羅謙, 李琦, 文濤, 陳豐華, 朱萍

(1. 西華大學(xué) 計算機與軟件工程學(xué)院, 成都 610039; 2. 中國民用航空總局第二研究所, 成都 610041;3. 廣州白云國際機場股份有限公司, 廣州 510000; 4. 重慶醫(yī)科大學(xué) 教務(wù)處, 重慶 400016)

機場地面交通中心(ground transport center,GTC)是空港綜合交通樞紐的重要組成部分,是旅客換乘的服務(wù)載體,到港旅客的換乘時間效率是決定GTC 換乘服務(wù)品質(zhì)的核心要素之一,直接影響著旅客的換乘體驗。 2021 年,中共中央、國務(wù)院印發(fā)的《國家綜合立體交通網(wǎng)規(guī)劃綱要》指出,預(yù)計2021—2035 年旅客出行量年均增速為3.2%左右,民航出行占比不斷提升。 民航旅客出行量的逐年增加必然會促進(jìn)GTC 飛速發(fā)展,對GTC的換乘效率無疑會是重大考驗。 掌握到港旅客換乘時間效率情況對于提升GTC 的換乘效率有著重大意義,因此迫切需要構(gòu)建一套科學(xué)實用的指標(biāo)體系,以便對其做出客觀正確的評價。

指標(biāo)優(yōu)選是指標(biāo)體系構(gòu)建過程中的核心關(guān)節(jié),目的是通過計算指標(biāo)數(shù)據(jù)關(guān)系,篩選出“低冗余、高影響”的指標(biāo),確保指標(biāo)體系構(gòu)建的科學(xué)性和合理性。 國內(nèi)外學(xué)者們對此展開了大量的研究,并取得了一定的成果。 李盛陽等[1]通過計算指標(biāo)擾動對目標(biāo)值的影響情況來優(yōu)選指標(biāo)。 叢瑋等[2]采用灰色關(guān)聯(lián)聚類的方法計算指標(biāo)與指標(biāo)之間的灰色絕對關(guān)聯(lián)度,篩選最具代表性的指標(biāo)。Tang 等[3]使用特征提取的方法,從指標(biāo)集中提取符合要求的指標(biāo)。 楊柳等[4]通過信息融合的方法計算指標(biāo)可信度,根據(jù)指標(biāo)可信度對指標(biāo)進(jìn)行排序和優(yōu)選。 張耀天等[5]提出了一種基于層次分析法的可變權(quán)重決策方法,對評價指標(biāo)的權(quán)重進(jìn)行動態(tài)修正,降低區(qū)分度不高的指標(biāo)權(quán)重,提升區(qū)分度高的指標(biāo)權(quán)重。 Zhu 等[6]使用主成分分析法(principal component analysis, PCA)對指標(biāo)數(shù)據(jù)集降維,從大量冗余的指標(biāo)中篩選出部分關(guān)鍵指標(biāo)。 王麗萍等[7]將PCA 中的協(xié)方差矩陣替換為最大互信息系數(shù)矩陣,篩選強相關(guān)因子。 徐春榮等[8]在專家評分的基礎(chǔ)上使用群組決策最大特征根法對指標(biāo)進(jìn)行初步篩選,并對初選指標(biāo)進(jìn)行相關(guān)性分析得到優(yōu)選的指標(biāo)體系。 遲國泰等[9]根據(jù)指標(biāo)間相關(guān)系數(shù)剔除冗余指標(biāo),使用PCA 的因子負(fù)載來判斷剩余指標(biāo)對評價結(jié)果的影響程度,進(jìn)而得到優(yōu)選指標(biāo)。 Zhang[10]根據(jù)文獻(xiàn)研究法、問卷調(diào)查法、專家咨詢法等方法對指標(biāo)的影響因素進(jìn)行分析,使用DS 證據(jù)綜合法構(gòu)建群體決策綜合判斷矩陣,并結(jié)合層次分析法確定指標(biāo)權(quán)重篩選指標(biāo)。

