建成环境对轨道交通客流的时空异质性影响分析.pdf

第23卷第4期2023 年 8 月交通运输系统工程与信息Journal of Transportation Systems Engineering and Information TechnologyVol.23 No.4August 2023文章编号：1009-6744(2023)04-0194-09中图分类号：U121文献标志码：ADOI:10.16097/ki.1009-6744.2023.04.020建成环境对轨道交通客流的时空异质性影响分析许心越*1，孔庆雪1，李建民1，刘军1，孙琦2(1.北京交通大学，轨道交通控制与安全国家重点实验室，北京 100044；2.北京市轨道交通指挥中心，北京 100101)摘要：研究各类建成环境特征对客流的影响，对城市轨道交通网络规划和运营客流控制具有重要意义。本文考虑人口经济特征、车站特征、外部交通特征与土地利用特征这4类建成环境对客流的影响，提出一种融合时空地理加权回归(GTWR)和随机森林(RF)的时空地理加权随机森林模型(GTWR-RF)，以捕捉建成环境特征对客流影响的时空异质性与非线性。首先，利用多源数据对各建成环境的统计指标进行细化和完善，采用GTWR模型计算建成环境对客流的影响系数，捕捉并分析建成环境对客流影响的时空异质性。其次，将影响系数输入RF模型中进行训练，捕捉并分析建成环境对客流的非线性影响，实现客流预测并确定建成环境特征对客流预测影响的相对重要度。针对北京的案例研究表明：GTWR-RF模型能够同时捕捉建成环境特征对客流影响的时空异质性与非线性，在所有建成环境特征中，工作人口数量对客流预测影响最显著，其次为公交接驳量；与普通最小二乘法、RF、梯度提升回归树、极限梯度提升树和 GTWR 模型相比，GTWR-RF模型具有更好的预测性能，在早高峰客流预测中决定系数较其他方法分别提升了5.7%，6.3%，0.5%，10.1%和7.3%。关键词：城市交通；客流时空异质性；建成环境；随机森林；时空地理加权回归Analysis of Spatio-temporal Heterogeneity Impact of BuiltEnvironment on Rail Transit Passenger FlowXU Xin-yue*1,KONG Qing-xue1,LI Jian-min1,LIU Jun1,SUN Qi2(1.State Key Laboratory of Rail Traffic Control&Safety,Beijing Jiaotong University,Beijing 100044,China;2.Beijing Rail Transit Command Center,Beijing 100101,China)Abstract:Abstract:It is of great significance to study the influence of various built environment characteristics on passengerflow for urban rail transit network planning and operational passenger flow control.This paper considers the influenceof four types of built environment characteristics on rail transit passenger flow,including population economiccharacteristics,station characteristics,external traffic characteristics and land use characteristics.A hybrid model(GTWR-RF)is proposed,which combines the geographically and temporally weighted regression(GTWR)andrandom forest(RF).The model is used to capture the spatio-temporal heterogeneity and nonlinearity of the effects ofbuilt environment characteristics on passenger flow.First,the statistical indicators of built environment are refined andimproved by collecting multi-source data.The GTWR was used to calculate the influence coefficient of builtenvironment on rail transit passenger flow,and