城市轨道交通非常态客流出行影响机制研究

Influence Mechanisms of Abnormal Passenger Flow Travel in Tianjin Urban Rail Transit

摘要

为探究异常天气情况下多维空间属性对轨道交通非常态客流出行机制的影响，基于梯度提升决策树模型，分析异常天气下天津市143个轨道交通站点的非常态客流出行特征，解析经济属性、交通便利性、建成环境等10个影响因子对非常态客流量的非线性影响机制。研究发现：①异常天气下，轨道交通站点日均客流显著增长。受天气状况的影响，97%的轨道交通站点日均客流呈增长趋势，其中天津站客流增长幅度最大，达到32%；②建成环境对城市轨道交通非常态客流的影响最为显著，达到86.44%，因子“到市中心距离”影响程度最大；③各影响因子与非常态客流之间具有明显的非线性关系与阈值效应，除公交站点数量、交叉口数量以及居住设施密度与非常态客流间呈波动“凸”形非线性关系外，其他影响因子整体保持非线性正相关或负相关。

Abstract

In order to investigate the influence of multidimensional spatial attributes on the abnormal passenger flow travel mechanism of rail transit under abnormal weather conditions. Based on the gradient boosting decision tree model, we analyzed the extraordinary passenger flow travel characteristics of 143 stations in Tianjin under abnormal weather and resolved the nonlinear influence mechanism of 10 influencing factors such as economic attributes, traffic convenience and built environment on the abnormal passenger flow. The study found that: ①Under abnormal weather, the average daily passenger flow of rail transit station increases significantly. 97% of the average daily passenger flow at rail stations tended to increase due to weather conditions, with the largest increase of 32% at Tianjin Station. ② The built environment has the most significant impact on the abnormal passenger flow of urban rail transit, reaching 86.44%, and the factor to the city center has the greatest degree of influence on the distance. ③ There is a significant non-linear relationship and threshold effect between each influence factor and the abnormal passenger flow. Except for the number of bus stops, the number of intersections and the density of residential facilities, which show a fluctuating "convex" non-linear relationship with abnormal passenger flow, all other influencing factors maintain a non-linear positive or negative correlation.

Graphical abstract

关键词

城市交通 / 建成环境 / 非常态客流 / 梯度提升决策树 / 非线性关系

Key words

Urban Traffic / Built Environment / Non-conventional Passenger Flow / Gradient Boosting Decision Tree / Non-linear Relationship.

0　引言

以公共交通为导向的开发模式(Transit Oriented Development，TOD)是实现轨道交通出行服务与城市功能深度融合的重要保障，是引导绿色出行的重要选择。研究城市轨道交通出行特征，分析其影响因素的作用机制，有助于进一步提升轨道交通服务水平，促进其周边配置资源的合理利用，引导绿色出行。

国内外学者就轨道交通客流出行影响特征分析展开了深入的研究。研究表明站区周边建成环境属性是影响城市轨道交通客流的关键因素，且影响着人们日常通勤行为特征^[1]。Zhao等^[2]研究表明人口密度和就业密度对轨道交通客流量具有显著影响。李清嘉等^[3]提出轨道交通站域范围内用地功能的多样性以及周边的路网密度、交叉口密度、接驳公交站点密度也会对轨道交通出行行为产生影响。甘佐贤^[4]研究表明各个时段的城市轨道交通网络OD客流受站区周边建成环境影响程度不尽相同，但主要受人口密度和道路网密度等特征影响。现有研究多基于Cervero等提出的3D原则确定建成环境影响因子^[5]，站域周边经济属性作为反映出行者个人异质特征，往往被忽略。另外，城市轨道交通客流的统计特性会因恶劣天气、突发事件、体育赛事等特殊事件表现出一定的特殊性和差异性^[6]。越来越多的研究表明天气状况会严重影响公共交通系统，导致客流量波动^[7-8]。然而，既有成果主要以常态通勤客流为研究对象开展相关研究，作为轨道交通出行客流的潜在人群，鲜有研究异常环境下的非常态客流出行影响机制。

综上，以天津市2021年11月7日(周日)大雪前后一周的城市轨道交通刷卡数据，挖掘非常态客流人群，并基于梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型，从站区周边经济属性、交通便利性、建成环境3个层面，揭示其对站点非常态客流的影响及非线性作用机制。本研究可为城市轨道交通客流提升、区域精细化规划设计及有效阈值提供有力的理论参考。

