基于多源数据的地铁站域活力评价方法研究*

文/北京工业大学城市建设学部 胡 斌 卞晓帆

北京北工大规划设计院有限公司 王 峥

0 引言

近年来，随着城镇化进程加快，地铁发展迅速。截至2019年底，地铁线路在我国城市轨道交通运营长度中占比高达77.07%，居首要地位。但地铁站高速注入城市空间也易导致场所认知度低、区域可达性弱等新问题。

通过分析相关理论和对地铁站域及站域活力的进一步界定，提取所需地铁站域活力评价指标，利用地理信息数据优势，提出各项指标的数据来源与分析方法，为后续建立地铁站域空间活力评价体系提供有力支持。

1 理论研究

1.1 “活力”定义

在城市空间中，活力通常揭示人与场所的相互关系，人在公共空间中完成多种社交及日常活动，公共空间特性激发人们生活的积极性。

根据相关定义，提取激发公共空间活力所具备的特质。

1）城市功能具有聚集度高、多元化程度高、空间多样性高的特性。

2）城市空间环境品质较高，满足人们的使用需求及精神愉悦感受。

3）城市空间对交往活动具有到促进作用，满足良好日常交往需求。

4）公共空间活力体现在空间环境舒适度和使用者满意度方面。

1.2 站城一体化理论

站城一体化理论是TOD理论的本土化延伸，是以轨道交通为核心，将站域空间、交通空间及私有物业进行统筹规划的理论。站城一体化理论在功能上强调混合利用，在保证城市空间舒适度基础上，强调站域与周边公共空间的一体化开发，交通上强调与城市公共空间的合理结合。

提取地铁站域内空间活力的评价要素，即站域职能要素中的交通组织、物理属性和舒适性。

1）地铁车站周边的服务型设施可蔓延至整个城市空间。各站点周边城市功能进一步组团化，满足交通及生活需求。

2）在车站周边创造适宜的车行、步行交通系统，使公共交通更便捷，提高人们的出行意愿。

3）地铁站到周边设施的步行范围考虑公共空间的综合开发与一体化建设。

2 评价指标选取

2.1 地铁站域界定

地铁站域既是站点与城市间的过渡空间，又承载着周边居民的使用需求。地铁站点分析更注重其交通性，是交通系统和城市公共空间紧密联系的重要环节，站点与公共空间是有机整体。站域的特殊性主要体现在以下方面。

1）部分地铁站点设计滞后于周围环境规划，地铁站点与城市公共空间并未紧密结合。

2）新规划的地铁站域空间具有一体化特征，地上地下可同时规划设计。

3）地铁站建设解决了居民出行问题，带来巨大人流，地铁站域应满足日常出行和应对瞬时激增客流需求。

4）地铁站域既需注重交通设计，又应满足周边居民和游客的生活与出行需求。

综上所述，地铁站域可界定为：具有一般公共空间属性，兼顾地铁站点和城市公共空间特性，具备一体化和复合型空间特性，为居民和旅客提供日常公共活动和社会服务功能，承担城市交通、公共广场、社会服务、商业设施等城市空间属性。

2.2 地铁站域活力概念界定

城市普通群众及其活动是区域活力的主体，而空间是人及其活动的物质载体，是构成活力的物质条件。地铁使用者及其活动作为整体，与地铁站域相互作用。地铁站域活力需求如下。

1）安全性需求 心理学家亚伯拉罕·马斯洛的基本需求层次理论将人的基本需求分为5类。最基本层次是生理和安全需求。站域环境因素影响使用者的安全感，进而影响站域内人群的使用情况。安全的站域空间内交通组织应保持畅通，人群行进道路不应有障碍物，车行及步行交通组织不应混杂。

2）功能多样性需求 站域的使用者因职业、年龄、兴趣及行事风格不同，表现出不同的活动需求。与功能相对乏味、单一的地铁站域相比，热闹、多元化的站域更吸引使用者停留与聚集。

3）社会交往需求 人是社会性动物，日常生活中需与他人进行感情交流。人们更易在舒适环境中进行社会交往活动，此空间能促进人群聚集，使站域产生活力。

2.3 评价指标选取

结合上文对相关理论的研究和对地铁站域的概念界定，本文认为地铁站域空间的活力度可表述为：地铁站域为本地居民和游客提供满足生存、活动及精神需求的能力。

为构建地铁站域空间活力评价体系，结合地铁站域和站域活力概念界定，对地铁站域活力评价指标进行合理提取和重新定义，评价层为人群活动、站域职能及站域自身要素，评价准则为人群活动、功能性、区位、交通、物理属性、舒适性6个部分，再细分为10余个评价指标（见表1）。

表1 地铁站域活力评价要素

3 数据来源与处理方法

3.1 数据来源

评价空间活力的数据包括百度热力图、POI兴趣点、街景图片及路网基础数据等。

3.1.1 百度热力图

百度热力图可直观反映站域内的人群信息，基于LBS平台的手机用户地理信息数据，通过Python编程语言工具调取腾讯宜出行平台位置服务API，得到该区域内的用户数量和位置信息，计算人群分布的相对密度，提取用不同颜色和亮度表征人群分布的图片，后通过栅格处理量化图片信息用于评价指标的研究。

3.1.2 POI兴趣点

POI兴趣点是地理信息系统中的术语，泛指一切可抽象为点的地理对象，尤其是与人们生活密切相关的地理实体。POI数据可通过高德地图及百度地图对外开放的API接口对需要的POI数据进行爬取。

3.1.3 街景图片

街景图片可通过百度地图获取，并根据研究需要对其相关要素进行识别和评估，以Python编程语言作为主要方法，使用百度地图API获得，视点位置数据用于确认抓取样本点，视线垂直角度设置为平视视角，水平角度根据路网形态沿街的长轴方向，抓取道路两侧街景视图。街景数据经过语义分割处理后可用作地铁物理环境、交通等评价指标。

