蔣琦瑋，吳小蘭，馮芬玲，李萬(wàn)

?

基于IPSO?XGB的城市軌道交通車(chē)站服務(wù)質(zhì)量評(píng)價(jià)

蔣琦瑋，吳小蘭，馮芬玲，李萬(wàn)

(中南大學(xué) 交通運(yùn)輸工程學(xué)院，湖南 長(zhǎng)沙 410075)

針對(duì)城市軌道交通車(chē)站服務(wù)質(zhì)量評(píng)價(jià)體系不夠完善和指標(biāo)賦權(quán)方法較單一的現(xiàn)狀，結(jié)合當(dāng)前乘客消費(fèi)理念及出行習(xí)慣，構(gòu)建基于乘客感知的初始評(píng)價(jià)指標(biāo)體系。應(yīng)用改進(jìn)粒子群算法(IPSO)與極端梯度提升樹(shù)(XGB)的混合算法IPSO-XGB計(jì)算各指標(biāo)權(quán)重，結(jié)合乘客滿意度，形成IPA矩陣，得到最終的評(píng)價(jià)結(jié)果，并進(jìn)一步精簡(jiǎn)評(píng)價(jià)指標(biāo)體系。以長(zhǎng)沙地鐵五一廣場(chǎng)站為例，用分類(lèi)誤差率衡量算法優(yōu)劣，對(duì)車(chē)站服務(wù)質(zhì)量進(jìn)行評(píng)價(jià)，并將其結(jié)果與分類(lèi)回歸樹(shù)、神經(jīng)網(wǎng)絡(luò)等評(píng)價(jià)算法進(jìn)行對(duì)比。研究結(jié)果表明：本文提出的IPSO-XGB評(píng)價(jià)算法的分類(lèi)誤差率最小，可降至3.85%。

城市軌道交通車(chē)站；服務(wù)質(zhì)量評(píng)價(jià)；IPSO?XGB；IPA矩陣分析；賦權(quán)

截止到2017年底，我國(guó)城市軌道交通運(yùn)營(yíng)總里程達(dá)5 033 km，同比增長(zhǎng)21.5%。目前，國(guó)內(nèi)外城市軌道交通服務(wù)質(zhì)量評(píng)價(jià)大多以運(yùn)營(yíng)線路為評(píng)價(jià)單元，將全線所有車(chē)站和列車(chē)到發(fā)情況一同評(píng)價(jià)。這種評(píng)價(jià)模式?jīng)]有考慮到不同車(chē)站設(shè)施配備和員工服務(wù)的區(qū)別，難以得到準(zhǔn)確的評(píng)價(jià)結(jié)果。因此，軌道交通車(chē)站應(yīng)作為一個(gè)獨(dú)立的整體進(jìn)行評(píng)價(jià)。公共交通服務(wù)質(zhì)量評(píng)價(jià)常用方法可分為2類(lèi)：一類(lèi)是定性和定量相結(jié)合的評(píng)價(jià)模型，如層次分析法、模糊綜合評(píng)價(jià)等，另一類(lèi)是定量評(píng)價(jià)模型，如神經(jīng)網(wǎng)絡(luò)、樹(shù)模型等。Quadros等[1]應(yīng)用層次分析法對(duì)巴西基礎(chǔ)交通設(shè)施的標(biāo)準(zhǔn)優(yōu)先級(jí)進(jìn)行了評(píng)估；鞠蓓等[2]應(yīng)用模糊綜合評(píng)價(jià)模型對(duì)鐵路客運(yùn)網(wǎng)站的服務(wù)質(zhì)量進(jìn)行了綜合評(píng)價(jià)。上述模型容易受決策者的主觀影響，難以得出較為客觀的結(jié)論。楊國(guó)元等[4]建立了BP神經(jīng)網(wǎng)絡(luò)(BPNN)求解模型，對(duì)客運(yùn)服務(wù)質(zhì)量進(jìn)行綜合評(píng)價(jià)，并與模糊綜合評(píng)價(jià)法進(jìn)行對(duì)比[3]；Machado-León等[4]使用分類(lèi)回歸樹(shù)模型(CART)和滿意度-重要性矩陣(IPA矩陣)，對(duì)阿爾及爾市內(nèi)3種軌道交通的服務(wù)質(zhì)量進(jìn)行評(píng)估。相比定性與定量相結(jié)合的評(píng)價(jià)模型，這些模型通過(guò)發(fā)掘數(shù)據(jù)間的內(nèi)部關(guān)系，可以客觀準(zhǔn)確的對(duì)不同指標(biāo)進(jìn)行賦權(quán)，避免了主觀認(rèn)識(shí)對(duì)結(jié)果的影響。以上定量評(píng)價(jià)模型中，決策樹(shù)模型應(yīng)用較為廣泛，但存在過(guò)擬合的缺陷。極端梯度提升樹(shù)(XGB)算法作為集成學(xué)習(xí)中的一種優(yōu)化算法，可以避免該問(wèn)題，目前已在不少方面得到應(yīng)用[5?7]。XGB算法參數(shù)較多，以往文獻(xiàn)中應(yīng)用的手動(dòng)調(diào)參[8]、隨機(jī)搜索[9]和網(wǎng)格搜索[10]等方法搜索速度較慢且難以找出較優(yōu)參數(shù)組合。而粒子群算法(PSO)具有搜索速度快、調(diào)整參數(shù)少、易于實(shí)現(xiàn)的特點(diǎn)，適合用于多參數(shù)優(yōu)化問(wèn)題。因此，在結(jié)合當(dāng)前乘客消費(fèi)理念及出行習(xí)慣的基礎(chǔ)上，構(gòu)建基于乘客感知的城市軌道交通車(chē)站初始評(píng)價(jià)指標(biāo)體系。利用經(jīng)過(guò)改進(jìn)粒子群算法優(yōu)化后的XGB評(píng)價(jià)模型(IPSO-XGB)計(jì)算各指標(biāo)權(quán)重，結(jié)合乘客滿意度，形成IPA矩陣，得出城市軌道交通車(chē)站的評(píng)價(jià)結(jié)果。