1　数据来源及研究方法

1.1　非常态客流定义

交通历史长期客流在时间特性上除了表现为周期性、季节性、高峰性外，同期对比会因节假日、体育赛事、城市大型活动、突发事件、特殊天气等因素表现不同^[6]。故将因节假日、体育赛事、城市大型活动、突发事件、特殊天气等因素而导致的非正常通勤客流变化量定义为非常态客流。在此，重点研究天气变化造成的非常态客流，并探究其出行影响机制。

1.2　数据来源

1.2.1　城市轨道交通刷卡数据

以轨道交通客流量为研究对象，数据来源为地铁刷卡数据(Smart Card Data，SCD)。采用天津市2021年11月8日(周一)暴雪过后第一个工作日的刷卡数据作为非常态客流数据、其前后一周(11月1日—11月15日)刷卡数据作为常态客流对比数据。对地铁刷卡数据进行处理，获取143个站点的日均客流量。其中非常态客流通过筛选11月1日至15日(除11月8日)所有刷卡数据中刷卡次数大于2的卡号，再映射至11月8日刷卡数据中，确定在该时间范围内首次出现的卡号，整理获得各站点的非常态客流量，非常态客流筛选流程如图1所示。

1.2.2　其他相关指标数据

依据《城市轨道沿线地区规划设计导则》，以站点周边800 m半径的圆形区域为研究范围统计相关数据。研究数据包括经济属性数据、交通便利条件数据和建成环境数据。通过房产软件爬取房价数据作为经济属性数据；爬取百度地图2020年POI数据，利用GIS空间分析获得研究范围内公交站点和停车设施数量作为交通便利性数据。建成环境方面，根据Cervero等提出的设计、密度、多样性3D原则^[5]，选取道路网密度、交叉口数量、距市中心距离、人口密度、居住设施密度、公共服务设施密度、土地利用混合熵7个变量作为建成环境变量，基于信息点(Point of Information，POI)、人口密度等数据，借助GIS平台等技术手段，辅以人工精确识别获取所需建成环境数据。各变量的定义、计算方法及描述性统计结果折算1 km²后指标定义及描述统计分析如表1所示。

1.3　研究方法

采用GBDT模型分析各影响因子对非常态客流的影响机制。该模型最早由Friedman提出，是一种基于连续迭代和决策树前后残差最小化为目标的集成算法^[9]。该模型主要由梯度算法、提升算法和决策树算法3部分组成。由于其强大的预测性能以及对变量重要度的识别可靠性，近年来被广泛应用于交通领域^[10-12]。GBDT模型可以更好地解释关于自变量与因变量间的潜在关系信息，拟合其之间的非线性关系，且不需要要求自变量服从正态分布，解决了多重共线性的问题，在样本集不足的情景下同样适用。

在GBDT模型中，设\left\{\left(x_{\mathrm{1}},y_{\mathrm{1}}\right)，\left(x_{\mathrm{2}},y_{\mathrm{2}}\right)，\cdots ，\left(x_n,y_n\right)\right\}为包含n组自变量和因变量的数据集合，其中x_i 表示表1中的站区平均房价、公交站点数量等10个影响因子；y_i 表示各站点的非常态客流量，人/h。其具体求解步骤如下^[13]。

步骤1：算法初始化，设置F_{\mathrm{0}}(x)为常数值。F_{\mathrm{0}}(x)计算公式为

F_{\mathrm{0}}(x)=\underset{\rho }{\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}}{\displaystyle \sum _{i=\mathrm{1}}^n}L(y_i，\rho )⑴

式中：n为样本集数量；L(y_i,\rho )为均方误差损失函数；ρ为使损失函数最小化的估计参数。

步骤2：使用模型中损失函数的负梯度作为残差的近似值。残差计算过程如下。

{\overline{y}}_{im}=-{\left\{\frac{\partial L\left[y_i，F\left(x_i\right)\right]}{\partial F\left(x_i\right)}\right\}}_{F\left(x\right)=F_{m-\mathrm{1}}\left(x\right)}m=\mathrm{1}，\mathrm{2}，\cdots ，M；i=\mathrm{1}，\mathrm{2}，\cdots ，n⑵

式中：{\overline{y}}_{im}为残差；F(x)为近似函数；F_{m-\mathrm{1}}(x)是第m-1次迭代的近似函数；M为设置的最大迭代次数。