上述方法雖能達(dá)到指標(biāo)優(yōu)選的目的,但應(yīng)用在民航機場到港換乘評價時,仍存在2 個問題:①量化指標(biāo)數(shù)據(jù)關(guān)系時未緊密結(jié)合指標(biāo)體系結(jié)構(gòu)特征,指標(biāo)關(guān)系反映不夠精確,據(jù)此得到的指標(biāo)排序還有優(yōu)化的余地;②傳統(tǒng)指標(biāo)優(yōu)選方法常依據(jù)經(jīng)驗制定指標(biāo)篩選規(guī)則,缺乏理論支撐,優(yōu)選模型有待完善。 針對以上問題,本文首先從指標(biāo)體系結(jié)構(gòu)特征中抽象出重要性、關(guān)聯(lián)均衡性、獨立性三重數(shù)據(jù)關(guān)系,使用DS 證據(jù)理論融合得到指標(biāo)綜合關(guān)系,根據(jù)指標(biāo)綜合關(guān)系得到更優(yōu)異的指標(biāo)排序。 然后,基于指標(biāo)排序和綜合評價方法,定義評估精度并設(shè)計優(yōu)選算法完善優(yōu)選模型。 最后,通過國內(nèi)37 個機場的到港旅客換乘時間數(shù)據(jù)實證分析驗證模型的有效性,同時構(gòu)建科學(xué)合理的到港旅客換乘時間效率評價指標(biāo)體系。

1 指標(biāo)數(shù)據(jù)關(guān)系量化

當(dāng)前,應(yīng)用最廣泛的指標(biāo)體系是立體化塔式結(jié)構(gòu)的3 層指標(biāo)體系(目標(biāo)層、因素層、指標(biāo)層),傳統(tǒng)平面化的計算方法難以全面、真實地反映3 層結(jié)構(gòu)指標(biāo)體系的數(shù)據(jù)關(guān)系。 本文將指標(biāo)體系

升序排列指標(biāo)xi對各個因素的關(guān)聯(lián)度表示為qi1,qi2,…,qig,關(guān)聯(lián)均衡性Gi為

式中:j=1,2,…,k,…,g,g為因素個數(shù);qij、qik分?jǐn)?shù)據(jù)關(guān)系和指標(biāo)體系結(jié)構(gòu)特征相關(guān)聯(lián),從3 層結(jié)構(gòu)指標(biāo)體系的目標(biāo)(Y)、因素(Yj,j∈[1,g];g為因素個數(shù))、指標(biāo)(xi,i∈[1,m];m為指標(biāo)個數(shù))中對應(yīng)抽象出指標(biāo)與目標(biāo)、指標(biāo)與因素、指標(biāo)與指標(biāo)之間的3 種數(shù)據(jù)關(guān)系,分別表示為:xi?{x1,x2,…,xm};xi?Yj,i∈[1,m],j∈[1,m];xi?xk,i∈[1,m],k∈[1,m]。 3 種數(shù)據(jù)關(guān)系分別反映指標(biāo)的重要性、關(guān)聯(lián)均衡性和獨立性,根據(jù)各自特點采取不同方法量化,從而形成全方位、立體化的指標(biāo)數(shù)據(jù)關(guān)系量化方法。

1.1 重要性

重要性詮釋的是指標(biāo)對目標(biāo)的影響程度。PCA[5]不僅能夠用于降維,其因子載荷矩陣[6-7]也能反映出指標(biāo)對目標(biāo)的影響情況。 使用PCA來量化指標(biāo)與目標(biāo)之間的數(shù)據(jù)關(guān)系,將指標(biāo)在各個主成分上因子載荷的絕對值作為指標(biāo)重要性的評分,值越大,表示該指標(biāo)對目標(biāo)影響越大。

首先,將指標(biāo)數(shù)據(jù)集標(biāo)準(zhǔn)化,并得到其協(xié)方差矩陣Pm×m,m為指標(biāo)個數(shù)。 然后,由P-λa=0得到P的特征值λ及單位特征向量a,并將特征值λi按照大小排序,使得λ1≥λ2≥…≥λm≥0。