1 城市軌道交通車(chē)站服務(wù)內(nèi)容

乘客對(duì)車(chē)站的滿意度由車(chē)站向乘客提供的各項(xiàng)服務(wù)的總體感知所決定，具體包括服務(wù)設(shè)施、服務(wù)人員、服務(wù)環(huán)境、票務(wù)服務(wù)和延伸服務(wù)等內(nèi)容。按照乘客進(jìn)站?(購(gòu)票)?安檢?過(guò)閘?候車(chē)?乘車(chē)?下車(chē)?(換乘)?出站等大致流程，站內(nèi)服務(wù)設(shè)施依次有：步行通道、自助售票機(jī)、安檢儀器、檢票閘機(jī)、電梯扶梯、候車(chē)座椅、應(yīng)急設(shè)施、廣播設(shè)備、屏顯裝置和標(biāo)志標(biāo)識(shí)等。與普通車(chē)站相比，在換乘站中，部分乘客多一道換乘程序。而在整個(gè)換乘過(guò)程中，對(duì)乘客影響最大的因素是換乘標(biāo)識(shí)，因此在對(duì)換乘站進(jìn)行評(píng)價(jià)時(shí)需對(duì)該指標(biāo)進(jìn)行特別考慮。一般情況下，乘客能夠自主乘車(chē)，但若乘客需要充值、購(gòu)票，或?qū)?chē)站結(jié)構(gòu)缺乏了解，則需要工作人員的幫助才能乘車(chē)。因此，服務(wù)人員的效率、態(tài)度和實(shí)際在崗情況等會(huì)影響乘客對(duì)車(chē)站的總體感知。此外，包括衛(wèi)生狀況、空氣質(zhì)量、客流秩序、安保狀況等在內(nèi)的服務(wù)環(huán)境也是乘客感知的一個(gè)重要方面。

票務(wù)服務(wù)是車(chē)站客運(yùn)工作的重點(diǎn)，除了傳統(tǒng)的兌零和自助售票服務(wù)外，車(chē)站還應(yīng)考慮乘客的新生需求，及時(shí)拓展票務(wù)服務(wù)的形式及內(nèi)容。例如，隨著移動(dòng)支付的興起，越來(lái)越多的出行者不再攜帶現(xiàn)金，而目前大多數(shù)城市軌道交通票務(wù)系統(tǒng)尚不支持移動(dòng)支付，給乘客帶來(lái)了較大不便。此外，現(xiàn)行車(chē)票種類(lèi)單一，軌道交通可以推出更多的車(chē)票形式，例如3日票和月票等其他票種，以滿足不同乘客的出行需求。

