張　兵，陳廷照，曾明華（.華東交通大學(xué) 土木建筑學(xué)院，江西 南昌 33003；.華東交通大學(xué) 軌道交通學(xué)院，江西 南昌 33003）

基于BP神經(jīng)網(wǎng)絡(luò)的城市公交服務(wù)質(zhì)量影響因素主成分分析

張兵1，陳廷照1，曾明華2
（1.華東交通大學(xué) 土木建筑學(xué)院，江西 南昌 330013；2.華東交通大學(xué) 軌道交通學(xué)院，江西 南昌 330013）

為改善城市公交服務(wù)質(zhì)量，根據(jù)乘客服務(wù)質(zhì)量問(wèn)卷調(diào)查數(shù)據(jù)分析，運(yùn)用主成分分析方法對(duì)公交服務(wù)質(zhì)量影響因素進(jìn)行降維處理，把15個(gè)影響變量提取為8個(gè)主成分變量。在此基礎(chǔ)上，運(yùn)用MATLAB7.0建立影響因素主成分與公交服務(wù)質(zhì)量認(rèn)可度的BP神經(jīng)網(wǎng)絡(luò)模型，在不同參數(shù)下進(jìn)行試驗(yàn)和比較，計(jì)算出模擬數(shù)據(jù)下公交服務(wù)質(zhì)量認(rèn)可度折減影響系數(shù)均方差為0.000 957，表明該模型所選參數(shù)值可以用于評(píng)估公交服務(wù)質(zhì)量的影響因素分析。最后，根據(jù)權(quán)值和閥值計(jì)算得出影響城市公交服務(wù)質(zhì)量的關(guān)鍵因素為公交車(chē)內(nèi)擁擠程度、駕駛員服務(wù)態(tài)度和首末班車(chē)時(shí)間，其影響程度分別為53.09%、32.02%和30.36%。研究結(jié)論可以為城市公交服務(wù)質(zhì)量改善提供依據(jù)并明確重點(diǎn)改進(jìn)的方向。

城市公交；服務(wù)質(zhì)量；公交認(rèn)可度；主成分分析；BP神經(jīng)網(wǎng)絡(luò)

第1卷 第1期|2015年2月

0　引言

優(yōu)先發(fā)展城市公共交通，通過(guò)改善公共交通的服務(wù)質(zhì)量吸引公交出行者，將是解決城市交通擁擠問(wèn)題的關(guān)鍵之一。目前，在公共交通服務(wù)質(zhì)量因素研究方面，主要有結(jié)構(gòu)方程模型法、概率模型法和多元統(tǒng)計(jì)分析法等。例如，Juan deO?a等提出結(jié)構(gòu)方程模型（SEM）方法可用于描述服務(wù)，揭示潛在的方面與整體服務(wù)質(zhì)量之間的關(guān)系[1]。Luigi dell′Olio等通過(guò)概率模型模擬用戶(hù)感知的巴士交通服務(wù)質(zhì)量，為運(yùn)營(yíng)公司提供有價(jià)值的信息，提高公交服務(wù)質(zhì)量，吸引更多乘客使用交通工具[2]。在國(guó)內(nèi)，很多學(xué)者從不同角度對(duì)公交服務(wù)質(zhì)量進(jìn)行了分析，例如黃婷等從乘客的角度出發(fā)，研究了公交的有效性、出行時(shí)間和費(fèi)用、舒適便利性、安全及風(fēng)險(xiǎn)舒適便利性等，提出了公交站點(diǎn)、公交路線和公交系統(tǒng)的評(píng)價(jià)指標(biāo)，建立了人性化服務(wù)質(zhì)量評(píng)價(jià)體系[3]；馬飛等借鑒SERVPERF服務(wù)質(zhì)量分析方法，從乘客感知角度設(shè)計(jì)了公交車(chē)服務(wù)質(zhì)量的5維度影響因素測(cè)量模型，研究城市公交車(chē)服務(wù)質(zhì)量的影響因素及作用機(jī)理[4]；彭昌溆等應(yīng)用改進(jìn)的SERVQUAL模型結(jié)合Logistic模型，對(duì)宜昌市公交乘客感知服務(wù)質(zhì)量的影響因素進(jìn)行了研究[5]。

由于城市公交服務(wù)質(zhì)量影響因素眾多，相互干擾較大，因此，為了保證因素分析的有效性，將主成分分析法（Principal Component Analysis，PCA）與BP神經(jīng)網(wǎng)絡(luò)模型結(jié)合用于分析城市公交服務(wù)質(zhì)量影響因素，即先采用主成分分析方法對(duì)調(diào)查數(shù)據(jù)進(jìn)行降維，并在保證數(shù)據(jù)丟失最小原則下，簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，在不同參數(shù)下進(jìn)行仿真和比較，確定合適的神經(jīng)網(wǎng)絡(luò)參數(shù)，建立比較精確的權(quán)值網(wǎng)絡(luò)模型，提高了建模質(zhì)量。

