基于BP神經網絡的城市公交服務質量影響因素主成分分析

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

基于BP神經網絡的城市公交服務質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 土木建筑學院，江西 南昌 330013；2.華東交通大學 軌道交通學院，江西 南昌 330013）

為改善城市公交服務質量，根據乘客服務質量問卷調查數據分析，運用主成分分析方法對公交服務質量影響因素進行降維處理，把15個影響變量提取為8個主成分變量。在此基礎上，運用MATLAB7.0建立影響因素主成分與公交服務質量認可度的BP神經網絡模型，在不同參數下進行試驗和比較，計算出模擬數據下公交服務質量認可度折減影響系數均方差為0.000 957，表明該模型所選參數值可以用于評估公交服務質量的影響因素分析。最后，根據權值和閥值計算得出影響城市公交服務質量的關鍵因素為公交車內擁擠程度、駕駛員服務態度和首末班車時間，其影響程度分別為53.09%、32.02%和30.36%。研究結論可以為城市公交服務質量改善提供依據并明確重點改進的方向。

城市公交；服務質量；公交認可度；主成分分析；BP神經網絡

第1卷 第1期|2015年2月

0　引言

優先發展城市公共交通，通過改善公共交通的服務質量吸引公交出行者，將是解決城市交通擁擠問題的關鍵之一。目前，在公共交通服務質量因素研究方面，主要有結構方程模型法、概率模型法和多元統計分析法等。例如，Juan deO?a等提出結構方程模型（SEM）方法可用于描述服務，揭示潛在的方面與整體服務質量之間的關系[1]。Luigi dell′Olio等通過概率模型模擬用戶感知的巴士交通服務質量，為運營公司提供有價值的信息，提高公交服務質量，吸引更多乘客使用交通工具[2]。在國內，很多學者從不同角度對公交服務質量進行了分析，例如黃婷等從乘客的角度出發，研究了公交的有效性、出行時間和費用、舒適便利性、安全及風險舒適便利性等，提出了公交站點、公交路線和公交系統的評價指標，建立了人性化服務質量評價體系[3]；馬飛等借鑒SERVPERF服務質量分析方法，從乘客感知角度設計了公交車服務質量的5維度影響因素測量模型，研究城市公交車服務質量的影響因素及作用機理[4]；彭昌溆等應用改進的SERVQUAL模型結合Logistic模型，對宜昌市公交乘客感知服務質量的影響因素進行了研究[5]。

由于城市公交服務質量影響因素眾多，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神經網絡模型結合用于分析城市公交服務質量影響因素，即先采用主成分分析方法對調查數據進行降維，并在保證數據丟失最小原則下，簡化神經網絡拓撲結構，在不同參數下進行仿真和比較，確定合適的神經網絡參數，建立比較精確的權值網絡模型，提高了建模質量。

1　城市公交出行基本信息特征分析

1.1樣本統計分析

本文以南昌市為實證研究對象，選擇22路、232路和703路公交車進行跟車調查，并隨機抽取南昌市15個公交停靠站點進行駐站調查。本次問卷調查共發放280份問卷，有效問卷236份，問卷有效率為84.2%。通過利用頻率分析法對調研對象進行總體特征分析，包括性別、年齡、受教育程度、職業、收入、交通工具、乘坐公交頻率等12項，并得到基本信息統計表（如表1所示）。通過表1可以看出，年齡在18~45歲區間的人群是公交出行的主要群體，而教育程度對公交出行的影響不大。通過對職業和出行目的分析發現，乘坐公交車出行的群體主要為公司員工和學生，而個體工商戶和政府職員主要使用私家車出行，這也反映了一般乘坐公交車出行的多為中低收入群體。

表1　問卷調查基本信息表

為獲取公交服務質量影響因素，選取公交首末班車時間、候車時間、出發地距公交站臺的距離、候車環境、行車速度、車況、車內衛生狀況、服務態度、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滿意度等作為變量進行問卷調查。調查問卷采用里克特5級量法，用“1~5”表示被調查者對題中所陳述內容的認同程度。其中，1代表“非常不滿意”，2代表“比較不滿意”，3代表“無意見”，4代表“滿意”，5代表“非常滿意”。利用SPSS19.0軟件統計分析，得出乘客最不滿意的指標為公交車擁擠程度，其均值為1.96；其次為候車時間和候車環境，均值為2.86；而乘坐舒適性的均值為2.77，表現為比較不滿意。