步骤3：利用弱学习器h_m\left(x\right)拟合步骤2中得到的残差{\overline{y}}_{im}。

c_m=\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}{\displaystyle \sum _{i=\mathrm{1}}^n}\left[{\overline{y}}_{im}-h_m\left(x_i，c_m\right)\right]⑶

式中：c_m 为第m次迭代中回归树的最佳划分节点；h_m\left(x_i，c_m\right)为第m次迭代弱学习器的估计结果。

步骤4：估计回归树中叶子结点的值。

{\gamma }_m=\mathrm{a}\mathrm{r}\mathrm{g}\mathrm{m}\mathrm{i}\mathrm{n}{\displaystyle \sum _{i=\mathrm{1}}^n}L\left[y_i，F_{m-\mathrm{1}}\left(x_i\right)+\gamma h_m\left(x_i，c_m\right)\right]⑷

式中：\gamma为估计乘子；{\gamma }_m为第m次估计乘子。

步骤5：更新模型。

F_m=F_{m-\mathrm{1}}\left(x\right)+{\gamma }_m{h}_m\left(x\right)⑸

步骤6：判断是否达到预先设置的迭代次数与精度要求，若满足，则得到最终估计结果；否则，返回步骤2。

为量化站区平均房价、公交站点数量等10个因子对非常态客流的影响，利用五折交叉验证方法确定模型参数，数据被随机平均分成5份，在训练过程中，将其中1份数据作为验证集，其余4份作为训练集，循环执行5次。并将学习率设置为0.01，树的深度为5。

2　轨道客流出行特征分析

基于地铁刷卡数据统计得到143个站点的日均客流量，各站点常态客流空间布局如图2所示，各站点非常态客流空间布局如图3所示。从2张图展示的客流分布形式可知，轨道客流量较高的站点主要集中于中心城区范围内，反映出天津以和平区为单中心增长极核，向市内其他5区再向城郊区域圈层式蔓延的空间结构。

对比常态化与非常态化的客流可以发现，天津市轨道站点客流量前5车站与后5车站顺序基本保持一致，且非常态下的站点客流普遍高于常态化客流，客流量前5车站常态与非常态客流量对比如图4所示，客流量后5车站常态与非常态客流量对比如图5所示，极端恶劣天气对地铁客流的影响较大^[14]，主要是因为大雪造成陆地交通系统瘫痪，之前乘坐其他交通工具的人群也倾向于转而选择轨道交通出行，印证Sabir的研究结论，异常天气会促使通勤者从骑自行车或步行转向机动出行，从而增加公共交通的使用^[15]。

各天轨道交通客流量如图6所示，常态与非常态平均客流量如图7所示，描述了雪后第1个工作日前后几天的平均客流量以及常态客流与非常态客流客流量，均表现出非常态客流量与常态客流量的显著差异性，下雪后的非常态客流明显高于普通工作日客流。4号、5号、9号、10号、11号各普通工作日的客流量基本保持平稳，非工作日6号、7号的客流明显低于工作日客流。另外，对于非工作日，7号(周日)下雪当天客流量较6号(周六)基本没有变化，表明下雪对于非工作日的轨道客流几乎没有影响。

3　模型结果与分析

为验证多维因素对非常态轨道交通客流出行的影响效应，采用线性普通最小二乘回归(Ordinary Least Squares，OLS)模型与GBDT模型的对比分析，模型拟合优度采用伪R²值来衡量。伪R²值计算结果GBDT模型为0.53，线性OLS模型为0.31，表明GBDT模型的解释能力具有明显优势，各因素与非常态客流之间存在较强的非线性关系。

3.1　影响程度分析

在最终模型中，根据GBDT模型计算各影响因素的相对重要性程度及其贡献度，得到重要度排序如表2所示。结果表明，经济属性对非常态客流量的总体贡献度为4.44%；交通便利性特征对非常态客流量的总体贡献度为9.08%，其中停车设施数量在所有交通便利性特征中占主导地位；建成环境特征贡献度为86.44%。表明相比站区经济属性与交通便利性，建成环境更易影响站区周边非常态轨道交通客流选择轨道交通出行的概率，这与现有研究保持一致^[16]。作为城市开发的落脚点，轨道交通站域建成环境的更新优化是促进站点充分发挥交通效能、吸引潜在客流的最有效途径。因此，更应注重掌握建成环境等各项因素对非常态轨道交通客流出行的影响机制，从而促进地铁站点与城市空间结构有机融合，提升客流量与站域活力。在建成环境特征中，到市中心距离、公共服务设施密度和人口密度是最重要的3个变量，总贡献度达到68.13%。同时，交叉口数量和道路网密度也具有不可忽视的作用，两者总体贡献度为10.05%。相比之下，居住设施密度对非常态客流量的影响较小。