to analyze the spatio-temporal heterogeneity of the influence of builtenvironment on passenger flow.Then,the influence coefficient is input into the RF model for training,to analyze thenonlinearity of the influence of the built environment on passenger flow.Using the GTWR-RF model,the studycompleted the passenger flow prediction and determined the mean relative importance of the built environmentcharacteristics on passenger flow prediction.A case study in Beijing shows that the GTWR-RF model can describe boththe spatio-temporal heterogeneity and nonlinearity of the impact of built environment characteristics on passenger flow.Of all the built environment features,the number of working population has the most significant influence on the收稿日期：2023-03-17修回日期：2023-04-23录用日期：2023-04-25基金项目：中央高校基本科研业务费专项资金/The Fundamental Research Funds for the Central Universities(2022JBZY022)；北京市自然科学基金/Natural Science Foundation of Beijing,China(9212014)。作者简介：许心越(1983-)，男，河南信阳人，教授，博士。*通信作者：第23卷 第4期建成环境对轨道交通客流的时空异质性影响分析forecast of passenger flow,followed by the number of bus connections.In the morning peak passenger flow forecast,the determination coefficient of GTWR-RF model is increased by 5.7%compared to the OLS method,increased by6.3%compared to the RF method,increased by 0.5%compared to the GBRT method,increased by 10.1%compared tothe XGBoost method,increased by 7.3%compared to the GTWR method.Keywords:Keywords:urbantraffic;spatio-temporalheterogeneityofpassenger flow;built environment;random forest;geographically and temporally weighted regression0引言城市轨道交通作为一种高效便捷的出行方式，有助于缓解交通拥堵1。目前，我国的轨道交通规划和建设正处于快速增长阶段，截至2022年底，共有53个城市开通运营城市轨道交通线路290条，运营里程9584 km。城市轨道交通客流时空规律复杂多变，确定轨道交通客流影响因素，特别是建成环境特征对轨道交通客流的影响，对于改善城市交通规划和客流管理至关重要。当前城市轨道交通客流规律、影响因素分析的研究成果丰硕，如马壮林2、郭平3等总结了影响城市轨道交通客流的因素，包括建成环境特征、轨道交通与其他运输方式的衔接和城市相关管理等。但既有研究分析建成环境对轨道交通客流的影响仍处于探索阶段，多从建成环境的部分特征进行研究。比如LI等4从人口经济特征方面与车站特征方面分析建成环境对客流的影响发现，工作人口数量与居住人口数量是客流的发生源之一，且车站出入口数量会对客流产生重要影响。ZHU等5从外部交通特征方面探讨了车站周围道路密度对客流的影响。马超群等6从土地利用特征方面解析了轨道交通进出站客流需求与周边用地之间的关系。近年来，直接需求模型因其成本低、响应速度快的优点被广泛应用于分析建成环境对客流的影响，研究多从建成环境对客流影响的空间异质性角度开展，比较经典的直接需求模型包括线性回归和机器学习两类方法。比如陈启香等7利用多尺度地理加权回归模型研究建成环境对出租车与地铁竞合关系的影响机理，结果表明，竞合关系具有显著的空间异质性。