延伸服務(wù)常包含站外乘車(chē)指引和站外換乘距離等內(nèi)容，但仍需要考慮一些更加實(shí)際的問(wèn)題。軌道交通大多建于城市公交之后，如果公交系統(tǒng)和軌道交通的密鑰體系不同，持公交卡的乘客在乘坐軌道交通時(shí)就會(huì)面臨‘刷卡不互通’和‘充值不互通’的問(wèn)題。一般來(lái)說(shuō)，‘充值不互通’的情況更為常見(jiàn)，結(jié)合前文提到的票務(wù)服務(wù)中支付方式的缺陷，更多乘客的出行將會(huì)受到此因素的制約。這無(wú)疑增加了乘客的進(jìn)站難度和出行時(shí)間，甚至?xí)?dǎo)致部分乘客流失。

綜上，從乘客感知的角度出發(fā)，基于服務(wù)設(shè)施、服務(wù)環(huán)境、服務(wù)人員、票務(wù)服務(wù)和延伸服務(wù)5個(gè)方面，形成了軌道交通車(chē)站初始評(píng)價(jià)指標(biāo)體系，如表1所示。

表1 城市軌道交通車(chē)站服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)體系

2 研究理論與方法

2.1 XGB理論概述

在XGB中，目標(biāo)函數(shù)由損失函數(shù)和正則項(xiàng) 組成：

通常情況下，二階近似可以加快實(shí)現(xiàn)目標(biāo)函數(shù)的優(yōu)化。因此將式(3)展開(kāi)為：

其中：g和h代表?yè)p失函數(shù)的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。

2.2 IPSO算法

PSO是由Eberhart等[12]提出的一種并行式啟發(fā)式算法。為了避免粒子陷入局部最優(yōu)，需對(duì)其中的慣性權(quán)重和學(xué)習(xí)因子等參數(shù)的取值進(jìn)行設(shè)置?，F(xiàn)有研究中慣性權(quán)重有以下幾種變化形式：線性遞 減[13]、非線性遞減[14]、自適應(yīng)動(dòng)態(tài)改變[15]等。其中非線性遞減又可進(jìn)一步分為凹函數(shù)遞減和凸函數(shù)遞減。凹函數(shù)具有初期下降速度快，末期下降速度慢的特點(diǎn)，更加吻合理想情況下慣性權(quán)重的變化趨勢(shì)。戴文智等[14]提出采用慣性權(quán)重對(duì)數(shù)遞減的方法，但其對(duì)數(shù)調(diào)整因子的取值范圍過(guò)廣，尋優(yōu)較為繁瑣。因此可延用其對(duì)數(shù)遞減的思想，并按式(5)對(duì)變化規(guī)則進(jìn)行修改，并將改進(jìn)后的粒子群算法稱(chēng)為IPSO算法：

式中：s和e分別是尋優(yōu)初期和末期的慣性權(quán)重，取值分別為0.8和0.3；為底數(shù)(0<<1)，取值為0.1；為當(dāng)前迭代次數(shù)，為最大迭代次數(shù)。由于靠近自變量取值范圍左端的值可能大于s，故將此部分慣性權(quán)重設(shè)為定值，為s。

2.3 IPSO優(yōu)化XGB算法流程

Step 1：初始化XGB算法的參數(shù)。XGB參數(shù)可分為通用參數(shù)、提升參數(shù)和目標(biāo)參數(shù)3種。而其中的提升參數(shù)運(yùn)用IPSO來(lái)確定，所以主要是對(duì)通用參數(shù)和目標(biāo)參數(shù)進(jìn)行初始化。如將“num_class”設(shè)為7，將“eval_metric”設(shè)為“merror”。將所有數(shù)據(jù)按照8:2的比例分為訓(xùn)練樣本和驗(yàn)證樣本。