設(shè)指標(biāo)xi在第j主成分上因子載荷為bij,則指標(biāo)xi重要性的計算公式為

1.2 關(guān)聯(lián)均衡性

關(guān)聯(lián)均衡性詮釋的是指標(biāo)和因素之間的關(guān)聯(lián)情況。 使用距離相關(guān)系數(shù)[11]計算指標(biāo)和因素的關(guān)聯(lián)度,引入Gini 系數(shù)計算關(guān)聯(lián)度的均衡性[4],關(guān)聯(lián)度越均衡,則指標(biāo)和因素的關(guān)系越穩(wěn)定。

設(shè)有矩陣M、N,其樣本距離協(xié)方差和樣本距離方差分別為和,則有M、N的關(guān)聯(lián)度dCor(M,N)為別為指標(biāo)xi對因素j、k的關(guān)聯(lián)度。

1.3 獨立性

獨立性詮釋的是指標(biāo)和指標(biāo)之間的依賴關(guān)系,獨立性越強,表明指標(biāo)的依賴越低,越應(yīng)該保留。 使用最大互信息系數(shù)[3](maximal information coefficient, MIC)計算指標(biāo)和指標(biāo)之間的相關(guān)性來表示指標(biāo)之間的依賴情況。

給定2 個隨機連續(xù)變量α和β,假設(shè)其概率密度分別為p(α)和p(β),聯(lián)合概率密度為p(α,β),則α和β之間的互信息I和最大互信息系數(shù)MIC 分別為

式中:u、v分別為在α、β方向上劃分格子的個數(shù);H取值為數(shù)據(jù)量的0.6 次方。

指標(biāo)xi獨立性計算公式為

式中:xi∈Q;Sm-1=Q-xi;Q為指標(biāo)集。

2 基于指標(biāo)綜合關(guān)系的優(yōu)選模型

2.1 指標(biāo)綜合關(guān)系

結(jié)合指標(biāo)體系結(jié)構(gòu)特征抽象出來的3 種指標(biāo)數(shù)據(jù)關(guān)系,一定程度上反映了不同層面的業(yè)務(wù)關(guān)系,3 種數(shù)據(jù)關(guān)系的量化結(jié)果可以視為“專家”在不同維度對各個指標(biāo)的評價值,為了消除“專家”之間的“偏見”,使用DS 證據(jù)理論將其融合得到指標(biāo)的綜合關(guān)系。 3 種數(shù)據(jù)關(guān)系的定量表示視為DS 證據(jù)理論的基本概率賦值函數(shù)[12](basic probability assignment, BPA),融合結(jié)果視為指標(biāo)綜合關(guān)系的量化值。

為了解決DS 證據(jù)理論融合過程中證據(jù)沖突的難題,使用相容系數(shù)[13]優(yōu)化證據(jù)可信度[14]來避免證據(jù)沖突。

設(shè)識別框架Θ=(A1,A2,…,Aη),證據(jù)集E=(E1,E2,…,Eω)對應(yīng)的BPA 為m1,m2,…,m?, 定義證據(jù)距離矩陣D?×?= [dij]?×?,其中,dij由相容系數(shù)計算得到

式中:?為證據(jù)個數(shù);si∈[0,1]。si的大小反映的是證據(jù)Ei與其他證據(jù)之間的差異程度,si較大時,差異較大,可信度因子εi較小;反之,則差異較小,可信度因子較大。 即si→1 時,εi→0;si→0 時,εi→1。

設(shè)εi=f(si),則f(si) 應(yīng)滿足如下條件:①f(si)是單調(diào)遞減函數(shù);②si較小時f(si)衰減緩慢,si較大時f(si)迅速衰減到零。 綜上,f(si)應(yīng)是一條指數(shù)相關(guān)單調(diào)遞減曲線,則可定義可信度因子為