CHEN等8使用普通最小二乘法(Ordinary Least Squares,OLS)研究建成环境特征与地铁使用之间的关系发现，交叉口数量与地铁客流量呈正相关。CHEN等9建立半参数地理加权泊松回归模型探索出租车需求与建成环境之间的时空关系，其拟合优度要高于广义线性模型。LI等10采用 地 理 加 权 回 归 模 型(Geographically WeightedRegression,GWR)分析不同时段建成环境对客流的影响，结果表明，车站出入口数量与客流量呈正相关。LI等11采用GWR模型分析建成环境对轨道交通客流的影响，结果表明，建成环境对客流的影响具 有 空 间 异 质 性。为 将 时 间 维 度 融 入GWR 模型中，HUANG等12提出时间地理加权回归模 型(Geographically and Temporally WeightedRegression,GTWR)，其拟合优度要高于 GWR 模型。这些模型多忽略了建成环境特征对客流的非线性影响，导致客流预测误差偏大。近年来，机器学习模型因在非线性和复杂关系建模方面的优势被应用于建成环境对客流影响的研究中。例如，SHAO等13采用梯度提升决策树模型(Gradient Boosting Decision Tree,GBDT)估计建成环境特征对客流影响的相对重要度。YANG等14采用RF模型揭示中国成都轨道交通客流在 1 d中3个时段与建成环境的非线性和时间异质性关系。DING等15采用GBDT模型分析建成环境特征对轨道交通客流的非线性影响，并确定建成环境特征的有效影响范围。然而，建成环境对客流的影响在不同时间和车站表现出异质性，上述机器学习模型虽然能够捕捉建成环境对客流的非线性影响，但忽视了建成环境对客流影响的时空异质性。鉴于此，本文提出时空地理加权随机森林模型(GTWR-RF)以捕捉建成环境特征对轨道交通客流影响的时空异质性与非线性，实现客流预测并确定建成环境特征对客流影响的相对重要度。具体地，利用 GTWR 模型计算建成环境对客流的影响系数，捕捉建成环境对客流影响的时空异质性；进一步将影响系数输入到RF模型中进行训练，捕捉建成环境对客流影响的非线性。1客流数据与建成环境变量构造轨道交通进出站客流数据采用 2022 年 3 月1日7日为期一周的北京市轨道交通运营线路客流数据，共计363座车站，为了揭示建成环境特征在不同时间的不同影响，分为工作日与周末，从6:00-22:00，以1 h为间隔统计客流量。基于相关研究对建成环境因素的分析，本文建195交通运输系统工程与信息2023年8月成环境变量主要从人口经济特征、车站特征、外部交通特征与土地利用特征这4个方面构造，表1为各变量的定义与描述性统计。表 1 变量的定义和描述性统计Table 1 Definition and descriptive statistics of dependent and explanatory variables变量客流量人口经济特征车站特征外部交通特征土地利用特征平均房价居住人口数量工作人口数量度介数局部站点密度出入口数量距市中心距离道路密度公交接驳量公交条数办公设施居住设施教育设施旅游设施医疗设施娱乐设施土地利用混合指数描述车站小时进出站客流量/人次车站吸引范围内居民小区平均房价/(元m-2)车站吸引范围内居住人口数量车站吸引范围内工作人口数量车站连接其他车站数量网络中所有最短路径中经过该车站的路径总数占最短路径总数比例车站2000 m范围内包含其他轨道交通车站数量车站出入口数量车站距离市中心(天安门)的距离/m车站吸引范围内每平方公里的道路长度/(kmkm-2)公交换乘轨道交通的人数车站吸引范围内公交线路数车站吸引范围内办公设施类POI数量车站吸引范围内居住设施类POI数量车站吸引范围内教育设施类POI数量车站吸引范围内旅游景点类POI数量车站吸引范围内医疗设施类POI数量车站吸引范围内娱乐设施类POI数量车站土地利用混合指数平均值41975602928287450022.3110.0404.1813.898178491817175615.43270.80114.71926.7240.8401.355144.0881.183标准偏差30823096218927467570.8630.0402.3971.644115996453106610.86468.14911.64832.0052.7631.716139.9670.256最小值41000101114990000000000最大值189851768009313626246560.2941210554553552710312525408924724159441.676建成环境中的人口经济特征包括平均房价、居住人口数量与工作人口数量。其中，房价数据出自于贝壳网，通过Python代码爬取得到，约11000条数据。人口数据来自百度地图热力图截图，通过ArcGIS软件处理得到轨道交通车站吸引范围内人口数量。