基于數據挖掘的地鐵車站熱濕特征抽取

杜書波， 李德奎， 楊峰， 李念程， 張鵬

(1. 同濟大學建筑與城市規劃學院， 上海 200092； 2. 聊城大學建筑工程學院， 聊城 252000； 3.聊城大學計算機學院， 聊城 252000； 4. 青島地鐵集團有限公司， 青島 266021； 5. 西悉尼大學工程設計建成環境學院， 悉尼 NSW 2751， 澳大利亞)

2021年是中國“十四五”規劃的開局年，也被喻為“碳中和”元年[1]，隨著“30-60雙碳”目標升級為國家戰略，各領域、各城市均提出了各自“碳達峰、碳中和”的時間表和路線圖，交通、建筑等重點領域的減排是目標實現的關鍵[2]。軌道交通是城市可持續發展的重要推動力，中國城市軌道交通近10年來得到了迅猛發展，僅在“十三五”期間累計新增運營線路長度4 351.7 km[3]。截至2020年底，共有45個城市開通運營線路244條，線路總長度7 969.7 km，投運車站4 681座，其中換乘站472座[4]。城軌交通的投運在緩解城市交通擁堵問題的同時，其交通線網的巨大能耗不容小覷。僅2020年，中國城軌交通總電能耗達172.4億kW·h，其中牽引能耗84億kW·h，牽引能耗占比48.72%[4]，與發達國家的牽引能耗占比70%以上差距明顯[5]。

因此如何降低非牽引能耗占比成為研究重點。劉志鵬[6]在對比南京3號線車站能耗數據中發現，地下車站的平均能耗遠高于地上站能耗，且不同季節對地下站和地上站能耗比值影響巨大，冬季2月為1.5∶1，夏季8月為5.2∶1。江億院士在2016年城軌交通節能會議上指出：中國北方地區地鐵環控系統能耗占了車站總能耗的1/3，而南方地區則在50%左右，環控系統是地鐵車站主要能耗[7]。

目前，很多城市對地鐵站點的能耗是進行定額計算的，如北京市出臺《城市軌道交通能源消耗評價方法》，明確提出車站能耗評價指標[8]。在研究領域，劉爽等[9]以北京部分車站為例，對車站能耗的主要影響因素進行了相關分析，發現主要影響因素的相關性排序為建筑面積、敷設方式、出入口數量、線路條數及日客流量。馬江燕等[10]關于活塞風與空調共同作用氣流耦合模型顯示，活塞風對站點能耗起一定作用。陳超等[11]的研究發現，隨著地鐵埋深增加，風井和通道的進、排風量均有所減少，地鐵能耗受外界影響減小。同時研究顯示各城市所處氣候區的不同地鐵站能耗也呈現顯著差異[12]。

現利用地鐵日報數據，通過整理和清洗，提取出城市軌道交通常規指標數據和內外環境兩大類數據，以軌道交通兩條地下線路為對象展開研究。

對運營期各階段的車站類型尤其對車站物理特征進行科學的識別和定位，可為城軌交通的線網規劃、客流預測、車站內建成環境、車站運營管理及能效提升起到重要的指導作用，也為實現提高熱舒適度和低成本運營提供技術支撐。

1 數據與變量選擇

1.1 研究區域

選取寒冷地區某大型城市地鐵Line A、B兩條線路43座車站中38座有效數據車站(含兩個換乘站)為研究對象，其中Line A有18座車站，Line B有22座車站。Line A、B兩條線路從線路長度、車站數量、最高時速、開通時間基本相近(表1)，有較好的對比研究價值。

表1 城軌交通線路基本情況Table 1 Basic conditions of urban rail transit lines

1.2 基礎數據

本研究地理信息數據采用百度地圖爬取，溫濕度數據來源為軌交公司非疫情年運營日報報表整理。數據內容包括：各車站公共區域溫濕度數據、室外溫濕度、客流、能耗等數據。溫濕度數據來自站內傳感器記錄的日均數據，通過運營日報數據清洗、整理，得到Line A、B全年每日各車站進出站客流，站內外溫濕度，線路運營能耗等相關數據。

