基于BP神经网络的常规公交服务质量影响因素主成分分析(共8页)

1、基于(jy)BP神经网络的常规公交服务质量影响(yngxing)因素(yn s)主成分分析收稿日期： 修回日期： 录用日期： 基金项目：国家自然科学基金（51178157）；江西省教育厅青年基金(GJJ13314). 作者简介：张 兵(1981)，男，山东泗水人，讲师，博士。 通讯作者：zbing1981张兵1，陈廷照1，胡启洲2（1.华东交通大学土木建筑学院，南昌 330013；2. 南京理工大学自动化学院，南京 210094） 摘要：根据南昌市公交服务质量问卷调查数据，运用主成分分析方法将公交服务质量影响因素进行降维处理，把15个影响变量提取为8个主成分。在此基础上，运用MATLAB7.0

2、建立影响因素主成分与公交服务质量认可度的BP神经网络模型，在不同参数下进行试验和比较，计算得到精确的权值矩阵。最终根据权值和阀值，分析得到影响城市常规公交服务质量的关键因素。关键词：公交服务质量、公交认可度、主成分分析、BP神经网络 中图分类号：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

3、Architecture, East 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

4、principal component 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, th

5、e weight matrix was 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 引言优先发展城市公共交通，通过改善公共交通的服务质量吸引公交出行者，将是解决城市交通拥挤问题的关键之

6、一。目前，在公共交通服务质量因素研究方面，主要有结构方程模型法、概率模型法和多元统计分析法等。例如，Juan deOa等提出结构方程模型（SEM）方法可用于描述服务，揭示潜在的方面与整体服务质量之间的关系1。Luigi dellOlio等通过概率模型模拟用户感知的巴士交通服务质量，为运营公司提供有价值的信息，提高公交服务质量，吸引更多乘客使用交通工具2。在国内，很多学者从不同角度对公交服务质量进行了分析，例如黄婷等从乘客的角度出发，研究了公交的有效性、出行时间和费用、舒适便利性、安全及风险舒适便利性等，提出了公交站点、公交路线和公交系统的评价指标，建立了人性化服务质量评价体系3；马飞等借鉴SE

7、RVPERF服务质量分析方法，从乘客感知角度设计了公交车服务质量的5维度影响因素测量模型，研究城市公交车服务质量的影响因素及作用机理4；彭昌溆等应用改进的SERVQUAL模型结合Logistic模型，对宜昌市公交乘客感知服务质量的影响因素进行了研究5。由于城市公交服务质量影响因素众多，相互干扰较大，因此，为了保证因素分析的有效性，本文将主成分分析法（Principle component analysis, PCA）与BP神经网络模型结合用于分析城市公交服务质量影响因素，即先采用主成分分析方法对调查数据进行降维，并在保证数据丢失最小原则下，简化了神经网络拓扑结构，再在不同参数下进行仿真和比较，

8、确定合适的神经网络参数，建立比较精确的权值网络模型，提高了建模质量。2 城市(chngsh)常规(chnggu)公交(n jio)出行基本信息特征分析2.1 样本的描述性统计分析本文选取2013年11月中旬南昌市公交乘客问卷调查数据作为样本，本次问卷调查共发放280份问卷，有效问卷236份，问卷有效率为84.2%。通过利用频率分析法对调研对象进行总体特征分析，包括性别、年龄、受教育程度、职业、收入、交通工具、乘坐公交频率等12项；然后对问卷中的所有内容进行描述性统计分析，包括标准值、标准值等统计量。调查对象基本信息统计表如表1所示。根据调查对象基本信息统计表，可以看出年龄在1845岁区间的人群

9、是公交出行的主要群体，而教育程度对公交出行的影响不大。通过职业和出行目的分析，乘坐公交车出行的群体主要为公司员工和学生，而个体工商户和政府职员主要使用私家车出行，这也反映了一般乘坐公交车出行的多为中低收入群体。表1 问卷调查基本信息表Table 1 Part of the basic information统计变量分类项目有效百分比统计变量分类项目有效百分比统计变量分类项目有效百分比年龄183坐公交车的经常性基本不做5.1收入606每天都坐3.8400016.9受教育程度小学5.6职业个体工商户9.4候车时间15分钟13.3中学（中专）35.5退休6.8510分钟41.2大学51.7学生17.

