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(共8頁(yè))

1、基于(jy)BP神經(jīng)網(wǎng)絡(luò)的常規(guī)公交服務(wù)質(zhì)量影響(yngxing)因素(yn s)主成分分析收稿日期： 修回日期： 錄用日期： 基金項(xiàng)目：國(guó)家自然科學(xué)基金（51178157）；江西省教育廳青年基金(GJJ13314). 作者簡(jiǎn)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(dòng)化學(xué)院，南京 210094） 摘要：根據(jù)南昌市公交服務(wù)質(zhì)量問(wèn)卷調(diào)查數(shù)據(jù)，運(yùn)用主成分分析方法將公交服務(wù)質(zhì)量影響因素進(jìn)行降維處理，把15個(gè)影響變量提取為8個(gè)主成分。在此基礎(chǔ)上，運(yùn)用MATLAB7.0

2、建立影響因素主成分與公交服務(wù)質(zhì)量認(rèn)可度的BP神經(jīng)網(wǎng)絡(luò)模型，在不同參數(shù)下進(jìn)行試驗(yàn)和比較，計(jì)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(rèn)可度、主成分分析、BP神經(jīng)網(wǎng)絡(luò) 中圖分類(lèi)號(hào)：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 引言優(yōu)先發(fā)展城市公共交通，通過(guò)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(wèn)題的關(guān)鍵之

6、一。目前，在公共交通服務(wù)質(zhì)量因素研究方面，主要有結(jié)構(gòu)方程模型法、概率模型法和多元統(tǒng)計(jì)分析法等。例如，Juan deOa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(guò)概率模型模擬用戶感知的巴士交通服務(wù)質(zhì)量，為運(yùn)營(yíng)公司提供有價(jià)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(guó)內(nèi)，很多學(xué)者從不同角度對(duì)公交服務(wù)質(zhì)量進(jìn)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(shí)間和費(fèi)用、舒適便利性、安全及風(fēng)險(xiǎn)舒適便利性等，提出了公交站點(diǎn)、公交路線和公交系統(tǒng)的評(píng)價(jià)指標(biāo)，建立了人性化服務(wù)質(zhì)量評(píng)價(jià)體系3；馬飛等借鑒SE

7、RVPERF服務(wù)質(zhì)量分析方法，從乘客感知角度設(shè)計(jì)了公交車(chē)服務(wù)質(zhì)量的5維度影響因素測(cè)量模型，研究城市公交車(chē)服務(wù)質(zhì)量的影響因素及作用機(jī)理4；彭昌溆等應(yīng)用改進(jìn)的SERVQUAL模型結(jié)合Logistic模型，對(duì)宜昌市公交乘客感知服務(wù)質(zhì)量的影響因素進(jìn)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(duì)調(diào)查數(shù)據(jù)進(jìn)行降維，并在保證數(shù)據(jù)丟失最小原則下，簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，再在不同參數(shù)下進(jìn)行仿真和比較，

8、確定合適的神經(jīng)網(wǎng)絡(luò)參數(shù)，建立比較精確的權(quán)值網(wǎng)絡(luò)模型，提高了建模質(zhì)量。2 城市(chngsh)常規(guī)(chnggu)公交(n jio)出行基本信息特征分析2.1 樣本的描述性統(tǒng)計(jì)分析本文選取2013年11月中旬南昌市公交乘客問(wèn)卷調(diào)查數(shù)據(jù)作為樣本，本次問(wèn)卷調(diào)查共發(fā)放280份問(wèn)卷，有效問(wèn)卷236份，問(wèn)卷有效率為84.2%。通過(guò)利用頻率分析法對(duì)調(diào)研對(duì)象進(jìn)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(xiàng)；然后對(duì)問(wèn)卷中的所有內(nèi)容進(jìn)行描述性統(tǒng)計(jì)分析，包括標(biāo)準(zhǔn)值、標(biāo)準(zhǔn)值等統(tǒng)計(jì)量。調(diào)查對(duì)象基本信息統(tǒng)計(jì)表如表1所示。根據(jù)調(diào)查對(duì)象基本信息統(tǒng)計(jì)表，可以看出年齡在1845歲區(qū)間的人群