由于工作日10:00与22:00分别被视为人们工作和在家的时间，将工作日10:00-11:00的人口数量定义为工作人口数量，工作日22:00-23:00的人口数量定义为居住人口数量4。建成环境中的车站特征包括度、介数、局部站点密度与车站出入口数量，通过北京市现有轨道交通路网计算得到。建成环境中的外部交通特征考虑了距市中心距离、道路密度、公交接驳量与公交条数，北京市道路数据在太乐地图下载器中下载得到，通过ArcGIS软件处理道路数据得到道路密度，计算公式为p=L S(1)式中：p为路网密度(kmkm-2)；L为轨道交通车站吸引范围内的道路长度(km)；S为轨道交通车站吸引范围面积(km2)。选择高德地图作为建成环境中土地利用特征数据来源，从“高德地图API_POI类别划分表”中选取能够代表办公设施、居住设施、教育设施、旅游设施、医疗设施和娱乐设施的 6 类兴趣点(Point ofInterest,POI)类型作为本文研究的目标POI类型，总计约20万条数据。土地利用混合指数表示土地利用种类以及平衡程度，其值越大，表示车站吸引范围内土地利用类型越多，计算公式为E=-j=1Jpjln()pj(2)式中：E为每个车站的土地利用混合指数；pj为车站吸引范围内土地利用类别j的比例；J为土地利用类别的总数(本文为6)。城市轨道交通车站直接影响范围是指其步行吸引范围，通常用半径为3001500 m的圆形区域表示，800 m 通常被认为是可接受的步行吸引范围16，因此将车站的影响范围半径设为800 m。196第23卷 第4期建成环境对轨道交通客流的时空异质性影响分析然而，某些车站之间的缓冲区可能重叠，尤其是在中心区域的车站，使用泰森多边形处理这些重叠区域。2时空地理加权随机森林模型为了同时考虑建成环境特征对轨道交通客流影响的时空异质性与非线性，采用GTWR模型计算建成环境对客流的影响系数，进而将影响系数输入RF模型中进行训练。2.1 GTWR模型GTWR模型能较好地描述解释变量与因变量之间的时空关系，其表达式12为yi=0()ui,vi,ti+k=1mk()ui,vi,tixik+i(3)式中：yi为样本i的客流量；ui为样本i的经度值，vi为样本i的纬度值，()ui,vi,ti为第i个样本点的时空坐标；xik为第k个解释变量在第i个样本点的取值；0()ui,vi,ti为第i个样本点的截距；i为样本i对应的残差；m为解释变量个数；k()ui,vi,ti为第k个解释变量在第i个样本点的拟合系数，即GTWR-RF模型所需的影响系数。GTWR模型同时考虑了时间和空间的异质性，使得GTWR模型具有其他模型不具备的特点，其主要特征为解释变量的影响系数是随着时间以及地理位置变化而变化的一个函数。因此，权函数在GTWR 模型的确立中扮演着十分重要的角色，间接决定了影响系数的大小。GTWR模型中常用高斯函数作为权函数，高斯函数作为渐变函数，可以解决时空距离的渐变影响问题，以此达到随着时空距离的变化使得影响因素逐步变小的目的，其表达式为wij=exp-dijb2(4)式中：wij为样本j各解释变量相对于样本i的权重；dij为第i个车站和第j个车站质心之间的距离；b为带宽，由最小AIC方法确定。2.2 GTWR-RF模型RF模型是一种基于回归树模型的集成学习算法，通过对样本数据的随机抽样组成多个不同的回归树，再把回归树运算结果组合起来获得RF的预测结果。RF中的回归方程可以简化17为yi=f()Xi+i(5)式中：Xi=xi1,xik,xim为样本i的解释变量向量；f()Xi为随机森林各个回归树中客流量的平均；i为样本i对应的残差。考虑解释变量对客流影响的时空异质性，将GTWT模型计算得到的影响系数作为RF模型的输入。因此，GTWR-RF模型中的回归方程为yi=f()X*i+i(6)式中：X*i=1()ui,vi,ti,k()ui,vi,ti,m()ui,vi,ti为样本i的影响系数向量；i为样本i对应的残差。2.3 评价指标选取平均绝对误差(EMAE)、均方根误差(ERMSE)和决定系数(R2)这3种评价指标对模型预测性能进行分析，其表达式为EMAE=1ni=1n|yi-yi(7)ERMSE=1ni=1n()yi-yi2(8)R2=1-i=1n()yi-yi2i=1n()yi-y 2(9)式中：yi和yi分别为第i个车站的实际客流量和预测客流量；y 为实际客流量的平均值；n为样本数量。3案例分析3.1 建成环境对轨道交通客流影响的时空异质性分析在检验多重共线性后，使用Morans I作为空间相关性的评价指标，表2给出评价显著性的指数值和p值，所有解释变量在空间自相关中均具有统计学意义(p0.05)。建立GTWR模型对数据进行训练，每个解释变量会输出363个车站乘以16 h共计5808个影响系数。选择四分位数、中位数以及最值作为模型结果的代表，18个解释变量的影响系数统计性描述如表3所示。可以看出，解释变量如平均房价、居住人口数量等，其在GTWR模型的影响系数中均有正有负，这表明，即使是同一解释变量在不同时段内对客流的作用方向及影响程度均有所差异，也验证将GTWR模型运用于具有时间相关性的交通数据分析中的有效性。