3.2　非线性影响机制研究

基于GBDT模型分析上述各影响因子对非常态客流的影响机制，皆表现出明显的非线性阈值效应，并结合各因子对常态客流的影响进行对比分析，非线性特征曲线1如图8所示，非线性特征曲线2如图9所示。10个影响因子中，停车设施数量、道路网密度、交叉口数量、距市中心距离、人口密度、公共设施服务密度以及土地利用混合熵等7个特征因子对常态客流与非常态客流的影响趋势基本保持一致，表明此类因子对客流的影响波动受天气影响较小；而另外3个因子即站区平均房价、公交站点数量和居住设施密度等则对不同天气下客流影响存在显著差异。在对客流波动不受天气影响的7个因子中，依据其非线性关系，可将其归为3类：非线性正相关型、非线性负相关型及非线性“凸”形波动型。停车设施数量(图8a)、道路网密度(图8b)、人口密度(图9b)和公共服务设施密度(图9c)对非常态客流影响为非线性正相关型，影响系数分别为0.068 4，0.012 1，0.072 4，0.217 7。由图8a，图8b，图9b，图9c可得出：①停车设施数量与非常态客流量基本呈现一致递增的趋势，停车设施数量达到203个后客流不再变化，这表明采用“P+R”驻车换乘接驳模式，将会显著提升周边站区非常态客流量，但停车设施量不宜过多，避免出现设施浪费及因过多停车而导致道路拥堵等问题；②道路网密度在10 268 m/km²之前波动式上升，非常态客流提升了9.6%，表明10 268 m/km²的路网密度对非常态客流出行具有显著吸引效应，高密度的路网往往街区尺度较小，步行可达性较高，更有利于营造一个友好、舒适的慢行出行环境，从而提高非常态客流对轨道交通的使用频率，这与黄晓燕^[17]等人的研究一致；③对于人口密度对非常态客流的影响，当站区周边人口密度增加至50 796人/km²后，对非常态客流基本没有任何提升，不再产生提升作用，表明该值是站点可提供出行服务的最高人口环境承载量；④公共服务设施密度是影响非常态客流的第2大因素，在公共服务设施由0增加至742个/km²的区间内，对客流的贡献区间为2 050~3 200人，表明站区公共服务设施密度越大，站区周边业态越成熟，人流聚集程度越高，故在站区周边适当开发相应的公共服务设施配套能够显著提升非常态客流。

非线性负相关型则主要指向距市中心距离(图9a)这一因子，影响系数为0.391 2，在超过19 377.1 m范围时非常态客流减少趋于平稳，是由于市中心轨道交通站点与线网分布密度较大，轨道交通覆盖区域较为集中，同时商业商务等各类服务功能更加完善，相较于郊区站点具有更强的人流吸引力，因此距离市中心越远，客流随之减少。

非线性“凸”形波动型包括交叉口数量(图8c)和土地利用信息熵(图9d)2个因子，影响系数分别是0.053 6和0.049 3。由图8c，图9d可得出：①当站域交叉口数量在30~60个/km²时，非常态客流急剧上升；处于60~97个/km²之间时，非常态客流逐渐降低；超过97个/km²时，客流变化收益甚微，表明过低或过高的道路连通性皆不利于提升站点客流，交叉口数量在50~60个/km²时能够在保证路网连通性较强的基础上最大限度地提升轨道交通出行分担率；②在土地混合熵值小于0.78时，非常态客流并不会随其增大而增加，建议该类区域根据当前用地功能进行分期、分阶段的用地开发；而对于土地混合熵值在0.85~0.9之间的小区，适当的混合熵值提升对吸引非常态客流出行具有积极显著的作用，而对于混合熵值高于0.93的区域，则建议对当前用地做适当控制，避免过度开发。