當(dāng)k= 2. 965-1時,關(guān)系曲線最符合要求,則有

設(shè)原始證據(jù)的BPA 為mi(Aj),修正后的BPA為m″i(Aj),則有

指標(biāo)綜合關(guān)系充分考慮了指標(biāo)的業(yè)務(wù)關(guān)系和數(shù)據(jù)關(guān)系,能夠真實反映指標(biāo)的重要程度,得到優(yōu)異的指標(biāo)排序,為指標(biāo)優(yōu)選提供了依據(jù)。

2.2 優(yōu)選模型

2.2.1 篩選指標(biāo)的判定規(guī)則

設(shè)評價對象集為Y= [y1,y2,…,yn],n為評價對象數(shù)量;原始指標(biāo)集為X= [x1,x2,…,xm],m為原始指標(biāo)集的指標(biāo)總數(shù);優(yōu)選指標(biāo)集為Xopt;根據(jù)指標(biāo)綜合關(guān)系將原始指標(biāo)集降序排序得到排序指標(biāo)集Xorder;取排序指標(biāo)集中前k(k≤m)個指標(biāo)得到評價指標(biāo)集, 表示為Xorder-k。

指標(biāo)優(yōu)選希望使用比原始指標(biāo)集更少的指標(biāo)得到相同甚至更優(yōu)的評價結(jié)果。 但一方面,指標(biāo)數(shù)量越多,涵蓋目標(biāo)的信息就越廣,試圖使用少量的指標(biāo)得到更優(yōu)的評價結(jié)果顯得不切實際。 另一方面,指標(biāo)之間存在冗余,剔除冗余指標(biāo)后進(jìn)行評價,得到與使用原始指標(biāo)集相同的評價結(jié)果卻是切實可行的,指標(biāo)優(yōu)選的意義即在于此。因此,本文以使用原始指標(biāo)集的評價結(jié)果作為基準(zhǔn),將使用評價指標(biāo)集的評價結(jié)果與之比較,衍生出評估精度的定義,作為指標(biāo)篩選規(guī)則的理論支撐。

為使得篩選指標(biāo)的標(biāo)準(zhǔn)有效且統(tǒng)一,需要使用綜合評價方法進(jìn)行評價,使用聚類方法給評價結(jié)果聚類并據(jù)此給評價對象賦標(biāo)簽。 綜合評價研究中常采用5 類標(biāo)簽[15]或3 類標(biāo)簽[16],5 類標(biāo)簽標(biāo)示優(yōu)、良好、一般、較差、差,3 類標(biāo)簽標(biāo)示好、中、差。 現(xiàn)有綜合評價方法適用條件不同且各有利弊[17],其中熵權(quán)TOPSIS 方法[18-20]具有原理簡單、數(shù)據(jù)利用充分、可防止人為賦權(quán)影響評價結(jié)果等優(yōu)點,因此本文采用該方法進(jìn)行綜合評價。 為了兼顧各分類中指標(biāo)的范圍和數(shù)量盡量相近,采用自然斷點法[21]做為聚類方法。

定義1標(biāo)簽集。 標(biāo)簽集是換乘時間效率評價結(jié)果的集合,可表示為Fk= [fk1,…,fki,…,fkn]。 其中,n為評價對象個數(shù),k為評價指標(biāo)集中指標(biāo)個數(shù);fki表示第i個評價對象的標(biāo)簽值,若是5 類標(biāo)簽,fki∈{1,2,3,4,5},若是3 類標(biāo)簽,fki∈{1,2,3}。

定義2評估精度。 記使用原始指標(biāo)集進(jìn)行評價得到的各評價對象的標(biāo)簽值為fmi,設(shè)c為Fk中滿足fki=fmi的個數(shù),評估精度A可表示為

由于評估精度的定義是以使用原始指標(biāo)集的評價結(jié)果作為基準(zhǔn),當(dāng)k=m時,A=100%,評估精度必然能夠達(dá)到100%。 若當(dāng)k＜m時,A=100%,則可剔除m-k個指標(biāo),可以預(yù)見的是,指標(biāo)排序越優(yōu)異,A=100%時k越小,能夠剔除的指標(biāo)越多。