從圖1看，Line B客流量整體略高于Line A，客流在五一、十一假期，出現兩次客流高峰，單日最高客流出現在十一假期，近50萬人次/d；春節和臺風日出現客流的低點，大年初一客流最低，不足5萬人次/d；在非節假日，客流呈周末低、工作日高的波動特點，客流維持在20萬人次/d，同時因該城市為季節性旅游城市，夏季7—9月客流量有小幅增加，夏季維持在25萬人次/d左右。

因為Line A、B建設中未設置能耗分項計量，能耗數據僅按線路整體計量。地鐵日報中包括線路牽引能耗、線損、動力照明、運營總能耗等數據。可看出牽引能耗Line B牽引能耗總體大于Line A，其中重要原因是Line B日客流量大于Line A。非牽引能耗在空調季出現明顯增幅，并在8月初出現峰值，原因是空調通風工況調整和當地氣候特點影響，從圖2可看出，牽引能耗受季節影響變化不大，但非牽引能耗在空調季增幅巨大。

圖1 Line A、B年客流量變化圖Fig.1 Line A, B annual passenger flow change

圖2 Line A、B牽引能耗占比Fig.2 Proportion of traction energy consumption of Line A, B

在對A、B兩線路牽引能耗占比分析中發現，Line A的全年牽引能耗占比為40.7%，Line B為37.2%(含線損，占總能耗比0.5%左右)；在空調季，Line A、B牽引能耗占比下降為34.1%和30.2%(含線損)(圖2)。牽引能耗占比明顯低于北京、上海等城市55%左右[4]，與發達國家70%差距巨大，因此非牽引能效有較大提升空間。

2 數據挖掘方法

數據挖掘是一種決策支持過程，是從大量數據中揭示出隱含的、先前未知的并具有潛在價值信息的過程。算法主要包含分類、預測、聚類、關聯分析等四種類型。本研究主要利用聚類和方差分析兩種方法。

Deng等[13]將聚類分析方法用于中國辦公建筑氣候區劃，并對K-means、Agglomerative Hierarchical Clustering兩種聚類方法進行了比較。Wang等[14]利用空間聚類研究了土地覆蓋類型對地表溫度(land surface temperature, LST)的影響。在軌道交通方向，利用K-means算法處理AFC(automatic fare collection system)數據、用地分類數據、POI(point of information)爬取數據等多源數據分析數據客流特征。夏雪等[15]、徐威等[16]對沈陽和蘇州軌交數據應用次方法進行聚類分析，將車站均劃分為了：居住型、商業商務型等5種類型。袁發濤等[17]利用重慶一天的AFC進出站數據，對進出站數據分別聚類，聚類出進站和出站各6個類別，客流數據較好地刻畫了商務娛樂、住宅密集區域、工作密集區；杜翠麗等[18]利用SOM(self organizing maps)神經網絡和模糊分類算法對北京AFC數據多指標數據進行分類。趙源[19]基于K-means對上海地鐵車站進行了分級研究，選取了度、接近中心性、介數值和客流量四個指標作為評價因素，多次迭代后將車站按照重要度聚類為12級，經過特征歸納后劃分為7類，張翠林等[20]對乘客熱舒適度進行了調查評價。

2.1 聚類分析

聚類分析是一種基于數據挖掘的聚類方式，是研究如何將研究對象按照多方面特征進行綜合分類的一種多元統計方法。其中K-means算法應用最為廣泛，被用于諸多領域的統計和決策中。該方法的核心是在歐幾里得空間中劃分n個數據對象，通過初始中心策略實現K對象選擇，使其成為聚類中心，再對每個簇數據平均值進行計算，能夠得到全新聚類中心，對此反復迭代計算直到全部聚類收斂，具體算法流程如圖3所示。

圖3 K-means算法流程圖Fig.3 Flow chart of K-means algorithm

聚類數k的確定是K-means算法的重要部分，對結果影響很大，選用輪廓系數。對某樣本Xi的輪廓系數S定義為

(1)