1　城市公交出行基本信息特征分析

1.1樣本統(tǒng)計(jì)分析

本文以南昌市為實(shí)證研究對(duì)象，選擇22路、232路和703路公交車(chē)進(jìn)行跟車(chē)調(diào)查，并隨機(jī)抽取南昌市15個(gè)公交?？空军c(diǎn)進(jìn)行駐站調(diào)查。本次問(wèn)卷調(diào)查共發(fā)放280份問(wèn)卷，有效問(wèn)卷236份，問(wèn)卷有效率為84.2%。通過(guò)利用頻率分析法對(duì)調(diào)研對(duì)象進(jìn)行總體特征分析，包括性別、年齡、受教育程度、職業(yè)、收入、交通工具、乘坐公交頻率等12項(xiàng)，并得到基本信息統(tǒng)計(jì)表（如表1所示）。通過(guò)表1可以看出，年齡在18~45歲區(qū)間的人群是公交出行的主要群體，而教育程度對(duì)公交出行的影響不大。通過(guò)對(duì)職業(yè)和出行目的分析發(fā)現(xiàn)，乘坐公交車(chē)出行的群體主要為公司員工和學(xué)生，而個(gè)體工商戶(hù)和政府職員主要使用私家車(chē)出行，這也反映了一般乘坐公交車(chē)出行的多為中低收入群體。

表1　問(wèn)卷調(diào)查基本信息表

為獲取公交服務(wù)質(zhì)量影響因素，選取公交首末班車(chē)時(shí)間、候車(chē)時(shí)間、出發(fā)地距公交站臺(tái)的距離、候車(chē)環(huán)境、行車(chē)速度、車(chē)況、車(chē)內(nèi)衛(wèi)生狀況、服務(wù)態(tài)度、擁擠程度、乘坐的舒適性、安全性、線路的安排、線路的換乘便利、公交站提供的交通信息及票價(jià)滿(mǎn)意度等作為變量進(jìn)行問(wèn)卷調(diào)查。調(diào)查問(wèn)卷采用里克特5級(jí)量法，用“1~5”表示被調(diào)查者對(duì)題中所陳述內(nèi)容的認(rèn)同程度。其中，1代表“非常不滿(mǎn)意”，2代表“比較不滿(mǎn)意”，3代表“無(wú)意見(jiàn)”，4代表“滿(mǎn)意”，5代表“非常滿(mǎn)意”。利用SPSS19.0軟件統(tǒng)計(jì)分析，得出乘客最不滿(mǎn)意的指標(biāo)為公交車(chē)擁擠程度，其均值為1.96；其次為候車(chē)時(shí)間和候車(chē)環(huán)境，均值為2.86；而乘坐舒適性的均值為2.77，表現(xiàn)為比較不滿(mǎn)意。

1.2公交服務(wù)認(rèn)可度分析

利用SPSS19.0統(tǒng)計(jì)分析軟件對(duì)公交服務(wù)質(zhì)量的認(rèn)可度進(jìn)行分析，結(jié)果如表2所示。從表2可以看出，與人們心中理想的公交服務(wù)質(zhì)量相比，乘客對(duì)現(xiàn)狀公交服務(wù)質(zhì)量認(rèn)可的均值僅為2.79，存在較大的差距。而對(duì)于其他4項(xiàng)問(wèn)題，認(rèn)可度的均值在3.5左右，說(shuō)明被調(diào)查者基本上認(rèn)可當(dāng)前的公交服務(wù)，但認(rèn)為在公交服務(wù)的改善上還需要做出很大努力。

表2　公交服務(wù)質(zhì)量認(rèn)可度分析表

2　公交服務(wù)質(zhì)量數(shù)據(jù)信度分析與因子分析

2.1信度分析

通過(guò)信度與效度的檢驗(yàn)，可以了解分析結(jié)論是否合適、得當(dāng)，并作為改善修正的根據(jù)，可避免做出錯(cuò)誤的判斷[6]。根據(jù)被調(diào)查者的調(diào)查時(shí)間和調(diào)查內(nèi)容，本文采用內(nèi)在信度分析，選擇常用的Cron?bach′sα系數(shù)法。信度系數(shù)越大，表明測(cè)量的可信程度越大。一般認(rèn)為，0.60~0.65為不可信；0.65~ 0.70為最小可接受值；0.70~0.80為相當(dāng)好；0.80~ 0.90為非常好。

