一种地铁换乘感知服务质量评估方法技术

本发明专利技术一种地铁换乘感知服务质量评估方法，包括：获取地铁换乘感知服务质量数据；基于地铁换乘感知服务质量数据，构建地铁换乘感知服务质量评估模型；基于地铁换乘感知服务质量评估模型，通过场景分析每一个影响因素对于地铁换乘感知服务质量评估的作用效果，从而确定提高地铁换乘感知服务质量的最佳策略。本发明专利技术首次提出从社会心理学的三维归因理论结合实际地铁换乘系统特征的角度出发分析地铁换乘感知服务质量的影响因素、通过概率图模型贝叶斯网络模型来实现地铁换乘感知服务质量的评估、通过改进的PC算法对贝叶斯网络拓扑结构进行学习及量化每个影响因素对地铁换乘感知服务质量评估的作用效果，来探究提高地铁换乘感知服务质量的最佳策略。

An evaluation method of perceived service quality of Metro Transfer

【技术实现步骤摘要】
一种地铁换乘感知服务质量评估方法
本专利技术涉及轨道交通
，尤其涉及一种地铁换乘感知服务质量评估方法。
技术介绍
国内外学者对于地铁换乘感知服务质量的研究开始较早并且实现的方法多样。从实现流程来看，目前的研究大多通过实际统计的方式获得各种客观指标的数据或者通过问卷调查询问的方式获得乘客对于地铁换乘评价的各种主观指标的数据，然后通过多样的评价方法，例如非集计行为选择模型、模糊综合评价法、结构方程模型、重要度-满意度模型等，来获得地铁换乘感知服务质量的评估结果。但是已有的地铁换乘感知服务质量的研究缺乏对于地铁换乘感知时间的考虑。具体而言，地铁换乘感知服务质量的研究大多从乘客对于地铁换乘的宏观评价出发，例如地铁换乘的舒适性、安全性等，缺少对于乘客换乘感知时间的考虑。而考虑出行者感知时间的现有研究所采用的分析方法单一，大多通过回归分析方法探究其影响因素。已有的研究对于感知时间的不确定性缺乏描述并且对其影响因素的内部相互作用缺乏考虑。因此，目前出行者感知时间的研究应用效果较差，大多是在给定基本模型形式的前提下，通过所收集的数据进行模型的标定，以分析影响因素的作用效果，但难以确定影响因素的最佳取值。
技术实现思路
本专利技术的实施例提供了一种地铁换乘感知服务质量评估方法，以克服现有技术的缺陷。为了实现上述目的，本专利技术采取了如下技术方案。一种地铁换乘感知服务质量评估方法，包括：S1、获取地铁换乘感知服务质量数据；S2、基于所述地铁换乘感知服务质量数据，构建地铁换乘感知服务质量评估模型；S3、基于所述地铁换乘感知服务质量评估模型，通过场景分析每一个影响因素对于地铁换乘感知服务质量评估的作用效果，从而确定提高地铁换乘感知服务质量的最佳策略。优选地，所述S1包括以下步骤：S11、对地铁换乘感知服务质量的影响因素进行分类，包括：换乘乘客的个人属性及出行特征、换乘的基本评价因素和换乘环境因素，其中，所述换乘的基本评价因素为：实际的换乘走行时间、感知的换乘走行时间、实际的换乘走行距离、感知的换乘走行距离、实际的换乘等待时间、感知的换乘等待时间，所述换乘环境因素包括：物理因素和状态因素；S12、通过问卷调查得到换乘乘客的个人属性及出行特征、换乘活动的感知数据，再通过实地校验得到换乘活动的实际数据。优选地，所述S12包括以下步骤：S121、问卷调查：采用事后调查的方法，通过问卷设计，针对换乘乘客最近的一次换乘活动进行调查，调查问卷的第一部分为乘客的个人基本信息，包括乘客的个人属性变量；第二部分为乘客的出行信息，包括乘客的出行特征变量和乘客进行换乘行为的具体换乘路径；第三部分为乘客对于其换乘经历的感知和评价，包括乘客换乘感知的总时间、感知的走行时间、感知的走行距离和感知的等待时间、对于换乘环境因素的评价以及换乘乘客实际等待的列车数量；此外，在调查问卷问题选项设置上，关于时间和距离的相关问题，选项设置为区间值；关于乘客对于换乘环境因素的评价，选项设置为采用五点量表；S122、实地校验：根据受访者回答的换乘路径以及对应的换乘日期和时段，对受访者的换乘过程进行实验性还原，并在换乘过程中记录换乘的实际走行时长、换乘的实际走行距离、换乘走行过程的楼扶梯数量和换入线路的发车间隔；此外，乘客换乘的实际等待时间可由换入线路的发车间隔和乘客等待的列车数量近似估计，具体见公式(1)，其中，tw为换乘实际等待时间的近似估计值，单位：分钟；fhr为换入线路的发车间隔，单位：分钟/列；Nw为乘客等待的列车数量，单位：列。