交通运输工程

项目概述

本项聚焦站域建成环境对轨道交通站点高峰客流的影响机制问题。当前我国特大城市轨道交通线网持续扩张，但普遍存在客运强度不达标、运力利用不足等问题，既有研究多针对超大城市展开，且多采用传统线性模型，无法有效识别建成环境与地铁客流之间的非线性关联、阈值效应及因果关系。本研究融合地铁AFC客流数据、街景图像、POI、路网、人口等多源大数据，基于经典“7Ds”建成环境框架，结合计算机视觉技术，构建兼顾客观指标与视觉感知的立体化建成环境量化体系。研究采用CatBoost非线性机器学习模型开展客流影响建模，搭配SHAP可解释方法解析变量作用规律，同时引入双重机器学习（DML）完成因果推断与异质性分析，系统探究早、晚高峰时段各建成环境要素对地铁客流的作用路径、临界阈值与差异化特征。项目最终明确了慢行接驳、公交配套、空间品质、站点运营时长等核心要素的影响规律，旨在为特大城市轨道交通运力优化、站域空间更新与交通精细化治理提供实证支撑与量化依据。

项目创新点

本项目在研究视角、分析方法与指标体系三方面形成多重创新。其一为研究视角创新，现有成果大多聚焦北上广深等超大城市，针对500万—1000万人口规模特大城市的专项研究较为匮乏，本研究立足苏州开展实证分析，填补了特大城市轨道客流与建成环境互动机制的研究空白，丰富了不同城市规模下的交通规划理论体系。其二为研究方法创新，突破传统线性回归、地理加权回归等模型局限，将CatBoost非线性模型、SHAP可解释算法与DML因果推断框架相结合，既精准捕捉变量间非线性关系与阈值效应，又有效解决混杂因素带来的内生性问题，提升研究结论的科学性与稳健性。其三为指标体系创新，在传统“7Ds”建成环境指标基础上，引入百度街景图像与计算机视觉技术，提取空间品质、环境活力、通行设施等微观视觉感知指标，打通宏观用地特征与微观街道环境的评价维度，实现客观数据与人居感知的有机结合，让建成环境测度更加全面、贴合实际出行场景。

项目成果及应用前景

（一）项目成果本研究形成多项量化实证成果：一是明确步行、骑行接驳为与地铁高峰客流相关的核心因素；二是识别出公交站点密度、骑行接驳量、科教文化可达性、站点开通时长、空间品质等关键变量的临界阈值与分段作用特征，划定各要素最优干预区间；三是通过DML模型证实空间品质、环境活力对客流存在稳定正向因果效应，同时发现功能设施过度集聚存在负向异质性、公交配套在晚高峰调节作用增强等规律；四是完成多源数据预处理、模型对比校验、变量共线性诊断等全套技术流程，形成可复用的特大城市轨道客流分析技术范式。

（二）应用前景项目成果具备较强落地价值与推广性。在城市规划层面，可为苏州及同类型特大城市的地铁站点周边用地布局、公共服务设施选址、公交与慢行系统规划提供量化参考；在轨道交通运营层面，可依据客流影响阈值差异化配置高峰运力，提升客运强度与资源利用率；在城市更新层面，指导地铁站域街道空间、步行环境、景观设施的精细化改造，避免盲目建设。同时，本研究的数据处理、建模分析流程可迁移至其他特大城市开展同类研究，也能为交通绿色转型、低碳出行引导、TOD综合开发等工作提供理论与数据支撑，应用场景覆盖交通部门、规划设计院、城市运维机构等多方主体。