綜上,指標(biāo)篩選規(guī)則為:當(dāng)評估精度達(dá)到100%時,評價指標(biāo)集即為優(yōu)選指標(biāo)集,不在評價指標(biāo)集之內(nèi)的指標(biāo)即可予以剔除。

2.2.2 算法設(shè)計

精確全面的指標(biāo)關(guān)系和科學(xué)嚴(yán)謹(jǐn)?shù)膬?yōu)選算法是影響指標(biāo)體系科學(xué)性的兩大關(guān)鍵點。 目前,大多數(shù)學(xué)者聚焦在指標(biāo)關(guān)系研究上,缺乏對優(yōu)選算法的研究。 本文基于指標(biāo)綜合關(guān)系和評估精度設(shè)計優(yōu)選算法,從原始指標(biāo)集中篩選優(yōu)異指標(biāo)形成優(yōu)選指標(biāo)集,完善優(yōu)選模型。

優(yōu)選算法具體步驟如下:

步驟1基于原始指標(biāo)集X,使用熵權(quán)TOPSIS 評價模型綜合評價各個目標(biāo)對象,使用自然斷點法將評價結(jié)果聚類并據(jù)此給評價對象賦予標(biāo)簽,得到基準(zhǔn)標(biāo)簽集Fm,令k=1。

步驟2從排序指標(biāo)集Xorder中取出k(k≤m)個指標(biāo)形成評價指標(biāo)集Xorder-k。

步驟3基于Xorder-k,使用熵權(quán)TOPSIS 評價模型綜合評價各個目標(biāo)對象,使用自然斷點法將評價結(jié)果聚類并據(jù)此給評價對象賦予標(biāo)簽,得到標(biāo)簽集Fk。

步驟4基于Fk和Fm,計算Xorder-k的評估精度。

步驟5如果評估精度為100%,跳轉(zhuǎn)到步驟6;否則,令k=k+1,跳轉(zhuǎn)到步驟2。

步驟6優(yōu)選指標(biāo)集Xopt=Xorder-k, 結(jié)束。完整優(yōu)選模型如圖1 所示。

圖1 完整優(yōu)選模型流程示意圖Fig.1 Flow diagram of complete optimization model

3 實證分析

3.1 原始指標(biāo)體系與實驗方法

為驗證優(yōu)選模型的有效性,構(gòu)建科學(xué)實用的到港旅客換乘時間效率評價指標(biāo)體系,根據(jù)到港旅客換乘業(yè)務(wù)特征,將其分為5 個階段:落地等待、下機擺渡、至行李轉(zhuǎn)盤步行、行李等待、候車。 分別從換乘時間、旅客滿意度、預(yù)期達(dá)標(biāo)率(可容忍換乘時間內(nèi)完成換乘的人數(shù)占總?cè)藬?shù)的比率)3 個方面共提取出15 個指標(biāo)來反映各個機場對于到達(dá)旅客換乘時間效率的綜合情況,構(gòu)建出3 層結(jié)構(gòu)的原始指標(biāo)體系,如表1所示。

表1 原始指標(biāo)體系Table 1 Original index system

結(jié)合原始指標(biāo)體系結(jié)構(gòu)特征抽象出3 種數(shù)據(jù)關(guān)系。 指標(biāo)與目標(biāo)、指標(biāo)與因素、指標(biāo)與指標(biāo)之間的數(shù)據(jù)關(guān)系可分別表示為:xi?{x1,x2,…,x15},i∈[1,15];xi?Yj,i∈[1,15],j∈[1,3],Y1= [x1,x2,x3,x4,x5],Y2=[x6,x7,x8,x9,x10],Y3=[x11,x12,x13,x14,x15];xi?xk,i∈[1,15],k∈[1,15]。