10、410分钟以上45.5研究生7.3其他16.2政府职员5.1公司员工及工人45.12.2 变量的描述性统计为获取公交服务质量影响因素，选取公交首末班车时间、候车时间、出发地距公交站台的距离、候车环境、行车速度、车况、车内卫生状况、服务态度、拥挤程度、乘坐的舒适性、安全性、线路的安排、线路的换乘便利、公交站提供的交通信息及票价满意度等作为变量进行问卷调查。调查问卷采用里克特5级量法，用“15”表示被调查者对题中所陈述内容的认同程度，其中，1代表“非常不满意”，2代表“比较不满意”，3代表“无意见”，4代表“满意”，5代表“非常满意”。利用spss19.0软件统计分析，得出乘客最不满意的指标为公交

11、车拥挤程度，其均值为1.96，其次为候车时间和候车环境，均值为2.86，而乘坐舒适性的均值2.77，表现为较不满意。2.3 公交车服务(fw)认可度分析(fnx)利用(lyng)spss19.0统计分析软件对公交服务质量的认可度进行分析，如表2所示。可以看出，现状公交服务质量与人们心中理想的服务质量均值为2.79，存在较大的差别，因此，在公交服务方面的改进还需要很大的努力；对于其它4项被调查者表示可能会，均值在3.5左右，说明被调查者总体上是认可当前公交服务的。表2 公交服务质量认可度分析表Table 2 Recognition of the bus service 指标乘客对公交服务质量认可

12、度调查N极小值极大值均值标准差1对当前公交服务总体感觉认可236153.420.8392与理想中的公交服务相比，对现在的公交服务仍认可236152.790.9563继续关注南昌公交的运营发展236153.661.2184以后会经常乘坐公交车出行230153.861.0975会向家人和朋友推荐乘坐公交车出行236153.621.2543 常规公交服务质量信度分析与因子分析3.1 信度分析通过信度与效度的检验，可以了解分析结论是否合适、得当，并作为改善修正的根据，可避免做出错误的判断6。根据被调查者的调查时间和调查内容，信度又可分为内在信度和外在信度，本文采用的是内在信度，最常用的方法是Cronb

13、ochs 系数法。信度系数越大，表明测量的可信程度越大。一般认为，0.600.65为不可信；0.650.70为最小可接受值；0.700.80为相当好；0.800.90为非常好。Cronbochs 信度系数为： （1）其中，K为量表中评估项目的总数，为第个项目的表内方差，为全部项目总和的方差。根据公式（1）得到Cronbochs 系数如表3所示，信度系数为0.767，在0.700.80之间，因此总体上该调查评估表编制的内在信度是比较理想的。表3 可靠性统计量Table 3 The reliability of the statisticsCronbachs Alpha基于标准化项的 Cronba

14、chs Alpha项数0.7680.767153.2 因子分析因子分析的目的是寻求变量的基本结构，简化观测系统，减少变量维度，用少数变量来解释所研究的复杂(fz)问题。在因子分析之前，应判断变量之间的相关关系是否适合进行因子分析8。（1）因子分析的前提条件因子分析要求变量之间应存在较强的相关关系，否则，如果原有变量相互独立(dl)，那么也就无法将其浓缩，也就无法进行因子分析。使用spss19.0统计(tngj)分析，采用KMO（Kaiser-Meyer-Olkin）检验和巴特利特球度检验（(Bartlett Test of Sphericity）方法对原有变量之间的相关性进行研究。一般情况下，

15、KMO0.9表示非常适合因子分析；0.8KMO0.9则表示适合因子分析；0.7KMO0.8则表示基本适合因子分析，而当0.6KMO0.7时因子分析的效果则很差，当KMO0.5时，则不适宜作因子分析。 HYPERLINK /search?word=%E5%B7%B4%E7%89%B9%E5%88%A9%E7%89%B9&fr=qb_search_exp&ie=utf8 t _blank 巴特利特球度检验是假设相关 HYPERLINK /search?word=%E7%B3%BB%E6%95%B0%E7%9F%A9%E9%98%B5&fr=qb_search_exp&ie=utf8 t _blan