Step 2：初始化IPSO的參數(shù)。確定粒子個(gè)數(shù)、學(xué)習(xí)因子、粒子維度等參數(shù)。

Step 3：初始化粒子的位置和速度。隨機(jī)生成一個(gè)種群粒子p0(,,,,)，其中是學(xué)習(xí)因子“eta”，尋優(yōu)范圍是[0.000 1, 0.3]；是最大深度“max_ depth”，尋優(yōu)范圍是[1, 20]且為整數(shù)；是提升次數(shù)“num_round”，尋優(yōu)范圍是[1, 100]且為整數(shù)；是子樣本抽樣率“sub_sample”，是列抽樣率“colsample_bytree”，它們的尋優(yōu)范圍為[0.5, 1]。粒子速度為迭代步長(zhǎng)的0.1倍。

Step 4：確定適應(yīng)度函數(shù)。運(yùn)行step 1?step 3對(duì)應(yīng)程序，達(dá)到訓(xùn)練次數(shù)后得到XGB的訓(xùn)練樣本輸出值和驗(yàn)證樣本輸出值。由于樣本數(shù)量較多，XGB模型對(duì)訓(xùn)練樣本幾乎可以達(dá)到100%的正確分類(lèi)，因而適應(yīng)度函數(shù)僅由驗(yàn)證樣本的分類(lèi)誤差決定。則粒子p的適應(yīng)度值fit定義為：

Step 5：計(jì)算每個(gè)粒子的適應(yīng)度值，直到適應(yīng)度值小于設(shè)定的下限值或達(dá)到設(shè)定的迭代次數(shù)，得到最小適應(yīng)度值對(duì)應(yīng)的參數(shù)取值。保存該參數(shù)設(shè)置下生成的樹(shù)模型，并記錄分類(lèi)誤差及指標(biāo)重要性。

2.4 IPA矩陣

IPA(Importance-Performance Analysis)矩陣由Martilla等于1977年提出[16]，該方法以指標(biāo)重要性為橫坐標(biāo)，表現(xiàn)性為縱坐標(biāo)，重要性和表現(xiàn)性的總體平均值為交叉點(diǎn)，將各指標(biāo)按此規(guī)則繪制在一個(gè)二維矩陣中。因此IPA矩陣包括4個(gè)象限，各象限的分布與直角坐標(biāo)系相同，第1至第4象限依次為競(jìng)爭(zhēng)優(yōu)勢(shì)區(qū)、急需改進(jìn)區(qū)、次需改進(jìn)區(qū)、繼續(xù)維持區(qū)。IPA矩陣能夠簡(jiǎn)單、直觀分辨各指標(biāo)的服務(wù)質(zhì)量感知情況和指標(biāo)的重要程度，從而方便決策者確定指標(biāo)改進(jìn)的緩急程度。

3 實(shí)例應(yīng)用

3.1 問(wèn)卷設(shè)計(jì)及調(diào)查

本文以長(zhǎng)沙市城市軌道交通1號(hào)線和2號(hào)線的換乘站——五一廣場(chǎng)站為例，對(duì)其展開(kāi)服務(wù)質(zhì)量調(diào)查。問(wèn)卷內(nèi)容分為3部分：第1部分是根據(jù)表1中的3級(jí)指標(biāo)對(duì)應(yīng)設(shè)計(jì)出30個(gè)問(wèn)題，采用李克特7級(jí)量表讓受訪者對(duì)各指標(biāo)的滿意度進(jìn)行評(píng)價(jià)；第2部分同樣采用7級(jí)量表，讓受訪者給出對(duì)五一廣場(chǎng)站的綜合評(píng)價(jià)；第3部分收集乘客基本信息，包括受訪者的性別、年齡、出行頻率和所選用的票卡形式。