按照5 類標(biāo)簽和3 類標(biāo)簽進(jìn)行2 組實驗,在這2 種情況下分別采用PCA 和MIC 方法計算指標(biāo)關(guān)系與本文的指標(biāo)綜合關(guān)系進(jìn)行優(yōu)選對比,分析評估精度達(dá)到100% 之后的情況。 從CAPSE報告[22]中收集37 個國內(nèi)機場的到港旅客換乘時間數(shù)據(jù)進(jìn)行實驗。

3.2 結(jié)果與分析

將3 種數(shù)據(jù)關(guān)系視為3 個證據(jù),根據(jù)指標(biāo)數(shù)據(jù)關(guān)系量化方法量化,結(jié)果視為各自證據(jù)的BPA,使用式(11)對BPA 進(jìn)行修正,將修正之后的BPA 使用DS 證據(jù)理論融合,得到指標(biāo)綜合關(guān)系,將指標(biāo)按照指標(biāo)綜合關(guān)系的量化結(jié)果排序(見表2)。

由表2 可以看出,行李等待階段提取的指標(biāo)在各自因素內(nèi)排序都是最末,而候車階段提取的指標(biāo)在各自因素內(nèi)排序都較為靠前,這與實際情況相符。 隨著智慧機場建設(shè)的逐步推進(jìn),行李分揀系統(tǒng)等一系列智能系統(tǒng)的廣泛應(yīng)用縮短了旅客等待行李的時間,行李等待時間已不是影響旅客換乘時間效率的關(guān)鍵因素。 而由于GTC 換乘的復(fù)雜性,各種交通工具的協(xié)調(diào)運行控制仍然是一大難題,候車時間仍是旅客關(guān)注的重點,極大地影響著到港旅客的換乘時間效率。 在指標(biāo)綜合關(guān)系量化結(jié)果的指導(dǎo)下,行李等待時間滿意度指標(biāo)x9的指標(biāo)綜合關(guān)系值最低,代表在考慮指標(biāo)的重要性、關(guān)聯(lián)均衡性、獨立性之后,指標(biāo)x9的可保留性最低。 但是否剔除指標(biāo)x9,不能依據(jù)主觀臆測,應(yīng)根據(jù)評估精度,比較指標(biāo)在評估中的作用來判斷。

表2 指標(biāo)綜合關(guān)系量化結(jié)果排序Table 2 Ranking of quantitative results of comprehensive index relationship

分別在5 類標(biāo)簽和3 類標(biāo)簽的情況下,基于指標(biāo)綜合關(guān)系、PCA 指標(biāo)關(guān)系、MIC 指標(biāo)關(guān)系使用本文優(yōu)選算法計算評估精度,比較評估精度達(dá)到100% 之后的情況。 其中, PCA 的閾值取85%,即當(dāng)累積方差貢獻(xiàn)率達(dá)到85% 時,提取主成分,計算各指標(biāo)在主成分上的因子載荷作為PCA 指標(biāo)關(guān)系[9]。 過往經(jīng)驗表明[7],MIC 的網(wǎng)格數(shù)取15 × 15 時能取得較好的效果,即式(5)中H=0.6,u=v=15。 對比實驗結(jié)果如圖2 和圖3所示。

圖2 五類標(biāo)簽下評估精度結(jié)果比較Fig.2 Comparison of evaluation accuracy results under five kinds of labels

圖3 三類標(biāo)簽下評估精度結(jié)果比較Fig.3 Comparison of evaluation accuracy results under three kinds of labels