Cronbach′sα信度系數(shù)為：

根據(jù)公式（1），得到Cronbach′sα系數(shù)如表3所示，其中信度系數(shù)為0.767，在0.70~0.80之間，可以得出該調(diào)查問(wèn)卷數(shù)據(jù)的內(nèi)在信度是比較理想的。

表3　可靠性統(tǒng)計(jì)量

2.2基于主成分的因子分析

因子分析的目的是尋求變量的基本結(jié)構(gòu)，簡(jiǎn)化觀測(cè)系統(tǒng)，減少變量維度，用少數(shù)變量來(lái)解釋所研究的復(fù)雜問(wèn)題。在因子分析之前，應(yīng)判斷變量之間的相關(guān)關(guān)系是否適合進(jìn)行因子分析[8]。

（1）因子分析的前提條件

因子分析要求變量之間應(yīng)存在較強(qiáng)的相關(guān)關(guān)系。采用KMO（Kaiser-Meyer-Olkin）檢驗(yàn)和巴特利特球度檢驗(yàn)（Bartlett Test of Sphericity）方法對(duì)原有變量之間的相關(guān)性進(jìn)行研究。一般情況下，KMO>0.9表示非常適合因子分析；0.8＜KMO＜0.9表示適合因子分析；0.7＜KMO＜0.8表示基本適合因子分析；0.6＜KMO＜0.7時(shí)，因子分析的效果很差；當(dāng)KMO＜0.5時(shí)，則不適宜做因子分析。巴特利特球度檢驗(yàn)是假設(shè)相關(guān)系數(shù)矩陣是一個(gè)單位陣，如果統(tǒng)計(jì)量值比較大，且其相對(duì)應(yīng)的相伴概率值小于用戶(hù)指定的顯著性水平，拒絕原假設(shè)，認(rèn)為適合做因子分析；反之，接受原假設(shè)，不適合做因子分析[7]。由表4的KMO檢驗(yàn)和巴特利特球度檢驗(yàn)可以看出，本次調(diào)查數(shù)據(jù)的KMO值為0.774，大于 0.7，巴特利特球度檢驗(yàn)值為558.391，顯著性為0，小于0.05，分析結(jié)果非常顯著，說(shuō)明變量有較高的相關(guān)性，因此本次調(diào)查數(shù)據(jù)適合做因子分析。

表4　KMO和Bartlett檢驗(yàn)結(jié)果

（2）基于主成分的因子分析

主成分分析是將原來(lái)眾多的具有一定相關(guān)性的指標(biāo)，重新組合成一組新的互不相干的綜合指標(biāo)來(lái)代替原來(lái)指標(biāo)，用較少的主成分得到較多的信息量[8]。即將P個(gè)原始指標(biāo)向量X1，X2，…，Xp做線性組合，得到綜合指標(biāo)向量：

其中，F(xiàn)i與Fj(i≠j,i,j=1,…,p)互不相關(guān)，即Cov(Fi,Fj)=0。F1稱(chēng)為第一主成分，在F1所含信息不足條件下尋找第二主成分F2，第三主成分F3，…，第p主成分Fp。

在提取綜合變量時(shí)，一般要滿(mǎn)足大于70%的貢獻(xiàn)率，經(jīng)過(guò)SPSS19.0軟件統(tǒng)計(jì)分析，選取基本特征值為0.8，旋轉(zhuǎn)后，各主成分的特征值及累計(jì)貢獻(xiàn)率如表5所示。其中，第1個(gè)主成分為車(chē)內(nèi)衛(wèi)生狀況；第2個(gè)主成分為線路安排和公交站提供的交通信息；第3個(gè)主成分為公交車(chē)首末時(shí)間的安排；第4個(gè)主成分為車(chē)內(nèi)的擁擠程度；第5個(gè)主成分為公交車(chē)運(yùn)行速度；第6個(gè)主成分為乘客候車(chē)時(shí)間；第7個(gè)主成分為公交車(chē)的運(yùn)行安全性；第8個(gè)主成分為駕駛員的服務(wù)態(tài)度。8個(gè)主成分的累計(jì)方差貢獻(xiàn)率達(dá)到72.753%，表示因子分析的結(jié)果能較好地代替原始變量。