非线性特征曲线3如图10所示。在客流受天气影响较大的3个因子中，平均房价(图10a)、公交站点数量(图10b)和居住设施密度(图10c)对非常态客流的影响系数分别为0.044 4、0.022 4和0.033 3。从常态客流与非常态客流对比的角度看，平均房价对常态客流(图10d)为先增长后降低的“凸”形非线性关系，对非常态客流为显著非线性负相关关系，在正常天气下，房价由15 630元增至20 000元左右时，客流量随之增加，表明此时轨道交通经济实惠的作用显著，普通工薪阶层更倾向于选择地铁出行，而当房价增长到一定值后，表明区域居民自身经济实力越来越高，采用私家车、出租车等出行方式的居民增多，轨道交通对客流吸引力逐渐减弱，且在雨雪等恶劣天气条件下由于出行便利性降低，此种趋势更加显著。公交站点数量对非常态客流的影响(图10b)呈波动“凸”形非线性关系，当其数值从0个增加至10~11个/km²时，非常态客流波动性增长达到峰值，之后快速降低，并在公交站点数量增加到15个/km²时趋于平稳；而对常态客流的影响(图10e)则呈非线性正相关关系，表明当公交站点不足时，大部分出行者选择“公交＋轨道”的通勤模式；而当公交换乘便利性更具有优势时，大部分出行者更倾向于选择公交出行。居住设施密度(图10c)同样对非常态客流呈波动“凸”形非线性关系，对常态客流(图10f)呈非线性正相关关系，对比表明，在异常天气状况下，由于雨具落水和泥污等导致乘车环境品质下降，相比于正常天气下客流承载能力降低，出行负担增加，出行者采用轨道交通出行的意愿降低，进而选择其他交通方式出行。

4　研究结论

以天津市轨道交通刷卡数据为研究对象，通过数据挖掘等手段，运用GBDT模型，探究站区周边经济属性、交通便利性、建成环境等因素对轨道交通非常态客流的影响。研究聚焦于非常态客流的影响机制，以期为建设公交都市提供相应参考建议，研究结论具体如下。

（1）站区周边经济属性、交通便利条件、建成环境等因素对城市轨道交通非常态客流表现出明显的非线性效应及阈值效应，较之线性OLS回归模型，GBDT模型拟合优度更高。

（2）建成环境对城市轨道交通非常态客流的影响最为显著，停车设施数量、道路网密度、人口密度、公共服务设施密度以及土地利用混合熵与非常态客流为非线性正相关关系，呈多段式梯度上升特征。这表明高密度的业态开发环境，有利于吸引非常态客流乘坐轨道交通出行。房价、距市中心距离与非常态客流为非线性负相关关系，具有典型的圈层效应。公交站点数量、交叉口数量以及居住设施密度与非常态客流为波动“凸”形非线性关系，表明高可达性的区域反而会降低非常态客流量。

（3）到市中心距离对站点非常态客流的影响程度最大，呈非线性负相关，主要由于天津轨道线网布局分布不均衡，且绕行系数大，换乘时间长。这也表明，在线网规模不变的前提下，吸引远郊地区出行者乘坐轨道交通的可能性要低于近郊地区。

（4）通过对比各影响因子对常态客流与非常态客流出行影响机制分析，发现站域周边平均房价、公交站点数量和居住设施密度等对不同天气下客流影响存在显著差异，主要由于极端恶劣天气造成站域周边出行服务体验下降，出行者选择乘坐轨道交通的意愿降低，而停车设施数量、道路网密度、交叉口数量、距市中心距离、人口密度、公共设施服务密度以及土地利用混合熵等7个特征因子，对常态客流与非常态客流的影响趋势基本保持一致。

以上研究有助于站区精细化设计，深入理解复杂交通地理环境与居民出行之间的非线性关系，指导制定合理策略提升轨道交通客流量。但由于数据单一类型的限制，考虑因素尚存在不足，如不同恶劣天气环境下的非常态客流出行特征等，下一步仍需深化研究。

参考文献

[1] DING C， CAO X Y， LIU C.How does the Station-Area Built Environment Influence Metrorail Ridership？Using Gradient Boosting Decision Trees to Identify Non-Linear Thresholds[J]. Journal of Transport Geography，2019，77：70-78.

[2] ZHAO J B， DENG W， SONG Y，et al. Analysis of Metro Ridership at Station Level and Station-to-Station Level in Nanjing：An Approach Based on Direct Demand Models[J]. Transportation，2014，41(1)：133-155.

[3] 李清嘉，彭建东，杨　红. 武汉市不同站域建成环境与轨道交通站点客流特征关系分析[J]. 地球信息科学学报，2021，23(7)：1246-1258.

[4] LI Qingjia， PENG Jiandong， YANG Hong. Research on Relationship Analysis between Passenger Flow Characteristics of Rail Transit Stations and Built Environment of Different Station Areas in Wuhan[J]. Journal of Geo-Information Science，2021，23(7)：1246-1258.