16、k 系数矩阵是一个 HYPERLINK /search?word=%E5%8D%95%E4%BD%8D%E9%98%B5&fr=qb_search_exp&ie=utf8 t _blank 单位阵，如果 HYPERLINK /search?word=%E7%BB%9F%E8%AE%A1%E9%87%8F&fr=qb_search_exp&ie=utf8 t _blank 统计量值比较大，且其相对应的相伴概率值小于用户指定的 HYPERLINK /search?word=%E6%98%BE%E8%91%97%E6%80%A7%E6%B0%B4%E5%B9%B3&fr=qb_search_exp&

17、ie=utf8 t _blank 显著性水平，拒绝原假设，认为适合作因子分析；反之，接受原假设，不适合作因子分析7。由表5的KMO和Bartlett 的检验可以看出，本次调查数据的KMO值为0.774，大于0.7，巴特利特球度检验值为558.391，显著性为0，小于0.05，则表示非常显著，说明变量有较高的相关性，因此本次调查数据适合做因子分析。表4 KMO 和 Bartlett 的检验Table 4 KMO and Bartletts test取样足够度的 Kaiser-Meyer-Olkin 度量0.774Bartlett 的球形度检验近似卡方558.391df Sig.1050.000（

18、2）基于主成分分析的因子抽取主成分分析的基本思想是将原来众多的具有一定相关性的指标，重新组合成一组新的互不相干的综合指标来代替原来指标，用较少的主成分得到较多的信息量8。 主成分分析通常是将原始指标做线性组合，即将P个原始指标向量X1 、X2、Xp做线性组合，得到综合指标向量： （2）其中， 与 互不相关，即。其中， 称为第一主成分，在所含信息不足条件下寻找第二主成分，第三主成分，第主成分。在提取综合变量时，一般要满足大于70%的贡献率，经过spss19.0软件统计分析，选取基本特征值为0.8，旋转后，各主成分的特征值及累计贡献率如表5所示。其中，第1主成分主要与车况、车内卫生状况关系紧密；第

19、2主成分主要与线路安排和公交站提供的交通信息的关系紧密；第3主成分主要与公交车首末时间的安排关系紧密。第4主成分主要与车内的拥挤程度关系紧密；第5个主成分主要与到达公交车的行驶速度关系紧密；第6个主成分主要与候车时间和候车环境关系紧密；第7个主成分主要与公交车的运行安全性相关；第8个主成分主要与驾驶员的服务态度关系紧密。8个主成分的累计方差贡献率达到72.753%，则表示因子分析的结果能较好的代替原始变量。表5 方差解释表Table 5 variance explain初始特征值旋转平方和载入成份合计方差的 %累积 %合计方差的 %累积 %13.57823.85723.8571.8712.46

20、612.46621.4139.41933.2761.67211.14923.61531.2028.01641.2921.3438.9532.56541.1287.52248.8141.2878.58241.14750.9926.61555.4291.2338.21849.36560.9096.06261.4911.2138.08657.45170.8585.7267.2111.1627.74865.19980.8315.54272.7531.1337.55472.7534 基于(jy)BP神经网络的公交(n jio)服务质量因素分析(fnx)BP（Back Propagation）神经网络模型

21、由输入层、若干隐含层和输出层组成，是一种按 HYPERLINK /view/40051.htm t _blank 误差逆传播算法训练的多层前馈网络，而且能学习和存贮大量的输入输出模式映射关系，而无需事前揭示描述这种映射关系的 HYPERLINK /view/1284.htm t _blank 数学 HYPERLINK /view/5925.htm t _blank 方程是，目前应用最广泛的 HYPERLINK /view/3406239.htm t _blank 神经网络模型之一 9。BP神经网络的工作过程由两个阶段组成：一个阶段是学习期，各计算单元状态不变，根据计算结果和模型识别修改各连接权

22、值；另一阶段是工作期，各连接权值固定，计算各单元的状态变化，以求达到稳定状态。具体算法步骤参考文献10。由于公交服务质量高低与乘客对公交服务质量的认可度存在较大关联性，因此基于公交服务质量认可度分析表，将相关程度较高的1与指标2重新定义为，将指标3、指标4和指标5重新定义为。在此基础上，将调查数据根据旋转成分矩阵表计算236个样本的主成分值，对应公交服务质量认可度值，将其分配为8组，将前5组数据用于训练，剩余3组数据用于预测验证其绝对误差值。公交服务质量影响因素主成分及认可度分组如表6所示。表6 公交服务质量影响因素主成分及认可度分组值Table 5 The value of Bus serv

