基于BP神經(jīng)網(wǎng)絡(luò)的常規(guī)公交服務(wù)質(zhì)量影響因素主成分分析.

1、基于BP神經(jīng)網(wǎng)絡(luò)的常規(guī)公交服務(wù)質(zhì)量影響因素主成分分析收稿日期： 修回日期： 錄用日期： 基金項目：國家自然科學(xué)基金（51178157）；江西省教育廳青年基金(GJJ13314). 作者簡介：張 兵(1981)，男，山東泗水人，講師，博士。 通訊作者：zbing1981張兵1，陳廷照1，胡啟洲2（1.華東交通大學(xué)土木建筑學(xué)院，南昌 330013；2. 南京理工大學(xué)自動化學(xué)院，南京 210094） 摘要：根據(jù)南昌市公交服務(wù)質(zhì)量問卷調(diào)查數(shù)據(jù)，運用主成分分析方法將公交服務(wù)質(zhì)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。在此基礎(chǔ)上，運用MATLAB7.0建立影響因素主成分與公交服務(wù)質(zhì)量認可度

2、的BP神經(jīng)網(wǎng)絡(luò)模型，在不同參數(shù)下進行試驗和比較，計算得到精確的權(quán)值矩陣。最終根據(jù)權(quán)值和閥值，分析得到影響城市常規(guī)公交服務(wù)質(zhì)量的關(guān)鍵因素。關(guān)鍵詞：公交服務(wù)質(zhì)量、公交認可度、主成分分析、BP神經(jīng)網(wǎng)絡(luò) 中圖分類號：U 491Principal Component Analysis of Regular Bus Service Quality Factors based on BP Neural NetworkZHANG Bing1, CHEN Ting-zhao1, HU QI-Zhou2(1. College of Civil Engineering and Architecture, East

3、China Jiao Tong University, Nanchang 330013, China; 2. School of Automation, Nanjing University of Science and Technology, Nanjing 210094, China)Abstract: On the base of the bus service quality survey data of Nan Chang, the factors dimension of bus service quality were reduced by principal component

4、 analysis and eight principal components were extracted form 15 variables. Then, the BP neural network model which reflects the relations about the factors principal component and recognition was set up by using MATLAB7.0. After testing and comparing under different parameters, the weight matrix was

5、 calculated. Finally, the main factors influencing the bus service were obtained according to the weights and threshold determine.Key words: bus service quality; recognition of bus; principal component analysis; BP neural network1 引言優(yōu)先發(fā)展城市公共交通，通過改善公共交通的服務(wù)質(zhì)量吸引公交出行者，將是解決城市交通擁擠問題的關(guān)鍵之一。目前，在公共交通服務(wù)質(zhì)量因素研究方

6、面，主要有結(jié)構(gòu)方程模型法、概率模型法和多元統(tǒng)計分析法等。例如，Juan deOña等提出結(jié)構(gòu)方程模型（SEM）方法可用于描述服務(wù)，揭示潛在的方面與整體服務(wù)質(zhì)量之間的關(guān)系1。Luigi dellOlio等通過概率模型模擬用戶感知的巴士交通服務(wù)質(zhì)量，為運營公司提供有價值的信息，提高公交服務(wù)質(zhì)量，吸引更多乘客使用交通工具2。在國內(nèi)，很多學(xué)者從不同角度對公交服務(wù)質(zhì)量進行了分析，例如黃婷等從乘客的角度出發(fā)，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(tǒng)的評價指標，建立了人性化服務(wù)質(zhì)量評價體系3；馬飛等借鑒SERVPERF服務(wù)質(zhì)量分析方

7、法，從乘客感知角度設(shè)計了公交車服務(wù)質(zhì)量的5維度影響因素測量模型，研究城市公交車服務(wù)質(zhì)量的影響因素及作用機理4；彭昌溆等應(yīng)用改進的SERVQUAL模型結(jié)合Logistic模型，對宜昌市公交乘客感知服務(wù)質(zhì)量的影響因素進行了研究5。由于城市公交服務(wù)質(zhì)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，本文將主成分分析法（Principle component analysis, PCA）與BP神經(jīng)網(wǎng)絡(luò)模型結(jié)合用于分析城市公交服務(wù)質(zhì)量影響因素，即先采用主成分分析方法對調(diào)查數(shù)據(jù)進行降維，并在保證數(shù)據(jù)丟失最小原則下，簡化了神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)，再在不同參數(shù)下進行仿真和比較，確定合適的神經(jīng)網(wǎng)絡(luò)參數(shù)，建