197交通运输系统工程与信息2023年8月表 2 解释变量的空间自相关性检验Table 2 Spatial autocorrelation test table of explanatory variables解释变量平均房价居住人口数量工作人口数量度介数局部站点密度出入口数量距市中心距离道路密度Morans I0.1980.1930.4550.1150.1310.7310.1341.2920.110p值000000000解释变量公交接驳量公交条数办公设施居住设施教育设施旅游设施医疗设施娱乐设施土地利用混合指数Morans I0.1460.5010.2790.2090.2170.3950.1210.2160.177p值000000000表 3 GTWR-RF模型影响系数统计表(工作日)Table 3 Statistical table of influence coefficient of GTWR-RF model(weekday)影响因素平均房价居住人口数量工作人口数量度介数局部站点密度出入口数量距市中心距离道路密度公交接驳量公交条数办公设施居住设施教育设施旅游设施医疗设施娱乐设施土地利用混合指数最小值-0.083-0.2860.1160.077-0.069-0.341-0.133-0.533-0.5420.067-0.133-0.418-0.343-0.162-0.313-0.0890.220-0.998上四分位数-0.0110.0250.2290.3650.027-0.1550.058-0.221-0.2870.132-0.049-0.094-0.091-0.065-0.1870.0160.134-0.027中位数-0.0010.0760.2890.4320.055-0.1080.100-0.114-0.2240.1510.0000.013-0.059-0.031-0.1370.0550.2270.200下四分位数0.0110.1240.3720.5270.084-0.0630.1470.074-0.1490.1730.0710.095-0.0100.013-0.0970.1040.3110.432最大值0.0670.2340.8820.9760.1690.2560.3180.361-0.0270.2320.2250.4170.2000.1620.0190.2200.7761.810对影响系数的时间分布特征进行分析，以全面理解建成环境对客流的影响。以单位小时为间隔计算影响系数在1 d不同时段的平均值，得到解释变量影响系数的小时分布曲线图。总体上看，同一解释变量在1 d不同时段对客流的影响具有较大差异。如图 1(a)所示，居住人口数量影响系数为正值，这表示居住人口数量对客流具有正向影响，且在1 d中7:00与21:00影响达到最大。工作人口数量对客流具有正向影响，且工作日影响系数要显著高于周末，并在8:00与19:00达到峰值，这表明工作人口数量对早晚高峰客流具有较大的正向促进作用，与人们早出晚归的出行规律一致。如图1(c)所示，公交接驳量对工作日与周末客流都具有正向影响，其影响系数在1 d中随时间波动较小。如图1(d)所示，局部站点密度对客流具有负向影响，且在工作日的8:00与19:00影响程度达到最小。运用ArcGIS可视化早晚高峰客流解释变量影响系数在空间维度的变化情况。如图2(a)和图2(b)所示，居住人口数量会促进乘客乘坐轨道交通出行。对于两个时段的客流，居住人口数量在北京市中心城区的影响系数较小，而在东南部郊区的影响系数达到峰值，这可能意味着北京东南部郊区的居住人口更多的依赖轨道交通进行通勤活动。这一发现与北京居民通常在市中心工作的事实有关，通勤距离长，交通成本高，使得他们更倾向于选择轨道交通作为主要的通勤方式。如图2(c)和图2(d)所示，局部站点密度的影响系数为负值，这表明局部站点密度会抑制乘客乘坐轨道交通出行，且对中心城区与西南部郊区的抑制程度要大于其他区域。198第23卷 第4期建成环境对轨道交通客流的时空异质性影响分析图 1 GTWR-RF模型解释变量影响系数的小时分布图Fig.1 Hourly distribution curve of influence coefficient of GTWR-RF model explanatory variables图 2 GTWR-RF 模型解释变量影响系数的空间分布图Fig.2 Spatial distribution of influence coefficients of GTWR-RF model explanatory variables199交通运输系统工程与信息2023年8月3.2 建成环境对轨道交通客流影响的非线性分析通过部分依赖图可视化建成环境对客流的非线性影响13，调用Python中的机器学习sklearn包绘制部分依赖图。图3展示了部分建成环境特征对早高峰客流的影响，总体而言，建成环境特征与客流存在着非线性关系。如图3(a)所示，工作人口数量对客流具有正向影响，当其值从 50000 增加到100000时，客流开始急剧增加，随后开始放缓并在工作人口数量达到160000后不再增加。