此次調(diào)查采用站內(nèi)隨機(jī)調(diào)查和網(wǎng)上調(diào)查2種方式，對(duì)于站內(nèi)調(diào)查，時(shí)間選擇為某一天的7:00~23:00，調(diào)查地點(diǎn)選擇在五一廣場(chǎng)站不同進(jìn)(出)口站共計(jì)6處，確保問(wèn)卷可以覆蓋五一廣場(chǎng)站不同區(qū)域的乘客。對(duì)于網(wǎng)上調(diào)查，為防止受訪者年齡集中化及工作性質(zhì)單一化，將網(wǎng)上問(wèn)卷通過(guò)各種社交軟件分發(fā)給不同年齡段及不同工作性質(zhì)的調(diào)查人群。此次調(diào)查中，站內(nèi)和網(wǎng)上分別收集到312份和392份調(diào)查問(wèn)卷，其中有效樣本分別為300份和350份。樣本中男女乘客比例接近1:1；18~30歲年齡段的乘客占43.5%，是地鐵的主要客流；每周乘坐3~4次地鐵的乘客最多，占比30%；相對(duì)于地鐵儲(chǔ)值卡或單程票，使用公交儲(chǔ)值卡的乘客最多，占比42%；69.08%的乘客對(duì)車(chē)站綜合滿意度在5分以上。運(yùn)用SPSS19.0對(duì)整理后的數(shù)據(jù)進(jìn)行信度檢驗(yàn)，得到二級(jí)指標(biāo)的克朗巴哈α信度系數(shù)如表2所示。

表2 2級(jí)指標(biāo)信度分析

由表2可知，所有2級(jí)指標(biāo)的克朗巴哈信度系數(shù)都大于0.8，因此問(wèn)卷有較高的可靠性。

3.2 模型應(yīng)用

實(shí)驗(yàn)數(shù)據(jù)在python3.6的環(huán)境下進(jìn)行處理，將3級(jí)指標(biāo)得分作為輸入變量，受訪者對(duì)車(chē)站的綜合評(píng)價(jià)作為輸出變量。在程序運(yùn)行過(guò)程中，通過(guò)調(diào)整IPSO算法中迭代次數(shù)和粒子個(gè)數(shù)等參數(shù)，可使驗(yàn)證樣本的分類(lèi)錯(cuò)誤率降低至3.85%。在機(jī)器學(xué)習(xí)中，即使分類(lèi)錯(cuò)誤率相同，每次訓(xùn)練結(jié)果中不同指標(biāo)權(quán)重仍然會(huì)發(fā)生變化。為了減少誤差，特選取該分類(lèi)錯(cuò)誤率下的50組運(yùn)算結(jié)果，依次對(duì)每個(gè)樹(shù)模型進(jìn)行權(quán)重歸一化，再計(jì)算各指標(biāo)對(duì)應(yīng)的權(quán)重平均值。圖1是某一組運(yùn)算結(jié)果，由圖1可知，在130個(gè)驗(yàn)證樣本中，除第36，70，74，123和125這5個(gè)樣本外，其余樣本均被準(zhǔn)確評(píng)價(jià)。

本次問(wèn)卷調(diào)查中各指標(biāo)滿意度均值及權(quán)重如表3所示，從表3可知，滿意度得分最高的指標(biāo)是1，得分最低的指標(biāo)是1。權(quán)重最大的指標(biāo)是10，權(quán)重最小的指標(biāo)是6。

為了更全面的對(duì)車(chē)站進(jìn)行評(píng)價(jià)，應(yīng)將指標(biāo)權(quán)重與乘客滿意度結(jié)合起來(lái)構(gòu)成IPA矩陣。根據(jù)2.4節(jié)中IPA矩陣的繪制原理可知，五一廣場(chǎng)站服務(wù)質(zhì)量IPA矩陣的交叉點(diǎn)為3級(jí)指標(biāo)的滿意度均值4.922和權(quán)重均值0.033。接著根據(jù)表3作出滿意度?重要性圖，如圖2所示。

圖1 IPSO-XGB驗(yàn)證樣本評(píng)價(jià)

由圖2可知，位于競(jìng)爭(zhēng)優(yōu)勢(shì)區(qū)的指標(biāo)均離交叉點(diǎn)較近，具體包括：47，14，2，4，4和4表明這些指標(biāo)即便位于競(jìng)爭(zhēng)優(yōu)勢(shì)區(qū)，但仍有較大的提升空間。這與此次服務(wù)水平調(diào)查中總體滿意度均值不足5分相吻合。該區(qū)域未包含票務(wù)服務(wù)()相關(guān)的任何3級(jí)指標(biāo)，側(cè)面表明票務(wù)服務(wù)急需改進(jìn)。

