多屬性決策模型在機場出租車司機決策問題上的應用

商瑞杰，周大勇，程 揚，張 碩

(大連交通大學 a.電氣信息工程學院； b.理學院； c.機械工程學院，遼寧 大連 116028)

目前，國內機場進入了新建和改擴展的高峰期。機場旅客流量逐年增大，中轉換乘方式多樣，組織流程復雜，制定科學合理的陸側交通方案、使機場陸側交通高效便捷是機場陸側道路系統規劃和設計的重點問題[1]。機場陸側交通規劃中，機場出租車問題極為重要，其深深影響著機場換乘效率和出租車行業的盈利，因此科學研究機場出租車司機的去留問題非常重要。以國內某省會城市機場為研究對象，對出租車司機決策問題進行探究[2-3]，建立變異系數評估模型并進行模型評估。

1 模型建立與求解

1.1 模型假設

通過對假設季節因素包括寒暑假期及各種節日，因此忽略節日因素的影響。假設天氣因素包括正常天氣和非正常天氣，正常天氣晴天、陰天等對旅客、出租車司機的換乘決策和等待決策影響不大，非正常天氣雨天、雪天等。對旅客、出租車司機的換乘決策及等待決策影響較大。假設從每個乘車點乘車的乘客數相同。

1.2 符號說明

X：代表機場蓄車池最大停車數目；

i：代表屬性個數，屬于N+；

j：4種影響出租車司機選擇因素的屬性值的組合，j∈[1,96]；

A：出租車司機到達機場不返回；

B：出租車司機到達機場返回；

ci：時間影響因素的i個屬性值；

di：天氣影響因素的i個屬性值；

ei：蓄車池影響因素的i個屬性值；

bi：季節影響因素的i個屬性值；

Y：各因素的得分值；

Ymin：各因素得分值的最小值；

Ymax：各因素得分值的最大值；

S：歸一化后的屬性值；

Sseason：季節因素得分值歸一化后的屬性值；

Scar：蓄車池因素得分值歸一化后的屬性值；

Sweather：天氣因素得分值歸一化后的屬性值；

Stime：時間因素得分值歸一化后的屬性值；

w：權重向量；

n：影響因素的個數；

E：出租車司機選擇方案A的綜合得分；

R：蓄車場現他排列數/蓄車場停車總數。

1.3 多屬性決策模型的構建與求解

1.3.1 機場出租車司機決策影響因素及影響機理分析

結合機場實際情況分析，影響出租車司機離開機場或在機場等待的決策因素主要包括自然因素和人為因素兩大類。自然因素包含季節因素和天氣因素，人為因素即出租車司機受航班時間、蓄車場車數的影響。季節因素對于旅游城市來說，旅游旺季人流量大，春節、夏季(考慮暑假)、冬季(考慮寒假)都是機場人流高峰期，因此在不同季節，機場的進出港航班數目不同，機場人流量不同，這也間接影響了出租車司機的決策。天氣因素，根據對機場司機的調查可知，正常天氣和非正常天氣情況下出租車司機會有不同選擇，非正常天氣，旅客乘坐出租車的概率更大。時間因素，不同時間段到港航班的數目不同，比如：凌晨到早上八點這一階段的航班較少，司機會因為機場入港航班少但市里上午人流量大而選擇回到市里。機場蓄車池車輛數，即機場內蓄車場內的車數，蓄車池內車數越多，司機選擇留下來排隊的概率就越小。

1.3.2 決策影響因素的歸一化處理

通過對機場100名司機的調查可知在季節、天氣、蓄車池車數、時間段4種因素影響下的方案選擇情況。將100名司機的選擇轉化為百分制，不同因素下選擇A方案的人數作為A方案的得分值。

屬性類型一般有效益型、成本型、固定型等[4]，由于各個影響因素的數據條件為選擇A方案的得分值，因此將決策評價優劣問題轉化為效益型評價問題。

對上述數據通過matlab軟件進行min-max標準化。

min-max標準化公式如下：

(1)

歸一化后的4種因素的屬性值如下：

表1 100名司機受季節影響的方案選擇統計表Tab.1 Program selection of 100 drivers affected by season

表2 100名司機受天氣影響的方案選擇統計表Tab.2 Program selection of 100 drivers affected by weather

表3 100名司機受蓄車池車數影響的方案選擇表Tab.3 Program selection of 100 drivers affected by numberof cars in storage pool

表4 100名司機受時間段影響的方案選擇統計表Tab.4 Program selection of 100 drivers affected by time quantum