9、是公交出行的主要群體，而教育程度對(duì)公交出行的影響不大。通過(guò)職業(yè)和出行目的分析，乘坐公交車(chē)出行的群體主要為公司員工和學(xué)生，而個(gè)體工商戶和政府職員主要使用私家車(chē)出行，這也反映了一般乘坐公交車(chē)出行的多為中低收入群體。表1 問(wèn)卷調(diào)查基本信息表Table 1 Part of the basic information統(tǒng)計(jì)變量分類(lèi)項(xiàng)目有效百分比統(tǒng)計(jì)變量分類(lèi)項(xiàng)目有效百分比統(tǒng)計(jì)變量分類(lèi)項(xiàng)目有效百分比年齡183坐公交車(chē)的經(jīng)常性基本不做5.1收入606每天都坐3.8400016.9受教育程度小學(xué)5.6職業(yè)個(gè)體工商戶9.4候車(chē)時(shí)間15分鐘13.3中學(xué)（中專(zhuān)）35.5退休6.8510分鐘41.2大學(xué)51.7學(xué)生17.

10、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(jì)為獲取公交服務(wù)質(zhì)量影響因素，選取公交首末班車(chē)時(shí)間、候車(chē)時(shí)間、出發(fā)地距公交站臺(tái)的距離、候車(chē)環(huán)境、行車(chē)速度、車(chē)況、車(chē)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(jià)滿意度等作為變量進(jìn)行問(wèn)卷調(diào)查。調(diào)查問(wèn)卷采用里克特5級(jí)量法，用“15”表示被調(diào)查者對(duì)題中所陳述內(nèi)容的認(rèn)同程度，其中，1代表“非常不滿意”，2代表“比較不滿意”，3代表“無(wú)意見(jiàn)”，4代表“滿意”，5代表“非常滿意”。利用spss19.0軟件統(tǒng)計(jì)分析，得出乘客最不滿意的指標(biāo)為公交

11、車(chē)擁擠程度，其均值為1.96，其次為候車(chē)時(shí)間和候車(chē)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(chē)服務(wù)(fw)認(rèn)可度分析(fnx)利用(lyng)spss19.0統(tǒng)計(jì)分析軟件對(duì)公交服務(wù)質(zhì)量的認(rèn)可度進(jìn)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(jìn)還需要很大的努力；對(duì)于其它4項(xiàng)被調(diào)查者表示可能會(huì)，均值在3.5左右，說(shuō)明被調(diào)查者總體上是認(rèn)可當(dāng)前公交服務(wù)的。表2 公交服務(wù)質(zhì)量認(rèn)可度分析表Table 2 Recognition of the bus service 指標(biāo)乘客對(duì)公交服務(wù)質(zhì)量認(rèn)可

12、度調(diào)查N極小值極大值均值標(biāo)準(zhǔn)差1對(duì)當(dāng)前公交服務(wù)總體感覺(jué)認(rèn)可236153.420.8392與理想中的公交服務(wù)相比，對(duì)現(xiàn)在的公交服務(wù)仍認(rèn)可236152.790.9563繼續(xù)關(guān)注南昌公交的運(yùn)營(yíng)發(fā)展236153.661.2184以后會(huì)經(jīng)常乘坐公交車(chē)出行230153.861.0975會(huì)向家人和朋友推薦乘坐公交車(chē)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(guò)信度與效度的檢驗(yàn)，可以了解分析結(jié)論是否合適、得當(dāng)，并作為改善修正的根據(jù)，可避免做出錯(cuò)誤的判斷6。根據(jù)被調(diào)查者的調(diào)查時(shí)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Cronb

13、ochs 系數(shù)法。信度系數(shù)越大，表明測(cè)量的可信程度越大。一般認(rèn)為，0.600.65為不可信；0.650.70為最小可接受值；0.700.80為相當(dāng)好；0.800.90為非常好。Cronbochs 信度系數(shù)為： （1）其中，K為量表中評(píng)估項(xiàng)目的總數(shù)，為第個(gè)項(xiàng)目的表內(nèi)方差，為全部項(xiàng)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(píng)估表編制的內(nèi)在信度是比較理想的。表3 可靠性統(tǒng)計(jì)量Table 3 The reliability of the statisticsCronbachs Alpha基于標(biāo)準(zhǔn)化項(xiàng)的 Cronba

14、chs Alpha項(xiàng)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(jiǎn)化觀測(cè)系統(tǒng)，減少變量維度，用少數(shù)變量來(lái)解釋所研究的復(fù)雜(fz)問(wèn)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(jìn)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(qiáng)的相關(guān)關(guān)系，否則，如果原有變量相互獨(dú)立(dl)，那么也就無(wú)法將其濃縮，也就無(wú)法進(jìn)行因子分析。使用spss19.0統(tǒng)計(jì)(tngj)分析，采用KMO（Kaiser-Meyer-Olkin）檢驗(yàn)和巴特利特球度檢驗(yàn)（(Bartlett Test of Sphericity）方法對(duì)原有變量之間的相關(guān)性進(jìn)行研究。一般情況下，