表5　方差解釋表

3　基于BP神經(jīng)網(wǎng)絡(luò)的公交服務(wù)質(zhì)量因素分析

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)的工作過(guò)程通常由兩個(gè)階段組成：一個(gè)階段是學(xué)習(xí)期，各計(jì)算單元狀態(tài)不變，根據(jù)計(jì)算結(jié)果和模型識(shí)別修改各連接權(quán)值；另一階段是工作期，各連接權(quán)值固定，計(jì)算各單元的狀態(tài)變化，以求達(dá)到穩(wěn)定狀態(tài)[9-10]。因此，為確定城市公交服務(wù)質(zhì)量中的主要影響因素，可以采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)問(wèn)卷調(diào)查數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)，從而確定當(dāng)達(dá)到穩(wěn)定狀態(tài)時(shí)，各個(gè)影響因素的固定權(quán)值。

由于公交服務(wù)質(zhì)量高低與乘客對(duì)公交服務(wù)質(zhì)量的認(rèn)可度存在較大關(guān)聯(lián)性，因此基于公交服務(wù)質(zhì)量認(rèn)可度分析表，將相關(guān)程度較高的指標(biāo)1與指標(biāo)2重新定義為y1，將指標(biāo)3、指標(biāo)4和指標(biāo)5重新定義為y2。在此基礎(chǔ)上，將調(diào)查數(shù)據(jù)根據(jù)旋轉(zhuǎn)成分矩陣表計(jì)算236個(gè)樣本的主成分值，對(duì)應(yīng)公交服務(wù)質(zhì)量認(rèn)可度值，將其分配為8組，將前5組數(shù)據(jù)用于訓(xùn)練，剩余3組數(shù)據(jù)用于預(yù)測(cè)驗(yàn)證其絕對(duì)誤差值。公交服務(wù)質(zhì)量影響因素主成分及認(rèn)可度分組如表6所示。

表6　公交服務(wù)質(zhì)量影響因素主成分及認(rèn)可度分組值

在自適應(yīng)（Adaptive）強(qiáng)化學(xué)習(xí)訓(xùn)練的過(guò)程中先后選用不同的激活函數(shù)模型，反復(fù)調(diào)整學(xué)習(xí)率以及權(quán)值，最終確定激活函數(shù)均選用正切S型tansig函數(shù)：

使用MATLAB軟件進(jìn)行BP神經(jīng)網(wǎng)絡(luò)計(jì)算，將主成分分析提取的8個(gè)主成分作為BP神經(jīng)網(wǎng)絡(luò)輸入層，將對(duì)公交車(chē)服務(wù)質(zhì)量的認(rèn)可度作為輸出層，即以y1和y2作為BP神經(jīng)網(wǎng)絡(luò)的輸出層，則該BP神經(jīng)網(wǎng)絡(luò)有8個(gè)輸入層、2個(gè)輸出層、13個(gè)隱含層。經(jīng)過(guò)計(jì)算，模擬數(shù)據(jù)的方差為0.000 957，小于目標(biāo)值0.001，滿(mǎn)足學(xué)習(xí)精度要求，即該模型所選參數(shù)值符合要求。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型輸出訓(xùn)練的結(jié)果方差如圖1所示。

圖1　模擬方差

通過(guò)對(duì)后3組數(shù)據(jù)的預(yù)測(cè)，得出y1的相對(duì)誤差的平均值為0.001 2，y2的相對(duì)誤差的平均值為0.057 0，均小于0.1。

通過(guò)訓(xùn)練得到的權(quán)值和偏差矩陣如下：

xi和yi之間的相關(guān)度Rij：

得到xi對(duì)yj的影響程度Fij：

根據(jù)以上數(shù)據(jù)，計(jì)算得出：

根據(jù)輸入分量xi(i=1,2,…,m)對(duì)應(yīng)的神經(jīng)元與隱含層神經(jīng)元K(K=1,2,…,P)之間的連接權(quán)WKi之和∑WKi越大，xi系統(tǒng)的影響越大；隱含單元k與輸入分量yi的連接權(quán)Wjk之和（Wjk）越大，系統(tǒng)響應(yīng)輸出yi就越靈敏[11-12]。因此，根據(jù)計(jì)算結(jié)果可以看出，對(duì)公交服務(wù)質(zhì)量認(rèn)可度yi相關(guān)度最大的依次是第4、第8和第3主成分，其影響程度分別為53.09%、32.02%和30.36%，說(shuō)明對(duì)公交服務(wù)質(zhì)量影響的所有因素中，公交車(chē)的擁擠程度（第4主成分）、駕駛員服務(wù)態(tài)度（第8主成分）和首末班車(chē)時(shí)間（第3主成分）對(duì)公交服務(wù)質(zhì)量認(rèn)可程度起到關(guān)鍵作用。因此，上述3個(gè)因素也是今后提高城市公交服務(wù)質(zhì)量的主要改善方向。