表3 3級(jí)指標(biāo)滿意度及權(quán)重

圖2 車(chē)站服務(wù)質(zhì)量IPA矩陣

位于急需改進(jìn)區(qū)的指標(biāo)較多：1011，1，32，4，1和2。其中1偏離交叉點(diǎn)最遠(yuǎn)，表明該指標(biāo)應(yīng)該著重改善。主要原因有如下2點(diǎn)：1) 長(zhǎng)沙軌道交通于2014年4月29號(hào)開(kāi)通了首條地鐵線路，并發(fā)行了地鐵儲(chǔ)值卡，但此前長(zhǎng)沙公交公司于2012年4月1日發(fā)行的“湘行一卡通”可以乘坐地鐵，因此符合問(wèn)卷調(diào)查中地鐵乘客持公交儲(chǔ)值卡占比最大的結(jié)果。而“湘行一卡通”不能在地鐵站內(nèi)充值，因此受此項(xiàng)影響的乘客較多。2) “湘行一卡通”只能在指定充值點(diǎn)進(jìn)行付費(fèi)充值，每次充值均需繳納2元的服務(wù)費(fèi)，這既給乘客帶來(lái)了不便，也增加了乘客的成本。11位于急需改進(jìn)區(qū)的原因主要是地鐵行車(chē)間隔較長(zhǎng)，且站內(nèi)座椅數(shù)量較少。以1號(hào)線為例，平峰行車(chē)間隔為7′38″，高峰行車(chē)間隔為6′32″。此外，早晚時(shí)分站內(nèi)部分座椅暫停服務(wù)。

位于次需改進(jìn)區(qū)的指標(biāo)均為服務(wù)設(shè)施()中的3級(jí)指標(biāo)，具體有：2，3，5，8和13。上述5項(xiàng)指標(biāo)中滿意度得分最低的是8，這與乘客乘車(chē)習(xí)慣有一定關(guān)系，一般來(lái)說(shuō)，乘客傾向于在電、扶梯終點(diǎn)處附近候車(chē)，而應(yīng)急設(shè)施多擺放在扶梯墻面?zhèn)确健４送?，安檢作為乘客進(jìn)站的必經(jīng)程序之一，通道有限且安檢儀傳送帶速度緩慢，均加劇了此處擁堵，增加了乘客出行時(shí)間成本。而五一廣場(chǎng)站是去往長(zhǎng)沙市兩大火車(chē)站的換乘站，各進(jìn)站口采用的是低安檢臺(tái)，符合大多數(shù)乘客的心理預(yù)期，因而使得2得分較3高。

位于繼續(xù)維持區(qū)的指標(biāo)最多，具體有：1，6，9，12，3，4，1，1，3和3，上述指標(biāo)可以分為3類(lèi)：1) 城市軌道交通的主要乘坐者是通勤人員，他們出行路徑固定，對(duì)車(chē)站各種信息較為了解，因而如6和3等指標(biāo)的優(yōu)劣對(duì)大部分乘客沒(méi)有顯著影響；2) 乘客在不同車(chē)站均能感受到的無(wú)差異優(yōu)質(zhì)服務(wù)，如1，9，12和1；3) 有些指標(biāo)屬于車(chē)站服務(wù)質(zhì)量規(guī)范中明確規(guī)定的且易于評(píng)判和整改，比如3，4和1等。

由于繼續(xù)維持區(qū)的各種指標(biāo)具有滿意度高，重要性低的特點(diǎn)，為了使評(píng)價(jià)指標(biāo)體系更為精煉，減少調(diào)查難度，故可將維持區(qū)的指標(biāo)舍去，將各2級(jí)指標(biāo)對(duì)應(yīng)的3級(jí)指標(biāo)的權(quán)重再次歸一化，形成最后的評(píng)價(jià)指標(biāo)體系和權(quán)重。結(jié)果如表4所示。

