基于加權灰靶決策的出租車司機決策研究

夏勁彪 王新政 韓燁陽 郭家容

（1、桂林理工大學信息科學與工程學院，廣西 桂林541004 2、桂林理工大學理學院，廣西 桂林541004）

1 研究背景

伴隨著我國經濟的發展，城市居民收入水平也在逐步提高，人們對出行的方便與舒適程度的要求也在不斷提高，因而出租車的份額在城市交通市場中不斷上升[1]。伴隨的是競爭越來越大，而有經驗的司機通常選擇去城市人口基數大的場合進行拉客以保證他們的收益。機場就是一個人口聚集地。有些出租車司機選擇直接去機場拉乘客，而有些出租車司機在市區內接單，送乘客去機場。到了機場之后，他們面臨著兩種選擇[2]：一是留著排隊等待乘客返回市區，二是直接空客返回市區。選擇何種方式的行程將直接決定他們收益的多少。如何做出獲取更大收益的選擇，往往是出租車司機根據實際情況與自身的經驗來進行做決策的。

2 基于加權灰靶決策的出租車司機決策模型

多目標加權灰靶決策模型可以幫助決策者在少信息、貧數據情境下，從多個決策目標中選擇最優決策目標。該模型在數據稀少的情況下，幫助決策者在多個決策目標中選擇最優決策目標,并且對于各個決策目標，它也有自己的獨有的屬性權重，因此也顯示了多個決策目標對于最終決策的影響重要程度不同.最后，它也使用了綜合效果測度來確認最好的決策。該模型的步驟主要分為確定事件集、確定決策目標、計算決策權數以及確定最終對策這四個部分。

步驟1：將送客到機場的出租車司機面臨的選擇記為事件集S={s1，s2}。s1為前往到達區排隊等候載客返回市區，s2為直接放空返回市區拉客。

步驟2：確定影響決策的決策目標。根據數據分析和經驗分析，將“飛機的到達時間”，“乘客乘車時間”，“車輛擁堵情況”，“蓄車池車輛數量”作為司機選擇不同對策的決策目標。

步驟3：根據已有的4 個決策目標確定影響決策目標的具體步驟劃分細則。

（1）決策目標1 的劃分依據：①已經到達的飛機到達時間按照30mins 劃分為兩部分。而30mins 是由一般情況下一架飛機到達之后出來的人數會在多長時間內通過各種交通方式走光的時間來決定的。②未到達的飛機到達時間則是由出租車司機從機場返回市區所用的時間所決定的（在不堵車，一路暢通的前提下）。

（2）決策目標2 的劃分依據：地鐵在一天中不會24 小時運營，并且在夜晚時，機場巴士等交通方式會比較少，因此人們在晚上乘車的幾率會比白天大。根據出租車司機對于夜晚行車時間（22：00-6：00）以及白天行車時間（6：00-22：00）為標準，整體分數為10 分，根據資料得，乘客乘車時間為白天的均值大致為2.8，晚上的均值為7.2。

3 模型求解

在第一種情況下，下一批飛機將在30mins 內到達（我們在這里設飛機已經到達的時間為均值15mins）；乘客的乘車時間為白天；車輛不擁堵；蓄車池車輛數量少（35 輛）。

標準決策矩陣的構建：在該問題中飛機的到達時間X1和蓄車池車輛數量X4為費用型屬性，乘客乘車時間X2和車輛擁堵情況X3則屬于效益型屬性。決策目標存在費用型屬性，因此在標準化時，應先對費用型屬性值做變換：

經過歸一化、最大化、模一化之后，記屬性X1，X2，…，Xn的權重為w1，w2，…，wn，滿足∑nj=1wj=1，w=（w1，w2，…，wn）T成為權向量。而屬性權重的確定有偏于客觀與主觀這兩種方式。信息熵法為偏向于客觀的確定方式，本研究即選取該種方式。

根據熵的定義可以得到關于屬性Xj的熵為

經計算得，該問題中各屬性Xj的熵Ej分別為：

E1=0.881 E2=0.856 E3=0.996 E4=0.918

由Fj=1-Ej，0≤Fj≤1 得到屬性Xj的區分度，將歸一化的區分度取作屬性Xj的權重wj，依據相關數據，計算出權重Xj分別為：

w1=0.341 w2=0.414 w3=0.011 w4=0.234

通過rij=∑wijrij得，綜合效果測度矩陣R=[0.517，0.483]。

4 基于加權灰靶決策的出租車司機決策模型

近年來深圳寶安機場的機場吞吐量穩居前十，因此收集該機場及其所在城市出租車的相關數據具有一定的代表性。深圳寶 安 機 場 的 經 緯 度 分 別 為 22.656226～113.794727 22.626273～113.843882，將在網上抓取到的數據進行處理。將出租車的位置經緯度出現在機場內的出租車篩選出來，之后我們將出租車在機場停留時間長并且其出租車載客人數發生0 到1 或者發生1 到0 到1 變化的出租車篩選出來，認為是前往到達區排隊載客返回市區的車輛；其余出現在機場的出租車的載客量發生1到0 的變化則視為直接放空返回市區拉客。在判斷出該出租車司機在機場載客后，觀察該司機拉到客人的時間點以及當時從機場回市區汽車的擁堵情況。反之，當判斷出出租車司機選擇直接放空返回市區拉客時，觀察相應的情況。分別判斷這些情況是否與我們所建立的模型一致。

對數據進行一一判斷，如下表所示。

對數據判斷結果

在整體中，實際到達區排隊與通過模型預測到達區排隊的事件有859 個，即正確預測的有概率為84.29%，而對于通過模型正確預測回市區的出租車司機的概率為93.85%。因此，該模型建立合理。

從第一問中，我們可以得到在該模型中，飛機的到達時間X1、乘客乘車時間X2、車輛擁堵情況X3 以及蓄車池車輛數量X4 這 4 個決策目標所確定的決策權數分別為0.419，0.148，0.014，0.419。從中，我們可以看到在這幾個因素中，最能影響出租車司機做決策的是乘客乘車時間，飛機的到達時間次之，而車輛的擁堵情況對出租車司機做出決策的影響因素最小。

5 結論

為了滿足出租車司機更公平且最大程度的獲益，提出了如下問題：（1）分析研究影響出租車司機進行選擇的相關因素，將考慮機場乘客數量變化和司機的收益結合起來，建立司機選擇決策模型，并給出司機的選擇。（2）收集國內某一機場及其所在城市出租車相關數據，驗證決策模型的合理性和出租車司機進行決策時對相關因素的依賴性。研究表明：乘客坐出租車為白天、從機場到市區的路途交通情況擁堵或者蓄車池車輛數量少的情況下，顧客更容易選擇前往到達區排隊等待載客返回市區。而在飛機到達時間較長、距離飛機到達還有一段時間、乘客飛機的航班為晚上、從機場到市區的路途交通狀況暢通或者飛機剛到達但蓄車池車輛數量較多的情況下，顧客更容易選擇直接放空返回市區拉客。影響出租車司機做決策的重要程度為：乘車時間>飛機到達時間>車輛擁堵情況。