點(diǎn)接駁的同時(shí)，綜合考慮乘客的出行時(shí)間、游玩、購物需求，串聯(lián)起各大熱門景點(diǎn)商圈和“打卡點(diǎn)”，形成休閑微循環(huán)線路，在每周六至周日、法定節(jié)假日以及旅游旺季等運(yùn)營，以滿足乘客出行需求。

4 結(jié)束語

本文利用軌道交通刷卡數(shù)據(jù)，基于乘客出行特征和客流分布特征，對軌道交通站點(diǎn)特征進(jìn)行提取，應(yīng)用K-Means 聚類算法將軌道交通站點(diǎn)分為就業(yè)導(dǎo)向型、職住混合型、居住導(dǎo)向型、娛樂購物型等4 類，并結(jié)合站點(diǎn)特征提出常規(guī)公交出行接駁服務(wù)建議。研究成果可為軌道交通站點(diǎn)功能分類提供參考，為優(yōu)化常規(guī)公交接駁服務(wù)提供支撐。

由于數(shù)據(jù)可獲取性，本文僅基于客流特征對軌道交通站點(diǎn)進(jìn)行了聚類，未考慮其他非客流因素，如周邊土地利用情況、居住人口數(shù)和就業(yè)崗位數(shù)等，而這些因素對站點(diǎn)分類精細(xì)度具有一定影響，在未來研究中，將考慮這些因素對軌道交通站點(diǎn)類型的影響，進(jìn)一步提高站點(diǎn)功能分類的科學(xué)性。