基于BP神經網絡的鐵路貨運客戶滿意度評價模型

楊小鳳，鄭全成，宋曙輝，霍雅婷

（蘭州交通大學 交通運輸學院，甘肅 蘭州 730070）

客戶滿意度評價作為了解客戶滿意程度的一種手段和工具，對于鐵路貨運部門來說具有重要的意義。通過客戶滿意度評價，鐵路貨運部門可以更全面地了解客戶的需求，還可以將客戶滿意度作為經營管理的重要指標，綜合評價鐵路貨運部門的經營業績和服務水平，進而不斷提高服務水平，促進鐵路貨運可持續發展。客戶滿意度評價模型是鐵路貨運部門評價其客戶滿意度的關鍵問題[1-2]。本文在以往參考文獻和實際工作調查的基礎上，綜合考慮多種因素，建立了基于BP神經網絡的鐵路貨運客戶滿意度評價模型。

1 BP神經網絡原理

BP 神經網絡 (Back-Propagation Network Construction) 是一種具有多層結構的前饋型映射網絡，由1組相互連接的運算單元組成，其中每一個連接都有相對應的權值。網絡由輸入層、中間隱含層(1 層或多層)、輸出層3個部分構成，而最基本的 BP神經網絡是3層前饋網絡。

BP 神經網絡的學習過程由正向傳播和反向傳播 2個部分組成的。其算法描述如下：

（1）從訓練數據集{Xml}中取1個訓練對象，將輸入向量送入網絡，其中 m、l 分別表示樣本數和輸入向量數。

（2）計算網絡的輸出向量。

輸入層：假設 X1i為其第 i 個神經元的輸入值；

隱含層：其第 j 個神經元的輸出值為：

輸出層：其第 k 個神經元的輸出值為：

式中：ω1ij為輸入層第 i 個神經元與隱含層第 j個神經元之間的連接權重，ω2jk為隱含層第 j 個神經元與輸出層第 k 個神經元之間的連接權重；θj、φk分別為隱含層第 j個神經元和輸出層第 k 個神經元的閾值。f (x)是一個非線性可微分非遞減函數，一般地，將其取為S形函數，即 f (x)=1/(1+e－x)。

（3）計算網絡的誤差信號。

式中：Tk表示輸出層中第 k 個神經元的目標值。

（4）計算目標輸出向量和實際輸出向量之間的誤差：

式中：Omk和 Tmk分別表示第 m 個樣本在輸出層中第 k個神經元的輸出值和目標值。

（5）采用梯度下降法，反向調整權重，使誤差減小。

式中：t 表示學習順序；a 表示網絡的學習系數。

（6）重復步驟(1)～(5)，對整個訓練集反復訓練，直至對整個訓練集的總誤差達到滿意程度。

從 BP 神經網絡的工作原理可知，其具有很強的柔性和非線性映射能力。相關研究指出，在合理的結構和恰當的權值條件下，一個3層有 sigmoid 神經元的 BP 神經網絡可以逼近任意的連續函數[3]。本文將影響鐵路貨運客戶滿意度的各因素作為神經網絡模型的輸入因子，客戶最終的滿意程度作為輸出因子，所以需要首先確定主要的影響因素，建立客戶滿意度指標體系。

2 鐵路貨運客戶滿意度指標體系

影響鐵路貨運客戶滿意度的因素主要有4個方面：①貨場設施，包括裝卸機具配置情況、貨場安全設施情況、倉儲和檢斤設備等的配置情況，以及營業廳整體布局合理性等因素；②服務狀況，包括員工的服務態度和服務意識等因素；③運輸成本，包括客戶對運輸成本的承受能力和運輸成本的合理性；④貨運業務，主要包括手續流程復雜度和辦理效率、投訴處理的現有方式和反饋處理，以及運輸合同兌現率等因素[4-6]。

根據這些影響客戶滿意度的因素，結合前人的研究成果和專家對鐵路客戶滿意度指標的綜合分析，本文建立了鐵路貨運客戶滿意度指標體系，如表1所示。從此體系中可以看出，二級指標是基礎指標，是整個評價的基礎；一級指標是過程指標，其評價值是由二級指標的評價結果得出；目標指標是最終結果指標。各級指標都采用李克特量表分為5個等級來衡量：很不滿意 (很不重要)、較不滿意 (較不重要)、一般、滿意 (重要)、非常滿意 (非常重要)，對應的數字分別用 1～5 來表示。

在鐵路貨運客戶滿意度評價過程中，各個指標的影響程度是不同的，指標權重設置是否科學合理，將直接影響到最終評價結果的合理性。本文二級指標是整個評價模型的關鍵，其權重的確定需科學合理，因此，根據建立的指標體系和問卷設計的原則，通過向托運人發放調查問卷，對各級指標進行評價。首先將調查問卷篩選處理，摒棄明顯不合理的問卷；然后對指標評價結果進行處理，在處理中把評價等級轉換為對應的數字，即重要性分值，再將各個指標(X1～X18) 的重要性分值分別除以所有指標的重要性分值總和，即得出每個二級指標的權重；以此作為模型的訓練樣本輸入模型，按照指標等級由低到高依次進行傳遞，其傳遞過程是通過 BP 神經網絡自動賦予傳遞權重，并最終得出評價結果值。