式(1)中：a為Xi與相同簇的其他樣本的平均距離，稱為凝聚度；b為Xi與最近簇中所有樣本的平均距離，稱為分離度。輪廓系數的取值范圍為[-1,1]，越趨近于1表示內聚度和分離度均相對最優，這樣輪廓系數的k便是最佳聚類數。

2.2 方差和標準差分析

方差分析法(analysis of variance，ANOVA)是比較多個總體的均值是否相等的方法，主要研究分類型自變量對數值型因變量的影響，在研究一個(或多個)分類型自變量與一個數值型因變量之間的關系時，方差分析是最常用的方法。

標準差是離均差平方的算術平均數的算術平方根，用σ表示。標準差也被稱為標準偏差或實驗標準差，在概率統計中最常使用作為統計分布程度上的測量依據。標準差是方差的算術平方根。標準差能反映一個數據集的離散程度。

3 聚類結果時空分析

對各車站內溫濕度數據進行K-means聚類，并采用輪廓系數法確定最佳聚類數k，溫濕度各聚類為四類車站。

3.1 溫度聚類結果分析

根據溫度聚類結果，將車站劃分為4類類型(表 2)。

結合溫度聚類空間分布圖(圖4)對聚類溫度曲線圖的研究發現(圖5)：

(1)溫度一類車站共有13座，從曲線上看，此類車站在從12月—3月期的冬季溫度略低，波動幅度較大，夏季(空調季)溫度高于其他類型車站，說明夏季(空調季)受外界影響較大，冬季受外部環境影響一般，全年最低溫度10 ℃，最高溫度超27 ℃，全年溫度變化穩定，振幅較小；溫度一類的Line B車站有8座，是Line A的2倍，從車站空間分布上看，集中在Line B的RMHT站至DHI站東西、南北走向區域，Line A的TAL站至HLSL站北偏西30°區域。

表2 Line A、B號線車站溫度聚類Table 2 Temperature clustering at stations of Line A，B

圖4 溫度聚類空間分布Fig.4 The spatial distribution of temperature clusters

圖5 車站溫度聚類變化曲線Fig.5 Temperature cluster change curve

(2)溫度二類車站有7座，其中5座為Line B的車站，此類型車站冬冷夏熱特征明顯，站內溫度明顯低于另外三類，全年最低日平均溫度為5 ℃，夏季(空調季)最高平均溫度略低于溫度一類車站，也在27 ℃左右，冬季溫度振幅大，其他季節振幅較小；從車站空間分布上看，在南北向的CBL站至FSS站間分布較為集中，其他分布相對分散，此類車站冬夏季熱舒適度評價最差。

(3)溫度三類車站有7座，其中Line A 有4座，Line B有3座。從聚類溫度曲線上看，此類車站在春、夏、冬表現良好，11—12月的秋季開始，初冬表現最差，此時段站內溫度明顯低于另外三類車站，全年最低日溫度為11 ℃左右，出現在12月中下旬，夏季(空調季)最高溫度較低，在24 ℃左右，初冬溫度變化大，其他季節溫度振幅小，相對穩定；從車站的空間分布上看，在東西向的YEDL站至HCL站間分布較為集中。

(4)溫度四類共聚類車站11座，其中Line A有6座，Line B有4座，換乘站1座。從溫度曲線上看，此類車站在春、夏、秋、冬四季表現均良好，全年最低日平均溫度為13 ℃左右，出現在2月初，夏季(空調季)最高溫度較低在24 ℃左右，秋季溫度變化大，其他季節溫度振幅相對穩定；從車站的空間分布上看，在東西向的YEDL站至HCL站間分布較為集中。從車站溫度聚類結果看，Line B車站比Line A的冬季更冷、夏季更熱。