如图3(b)所示，当居住人口数量从20000增加到40000时，客流急剧增加，随后开始放缓并在居住人口数量达到80000后保持不变，达到阈值。如图3(c)所示，当公交接驳量超过阈值8000时客流将不再随着公交接驳量的增加而变化，表明当公交接驳量达到8000时，轨道交通车站客流达到饱和。如图3(d)所示，当局部站点密度从0增加到8时，客流逐渐减少，而当局部车站密度从8增加到10时，客流开始有所回升，回升的原因可能是局部站点密度大的车站处在繁华区域，其客流量转而增大。图 3 解释变量对轨道交通客流的非线性影响Fig.3 Nonlinear influence of explanatory variables on rail transit passenger flow3.3 建成环境特征的平均相对重要度GTWR-RF模型可以计算建成环境特征对客流预测影响的平均相对重要度，各建成环境特征对城市轨道交通车站工作日早晚高峰客流预测影响的相对重要度及其排名如表4所示。整体上看，建成环境特征在早晚高峰客流预测中的重要度有些许差别，但排名基本不变。具体来看，人口经济特征贡献客流预测40%的重要度，其中，工作人口数量对客流影响最大，在早高峰客流预测重要度中排名第2，晚高峰客流预测重要度中排名第1。外部交通特征中公交接驳量对客流预测影响最显著，在早晚高峰客流预测中重要度分别达到了 31%与28%。车站特征贡献客流预测9%的重要度，相对影响较小。在早晚高峰客流预测中，土地利用特征分别贡献客流预测14%与11%的重要度，其中娱乐设施影响最大。应注意的是，GTWR-RF模型计算解释变量的相对重要度在一定程度上与先前的研究不同。一方面是本文的解释变量与之前的研究有所不同；另一方面，如果不考虑建模过程中的时空异质性，分析过程中难免会产生一些偏差。因此，进一步揭示建成环境如何影响轨道交通客流非常重要。200第23卷 第4期建成环境对轨道交通客流的时空异质性影响分析表 4 解释变量的平均相对重要度Table 4 Mean relative importance of explanatory variables类别人口经济特征车站特征外部交通特征土地利用特征变量平均房价居住人口数量工作人口数量度介数局部站点密度出入口数量距市中心距离道路密度公交接驳量公交条数办公设施居住设施教育设施旅游设施医疗设施娱乐设施土地利用混合指数早高峰相对重要度(相对重要度排名)0.01(12)0.09(3)0.27(2)0.02(11)0.03(6)0.01(13)0.03(7)0.01(14)0.07(4)0.31(1)0.01(15)0.02(10)0.01(16)0.02(9)0.01(17)0.02(8)0.05(5)0.01(18)合计0.370.090.400.14晚高峰相对重要度(相对重要度排名)0.01(8)0.06(4)0.37(1)0.05(5)0.01(9)0.01(10)0.01(11)0.01(12)0.07(3)0.28(2)0.01(13)0.01(14)0.01(15)0.04(6)0.01(16)0.01(17)0.02(7)0.01(18)合计0.440.080.370.113.4 模型对比为检验GTWR-RF模型相对于其他模型的优势，选取OLS、RF、GBRT、XGBoost、GTWR模型同GTWR-RF模型进行比较分析。其中，线性回归模型是用于测量解释变量对客流影响的常用方法，通常采用OLS进行参数估计。GBRT是交通研究中越来越多采用的一种典型的集成学习方法。XGBoost是梯度提升树模型的一种，串行的生成模型并取所有模型的和作为输出结果18。本文使用的机器学习模型均通过网格搜索法进行超参数调整，70%的数据集作为训练集，30%的数据集作为测试集。表5显示了工作日早晚高峰时段不同模型的训 练 结 果 对 比，结 果 表 明，对 于 两 个 时 段，GTWR-RF模型在ERMSE与EMAE方面都要优于其他模型。以工作日早高峰时段为例，与XGBoost模型相比，GTWR-RF模型的预测决定系数从0.556提高到了 0.657，且ERMSE与EMAE都要优于 XGBoost 模型，进步显著。实验结果表明，同时考虑建成环境对客流影响的时空异质性与非线性可以显著提高模型的预测能力。进一步分析，当忽略时空效应后，部分非线性模型(RF与GBRT)提高了其对样本的整体适应度，尤其是对于RF模型来说，表明RF模型可以更好地捕捉车站建成环境与客流之间的非线性关系。当GTWR的时空异质性与RF的非线性性质相结合时，GTWR-RF模型的预测能力得到增强，实现模型的最佳拟合性能。