表1 鐵路貨運客戶滿意度指標體系

3 基于BP神經網絡的鐵路貨運客戶滿意度評價模型

鐵路貨運客戶滿意度評價是一個巨大的非線性系統，其影響因素之間的關系相當復雜，而客戶滿意度評價是建立在以往大量的數據“經驗”之上，采用大規模的 BP 網絡能夠更好地滿足評價的需要，體現鐵路貨運客戶滿意度的內在實質。根據 BP 神經網絡算法，該模型是由輸入層、輸出層和隱含層構成的3層前饋網絡。輸入層將評價指標歸一化處理后的樣本數值作為神經元；輸出層是對客戶滿意度等級的衡量，是一個從定性到定量，再從定量到定性的過程，通過BP 神經網絡模型將定性轉化為定量輸出，再根據輸出結果和事先確定的標準，對客戶滿意度做出定性評價[7]。

3.1 輸入層節點數與輸出層節點數的確定

輸入層節點的個數與評價指標個數相對應。根據鐵路貨運客戶滿意度評價指標體系，可以將最低一層的指標數作為輸入層神經元數，在此共有 18 個。前面已確定，輸出層節點對應于評價結果，即輸出為1表示“很不滿意”、2 表示“較不滿意”、3 表示“一般”、4 表示“滿意”、5 表示“非常滿意”，所以輸出層節點確定為1個。

3.2 隱含層節點數的確定

隱含層的選取往往是網絡成敗的關鍵。關于隱含層節點數的選取，一般是根據具體問題憑經驗和多次試驗來決定。如果隱含層節點數的選用太少，則網絡將不能建立復雜的判斷界，使網絡訓練不出來，或不能識別以前沒有的樣本，容錯性較差；但是，如果隱含層節點選用太多，將會增加訓練網絡的時間，訓練過度，預測能力降低。因此必須選擇合適的隱含層節點數才能使訓練達到要求。結合文中實際情況：輸入層節點數 NI=18、輸出層節點數 NO=1，先根據經驗公式+L (L= 0，1，2，3，4，5) 計算，再用試湊法確定隱含層節點數。最終選取的隱含層節點數為 NH=6，從而得出本文所需的 BP 神經網絡模型，其結構如圖1所示。

圖1 鐵路貨運客戶滿意度評價BP網絡結構圖

4 應用舉例

為了檢驗模型的實用性和評價效果，以某鐵路貨 運營業站為例，通過向 49 位托運人隨機發放問卷調查，舍棄嚴重不合理的問卷，剩余 45 個樣本數據，取其中 40 個作為建模的訓練樣本集，另外5個數據作為測試樣本集用于測試網絡。

采用 MATLAB 軟件對該神經網絡模型進行訓練，訓練誤差的期望值為0.01，最大訓練次數取10 000 次。將 40 個訓練樣本輸入 BP 神經網絡模型進行訓練，當訓練次數達到 230 次時，訓練誤差收斂為0.008 096 77＜0.01，網絡訓練結束[8]。

最后，將實際調查所得的5組測試樣本輸入訓練好的 BP 神經網絡模型中進行檢測，并將評價值與期望值進行比較。其結果誤差如表2所示。

由表2可見，通過訓練學習，網絡幾乎掌握訓練樣本的全部信息，學習效果良好，對于測試樣本的網絡輸出值也與實測值比較接近，平均結果誤差值僅為1.13%。目前，該貨運營業站客戶的滿意度處于一般水平，亟待提升。比較各考核指標的評價值可知，客戶不滿意主要集中在貨運的辦理手續和事故處理、服務態度等方面，而對運輸準時性和完好性、運輸成本的合理性及承受能力滿意度較高。

表2 鐵路貨運客戶滿意度評價結果

5 結束語

從客戶角度發現問題、分析問題，為鐵路相關部門提供決策支持，切實提高業務水平和服務水平，是鐵路貨運企業獲取競爭優勢的重要條件，也是鐵路貨運企業不斷追求的目標。本文建立了鐵路貨運客戶滿意度指標體系，提出基于 BP 神經網絡的鐵路貨運客戶滿意度的評價模型，并利用該模型對某鐵路貨運營業站的客戶滿意度進行評價，通過實例證明該方法的可行性，所得結論可供鐵路貨運企業借鑒參考。

[2] 馮芬玲，陳治亞. 鐵路貨運服務質量的AHP—Fuzzy評價[J]. 技術經濟，2007，26(5)：95-97.

[3] 朱大奇，史 慧. 人工神經網絡原理及應用[M]. 北京：科學出版社，2006.

[4] 歐陽慶，劉 鋒，陳開峰. 模糊層次分析方法在客戶滿意度分析中的應用[J]. 應用科技，2006，33(5)：40-42.

[5] 馮芬玲，陳治亞. 基于SERVQUAL的鐵路貨物運輸服務質量評價[J]. 內蒙古農業大學學報，2007，28(1)：90-94.

[6] 蔣升陽，陳彥如，王 謙. 鐵路貨運事故處理質量滿意評價體系研究[J]. 鐵道運輸與經濟，2004，26(6)：69-71.

[7] 周建亨，劉 泳. 3PL客戶滿意度模糊評判方法[J]. 東華大學學報：自然科學版，2009，35(1)：94-97.

[8] 張葛祥，李 娜. MATLAB 仿真技術與應用[M]. 北京：清華大學出版社，2003.