3.3 模型對(duì)比

表5對(duì)比分析了以下幾種模型的評(píng)價(jià)結(jié)果，其中CART，BPNN和XGB 3種算法均采用默認(rèn)參數(shù)進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，XGB模型的分類(lèi)錯(cuò)誤率最低，體現(xiàn)了該模型的優(yōu)越性。CART模型分類(lèi)錯(cuò)誤率最高是因?yàn)闃?shù)模型固有的過(guò)擬合缺陷，而XGB模型較好的避免了這一缺陷，因此極大程度的提高了準(zhǔn)確率。其次BP神經(jīng)網(wǎng)絡(luò)需進(jìn)行2次歸一化運(yùn)算，對(duì)服務(wù)質(zhì)量評(píng)價(jià)這種離散型數(shù)據(jù)而言，也會(huì)影響模型的評(píng)價(jià)結(jié)果。

表4 五一廣場(chǎng)站服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)及權(quán)重

表5 不同模型分類(lèi)錯(cuò)誤率對(duì)比

而PSO-XGB和IPSO-XGB 2種優(yōu)化算法的分類(lèi)錯(cuò)誤率較XGB均有明顯降低，其中IPSO-XGB模型的結(jié)果最優(yōu)。這說(shuō)明PSO算法已經(jīng)實(shí)現(xiàn)了對(duì)XGB模型的優(yōu)化，而改進(jìn)后的IPSO算法能對(duì)XGB模型進(jìn)一步優(yōu)化。表明IPSO算法達(dá)到了優(yōu)化目的，IPSO-XGB模型在離散型數(shù)據(jù)方面有較強(qiáng)的適 應(yīng)性。

4 結(jié)論

1) 相對(duì)于隨機(jī)搜索和網(wǎng)格搜索優(yōu)化XGB相關(guān)參數(shù)而言，利用IPSO算法進(jìn)行自動(dòng)尋優(yōu)的方法避免了因隨機(jī)性和枚舉不完全而遺漏最佳參數(shù)組合的風(fēng)險(xiǎn)；與CART和BPNN等評(píng)價(jià)模型相比，IPSO- XGB模型精度更高。

2) 通過(guò)對(duì)長(zhǎng)沙五一廣場(chǎng)站的實(shí)例分析可知，利用IPSO算法對(duì)XGB模型進(jìn)行參數(shù)尋優(yōu)，可使驗(yàn)證樣本的分類(lèi)誤差由12%降低至3.85%，可見(jiàn)IPSO算法實(shí)現(xiàn)了對(duì)XGB模型參數(shù)的優(yōu)化，從而驗(yàn)證了IPSO?XGB模型賦權(quán)的合理性和精確性。

3) 運(yùn)用IPSO?XGB模型和IPA矩陣對(duì)五一廣場(chǎng)站進(jìn)行服務(wù)質(zhì)量評(píng)價(jià)，得出影響車(chē)站綜合滿意度的主要指標(biāo)為公交卡站內(nèi)充值受限、候車(chē)座椅的數(shù)量和舒適度、車(chē)站客流秩序、站外交通卡充值、兌零便利性和出站口信息全面性。

[1] Quadro S G R, Nassi C D. An evaluation on the criteria to prioritize transportation infrastructure investments in brazil[J]. Transport Policy, 2015(40): 8?16.

[2] 鞠蓓, 陳維亞. 基于用戶感知的鐵路客運(yùn)網(wǎng)站服務(wù)質(zhì)量評(píng)價(jià)[J]. 鐵道科學(xué)與工程學(xué)報(bào), 2017, 14(1): 184?189. JU Bei, CHEN Weiya. Evaluating web site service quality of railway passenger transport from the perspective of users’ perception[J]. Journal of Railway Science and Engineering, 2017, 14(1): 184?189.

[3] 楊國(guó)元, 史天運(yùn), 張秋亮. 基于BP神經(jīng)網(wǎng)絡(luò)的鐵路客運(yùn)服務(wù)質(zhì)量評(píng)價(jià)研究[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2016, 16(5): 33?38, 44. YANG Guoyuan, SHI Tianyun, ZHANG Qiuliang. Railway passenger service quality evaluation based on BP neural network[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(5): 33?38, 44.

[4] Machado?León J L, O?a R D, Baouni T, et al. Railway transit services in Algiers: Priority improvement actions based on users perceptions[J]. Transport Policy, 2017(53): 175?185.