8、立比較精確的權(quán)值網(wǎng)絡(luò)模型，提高了建模質(zhì)量。2 城市常規(guī)公交出行基本信息特征分析2.1 樣本的描述性統(tǒng)計分析本文選取2013年11月中旬南昌市公交乘客問卷調(diào)查數(shù)據(jù)作為樣本，本次問卷調(diào)查共發(fā)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(diào)研對象進行總體特征分析，包括性別、年齡、受教育程度、職業(yè)、收入、交通工具、乘坐公交頻率等12項；然后對問卷中的所有內(nèi)容進行描述性統(tǒng)計分析，包括標準值、標準值等統(tǒng)計量。調(diào)查對象基本信息統(tǒng)計表如表1所示。根據(jù)調(diào)查對象基本信息統(tǒng)計表，可以看出年齡在1845歲區(qū)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。通過職業(yè)和出行目的

9、分析，乘坐公交車出行的群體主要為公司員工和學(xué)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(diào)查基本信息表Table 1 Part of the basic information統(tǒng)計變量分類項目有效百分比統(tǒng)計變量分類項目有效百分比統(tǒng)計變量分類項目有效百分比年齡<183坐公交車的經(jīng)常性基本不做5.1收入<100020182544.7偶爾乘坐26.91000200017.8264539.1一般20.52000300031.646607.2經(jīng)常乘坐43.63000400013.8>606每天都坐3.8>400016.9

10、受教育程度小學(xué)5.6職業(yè)個體工商戶9.4候車時間15分鐘13.3中學(xué)（中專）35.5退休6.8510分鐘41.2大學(xué)51.7學(xué)生17.410分鐘以上45.5研究生7.3其他16.2政府職員5.1公司員工及工人45.12.2 變量的描述性統(tǒng)計為獲取公交服務(wù)質(zhì)量影響因素，選取公交首末班車時間、候車時間、出發(fā)地距公交站臺的距離、候車環(huán)境、行車速度、車況、車內(nèi)衛(wèi)生狀況、服務(wù)態(tài)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(diào)查。調(diào)查問卷采用里克特5級量法，用“15”表示被調(diào)查者對題中所陳述內(nèi)容的認同程度，其中，1代表“非常不滿意”，2代

11、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(tǒng)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(huán)境，均值為2.86，而乘坐舒適性的均值2.77，表現(xiàn)為較不滿意。2.3 公交車服務(wù)認可度分析利用spss19.0統(tǒng)計分析軟件對公交服務(wù)質(zhì)量的認可度進行分析，如表2所示?？梢钥闯觯F(xiàn)狀公交服務(wù)質(zhì)量與人們心中理想的服務(wù)質(zhì)量均值為2.79，存在較大的差別，因此，在公交服務(wù)方面的改進還需要很大的努力；對于其它4項被調(diào)查者表示可能會，均值在3.5左右，說明被調(diào)查者總體上是認可當前公交服務(wù)的。表2 公交服務(wù)質(zhì)量認可度分析表

12、Table 2 Recognition of the bus service 指標乘客對公交服務(wù)質(zhì)量認可度調(diào)查N極小值極大值均值標準差1對當前公交服務(wù)總體感覺認可236153.420.8392與理想中的公交服務(wù)相比，對現(xiàn)在的公交服務(wù)仍認可236152.790.9563繼續(xù)關(guān)注南昌公交的運營發(fā)展236153.661.2184以后會經(jīng)常乘坐公交車出行230153.861.0975會向家人和朋友推薦乘坐公交車出行236153.621.2543 常規(guī)公交服務(wù)質(zhì)量信度分析與因子分析3.1 信度分析通過信度與效度的檢驗，可以了解分析結(jié)論是否合適、得當，并作為改善修正的根據(jù)，可避免做出錯誤的判斷6。根據(jù)被調(diào)