圖2 和圖3 都能看出,當(dāng)評估精度達(dá)到100%之后,再增加指標(biāo)并不會影響評價結(jié)果,也就是說余下的指標(biāo)均可剔除。 圖2 表示,5 類標(biāo)簽情況下,根據(jù)指標(biāo)綜合關(guān)系得到的指標(biāo)排序,使用前14 個指標(biāo)達(dá)到了評估精度的100%,可剔除最后一個指標(biāo),而此時依據(jù)PCA 指標(biāo)關(guān)系和MIC指標(biāo)關(guān)系得到的指標(biāo)排序,使用優(yōu)選算法則無法剔除冗余指標(biāo),沒有體現(xiàn)出優(yōu)選效果。 3 類標(biāo)簽相較5 類標(biāo)簽容錯的閾值更廣,因此有機會剔除更多的指標(biāo)。 圖3 表示,3 類標(biāo)簽情況下,根據(jù)指標(biāo)綜合關(guān)系得到的指標(biāo)排序使用前13 個指標(biāo)達(dá)到了評估精度的100%,可剔除后2 個指標(biāo),此時基于PCA 指標(biāo)關(guān)系得到的指標(biāo)排序仍然無法剔除指標(biāo),基于MIC 指標(biāo)關(guān)系得到的指標(biāo)排序只能剔除1 個指標(biāo)。 上述實驗結(jié)果表明,將指標(biāo)體系數(shù)據(jù)關(guān)系和指標(biāo)體系結(jié)構(gòu)特征結(jié)合起來抽象出的重要性、關(guān)聯(lián)均衡性、獨立性反映了指標(biāo)不同層面的特性,融合三者得到的指標(biāo)綜合關(guān)系比單一的PCA、MIC 方法得到的指標(biāo)關(guān)系更加真實準(zhǔn)確,排序結(jié)果更加優(yōu)異,在100% 評估精度的情況下能夠剔除更多的冗余指標(biāo),具有更好的優(yōu)選效果。此外,傳統(tǒng)的指標(biāo)優(yōu)選算法常以經(jīng)驗制定優(yōu)選規(guī)則,缺乏切實的理論支撐。 本文以原始指標(biāo)集的評價結(jié)果作為基準(zhǔn),從指標(biāo)優(yōu)選的意義出發(fā),定義評估精度作為篩選指標(biāo)的理論支撐,據(jù)此提出優(yōu)選規(guī)則及算法,完善了優(yōu)選模型。 從圖2 和圖3即可看出,評估精度能夠?qū)⒖商蕹闹笜?biāo)直觀展示出來,篩選指標(biāo)有據(jù)可依,優(yōu)選結(jié)果清楚明晰。

綜上,根據(jù)指標(biāo)綜合關(guān)系,在5 類標(biāo)簽情況下剔除指標(biāo)x9,在3 類標(biāo)簽情況下剔除指標(biāo)x9、x14,得到科學(xué)合理的到港旅客換乘時間效率評價指標(biāo)體系。

4 結(jié) 論

本文為構(gòu)建科學(xué)合理的換乘時間效率評價指標(biāo)體系,基于指標(biāo)綜合關(guān)系構(gòu)建優(yōu)選模型來篩除冗余指標(biāo),研究結(jié)果表明:

1) 結(jié)合指標(biāo)體系結(jié)構(gòu)特征抽象出重要性、關(guān)聯(lián)均衡性、獨立性三重數(shù)據(jù)關(guān)系,融合得到指標(biāo)綜合關(guān)系,能夠更加全面地反映指標(biāo)關(guān)系,優(yōu)化了指標(biāo)排序。

2) 定義評估精度并設(shè)計優(yōu)選算法完善了指標(biāo)優(yōu)選模型,使得在民航機場到港換乘評價領(lǐng)域中篩選指標(biāo)能夠有據(jù)可依,優(yōu)選結(jié)果清楚直觀。

3) 為空港GTC 的換乘時間效率評估提供了指標(biāo)體系支撐,在北京首都國際機場、北京大興國際機場的綜合交通運行評估中得到實際應(yīng)用。 第三方評估也可基于歷史評估對象數(shù)據(jù),采用本文模型優(yōu)選指標(biāo)構(gòu)建指標(biāo)體系,對現(xiàn)有評估對象做出科學(xué)合理的評價。

下一步考慮在本文構(gòu)建的指標(biāo)體系的基礎(chǔ)上,結(jié)合數(shù)據(jù)特征和業(yè)務(wù)實際研究綜合評價方法,并對各機場到港旅客換乘時間效率進(jìn)行評價分析,提出相應(yīng)優(yōu)化建議。