15、KMO0.9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(dāng)0.6KMO0.7時(shí)因子分析的效果則很差，當(dāng)KMO0.5時(shí)，則不適宜作因子分析。 HYPERLINK /search?word=%E5%B7%B4%E7%89%B9%E5%88%A9%E7%89%B9&fr=qb_search_exp&ie=utf8 t _blank 巴特利特球度檢驗(yàn)是假設(shè)相關(guān) 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 系數(shù)矩陣是一個(gè) HYPERLINK /search?word=%E5%8D%95%E4%BD%8D%E9%98%B5&fr=qb_search_exp&ie=utf8 t _blank 單位陣，如果 HYPERLINK /search?word=%E7%BB%9F%E8%AE%A1%E9%87%8F&fr=qb_search_exp&ie=utf8 t _blank 統(tǒng)計(jì)量值比較大，且其相對(duì)應(yīng)的相伴概率值小于用戶指定的 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 顯著性水平，拒絕原假設(shè)，認(rèn)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(yàn)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(yàn)值為558.391，顯著性為0，小于0.05，則表示非常顯著，說(shuō)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(yàn)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(yàn)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將原來(lái)眾多的具有一定相關(guān)性的指標(biāo)，重新組合成一組新的互不相干的綜合指標(biāo)來(lái)代替原來(lái)指標(biāo)，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(biāo)做線性組合，即將P個(gè)原始指標(biāo)向量X1 、X2、Xp做線性組合，得到綜合指標(biāo)向量： （2）其中， 與 互不相關(guān)，即。其中， 稱(chēng)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(shí)，一般要滿足大于70%的貢獻(xiàn)率，經(jīng)過(guò)spss19.0軟件統(tǒng)計(jì)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(jì)貢獻(xiàn)率如表5所示。其中，第1主成分主要與車(chē)況、車(chē)內(nèi)衛(wèi)生狀況關(guān)系緊密；第

19、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(chē)首末時(shí)間的安排關(guān)系緊密。第4主成分主要與車(chē)內(nèi)的擁擠程度關(guān)系緊密；第5個(gè)主成分主要與到達(dá)公交車(chē)的行駛速度關(guān)系緊密；第6個(gè)主成分主要與候車(chē)時(shí)間和候車(chē)環(huán)境關(guān)系緊密；第7個(gè)主成分主要與公交車(chē)的運(yùn)行安全性相關(guān)；第8個(gè)主成分主要與駕駛員的服務(wù)態(tài)度關(guān)系緊密。8個(gè)主成分的累計(jì)方差貢獻(xiàn)率達(dá)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(jì)方差的 %累積 %合計(jì)方差的 %累積 %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神經(jīng)網(wǎng)絡(luò)的公交(n jio)服務(wù)質(zhì)量因素分析(fnx)BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)模型

21、由輸入層、若干隱含層和輸出層組成，是一種按 HYPERLINK /view/40051.htm t _blank 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(wú)需事前揭示描述這種映射關(guān)系的 HYPERLINK /view/1284.htm t _blank 數(shù)學(xué) HYPERLINK /view/5925.htm t _blank 方程是，目前應(yīng)用最廣泛的 HYPERLINK /view/3406239.htm t _blank 神經(jīng)網(wǎng)絡(luò)模型之一 9。BP神經(jīng)網(wǎng)絡(luò)的工作過(guò)程由兩個(gè)階段組成：一個(gè)階段是學(xué)習(xí)期，各計(jì)算單元狀態(tài)不變，根據(jù)計(jì)算結(jié)果和模型識(shí)別修改各連接權(quán)

22、值；另一階段是工作期，各連接權(quán)值固定，計(jì)算各單元的狀態(tài)變化，以求達(dá)到穩(wěn)定狀態(tài)。具體算法步驟參考文獻(xiàn)10。由于公交服務(wù)質(zhì)量高低與乘客對(duì)公交服務(wù)質(zhì)量的認(rèn)可度存在較大關(guān)聯(lián)性，因此基于公交服務(wù)質(zhì)量認(rèn)可度分析表，將相關(guān)程度較高的1與指標(biāo)2重新定義為，將指標(biāo)3、指標(biāo)4和指標(biāo)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(jì)算236個(gè)樣本的主成分值，對(duì)應(yīng)公交服務(wù)質(zhì)量認(rèn)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(cè)驗(yàn)證其絕對(duì)誤差值。公交服務(wù)質(zhì)量影響因素主成分及認(rèn)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(rèn)可度分組值Table 5 The value of Bus serv