优选地，所述S2包括以下步骤：S21、结构及参数学习：定义贝叶斯网络为G＝{U，L}，其中网络中的点集为U＝{X1，X2...Xn}，划分为目标变量XC和属性变量XB＝U/XC；结点之间边的集合为L，并且与结点Xi直接相连的边的集合记为Li；地铁换乘感知服务质量为模型的目标变量，其影响因素为模型的属性变量；S211、计算任意两个结点的互信息I(Xi,Xj)，其中i≠j，判断I(Xi,Xj)＞σ1是否满足，预设σ1值，其中σ1≥0；若满足则将结点Xi和Xj之间的无向边添加至边集L，否则不添加，其中，互信息的表达式见公式(3)，并且xi为离散随机变量Xi所对应的值，xj为离散随机变量Xj所对应的值；S212、确定网络中每一个结点的最大互信息，对于L\LC中的每条无向边进行如下判断：假定无向边的端点分别为Xq和Xs，其中q≠s，以结点Xq的最大互信息M(Xq)和结点Xs的最大互信息M(Xs)为基准，判断I(Xq,Xs)＞αM(Xq)(0＜α＜1)和I(Xs,Xq)＞αM(Xs)是否满足，若至少一个条件被满足，则结点Xq和Xs之间的无向边保留，否则将该边从边集L中删除，得到初始无向图G′；S213、在利用初始无向图G′代替PC算法中的完全无向图后，调用PC算法对网络中的边进行删减和初步定向，得到G″；S214、对G″进行孤立点和无向边判断：若存在孤立点，则转至步骤S215；若不存在孤立点，但是存在无向边，则转至步骤S216；若不存在孤立点和无向边，则转至步骤S217；S215、对初步定向网络G″中的孤立点进行剔除，即删除孤立点相对应的随机变量，返回步骤S212；S216、根据初步定向网络G″中的无向边，得到无向边形成的所有可能的有向无环贝叶斯网络结构集合DAGS，利用BIC打分函数对DAGS中所有的网络结构进行打分，挑选出得分最优的网络为最终定向网络G″′，其中，BIC打分函数的表达式见公式(4)，其中，qi为结点Xi的父结点集Pai的变量取值组合个数，mi为结点Xi的取值个数，Nijk为结点Xi的父结点集合Pai为第j种变量取值组合时,结点Xi为第k种可能取值的样本数量,并且N为样本总数；S217、确定任意两个相邻结点Xi和Xj的切割集Vij；S218、在给定切割集Vij的前提下，判断条件互信息I(Xi,Xj|Vij)＞σ2是否满足，预设σ2值，其中σ2≥0；若满足则保留相邻结点Xi和Xj之间的边，否则删除该边，得到最终网络结构G，其中，条件互信息的表达式见公式(5)，并且vij为切割集Vij中变量组合的取值，基于得到所述最终网络结构G，采用极大似然估计算法对所述最终网络结构G中的参数进行学习；S22、概率推理：基于上述学习得到的贝叶斯网络，以地铁换乘感知服务质量为目标变量，网络中其余变量为属性变量，通过输入属性变量的取值作为证据，推理得出拥有最大后验概率的目标变量类别，即得到地铁换乘感知服务质量的评估结果；S23、模型评价：基于概率推理结果，引入整体指标整体预测精确率和Kappa系数来分析评估模型的整体性能，分别见公式(8)和公式(9)，其中，整体预测精确率代表所有分类正确的样本比例，Kappa系数则用于分析实际观测值和预测值的一致性，指标Kappa系数的取值为-1.00和1.00之间，当指标值大于0.60时，表明一本文档来自技高网...