[5] Torlay L, Perrone-Bertolotti M, Thomas E, et al. Machine learning–XGBoost analysis of language networks to classify patients with epilepsy[J]. Brain Informatics, 2017, 4(3): 1?11.

[6] XIA Y, LIU C, LIU N. Cost-sensitive boosted tree for loan evaluation in peer-to-peer lending[J]. Electronic Commerce Research & Applications, 2017(24): 30?49.

[7] XIA Y, LIU C, LI Y Y, et al. A boosted decision tree approach using Bayesian hyper-parameter optimization for credit scoring[J]. Expert Systems with Applications, 2017(78): 225?241.

[8] Bergstra J, Bengio Y. Algorithms for hyper-parameter optimization[C]// International Conference on Neural Information Processing Systems. Curran Associates Inc. 2011: 2546?2554.

[9] Ilievski I, Akhtar T, Feng J, et al. Efficient hyperparameter optimization of deep learning algorithms using deterministic RBF surrogates[J]. AAAI, 2017: 822? 829.

[10] Hutter F, Hoos H H, Leyton-Brown K. Sequential model-based optimization for general algorithm configuration[C]// Learning and Intelligent Optimization, International Conference, Lion 5, Rome, Italy, 2011.

[11] CHEN T, Guestrin C. XGBoost: A scalable tree boosting system[C]// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, 2016: 785?794.

[12] Eberhart R, Kennedy J. A new optimizer using particle swarm theory[C]// Proceedings of the Sixth International Symposium on Micro Machine and Human Science. Nagoya: IEEE Press, 1995: 39?43.

[13] LIU P. Some geometric aggregation operators based on interval intuitionistic uncertain linguistic variables and their application to group decision making[J]. Applied Mathematical Modelling, 2012, 37(4): 2430?2444.

[14] 戴文智, 楊新樂(lè). 基于慣性權(quán)重對(duì)數(shù)遞減的粒子群優(yōu)化算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2015, 51(17):14?19. DAI Wenzhi, YANG Xinle. Particle swarm optimization algorithm based on inertia weight logarithmic decreasing[J]. Computer Engineering and Applications, 2015, 51(17): 14?19.

[15] Valdez F, Vazquez J C, Melin P, et al.Comparative study of the use of fuzzy logic in improving particle swarm optimization variants for mathematical functions using co-evolution[J]. Applied Soft Computing, 2017, 52: 1070?1083.

[16] Martilla J A, James J C. Importance-performance analysis[J]. Journal of Marketing, 1977, 41(1): 77?79.

Quality evaluation of urban rail transit station based on IPSO-XGB

JIANG Qiwei, WU Xiaolan, FENG Fenling, LI Wan

(School of Traffic and Transportation Engineering, Central South University, Changsha 410075, China)

In view of the imperfect evaluation system of urban rail transit station service quality and the single way of index weighting，combined with current passenger consumption concepts and travel habits，this paper proposed an initial evaluation index system based on passenger perception, and then calculated the weight of each indicator by using the hybrid algorithm of improved particle swarm optimization (IPSO) and extreme gradient boosting tree (XGB), named IPSO-XGB. In combination with passenger satisfaction, an IPA matrix was formed to obtain the final evaluation results and further simplify the evaluation index system. Taking the Wuyi Square Station of Changsha Metro as an example, the classification error rate was used to measure the pros and cons of the algorithm, evaluated the service quality of this station, and compared the results with the classification regression tree and neural network. The experimental results show that the classification error rate of the IPSO-XGB evaluation algorithm proposed in this paper is the smallest, which can be reduced to 3.85%.

urban rail transit station; service quality evaluation; IPSO?XGB; IPA matrix analysis; weighting

10.19713/j.cnki.43?1423/u.2019.04.034

U121

A

1672 ? 7029(2019)04 ? 1097 ? 08

2018?06?07

國(guó)家重點(diǎn)研發(fā)計(jì)劃先進(jìn)軌道交通專(zhuān)項(xiàng)資助項(xiàng)目(2018YFB1201402)

馮芬玲(1973?)，女，河北邯鄲人，副教授，博士，從事交通運(yùn)輸規(guī)劃與管理研究；E?mail：FFL0731@ 163.com

(編輯 蔣學(xué)東)