[5] 甘佐贤. 建成环境对城市轨道交通客流及出行特征的影响机理研究[D]. 南京：东南大学，2019.

[6] CERNER R， JIN M， MARK M. Direct ridership model of bus rapid transit in Los Angeles County，California［J］.Transportation Research Record，2010，13：1-7.

[7] 白　丽. 城市轨道交通常态与非常态短期客流预测方法研究[J]. 交通运输系统工程与信息，2017，17(1)：127-135.

[8] BAI Li. Urban Rail Transit Normal and Abnormal Short-Term Passenger Flow Forecasting Method[J]. Journal of Transportation Systems Engineering and Information Technology，2017，17(1)：127-135.

[9] LIU C X， SUSILO Y O， KARLSTRÖM A. Investigating the Impacts of Weather Variability on Individual's Daily Activity-Travel Patterns：A Comparison between Commuters and Non-Commuters in Sweden[J]. Transportation Research Part A：Policy and Practice，2015，82：47-64.

[10] 许熳灵，付　晓，汤君友，等. 天气因素对城市地铁客流时空分布的影响：基于智能交通卡数据的实证研究[J]. 地理科学进展，2020，39(1)：45-55.

[11] XU Manling， FU Xiao， TANG Junyou，et al. Effects of Weather Factors on the Spatial and Temporal Distributions of Metro Passenger Flows：An Empirical Study Based on Smart Card Data[J]. Progress in Geography，2020，39(1)：45-55.

[12] FRIEDMAN J H. Greedy Function Approximation：A Gradient Boosting Machine[J]. The Annals of Statistics，2001，29(5)：1189-1232.

[13] 吴静娴，申华鹏，韩　印，等. 考虑城市建成环境非线性作用的通勤时间模型[J]. 吉林大学学报(工学版)，2022，52(11)：2568-2573.

[14] WU Jingxian， SHEN Huapeng， HAN Yin，et al. Residents’ Commuting Time Model under the Nonlinear Impact of Urban Built Environment[J].Journal of Jilin University (Engineering and Technology Edition)，2022，52(11)：2568-2573.

[15] WU W T， JIANG S Y， LIU R H，et al. Economic Development，Demographic Characteristics，Road Network and Traffic Accidents in Zhongshan，China：Gradient Boosting Decision Tree Model[J]. Transportmetrica A Transport Science，2020，16(3)：359-387.

[16] GUO Y Y， HE S Y. Built Environment Effects on the Integration of Dockless Bike-Sharing and the Metro[J]. Transportation Research Part D：Transport and Environment，2020，83：102335.

[17] 尹超英，邵春福，黄兆国，等. 基于梯度提升决策树的多尺度建成环境对小汽车拥有的影响[J]. 吉林大学学报(工学版)，2022，52(3)：572-577.

[18] YIN Chaoying， SHAO Chunfu， HUANG Zhaoguo，et al. Investigating Influences of Multi-Scale Built Environment on Car Ownership Behavior Based on Gradient Boosting Decision Trees[J]. Journal of Jilin University (Engineering and Technology Edition)，2022，52(3)：572-577.

[19] 曾　诚，吴佳媛，罗　霞. 城市轨道交通短时客流预测文献综述[J]. 铁道运输与经济，2021，43(8)：105-111，125.

[20] ZENG Cheng， WU Jiayuan， LUO Xia. Literature Review of Short-Term Passenger Flow Forecast for Urban Rail Transit[J]. Railway Transport and Economy，2021，43(8)：105-111，125.

[21] SABIR M. Weather and Travel Behavior[D].Amsterdam：Vrije Universiteit： 2011.

[22] GUTIÉRREZ J， CARDOZO O D， GARCÍA-PALOMARES J C. Transit Ridership Forecasting at Station Level：An Approach Based on Distance-Decay Weighted Regression[J]. Journal of Transport Geography，2011，19(6)：1081-1092.

[23] 黄晓燕，曹小曙，殷江滨，等. 城市轨道交通和建成环境对居民步行行为的影响[J]. 地理学报，2020，75(6)：1256-1271.

[24] HUANG Xiaoyan， CAO Xiaoshu， YIN Jiangbin，et al. The Influence of Urban Transit and Built Environment on Walking[J]. Acta Geographica Sinica，2020，75(6)：1256-1271.

基金资助

国家自然科学基金项目(72374164)