表 5 不同模型预测结果对比Table 5 Comparison of prediction results of different models时间工作日早高峰工作日晚高峰模型测试R2测试ERMSE测试EMAE测试R2测试ERMSE测试EMAEOLS0.6001969.5641433.4360.6311379.146966.434GBRT0.5942147.7341453.5090.6341630.3261079.569RF0.6521968.1301402.0050.6751535.789972.361XGBoost0.5561939.5201369.8630.5651408.530975.609GTWR0.5842068.0161392.8360.6301477.5301022.119GTWR-RF0.6571875.1681355.9340.6981350.387955.4434结论本文提出GTWR-RF模型以捕捉建成环境特征对轨道交通客流影响的时空异质性与非线性，实现客流预测并确定建成环境特征对客流影响的相201交通运输系统工程与信息2023年8月对重要度，研究结果表明：(1)从人口经济特征、车站特征、外部交通特征与土地利用特征这4个方面刻画城市轨道交通建成环境，运用Morans I检验表明，建成环境特征的空间分布具有明显的空间异质性。(2)GTWR-RF模型可以同时捕捉建成环境对轨道交通客流影响的时空异质性与非线性。结果表明，居住人口数量与工作人口数量对客流影响程度随着时间与空间的不同而变化，且当居住人口数量与工作人口数量达到阈值时，其数量的增加将不再对客流产生影响。(3)对于早高峰客流预测的影响程度从大到小排名分别为外部交通特征、人口经济特征、土地利用特征与车站特征。晚高峰客流预测的影响程度从大到小排名分别为人口经济特征、外部交通特征、土地利用特征与车站特征。在所有建成环境特征中，外部交通特征中的公交接驳量与人口经济特征中的工作人口数量对客流预测具有重要影响。(4)相较于OLS、RF、GBRT、XGBoost与GTWR模型，考虑时空异质性与非线性的GTWR-RF模型在早高峰客流预测中测试R2分别提升了 5.7%，6.3%，0.5%，10.1%与7.3%，模型的预测精度得到提升。参考文献1彭挺,周涛,蔡晓禹.基于属性加权回归的组团式城市轨道交通进出站客流预测模型研究J.交通运输系统工程与信息,2023,23(1):176-186.PENG T,ZHOU T,CAI X Y.Research on the prediction model of passengerflow in and out of rail transit station for group city basedonattributeweightedregressionJ.JournalofTransportation Systems Engineering and InformationTechnology,2023,23(1):176-186.2马壮林,杨兴,胡大伟,等.城市轨道交通车站客流特征影响程度分析J.清华大学学报(自然科学版),2023,22(4):1-12.MA Z L,YANG X,HU D W,et al.Influence degree analysis of ridership characteristics aturbanrailtransitstationsJ.JournalofTsinghuaUniversity(Science&Technology),2023,22(4):1-12.3郭平.城市轨道交通客流特征及预测相关问题J.城市轨道交通研究,2010,13(1):58-62.GUP P.Oncharacteristicsandpredictionofurbanrailtransitpassenger flowJ.Urban Mass Transit,2010,13(1):58-62.4LI S Y,LYU D J,HUANG G P,et al.Spatially varyingimpacts of built environment factors on rail transitridership at station level:A case study in Guangzhou,ChinaJ.Journal of Transport Geography,2020,82(1):102631.5ZHU Y D,CHEN F,WANG Z J,et al.Spatio-temporalanalysis of rail station ridership determinants in the builtenvironmentJ.Transportation,2019,46:2269-2289.6马超群,潘杰,王云.基于PLSR建模的地铁车站客流与周边用地关系分析J.重庆理工大学学报(自然科学),2019,33(5):113-120.MA C Q,PAN J,WANG Y.Research on the relationship between and use andpassengervolumebasedonPLSRJ.JournalofChongqing University of Technology(Natural Science),2019,33(5):113-120.7陈启香,吕斌,陈喜群,等.空间异质性建成环境对出租车与地铁竞合