1.3.3 層次分析法計算屬性權重

圖1 層次結構模型圖Fig.1 Hierarchy model diagram

構建層次結構模型如圖 1所示，根據Santy1-9標度法(如表 5)構建成對比較矩陣。

表5 Santy1-9標度表Tab.5 Santy1-9 scale table

計算得成對比較矩陣：

通過幾何平均法可計算得到成對比較矩陣的權重向量：

w=(0.0645,0.5048,0.1431,0.2876)

對上述成對比較矩陣進行一致性檢驗。

一致性檢驗步驟：

第一，最大特征根λmax的計算。

(2)

通過計算值λmax=4.19。

第二，一致性指標CI。

(3)

經過計算CI=0.0633。

第三，隨機一致性指標RI的值由表 6 隨機一致性指標RI的數值確定，RI=0.90。

表6 隨機一致性指標RI的數值Tab.6 Value of random consistency index RI

當一致性比率CR小于0.1時，則一致性檢驗通過。

(4)

經計算CR=0.07，一致性檢驗通過。

1.3.4 出租車司機決策指標體系的構建

在4種因素的影響下，出租車司機選擇方案A的綜合得分E為：

(5)

在4種因素的影響下，共有96種司機可能遇到的情況。通過計算可得，96組綜合得分E，為全方位反映到達機場的出租車司機在季節、天氣、時間段、蓄車池停車數4個影響因素下的決策，根據綜合得分E對出租車司機的建議決策情況進行分類。

1.3.5 多屬性決策模型結果分析

由于96組數據較大，且研究地四季如春，因此只給出了部分數據。

表7 春季機場司機方案選擇表Tab.7 Program selection of airport driver in spring

2 模型的評估

2.1 決策模型應用

2.1.1 機場出租車相關數據匯總

選取2019年4月27日數據，天氣狀況正常，研究地機場的蓄車池中出租車可排列的數目為680左右。圖2為機場的出租車具體數據。

根據上述多屬性決策模型可得機場與決策模型信息匹配，如表 8。

圖2 機場出租車數量統計表Fig.2 Statistics of the number of airport taxis

表8 決策模型信息匹配表Tab.8 Matching table of decision-making model information

2.1.2 模型主要影響因素分析

由多決策模型得出的表可見，當出租車司機在24:00～6:00到機場送人時，選擇B方案的更多，說明影響出租車是否停留排隊的主要因素是時間，因此分析24:00～6:00這一時間段預測的司機決策和出租車司機真實決策之間的相似度。

2.2 決策模型準確度評估

2.2.1 準確度評估模型的建立

針對出租車司機實際決策與預估決策之間的差異，借鑒變異系數的原理，構建準確度計算公式。C為準確度，C∈(0,1)。m1和m2分別代表預測選擇A方案的出租車司機數和實際選擇B方案的出租車司機數，m為調節系數，m通常的值大于2，對此模型使m=2。理論上分析，C值越趨近于1，m1與m2值的偏差值越小，預測值越準確[5]。

準確度計算公式：

(6)

2.2.2 準確度評價模型的求解

將研究地機場2019年4月27日4:00～14:00的相關影響因素數據代入準確度評估模型，可得對應的預測值如表 9，模型的準確度維持在88.02%～99.64%，可見模型較為準確。

表9 出租車實際與預計停留數量對比表Tab.9 Comparison of actual and expected taxi stops

2.2.3 模型相關依賴因素分析

此模型中，決策因素有季節、天氣、時間、蓄車池車輛數量，這些都是影響租車司機做出決策的因素，對這些整體因素的權重分析及權重計算直接影響模型的合理性和準確性。

模型中的屬性值計算依賴于對機場出租車司機的調查，因此屬性值的準確度較大程度上取決于所調查的出租車司機數量、出租車司機決策的準確度(應避免同時調查多個出租車司機，以免出現調查結果相同的現象，降低屬性值的準確度)。

模型的建立依賴于數據的獲取，在4個影響因素中，季節和天氣數據獲取較為準確。由于某時刻數據難以獲取，因此不能對邊界值進行檢驗，即模型在某時間段進行決策預測，不能對6:00、12:00、18:00、24:00這些準確的時間節點進行決策預測。

3 結語

全方位考慮影響出租車司機決策的因素，建立多屬性決策模型，通過影響因素調查運用層次分析法計算各個決策因素的權重，使得權重分配更加合理。在屬性值計算方面采用調查法，調查100個機場出租車司機的相應決策屬性值，使屬性值更具有代表性。調查樣本適中，符合整體情況，避免了可能因數據單一而造成屬性值誤差。

為了對所建立的模型進行準確性評估，借鑒變異系數原理，構建了準確度評價模型，通過實際差值計算準確度，評估模型較為準確。