1.2公交服務認可度分析

利用SPSS19.0統計分析軟件對公交服務質量的認可度進行分析，結果如表2所示。從表2可以看出，與人們心中理想的公交服務質量相比，乘客對現狀公交服務質量認可的均值僅為2.79，存在較大的差距。而對于其他4項問題，認可度的均值在3.5左右，說明被調查者基本上認可當前的公交服務，但認為在公交服務的改善上還需要做出很大努力。

表2　公交服務質量認可度分析表

2　公交服務質量數據信度分析與因子分析

2.1信度分析

通過信度與效度的檢驗，可以了解分析結論是否合適、得當，并作為改善修正的根據，可避免做出錯誤的判斷[6]。根據被調查者的調查時間和調查內容，本文采用內在信度分析，選擇常用的Cron?bach′sα系數法。信度系數越大，表明測量的可信程度越大。一般認為，0.60~0.65為不可信；0.65~ 0.70為最小可接受值；0.70~0.80為相當好；0.80~ 0.90為非常好。

Cronbach′sα信度系數為：

根據公式（1），得到Cronbach′sα系數如表3所示，其中信度系數為0.767，在0.70~0.80之間，可以得出該調查問卷數據的內在信度是比較理想的。

表3　可靠性統計量

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構，簡化觀測系統，減少變量維度，用少數變量來解釋所研究的復雜問題。在因子分析之前，應判斷變量之間的相關關系是否適合進行因子分析[8]。

（1）因子分析的前提條件

因子分析要求變量之間應存在較強的相關關系。采用KMO（Kaiser-Meyer-Olkin）檢驗和巴特利特球度檢驗（Bartlett Test of Sphericity）方法對原有變量之間的相關性進行研究。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，因子分析的效果很差；當KMO＜0.5時，則不適宜做因子分析。巴特利特球度檢驗是假設相關系數矩陣是一個單位陣，如果統計量值比較大，且其相對應的相伴概率值小于用戶指定的顯著性水平，拒絕原假設，認為適合做因子分析；反之，接受原假設，不適合做因子分析[7]。由表4的KMO檢驗和巴特利特球度檢驗可以看出，本次調查數據的KMO值為0.774，大于 0.7，巴特利特球度檢驗值為558.391，顯著性為0，小于0.05，分析結果非常顯著，說明變量有較高的相關性，因此本次調查數據適合做因子分析。

表4　KMO和Bartlett檢驗結果

（2）基于主成分的因子分析

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

其中，Fi與Fj(i≠j,i,j=1,…,p)互不相關，即Cov(Fi,Fj)=0。F1稱為第一主成分，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，一般要滿足大于70%的貢獻率，經過SPSS19.0軟件統計分析，選取基本特征值為0.8，旋轉后，各主成分的特征值及累計貢獻率如表5所示。其中，第1個主成分為車內衛生狀況；第2個主成分為線路安排和公交站提供的交通信息；第3個主成分為公交車首末時間的安排；第4個主成分為車內的擁擠程度；第5個主成分為公交車運行速度；第6個主成分為乘客候車時間；第7個主成分為公交車的運行安全性；第8個主成分為駕駛員的服務態度。8個主成分的累計方差貢獻率達到72.753%，表示因子分析的結果能較好地代替原始變量。

表5　方差解釋表

3　基于BP神經網絡的公交服務質量因素分析

BP（Back Propagation）神經網絡的工作過程通常由兩個階段組成：一個階段是學習期，各計算單元狀態不變，根據計算結果和模型識別修改各連接權值；另一階段是工作期，各連接權值固定，計算各單元的狀態變化，以求達到穩定狀態[9-10]。因此，為確定城市公交服務質量中的主要影響因素，可以采用BP神經網絡模型對問卷調查數據進行訓練學習，從而確定當達到穩定狀態時，各個影響因素的固定權值。