4　結(jié)論

在公交服務(wù)質(zhì)量調(diào)查問(wèn)卷數(shù)據(jù)分析基礎(chǔ)上，通過(guò)因子分析將15個(gè)變量降維到8個(gè)相互獨(dú)立的影響因子，通過(guò)MATLAB軟件建立以tansig函數(shù)作為激活函數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型，計(jì)算出兩組偏置值與權(quán)值矩陣以評(píng)估公交服務(wù)質(zhì)量因素與公交服務(wù)認(rèn)可度之間的影響程度。在此前提下，通過(guò)權(quán)值矩陣以及偏置值計(jì)算出相應(yīng)的公交服務(wù)質(zhì)量認(rèn)可度折減影響系數(shù)的均方差達(dá)0.000 957。因此，該模型可以用于評(píng)估影響公交服務(wù)質(zhì)量認(rèn)可度的影響因素分析。同時(shí)，計(jì)算結(jié)果表明，對(duì)城市公交服務(wù)質(zhì)量影響程度較大的因素主要有公交車(chē)內(nèi)擁擠程度、駕駛員服務(wù)態(tài)度及首末班車(chē)時(shí)間安排。

[1]Juan de O?a,Rocíode O?a,Laura Eboli,Gabriella Mazzulla. Perceived Service Quality in Bus Transit Service:A Structur?al Equation Approach[J].Transport Policy,2013(29):219-226.

[2]Luigi dell′Olio,Angel Ibeas,Patricia Cec?′n.Modelling Us?er Perception of Bus Transit Quality[J].Transport Policy, 2010(17):388-397.

[3]黃婷，焦海賢，李秀麗.基于乘客觀點(diǎn)的公交服務(wù)質(zhì)量評(píng)價(jià)體系及方法研究[J].重慶交通大學(xué)學(xué)報(bào)，2008，7（5）：781-784.

[4]馬飛，孫啟鵬，王煉，等.基于SERVPERF的城市公交車(chē)服務(wù)質(zhì)量影響因素研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2013，13（2）：153-157.

[5]彭昌溆，周雪梅，張道智，等.基于乘客感知的公交服務(wù)質(zhì)量影響因素分析[J].交通信息與安全，2013，31 （4）：40-44.

[6]時(shí)立文.SPSS19.0統(tǒng)計(jì)分析[M].北京：清華大學(xué)出版社，2012.

[7]陳建宏，劉浪，周智勇，等.基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，42（5）：1967-1972.

[8]朱林波.主成分分析法在城市交通可持續(xù)發(fā)展評(píng)價(jià)中的應(yīng)用[J].西華大學(xué)學(xué)報(bào)，2013（1）：63-66.

[9]陳君，李聰穎，丁光明.基于BP神經(jīng)網(wǎng)絡(luò)的高速公路交通安全評(píng)價(jià)[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，36 （7）：927-931.

[10]聞新.MATLAB神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京：科學(xué)出版社，2003.

[11] 趙云凌，陳琳.基于BP神經(jīng)網(wǎng)絡(luò)的區(qū)域收入差異影響因素[J].統(tǒng)計(jì)與決策，2007（1）：83-85.

[12] 呂瓊帥，熊蜀峰.基于PCA和蜂群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（1）：182-185.

Principal ComponentAnalysis of Factors Influencing City Bus Service Quality Based on BPNeural Network

ZHANG Bing1,CHEN Ting-zhao1,ZENG Ming-hua2
(1.School of Civil Engineering and Architecture,East China Jiaotong University,Nanchang 330013,China; 2.School of Railway Tracks and Transportation,East China Jiaotong University,Nanchang 330013,China)

In order to improve city bus service quality,the factors dimension of bus service quality were reduced by principal component analysis and 8 principal components were extracted from 15 variables according to the passenger service quality survey data analysis.Then,the BP neural network model which reflected the relations about the factors principal component and recognition was set up by using MATLAB7.0.By testing and comparing with different parameters,the weight matrix was calculated. Based on simulated data,it was calculated that the bus service quality recognition reduction impact coef?ficient variance was 0.000957,which indicated that the parameter values selected in model were used for the factors analysis to assess the bus service quality.Finally,according to weights and thresholds,it is calculated that the main factors influencing the bus service quality were passengers crowding,driver attitude and the first and last time of bus,whose impact were 53.09%,32.02%and 30.36%.The conclu?sion provided the basis and the clear direction for the city bus service quality improvement.

city bus;service quality;recognition of bus;principal component analysis;BP neural network

U491

A

2095-9931（2015）01-0014-06

10.16503/j.cnki.2095-9931.2015.01.003

2014-11-28