13、查者的調(diào)查時間和調(diào)查內(nèi)容，信度又可分為內(nèi)在信度和外在信度，本文采用的是內(nèi)在信度，最常用的方法是Cronbochs 系數(shù)法。信度系數(shù)越大，表明測量的可信程度越大。一般認為，0.600.65為不可信；0.650.70為最小可接受值；0.700.80為相當好；0.800.90為非常好。Cronbochs 信度系數(shù)為： （1）其中，K為量表中評估項目的總數(shù)，為第個項目的表內(nèi)方差，為全部項目總和的方差。根據(jù)公式（1）得到Cronbochs 系數(shù)如表3所示，信度系數(shù)為0.767，在0.700.80之間，因此總體上該調(diào)查評估表編制的內(nèi)在信度是比較理想的。表3 可靠性統(tǒng)計量Table 3 The reliab

14、ility of the statisticsCronbach's Alpha基于標準化項的 Cronbachs Alpha項數(shù)0.7680.767153.2 因子分析因子分析的目的是尋求變量的基本結(jié)構(gòu)，簡化觀測系統(tǒng)，減少變量維度，用少數(shù)變量來解釋所研究的復(fù)雜問題。在因子分析之前，應(yīng)判斷變量之間的相關(guān)關(guān)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(yīng)存在較強的相關(guān)關(guān)系，否則，如果原有變量相互獨立，那么也就無法將其濃縮，也就無法進行因子分析。使用spss19.0統(tǒng)計分析，采用KMO（Kaiser-Meyer-Olkin）檢驗和巴特利特球度檢驗（(Bartlett

15、Test of Sphericity）方法對原有變量之間的相關(guān)性進行研究。一般情況下，KMO>0.9表示非常適合因子分析；0.8KMO0.9則表示適合因子分析；0.7KMO0.8則表示基本適合因子分析，而當0.6KMO0.7時因子分析的效果則很差，當KMO0.5時，則不適宜作因子分析。巴特利特球度檢驗是假設(shè)相關(guān)系數(shù)矩陣是一個單位陣，如果統(tǒng)計量值比較大，且其相對應(yīng)的相伴概率值小于用戶指定的顯著性水平，拒絕原假設(shè)，認為適合作因子分析；反之，接受原假設(shè)，不適合作因子分析7。由表5的KMO和Bartlett 的檢驗可以看出，本次調(diào)查數(shù)據(jù)的KMO值為0.774，大于0.7，巴特利特球度檢驗值為55

16、8.391，顯著性為0，小于0.05，則表示非常顯著，說明變量有較高的相關(guān)性，因此本次調(diào)查數(shù)據(jù)適合做因子分析。表4 KMO 和 Bartlett 的檢驗Table 4 KMO and Bartletts test取樣足夠度的 Kaiser-Meyer-Olkin 度量0.774Bartlett 的球形度檢驗近似卡方558.391df Sig.1050.000（2）基于主成分分析的因子抽取主成分分析的基本思想是將原來眾多的具有一定相關(guān)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。 主成分分析通常是將原始指標做線性組合，即將P個原始指標向量X1 、

17、X2、Xp做線性組合，得到綜合指標向量： （2）其中， 與 互不相關(guān)，即。其中， 稱為第一主成分，在所含信息不足條件下尋找第二主成分，第三主成分，第主成分。在提取綜合變量時，一般要滿足大于70%的貢獻率，經(jīng)過spss19.0軟件統(tǒng)計分析，選取基本特征值為0.8，旋轉(zhuǎn)后，各主成分的特征值及累計貢獻率如表5所示。其中，第1主成分主要與車況、車內(nèi)衛(wèi)生狀況關(guān)系緊密；第2主成分主要與線路安排和公交站提供的交通信息的關(guān)系緊密；第3主成分主要與公交車首末時間的安排關(guān)系緊密。第4主成分主要與車內(nèi)的擁擠程度關(guān)系緊密；第5個主成分主要與到達公交車的行駛速度關(guān)系緊密；第6個主成分主要與候車時間和候車環(huán)境關(guān)系緊密；第

18、7個主成分主要與公交車的運行安全性相關(guān)；第8個主成分主要與駕駛員的服務(wù)態(tài)度關(guān)系緊密。8個主成分的累計方差貢獻率達到72.753%，則表示因子分析的結(jié)果能較好的代替原始變量。表5 方差解釋表Table 5 variance explain初始特征值旋轉(zhuǎn)平方和載入成份合計方差的 %累積 %合計方差的 %累積 %13.57823.85723.8571.8712.46612.46621.4139.41933.2761.67211.14923.61531.2028.01641.2921.3438.9532.56541.1287.52248.8141.2878.58241.14750.9926.61555

