论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　利用Bayesialab软件结构学习算法，对武汉市轨道交通乘客满意度调查数据进行结构学习，并结合专家经验对机器学习得到的结构进行修改，得到评价指标与总体满意度之间的贝叶斯网络，乘客文明X12；时间间隔换乘接驳X11；售票系统X9；乘车安全性X5；舒适性票制、票价X7；乘客总体满意度CSR服务设施设备X8；高峰时段发车间隔X3；非高峰时段发车间隔X4；乘车信息X6；工作人员服务质量X10；站台舒适性X1；列车舒适性X2。

　　构建贝叶斯网络后，首先可以判断各节点之间的因果关系正确。进一步需要参数检验，比较由Bayesialab软件选取40%样本参数学习得到的乘客总体满意度概率分布结果与实际调查结果。可知，总体满意度评分中，乘客总体满意度为“一般”的概率贝叶斯标定值与调查值相差最大，仅为4.24%，即100个人中有4个人的误差，可以认为此贝叶斯网络模型精度较高。

　　2.3改善效果预测

　　根据考虑乘客数量的IPA方法（重要性-绩效分析方法）分析，目前武汉市轨道交通最需要改进的两个指标是“换乘接驳”和“售票系统”。在此，以两者为例，利用贝叶斯方法进行详细的预测和分析。

　　以调查数据为样本，利用Bayesialab软件进行结构和参数学习后，得到“换乘接驳”、“售票系统”和“乘客总体满意度”等3个指标的现状概率分布。

　　可以看出，“换乘接驳”、“售票系统”和“乘客总体满意度”等指标的加权平均值分别为3.59，3.62和3.72，，处于“一般满意”和“满意”之间。因指标改善行动方案的效果概率分布组合有很多种，笔者仅选择一种改善行动方案对乘客总体满意度效果进行预测。

　　2.3.1改善“换乘接驳”效果

　　“换乘接驳”改善后，“换乘接驳”和“乘客总体满意度”指标得分概率分布，与现状调查结果比较，改善后“换乘接驳”指标表示“不满意”和“一般满意”的比例有一定下降，表示“满意”和“非常满意”的比例有一定上升，“非常不满意”比例保持不变。得到“换乘接驳”指标改善百分比r11=2.51%，“换乘接驳”指标改善后的绝对效果，得AE11=0.02，相对改善效果为RE11=0.54%。

　　2.3.2改善“售票系统”效果

　　改善后“乘客总体满意度”指标得分概率分布，变化值=改善后指标预测值—现状指标实际值与“换乘接驳”指标改善结果相似，改善后对“售票系统”表示“不满意”和“一般满意”的比例有一定下降，表示“满意”和“非常满意”的比例有一定上升。指标总体期望增长，表示乘客对“售票系统”满意度有一定提高。得到r9=3.62%，AE9=0.02，RE9=0.54%。

　　2.3.3同时改善“换乘接驳”和“售票系统”

　　“换乘接驳”和“售票系统”同时改善。改善后“乘客总体满意度”指标得分概率分布，其中：r9=3.62%，r11=2.51%，同时改善“换乘接驳”和“售票系统”后的绝对效果AE9&11=0.03，相对改善效果为RE9&11=0.81%。变化值=改善后指标预测值—现状指标实际值。

　　2.3.4改善效果协同分析

　　比较3种方案的相对改善效果，进行协同分析。RE9&11=0.81%均分别大于RE9=0.54%和RE11=0.54%。同时改善“售票系统”和“换乘接驳”对“乘客总体满意度”的提升影响要大于单独改善某一个评价指标；但是RE9&11=0.81%＜RE9+RE11=1.08%，这主要是因为“售票系统”和“换乘接驳”指标相对独立，分别影响总体满意度，不是协同指标（这两个指标之间没有因果依赖关系），当改善其中一个指标时，其总体满意度就会提升为“满意”状态。

　　2.3.5改善弹性分析

　　根据定义的改善效果的弹性系数Ei，计算“换乘接驳”和“售票系统”的改善效果的弹性系数。E11=0.22，即提升“换乘接驳”指标得分1%，“乘客总体满意度”得分将增加0.22%；同理，E9=0.15，提升“售票系统”指标得分1%，“乘客总体满意度”得分将增加0.15%；E11和E9均小于1，说明“总体满意度”的改善均慢于“售票系统”和“换乘接驳”改善增长。然而，E11＞E9，即提升“换乘接驳”指标的效果要大于提高“售票系统”。

　　4、讨论与结论

　　传统的结构方程式方法确定感知质量指标与总体满意度之间的因果关系，将因果关系线性化，简化了因果关系，会造成描述的一定误差；同时，结构方程式使用线性关系将样本数据趋近于均值或线性估计值，体现了全局最优拟合，表示理论上的变量数值变动1个单位，因变量数值变动多少单位的倍率，仅能反映接近均值或者线性估计值附近的规律，难以反映其他变量样本的实际变化规律。因此，在分析不确定性问题时，采用结构方程式方法有一定的缺陷。

　　贝叶斯方法通过分析各变量之间的概率和条件概率，确定以概率条件为基础的不确定性网络，并通过结构学习和参数学习，揭示变量之间的定性和定量关系，避免了结构方程式线性因果关系的不足；并以条件概率的形式，充分反映了不确定性问题的特征，即一个原因导致多种不同的结