3.2 濕度聚類結果分析

采用同上算法對車站濕度進行聚類和分析，依據站內濕度劃分為四類車站(表3)。

結合空間坐標分布(圖6)對濕度聚類曲線圖的研究發現(圖7)。

表3 車站濕度聚類Table 3 Humidity clustering in stations

圖6 濕度聚類空間分布Fig.6 The spatial distribution of humidity clusters

圖7 車站濕度聚類變化曲線Fig.7 Humidity cluster curve of stations

濕度一類的車站春、秋兩過度季濕度曲線波動較大，曲線整體向下偏移，低于其他車站濕度分類；冬、夏季曲線相對平穩，從此類車站分布圖上看，因聚類只有3座車站，數量少，無法從地理位置上查找分布規律。

濕度二類聚類車站共有14座，從曲線波動幅度上看，此類車站在秋、冬季波動幅度較大，且濕度明顯高于其他車站；春、夏季較平穩，尤其夏季空調季，說明夏季受外界影響較小；從車站空間分布上看，40%的Line B車站聚類為此種類型，且分布較集中，主要延東北西南走向DTDS站附近及東西走向WSGC站附近分布。

濕度三類聚類車站共13個，Line A、Line B車站數量相當，分別為7座和6座，從濕度曲線看，此類車站在春、秋振幅很大，濕度高，夏季整體濕度明顯高于其他聚類車站，濕度平均濕度超過75%；從空間分布上看，主要集中在Line A從MD站到DH站東偏北15°走向一線、Line A北偏西35°MLL站至DH站走向、Line B南北走向DHL站到QJL站，因為此區域東南南側為沿水面一線，此段Line A車站受前水面潮濕空氣影響大，符合空間分布規律及特點，但HCL站與相鄰兩車站濕度曲線差異較大，應有其他因素影響。

濕度四類聚類車站共8座，在秋末11—12月底的秋末、初冬曲線變化大，尤其在12月曲線振幅較大，1—4月濕度也略低于其他車站，振幅與其他車站基本一致；從空間分布看，小部分在YEDL占附近較為集中，其他車站分散分布。

4 基于溫濕度聚類的車站物理特征熱濕抽取分析

通過第3節聚類研究可知：同一線路、同時段相鄰車站的溫濕度波動曲線也會有較大區別。從車站宏觀空間分布，能發現一定的規律，但難以完美詮釋。車站自身的埋深、出入口朝向及出入口數量等物理屬性也是影響站內熱濕環境的重要因素。

由于地鐵車站通過風井、出入口等通道直接連通室外空間，車站內濕熱環境受室外環境影響較大，車站內部可認為屬半開放空間，車站內受環控系統、活塞風等設備影響，同時由于其埋深、出入口數量、出入口朝向等物理特征差異，各車站受室外環境影響的大小存在一定差異。

首先采用單因素方差分析法對室內外溫濕度差值與埋深、出入口朝向及出入口數量進行了相關性驗證，并根據聚類結果進行解釋。

標準差值從某種意義上代表了室內熱濕環境在各物理因素的影響下與室外熱濕環境的關聯程度，由于城市軌道交通與室外空間通過風井、出入口等直接連通，能源驅動的地鐵環控系統隨季節和時段及進行運行模式調整。

從車站物理特征看，車站的埋深、出入口數量及車站朝向均有影響。

4.1 溫濕度聚類與埋深

因站臺層高度為為5.1 m，基本一致，差異僅在站廳層，埋深數據只取站廳層埋深。在溫濕度與埋深的相關性研究中，采用方差齊檢驗來驗證室內外溫濕度差值與站廳埋深的關系，顯著性為0，強相關。

對溫度聚類埋深數據比較看(圖8)，溫度聚類三>溫度聚類一>溫度聚類四>溫度聚類二。結合站內溫度曲線看，溫度聚類二，平均埋深最淺，冬冷夏熱，受室外環境影響較大，溫度聚類三平均埋置最深，多數大于13 m，四季溫度更為穩定，其溫度表現符合地下建筑埋深越大，溫度越穩定的規律。