19、.4291.2338.21849.36560.9096.06261.4911.2138.08657.45170.8585.7267.2111.1627.74865.19980.8315.54272.7531.1337.55472.7534 基于BP神經(jīng)網(wǎng)絡(luò)的公交服務(wù)質(zhì)量因素分析BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型由輸入層、若干隱含層和輸出層組成，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，而且能學(xué)習(xí)和存貯大量的輸入輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程是，目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一 9。BP神經(jīng)網(wǎng)絡(luò)的工作過程由兩個階段組成：一個階段是學(xué)習(xí)期，各計算單元狀

20、態(tài)不變，根據(jù)計算結(jié)果和模型識別修改各連接權(quán)值；另一階段是工作期，各連接權(quán)值固定，計算各單元的狀態(tài)變化，以求達到穩(wěn)定狀態(tài)。具體算法步驟參考文獻10。由于公交服務(wù)質(zhì)量高低與乘客對公交服務(wù)質(zhì)量的認可度存在較大關(guān)聯(lián)性，因此基于公交服務(wù)質(zhì)量認可度分析表，將相關(guān)程度較高的1與指標2重新定義為，將指標3、指標4和指標5重新定義為。在此基礎(chǔ)上，將調(diào)查數(shù)據(jù)根據(jù)旋轉(zhuǎn)成分矩陣表計算236個樣本的主成分值，對應(yīng)公交服務(wù)質(zhì)量認可度值，將其分配為8組，將前5組數(shù)據(jù)用于訓(xùn)練，剩余3組數(shù)據(jù)用于預(yù)測驗證其絕對誤差值。公交服務(wù)質(zhì)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(wù)質(zhì)量影響因素主成分及認可度分組值Table 5

21、The value of Bus service quality factors Principle component and acceptance分組12345678y1y21組22.8050.340-1.2540.1071.0420.1960.1820.5382.7933.4252組23.0360.422-1.5510.1381.2060.0560.7520.8033.1033.7363組23.6690.362-1.5020.8011.212-0.0960.6920.7163.0694.0804組23.832-0.035-1.5820.7300.8710.0770.5220.8953.2

22、073.6785組23.3290.103-1.3750.4241.3820.0050.3690.8693.2003.8226組24.0400.058-0.8450.3131.0990.0840.3750.5663.4003.9227組22.4900.254-1.0010.4261.1900.2590.4350.7183.1833.6898組20.9910.063-0.9930.7801.2900.3710.4430.5472.8673.350在自適應(yīng)（Adaptive）強化學(xué)習(xí)訓(xùn)練的過程中先后選用不同的激活函數(shù)模型，反復(fù)調(diào)整學(xué)習(xí)率以及權(quán)值，最終確定激活函數(shù)均選用正切S型函數(shù)： （4）使用MAT

23、LAB軟件進行BP神經(jīng)網(wǎng)絡(luò)計算，將主成分分析提取的8個主成分作為BP神經(jīng)網(wǎng)絡(luò)輸入層，將被調(diào)查者對公交車服務(wù)質(zhì)量的認可度作為輸出，即以和合并作為BP神經(jīng)網(wǎng)絡(luò)的輸出層，則共有13個隱含層。經(jīng)過計算，模擬數(shù)據(jù)的方差為0.000957，小于目標值0.001，滿足學(xué)習(xí)精度要求，即該模型所選參數(shù)值符合要求。運用BP神經(jīng)網(wǎng)絡(luò)模型輸出訓(xùn)練的結(jié)果方差如圖1所示。圖1 模擬方差Figure 1 Simulated variance 通過對后三組數(shù)據(jù)的預(yù)測，得出的相對誤差的平均值為0.0012，的相對誤差的平均值為0.0570，均小于0.1。通過訓(xùn)練得到的權(quán)值和偏差矩陣如下： 根據(jù)相關(guān)文獻表明，輸入分量對應(yīng)的神經(jīng)元

