摘要：尽管基于城市轨道交通自动售检票(automatic fare collection， AFC)系统采集的智能卡数据(smart card data， SCD)能够精准记录人们的出行时间和地点，但无法直接反映出行目的或活动类型. 本研究提出了一种方法，将约束种子K-means的站点聚类与隐含狄利克雷分布(latent Dirichlet allocation， LDA)模型的客流出行目的挖掘相结合，以揭示城市轨道交通客流出行数据中的潜在活动模式. 首先，基于车站周边的人口特征、客流特征及兴趣点(points of interest， POI)分布，使用约束种子K-means算法将车站划分为8类：就业集聚型、居住集聚型、职住复合型、商业中心型、旅游景点型、复合枢纽型、对外枢纽型以及客流培育型. 其次，基于出站时间、活动时长、起点车站类型以及终点车站类型构建了LDA模型. 该模型成功识别出5类主要活动，分别为购物消费、工作、回家、休闲旅游及其他. 此外，这些模式进一步细分为若干子主题，每个子主题在时间和空间特征上具有显著差异，为深入理解节假日城市轨道交通客流出行行为提供了理论支持.
文章目录
1 数据概况与处理
1.1 研究区域概况
1.2 SCD
1.3 POI数据
1.4 LBS数据
2 研究方法
2.1 基于约束种子K-means算法的站点聚类
2.2 基于LDA模型的客流出行目的挖掘
3 结果分析
3.1 站点聚类结果分析
3.2 LDA模型结果分析
3.2.1 购物消费相关出行
3.2.2 工作相关出行
3.2.3 回家相关出行
3.2.4 休闲旅游类出行
3.2.5 其他出行
4 结 论