在濕度埋深聚類分析中(圖9)，濕度聚類二>濕度聚類三>濕度聚類一>溫度聚類四，濕度聚類三的濕度波動大，較不穩定。從其埋深分布看，有雙峰特點，大埋深和淺埋深均出現濕度不穩定，淺埋深在深秋初冬濕度增加，有冷凝現象，符合濕度規律。

圖8 溫度聚類車站埋深分布Fig.8 The burial depth distribution of temperature clustering

圖9 濕度聚類車站埋深分布Fig.9 The burial depth distribution of humidity clustering

從埋深因素分析看：大埋深有利于穩定站內溫度，但大埋深增加濕負荷，且濕度受空間分布影響更大，濕度聚類三更多分布在沿海岸線區域。

4.2 溫度聚類與朝向角度

首先對地鐵車站朝向進行方位角度統計分析，定義正西為0°，順時針計算。研究首先對站內外溫濕度差值與車站方位角的相關性進行驗證，通過方差齊檢驗顯著性為0，強相關。

參照2019年氣象數據各季節風向(圖10)，該城市具有強季風特點，春夏季風向主要為SSE、S、SE，秋冬季主要為NNW、NW、N。

對比溫度波動曲線(圖5)，溫度聚類二表現最差，僅從朝向(圖11)與溫度聚類(圖12)相關性看，溫度聚類二車站朝向無規律，但從空間分布圖可發現，溫度聚類二為線路盡端交通樞紐站或換乘車站，站內環境復雜，受室外環境影響大；溫度聚類三車站方位角度主要集中在NE、NNE、N向，受室外風環境影響較小，站內冬暖夏涼，熱環境穩定，但在深秋和初冬溫度表現低，從11—12月風向看，此時段會有SSW風，對溫度聚類三產生影響，造成此時段的溫度低于其他類型車站。

圖10 季節風玫瑰Fig.10 Seasonal Wind Rose

圖11 溫度聚類車站朝向Fig.11 Station orientation of temperature cluster

圖12 溫度聚類車站方位角分布Fig.12 Station orientation distribution of temperature cluster

對比溫度波動曲線(圖7)，在車站朝向(圖13)與濕度聚類(圖14)分析中發現，濕度聚類三盡端站或換乘站更易受室外環境影響，濕度波動大，表現差，與車站方位角關聯性小。

5 結論

利用聚類分析、相關性檢驗等數據挖掘方法研究了兩條地鐵線路共38座車站空間位置、埋深、方位朝向等站點物理屬性對各地鐵車站溫、濕度影響規律，為各車站根據其自身物理特征確定更為合理的被動式節能措施和合理的能耗定額提供理論支撐。

(1)從聚類結果看，根據站內溫、濕度波動特點各聚類出四種類型。溫度聚類從線路上看，Line B車站比Line A的冬季更冷、夏季更熱，從溫度二類車站表現為夏熱冬冷，溫度波動大，說明其與外環境相關性大，這類車站主要出現在Line B上，重點對Line B車站的冬、夏兩季進行技術干預，減少外環境影響，提高舒適度。

圖13 濕度聚類車站朝向Fig.13 Station orientation of humidity clustering

圖14 濕度聚類車站方位角分布Fig.14 Station orientation distribution of humidity clustering

(2)聚類中發現，波動類型與地鐵線路走向有一定關系。在溫度一類中表現較為明顯，溫度一類從空間分布中主要集中在Line B上的RMHT站至DHI站東西、南北沿海走向區域及Line A的TAL站至HLSL站北偏西30°區，通過朝向分析發現由于受海陸風或季風影響，后期會繼續對分布規律車站與微環境、站內情況進行詳細研究。

(3)在對站內外溫濕度差與埋深、方位朝向的方差分析中發現：各物理特征與站內溫濕度均強相關，從排序看，濕度與出入口關系較小，受空間位置及埋深影響較大。

由于地鐵車站內熱濕環境是各物理特征綜合影響的結果，其空調環控系統的調節應根據站點特點選擇合適的運行模式和功率；同時，車站的能耗定額也應針城市不同區域、型式、朝向、微氣候等因素對車站能耗定額進行系數修正，故應根據運營后評價進行及時調整。