24、與隱含層神經(jīng)元之間的連接權(quán)之和，即越大，系統(tǒng)的影響越大；隱含單元與輸入分量的連接權(quán)之和越大，系統(tǒng)響應(yīng)輸出就越靈敏11,12。和之間的相關(guān)度： （5）得到對的影響程度： （6）根據(jù)以上數(shù)據(jù)矩陣和，計算得出： 根據(jù)計算結(jié)果可以看出，對公交服務(wù)質(zhì)量認可度相關(guān)度最大的依次是第4、8和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(wù)質(zhì)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(wù)態(tài)度和乘坐舒適性（第8主成分）和首末班車的安排時間（第3主成分）對公交服務(wù)質(zhì)量認可起到關(guān)鍵作用。因此，上述三個影響因素也是今后提高公交服務(wù)質(zhì)量的主要努力方向。5 結(jié) 論在對公交服

25、務(wù)質(zhì)量調(diào)查問卷數(shù)據(jù)分析基礎(chǔ)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軟件建立以函數(shù)作為激活函數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型，計算出兩組偏置值與權(quán)值矩陣，可以用來評估公交服務(wù)質(zhì)量因素與公交服務(wù)認可度之間的影響程度。在此前提下，通過權(quán)值矩陣以及偏置值計算出相應(yīng)的公交服務(wù)質(zhì)量認可度折減影響系數(shù)的均方差達0.000957。因此，該模型可以用于評估影響公交服務(wù)水平的主成分因素對公交服務(wù)質(zhì)量認可度的影響。計算結(jié)果表明，影響程度較大的因素有公交車內(nèi)的擁擠程度、駕駛員的服務(wù)態(tài)度、車內(nèi)的乘坐舒適性及首末班車的時間安排。參考文獻1 Juan deOña, RocíodeO

26、ña, LauraEboli, GabriellaMazzulla J. Perceived service quality in bus transit service: A structural equation approach. Transport Policy, 2013, 29:219226.2 Luigi dellOlio, Angel Ibeas, PatriciaCec´n. Modelling user perception of bus transit quality J. Transport Policy, 2010, 17:388-397.3 黃婷

27、，焦海賢，李秀麗. 基于乘客觀點的公交服務(wù)質(zhì)量評價體系及方法研究J.重慶交通大學(xué)學(xué)報,2008,7(5):781-784.HUANG Ting, JIAO Hai-xian, LI Xiu-li. Reaearch on transit quality of service measure system and method based on passengers perspective J. Journal of Chongqing jiaotong University, 2008,7(5): 781-784. (in Chinese)4 馬飛，孫啟鵬，王煉等.基于SERVPERF的城市公

28、交車服務(wù)質(zhì)量影響因素研究J. 交通運輸系統(tǒng)工程與信息，2013,13(2)：153-157. MA Fei, SUN Qi-peng, WANG Lian , et al. Influencing factors of city bus service quality based on SERVPERF modelJ. Journal of transportation systems engineering and information technology, 2013,13(2):153-157.(in Chinese)5 彭昌溆，周雪梅，張道智等. 基于乘客感知的公交服務(wù)質(zhì)量影響因素分

29、析J. 交通信息與安全，2013,31(4):40-44. PENG Chang-xu, ZHOU Xue-mei, ZHANG Dao-zhi, et al. Factors affecting bus service quality based on passenger perception. Journal of traffic information and safety,2013,4,31(4):40-44.(in Chinese)6 時立文. spss19.0統(tǒng)計分析M. 北京，清華大學(xué)出版社，2012. SHI Li-wen. Spss 19.0 statistical anal

30、ysisM. BeiJing，Tsinghua University Press, 2012.7 陳建宏，劉浪，周智勇，永學(xué)艷.基于主成分分析與神經(jīng)網(wǎng)絡(luò)的采礦方法優(yōu)選J.中南大學(xué)學(xué)報（自然科學(xué)版），2010,42（5）：1967-1972.CHEN Jian-hong,LIU Lang,ZHOU Zhi-yong,YONG Xue-yan. Optimization of mining methods based on combination of principal component analysis and neural networks J. Journal of Central South University(Science and Technology), 2010,41(5):1967-1972. (in Chinese)8 朱林波. 主成分分析法在城市交通可持續(xù)發(fā)展評價中的應(yīng)用J. 西華大學(xué)學(xué)報, 2013,1:63-66. ZHU lin-bo. Application of prin