由于公交服務質量高低與乘客對公交服務質量的認可度存在較大關聯性，因此基于公交服務質量認可度分析表，將相關程度較高的指標1與指標2重新定義為y1，將指標3、指標4和指標5重新定義為y2。在此基礎上，將調查數據根據旋轉成分矩陣表計算236個樣本的主成分值，對應公交服務質量認可度值，將其分配為8組，將前5組數據用于訓練，剩余3組數據用于預測驗證其絕對誤差值。公交服務質量影響因素主成分及認可度分組如表6所示。

表6　公交服務質量影響因素主成分及認可度分組值

在自適應（Adaptive）強化學習訓練的過程中先后選用不同的激活函數模型，反復調整學習率以及權值，最終確定激活函數均選用正切S型tansig函數：

使用MATLAB軟件進行BP神經網絡計算，將主成分分析提取的8個主成分作為BP神經網絡輸入層，將對公交車服務質量的認可度作為輸出層，即以y1和y2作為BP神經網絡的輸出層，則該BP神經網絡有8個輸入層、2個輸出層、13個隱含層。經過計算，模擬數據的方差為0.000 957，小于目標值0.001，滿足學習精度要求，即該模型所選參數值符合要求。運用BP神經網絡模型輸出訓練的結果方差如圖1所示。

圖1　模擬方差

通過對后3組數據的預測，得出y1的相對誤差的平均值為0.001 2，y2的相對誤差的平均值為0.057 0，均小于0.1。

通過訓練得到的權值和偏差矩陣如下：

xi和yi之間的相關度Rij：

得到xi對yj的影響程度Fij：

根據以上數據，計算得出：

根據輸入分量xi(i=1,2,…,m)對應的神經元與隱含層神經元K(K=1,2,…,P)之間的連接權WKi之和∑WKi越大，xi系統的影響越大；隱含單元k與輸入分量yi的連接權Wjk之和（Wjk）越大，系統響應輸出yi就越靈敏[11-12]。因此，根據計算結果可以看出，對公交服務質量認可度yi相關度最大的依次是第4、第8和第3主成分，其影響程度分別為53.09%、32.02%和30.36%，說明對公交服務質量影響的所有因素中，公交車的擁擠程度（第4主成分）、駕駛員服務態度（第8主成分）和首末班車時間（第3主成分）對公交服務質量認可程度起到關鍵作用。因此，上述3個因素也是今后提高城市公交服務質量的主要改善方向。

4　結論

在公交服務質量調查問卷數據分析基礎上，通過因子分析將15個變量降維到8個相互獨立的影響因子，通過MATLAB軟件建立以tansig函數作為激活函數的BP神經網絡模型，計算出兩組偏置值與權值矩陣以評估公交服務質量因素與公交服務認可度之間的影響程度。在此前提下，通過權值矩陣以及偏置值計算出相應的公交服務質量認可度折減影響系數的均方差達0.000 957。因此，該模型可以用于評估影響公交服務質量認可度的影響因素分析。同時，計算結果表明，對城市公交服務質量影響程度較大的因素主要有公交車內擁擠程度、駕駛員服務態度及首末班車時間安排。

[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.基于乘客觀點的公交服務質量評價體系及方法研究[J].重慶交通大學學報，2008，7（5）：781-784.

[4]馬飛，孫啟鵬，王煉，等.基于SERVPERF的城市公交車服務質量影響因素研究[J].交通運輸系統工程與信息，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質量影響因素分析[J].交通信息與安全，2013，31 （4）：40-44.

[6]時立文.SPSS19.0統計分析[M].北京：清華大學出版社，2012.

[7]陳建宏，劉浪，周智勇，等.基于主成分分析與神經網絡的采礦方法優選[J].中南大學學報：自然科學版，2010，42（5）：1967-1972.

[8]朱林波.主成分分析法在城市交通可持續發展評價中的應用[J].西華大學學報，2013（1）：63-66.

[9]陳君，李聰穎，丁光明.基于BP神經網絡的高速公路交通安全評價[J].同濟大學學報：自然科學版，2008，36 （7）：927-931.

[10]聞新.MATLAB神經網絡仿真與應用[M].北京：科學出版社，2003.

[11] 趙云凌，陳琳.基于BP神經網絡的區域收入差異影響因素[J].統計與決策，2007（1）：83-85.

[12] 呂瓊帥，熊蜀峰.基于PCA和蜂群算法優化的BP神經網絡[J].計算機應用與軟件，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