23、ice 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23.832-0.035-1.5820.7300.8710.0770.5220.8953.2073.6785組23.3290.103-

24、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(qiáng)化學(xué)習(xí)訓(xùn)練的過(guò)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MATLAB軟件進(jìn)行BP神經(jīng)網(wǎng)絡(luò)計(jì)算，將主成分分

25、析提取的8個(gè)主成分作為BP神經(jīng)網(wǎng)絡(luò)輸入層，將被調(diào)查者對(duì)公交車(chē)服務(wù)質(zhì)量的認(rèn)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(gè)隱含層。經(jīng)過(guò)計(jì)算，模擬數(shù)據(jù)的方差為0.000957，小于目標(biāo)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(yùn)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(mn)方差Figure 1 Simulated variance 通過(guò)(tnggu)對(duì)后三組數(shù)據(jù)的預(yù)測(cè)，得出的相對(duì)(xingdu)誤差的平均值為0.0012，的相對(duì)誤差的平均值為0.0570，均小于0.1。通過(guò)訓(xùn)練得到的權(quán)值和偏差矩陣如下： 根據(jù)相關(guān)文獻(xiàn)表明，輸入分量對(duì)應(yīng)的神經(jīng)元與隱

26、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(duì)的影響程度： （6）根據(jù)以上(yshng)數(shù)據(jù)矩陣(j zhn)和，計(jì)算(j sun)得出： 根據(jù)計(jì)算結(jié)果可以看出，對(duì)公交服務(wù)質(zhì)量認(rèn)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(shuō)明對(duì)公交服務(wù)質(zhì)量影響的所有因素中，公交車(chē)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(chē)的安排時(shí)間（第3主成分）對(duì)公交服務(wù)質(zhì)量認(rèn)可起到關(guān)鍵作用。因此，上述三個(gè)影響因素也是今后提高公交服務(wù)質(zhì)

27、量的主要努力方向。5 結(jié) 論在對(duì)公交服務(wù)質(zhì)量調(diào)查問(wèn)卷數(shù)據(jù)分析基礎(chǔ)上，通過(guò)因子分析將15個(gè)變量降維到8個(gè)相互獨(dú)立的影響因子，通過(guò)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(jì)算出兩組偏置值與權(quán)值矩陣，可以用來(lái)評(píng)估公交服務(wù)質(zhì)量因素與公交服務(wù)認(rèn)可度之間的影響程度。在此前提下，通過(guò)權(quán)值矩陣以及偏置值計(jì)算出相應(yīng)的公交服務(wù)質(zhì)量認(rèn)可度折減影響系數(shù)的均方差達(dá)0.000957。因此，該模型可以用于評(píng)估影響公交服務(wù)水平的主成分因素對(duì)公交服務(wù)質(zhì)量認(rèn)可度的影響。計(jì)算結(jié)果表明，影響程度較大的因素有公交車(chē)內(nèi)的擁擠程度、駕駛員的服務(wù)態(tài)度、車(chē)內(nèi)的乘坐舒適性及首末班車(chē)的時(shí)間安排。參考文獻(xiàn)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 黃婷，焦海賢，

29、李秀麗. 基于乘客觀點(diǎn)的公交服務(wù)質(zhì)量評(píng)價(jià)體系及方法研究J.重慶交通大學(xué)學(xué)報(bào),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的城市公交車(chē)服務(wù)質(zhì)

30、量影響因素研究J. 交通運(yùn)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)量影響因素分析J. 交

31、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(shí)立文. spss19.0統(tǒng)計(jì)分析M. 北京(bi jn)，清華大學(xué)出版社，2012. SHI Li-wen. Spss 19.0 statistical an

32、alysisM. BeiJing，Tsinghua University Press, 2012.7 陳建宏，劉浪，周智勇，永學(xué)艷.基于(jy)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(bào)(xubo)（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(píng)價(jià)中的應(yīng)用J. 西華大學(xué)學(xué)報(bào), 2013,1:63-66. ZHU lin-bo. Application of prin