- 文献综述（或调研报告）：
国内外学者针对不同城市的居民公共交通出行行为特征展开了广泛研究，常见方法是将时间特征和空间特征分开进行分析。与国外相比，国内的研究集中在一些人口基数庞大、地铁网络复杂的大型城市如北京、广州、深圳等。这些城市的交通问题较为突出，乘客出行特征更加鲜明。这对研究相似城市的客流时空分布特征具有重要的参考意义。下面分别从时间维和空间维对不同研究进行阐述。
- 时间分布特征分析
从不同的时间尺度对地铁客流量进行分时统计是较为常见的一种方法。例如，黄洁[1]等利用北京地铁智能卡记录构建乘客出行OD矩阵，识别了早晚高峰并分时段统计了客流量，绘制了乘客出行时间分布图和Gamma分布拟合图。王凯[2]绘制了工作日和周末5:00-23:00每小时北京地铁乘客进站量并计算了早晚高峰小时系数。袁江[3]等利用EMME/4软件分析了广州地铁全年、周内、全日、高峰小时的客流分布规律。王多龙[4][5]等对天津地铁按全年各月、一周、全天小时分析客流特征。张建平[6]等分析了西安地铁3号线工作日、非工作日、节假日的分时客流特征。刘炜烨[7]分析了无锡地铁1号线全日各小时、休息日及工作日、季节性及临时性客流分布特征。郭文露[8]等研究了武汉地铁1、2、4号线一周内每日刷卡总次数及不同时间段的进站刷卡数。使用软件直接对处理后的刷卡数据进行分时统计，一般统计的指标包括一周内每天的总客流量、一天内各时段（通常以1小时为间隔）的客流量、早晚高峰的客流量等。
为了描述客流时间分布的均衡程度，常采用客流分布不均衡系数来表达时间分布特性，如周云娣[9]研究了南京地铁3号线一个工作日和非工作日的分时断面客流量并计算了不均衡系数得出工作日的客流不均衡现象比非工作日更严重的结论。一些学者还利用长期的刷卡记录分析时间特征，如Elodie Deschaintres[10]等利用51周智能卡数据划分了各周类型，分析乘客出行的周模式。
总的来看，对刷卡数据进行周、日、时的分别统计是进行分析的基础，而使用客流分布不均衡系数则较多应用于单独分析同一条线路的客流情况。为了从总体上把握整个地铁网络的客流特征，更多的应该关注在数据统计的基础上根据感兴趣的研究时段进行时间特征分析。
- 空间分布特征分析
常利用各种不均衡系数来对地铁客流的空间分布特征进行分析。常见的描述客流空间分布特征的系数有上下行方向不均衡系数和单向断面客流不均衡系数。例如，刘炜烨[6]采用上下行方向客流不均衡系数和单向断面客流不均衡系数分别描述了无锡地铁1号线的上下行方向客流分布特征和线路断面客流分布特征，结合无锡市的实际情况对高峰断面客流分布进行解释。王多龙[4][5]等使用上下行方向不均衡系数描述天津地铁线路客流方向特征，使用单向断面不均衡系数来描述区段客流空间特征并通过绘制断面客流量图及计算不均衡系数对客流进行分析。周云娣[8]采用上下行方向不均衡系数描述南京地铁3号线的上下行方向客流的不均衡程度。计算不同线路的各种不均衡系数从定量角度分析了地铁客流空间分布特征。
聚类分析也是进行空间特征分析的常见方法。地铁站点通常是聚类分析的目标，聚类分析的变量多样，但一般都与地铁站的实际情况和客流量密切相关。聚类分析的常用方法有K-Means算法、系统聚类法等。例如，陈建均[11]采用K-Means算法按照区域和客流特征进行聚类，将广州地铁站划分为居住型、就业型、职住平衡型、枢纽型、景区型、学校型6类并分析了各类型站点的客流特征。邵滢宇[12]等使用系统聚类法将哈尔滨地铁1号线划分为中央商务区换乘类、单一功能类、通勤出行类、远途交通接驳转运类、城市外围换乘类以及日常出行类6类。岳真宏[13]等采用高斯混合聚类将北京地铁233个站点划分为工作区车站、居住区车站、交通枢纽类车站和旅游区车站、机场T2、T3航站楼站。Kim[14]等利用韩国首尔地铁网络的刷卡数据使用聚类分析方法研究了区域之间的移动模式。Alexis Viallard[15]等使用K-means算法研究了用户使用公交出行行为的演变规律。利用聚类分析算法将地铁站点进行分类，并结合地铁站点周边环境，更利于客流形成特点的解释。
参考文献：
[1]黄洁,王姣娥,靳海涛,金凤君.北京市地铁客流的时空分布格局及特征——基于智能交通卡数据[J].地理科学进展,2018,37(03):397-406.
[2]王凯.北京地铁客流特征分析[J].管理科学与工程,2014,3(01):51-56. DOI:10.12677/MSE.2014.31B009.
[3]袁江,彭磊.广州地铁运营客流分布特征研究与应用[J].都市快轨交通,2018,31(4):63-68. DOI:10.3969/j.issn.1672-6073.2018.04.013.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