3.1.4 路网基础数据

路网基础数据可用于分析站域交通和品质特性，通过OSM地图获取，后续可结合其他数据和软件将评估指标量化为数值。

3.2 评价指标分析判断方法

3.2.1 栅格影像处理

部分图片信息并不能直接得出量化评价数值，如在人群分析中，采集的原始热力数据图无法直接与评价指标建立联系。通过ArcGIS，Python等将热力图进行栅格处理，将图片中信息的颜色、亮度等矢量化，转化为数据信息，将热力值赋予研究站域内抓取的每个样本点，统计各时刻的热力值，表征该站域内活力值的大小。

3.2.2 核密度分析

密度分析可分为核密度分析、点密度分析及线密度分析，根据输入要素数据，计算整个区域内某类型或多个类型数据的聚集状况。核密度分析基于POI数据，利用Arc-GIS对功能设施及人群的聚集程度进行分析，便于构建评价模型。

3.2.3 空间句法

空间句法主要研究人与其生存空间的关系，除常用的Depthmap外，还可借助ArcGIS内的Axwoman和sDNA插件，基于拓扑及“角度-米制”混合度量方式进行分析。根据TOD理论参考地铁站点间的距离，在400～800m中选取相应的半径数值对地铁站域进行连续分析，可用于区位性、可达性、视域、道路网密度、空间可识别度等评价指标分析。

3.2.4 香农多样性指数

商业设施聚集程度和业态多元化是评价地铁站域活力的重要指标。基于香农多样性指数对站域内设施的聚集性与多元化进行量化评价，如果指数趋近于1，即个体趋近于同一种，则其多样性指数越趋近于0，以反映设施聚集和业态多元化程度。

3.2.5 语义分割

语义分割工具SegNet和DeepLab可用于分割采集的街景图片，较准确地提取天空、道路、绿化、建筑、车和人等要素，从而计算每张图片中不同要素占比，在此基础上汇总抓取的每个视点位置对应不同方位方向的要素构成，取平均值，并链接至地铁站域内相应的街道上，从而获得站域内抓取的每条街道对应的围合度、绿视率、开阔度3个指标的量化数值，可为评价量化指标及建立评价模型提供基础。

4 活力量化方法

根据评价指标的处理方法，量化各个指标，然后根据评价指标的权重确定最终的活力评分，进而排序。

4.1 皮尔森相关系数

相关性分析反映两个或多个不同变量元素之间的相关程度及系数，用于总体分析活力构成要素与地铁站域活力之间的相关性，但评价指标过多且数据量较小时，得出结果不明确。

4.2 层次分析法

层次分析法是定性与定量相结合的研究判断方法，具有系统化、层次化特点。针对多层次结构系统，用相对量的比较确定多个判断矩阵，综合得出总权重。

4.3 埃洛等级分系统

在相同地铁站域类型中，运用埃洛等级分系统，将站域之间比较的结果转化为每项评价体系的实际分值，为统计分析提供基础。运用ANN算法计算目标城市的同类型地铁站域信息，得出地铁站域活力评价结果，训练自动化的活力评价模型，用于对地铁站域的综合排序。传统专家学者打分方式仅是对样本集进行排序，采用埃洛等级分系统可直接排序。

4.4 机器学习

在深度学习中，有卷积神经网络、循环神经网络、人工神经网络等不同类型，其中人工神经网络算法是以数学模型模拟神经元活动及模仿生物神经网络功能的机器学习算法。相较传统的数据处理方法，神经网络技术在处理随机性数据、模糊数据、非线性数据方面优势明显。基于目标城市同类型地铁站域的样本确定评价模型，进而对同类型地铁站域进行大规模评价打分，以此计算各个地铁站域评价指标的评价分值。机器学习的缺点在于需长时间收敛才能得出结果，且结果跟预期有些出入，数据量、需求量较多。因此，应以机器学习为主导，多种方式互相佐证。

5 结语

在构建地铁站域活力量化分析指标时，从地铁站域周边要素和自身要素出发，从地铁站域区位、交通、功能、人群活动、物理属性、舒适性6个方面选取代表性指标。

1）数据与分析方法 大数据本身具有数据巨量化、宏观化、多层次优势，基于大数据分析的地铁站域活力评价体系对评价指标进行定量分析，通过多种表现方式，如用颜色在地图上表现得分情况，使评价结果更明显、直观。

评价地铁站域活力指标的数据来源与数据处理方法，取决于评价指标所需的相关数据类型，为提高活力评价操作的可行性和结果的有效性，鉴于大数据获取的难易程度，给出各指标因子的分析方法、相关数据来源及数据处理方式（见表2）。

表2 地铁站域活力评价指标信息

2）构建评价体系 整个评价体系中构建的评价指标可直接或间接量化。利用机器学习与可视化方法对处理过的各项指标进行评分，选取城市中同类型地铁站域，为机器学习提供足够的训练样本，充分挖掘各个评价因素所需数据。评价指标所需的数量庞大，结合几种活力量化评价方式的侧重点，共同构建评价体系。通过构建的评价体系可更快速、清晰地为地区内其他地铁站域评分。

地铁站域活力评价是以数据为基础的评价方式，对评价指标的选择也是重要因素，本文的研究尚存不足，今后将进一步挖掘需提取和完善的地铁站域活力评价指标，合理运用大数据分析工具进行整合和分析，重点针对目标城市中地铁站域活力的共性规律和不同类型地铁站域所需评价准则层的活力侧重点，为地铁站域城市设计提供可行性策略。