23、ice quality factors Principle component and acceptance分组12345678y1y21组22.8050.340-1.2540.1071.0420.1960.1820.5382.7933.4252组23.0360.422-1.5510.1381.2060.0560.7520.8033.1033.7363组23.6690.362-1.5020.8011.212-0.0960.6920.7163.0694.0804组23.832-0.035-1.5820.7300.8710.0770.5220.8953.2073.6785组23.3290.103-

24、1.3750.4241.3820.0050.3690.8693.2003.8226组24.0400.058-0.8450.3131.0990.0840.3750.5663.4003.9227组22.4900.254-1.0010.4261.1900.2590.4350.7183.1833.6898组20.9910.063-0.9930.7801.2900.3710.4430.5472.8673.350在自适应（Adaptive）强化学习训练的过程中先后选用不同的激活函数模型，反复调整学习率以及权值，最终确定激活函数均选用正切S型函数： （4）使用MATLAB软件进行BP神经网络计算，将主成分分

25、析提取的8个主成分作为BP神经网络输入层，将被调查者对公交车服务质量的认可度作为输出，即以和合并作为BP神经网络的输出层，则共有13个隐含层。经过计算，模拟数据的方差为0.000957，小于目标值0.001，满足学习精度要求，即该模型所选参数值符合要求。运用BP神经网络模型输出训练的结果方差如图1所示。图1 模拟(mn)方差Figure 1 Simulated variance 通过(tnggu)对后三组数据的预测，得出的相对(xingdu)误差的平均值为0.0012，的相对误差的平均值为0.0570，均小于0.1。通过训练得到的权值和偏差矩阵如下： 根据相关文献表明，输入分量对应的神经元与隐

26、含层神经元之间的连接权之和，即越大，系统的影响越大；隐含单元与输入分量的连接权之和越大，系统响应输出就越灵敏11,12。和之间的相关度： （5）得到对的影响程度： （6）根据以上(yshng)数据矩阵(j zhn)和，计算(j sun)得出： 根据计算结果可以看出，对公交服务质量认可度相关度最大的依次是第4、8和3主成分，其影响程度分别为53.09%、32.02%和30.36%，说明对公交服务质量影响的所有因素中，公交车的拥挤程度（第4主成分），驾驶员服务态度和乘坐舒适性（第8主成分）和首末班车的安排时间（第3主成分）对公交服务质量认可起到关键作用。因此，上述三个影响因素也是今后提高公交服务质

27、量的主要努力方向。5 结 论在对公交服务质量调查问卷数据分析基础上，通过因子分析将15个变量降维到8个相互独立的影响因子，通过MATLAB软件建立以函数作为激活函数的BP神经网络模型，计算出两组偏置值与权值矩阵，可以用来评估公交服务质量因素与公交服务认可度之间的影响程度。在此前提下，通过权值矩阵以及偏置值计算出相应的公交服务质量认可度折减影响系数的均方差达0.000957。因此，该模型可以用于评估影响公交服务水平的主成分因素对公交服务质量认可度的影响。计算结果表明，影响程度较大的因素有公交车内的拥挤程度、驾驶员的服务态度、车内的乘坐舒适性及首末班车的时间安排。参考文献1 Juan deOa,

28、RocodeOa, LauraEboli, GabriellaMazzulla J. Perceived service quality in bus transit service: A structural equation approach. Transport Policy, 2013, 29:219226.2 Luigi dellOlio, Angel Ibeas, PatriciaCecn. Modelling user perception of bus transit quality J. Transport Policy, 2010, 17:388-397.3 黄婷，焦海贤，

29、李秀丽. 基于乘客观点的公交服务质量评价体系及方法研究J.重庆交通大学学报,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 马飞，孙启鹏，王炼等.基于SERVPERF的城市公交车服务质

30、量影响因素研究J. 交通运输系统工程与信息，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，张道智等. 基于乘客感知的公交服务质量影响因素分析J. 交

31、通信息与安全，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 时立文. spss19.0统计分析M. 北京(bi jn)，清华大学出版社，2012. SHI Li-wen. Spss 19.0 statistical an

32、alysisM. BeiJing，Tsinghua University Press, 2012.7 陈建宏，刘浪，周智勇，永学艳.基于(jy)主成分分析与神经网络的采矿方法优选J.中南大学学报(xubo)（自然科学版），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续发展评价中的应用J. 西华大学学报, 2013,1:63-66. ZHU lin-bo. Application of prin