【技术保护点】
1.一种地铁换乘感知服务质量评估方法，其特征在于，包括：/nS1、获取地铁换乘感知服务质量数据；/nS2、基于所述地铁换乘感知服务质量数据，构建地铁换乘感知服务质量评估模型；/nS3、基于所述地铁换乘感知服务质量评估模型，通过场景分析每一个影响因素对于地铁换乘感知服务质量评估的作用效果，从而确定提高地铁换乘感知服务质量的最佳策略。/n

【技术特征摘要】
1.一种地铁换乘感知服务质量评估方法，其特征在于，包括：
S1、获取地铁换乘感知服务质量数据；
S2、基于所述地铁换乘感知服务质量数据，构建地铁换乘感知服务质量评估模型；
S3、基于所述地铁换乘感知服务质量评估模型，通过场景分析每一个影响因素对于地铁换乘感知服务质量评估的作用效果，从而确定提高地铁换乘感知服务质量的最佳策略。


2.根据权利要求1所述的方法，其特征在于，所述S1包括以下步骤：
S11、对地铁换乘感知服务质量的影响因素进行分类，包括：换乘乘客的个人属性及出行特征、换乘的基本评价因素和换乘环境因素，其中，所述换乘的基本评价因素为：实际的换乘走行时间、感知的换乘走行时间、实际的换乘走行距离、感知的换乘走行距离、实际的换乘等待时间、感知的换乘等待时间，所述换乘环境因素包括：物理因素和状态因素；
S12、通过问卷调查得到换乘乘客的个人属性及出行特征、换乘活动的感知数据，再通过实地校验得到换乘活动的实际数据。


3.根据权利要求2所述的方法，其特征在于，所述S12包括以下步骤：
S121、问卷调查：采用事后调查的方法，通过问卷设计，针对换乘乘客最近的一次换乘活动进行调查，调查问卷的第一部分为乘客的个人基本信息，包括乘客的个人属性变量；第二部分为乘客的出行信息，包括乘客的出行特征变量和乘客进行换乘行为的具体换乘路径；第三部分为乘客对于其换乘经历的感知和评价，包括乘客换乘感知的总时间、感知的走行时间、感知的走行距离和感知的等待时间、对于换乘环境因素的评价以及换乘乘客实际等待的列车数量；此外，在调查问卷问题选项设置上，关于时间和距离的相关问题，选项设置为区间值；关于乘客对于换乘环境因素的评价，选项设置为采用五点量表；
S122、实地校验：根据受访者回答的换乘路径以及对应的换乘日期和时段，对受访者的换乘过程进行实验性还原，并在换乘过程中记录换乘的实际走行时长、换乘的实际走行距离、换乘走行过程的楼扶梯数量和换入线路的发车间隔；此外，乘客换乘的实际等待时间可由换入线路的发车间隔和乘客等待的列车数量近似估计，具体见公式(1)，



其中，tw为换乘实际等待时间的近似估计值，单位：分钟；fhr为换入线路的发车间隔，单位：分钟/列；Nw为乘客等待的列车数量，单位：列。


4.根据权利要求3所述的方法，其特征在于，所述S2包括以下步骤：
S21、结构及参数学习：
定义贝叶斯网络为G＝{U，L}，其中网络中的点集为U＝{X1，X2...Xn}，划分为目标变量XC和属性变量XB＝U\XC；结点之间边的集合为L，并且与结点Xi直接相连的边的集合记为Li；地铁换乘感知服务质量为模型的目标变量，其影响因素为模型的属性变量；
S211、计算任意两个结点的互信息I(Xi,Xj)，其中i≠j，判断I(Xi,Xj)＞σ1是否满足，预设σ1值，其中σ1≥0；若满足则将结点Xi和Xj之间的无向边添加至边集L，否则不添加，其中，互信息的表达式见公式(3)，并且xi为离散随机变量Xi所对应的值，xj为离散随机变量Xj所对应的值；



S212、确定网络中每一个结点的最大互信息，对于L\LC中的每条无向边进行如下判断：假定无向边的端点分别为Xq和Xs，其中q≠s，以结点Xq的最大互信息M(Xq)和结点Xs的最大互信息M(Xs)为基准，判断I(Xq,Xs)＞αM(Xq)(0＜α＜1)和I(Xs,Xq)＞αM(Xs)是否满足，若至少一个条件被满足，则结点Xq和Xs之间的无向边保留，否则将该边从边集L中删除，得到初始无向图G′；
S213、在利用初始无向图G′代替PC算法中的完全无向图后，调用PC算法对网络中的边进行删减和初步定向，得到G″；
S214、对G″进行孤立点和无向边判断：若存在孤立点，则转至步骤S215；若不存在孤立点，但是存在无向边，则转至步骤S216；若不存在孤立点和无向边，则转至步骤S217；
S215、对初步定向网络G″中的孤立点进行剔除，即删除孤立点相对应的随机变量，返回步骤S212；
S216、根据初步定向网络G″中的无向边，得到无向边形成的所有可能的有向无环贝叶斯网络结构集合DAGS，利用BIC打分函数对DAGS中所有的网络结构进行打分，挑选出得分最优的网络为最终定向网络G″′，其中，BIC打分函数的表达式见公式(4)，



其中，qi为结点Xi的父结点集Pai的变量取值组合个数，mi为结点Xi的取值个数，Nijk为结点Xi的父结点集合Pai为第j种变量取值组合时,结点Xi为第k种可能取值的样本数量,并且N为样本总数；
S217、确定任意两个相邻结点Xi和Xj的切割集Vij；
S218、在给定切割集Vij的前提下，判断条件互信息I(Xi,Xj|Vij)＞σ2是否满足，预设σ2值，其中σ2≥0；若满足则保留相邻结点Xi和Xj之间的边，否则删除该边，得到最终网络结构G，其中，条件互信息的表达式见公式(5)，并且vij为切割集Vij中变量组合的取值，



基于得到所述最终网络结构G，采用极大似然估计算法对所述最终网络结构G中的参数进行学习；
S22、概率推理：

【专利技术属性】
技术研发人员：华炜欣，冯雪松，张路凯，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11