論文の概要、ライセンス

# (参考訳) 実現可能性を考慮したメトロサービス品質改善手法に関する研究 [全文訳有]

Research on Metro Service Quality Improvement Schemes Considering Feasibility ( http://arxiv.org/abs/2107.05558v1 )

ライセンス: CC BY 4.0
Chen Weiya, Li Jiajia, Kang Zixuan(参考訳) サービス品質調査の結果に基づき、適切な改善策を策定することが、都道府県の重要管理課題である。 本稿では, ある期間におけるサービス品質特性のスコア, 重み, 改善可能性を考慮して, 決定木(DT)を重要性能分析(IPA)に統合し, 属性の改善優先度を決定するためのDT-IPAモデルを構築し, 改善度を定量化する。 最適決定木から抽出されたif-then規則と、解析階層プロセスによって計算された改善実現可能性は、DT-IPAモデルから導出される2つの主要な項目である。 ipaによって決定される属性の初期改善優先度を最適化し、調整された属性の改善度を定量化するために使用される。 そして、全体のサービス品質は高いスコアに達し、運用目標を達成することができる。 DT-IPAモデルの有効性は,中国長沙市で実施された実証実験により検証された。 提案手法は,都道府県のマネジャーがメトロサービスの質を向上させるための意思決定ツールとなる。

It is an important management task of metro agencies to formulate reasonable improvement schemes based on the result of service quality surveys. Considering scores, weights, and improvement feasibility of service quality attributes in a certain period, this paper integrates Decision Tree (DT) into Importance-Performan ce analysis (IPA) to build a DT-IPA model, which is used to determine the improvement priority of attributes, and to quantify the improvement degree. If-then rules extracted from the optimal decision tree and the improvement feasibility computed by analytic hierarchy process are two main items derived from the DT-IPA model. They are used to optimize the initial improvement priority of attributes determined by IPA and to quantify the degree of improvement of the adjusted attributes. Then, the overall service quality can reach a high score, realizing the operation goal. The effectiveness of the DT-IPA model was verified through an empirical study which was taken place in Changsha Metro, China. The proposed method can be a decision-making tool for metro agency managers to improve the quality of metro service.
公開日: Sat, 3 Jul 2021 09:26:00 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
err 翻訳エラー 0.00
英語(論文から抽出)日本語訳スコア
第 卷 第 期 年 月 第 卷 第 期 年 月 0.85
华 南 理 工 大 学 学 报 (自 然 科 学 版) 华 南 理 工 大 学 学 报 (自 然 科 学 版) 0.97
Journal of South China University of Technology Vol. 中国南方技術大学誌 Vol。 0.67
Month No. Year 成饱和树。CART 算法定义 Gini 系数为节点数据类 别不一致的概率,如式所示。 月 いいえ。 年 CART 算法定:Gini Bai----------------- -------------------- -------------------- -------------------- -------------------- -- 0.58
图 1 DT-IPA 模型框架 1 DT-IPA マルシュ架 0.59
Fig.1 Framework of DT-IPA model 第1図 DT-IPAモデルのフレームワーク 0.64
1.2 关键步骤 1.2.1 最佳决策树建立 1.2 关键步骤 1.2.1 最佳决策树建立 0.37
决策树为由一系列的节点分裂而成的树状分 类或回归模型。按节点分裂方法分类,建立决策树 的算法分为 ID3、C4.5 和 CART 等。由于 CART 的 生成速度和分类准确率优于 ID3 和 C4.5[6],本文选 用 CART 算法。另外,因为地铁乘客服务质量的测 评数据是离散的,所以运用 CART 算法建立的决策 树为分类树,输入数据  是各指标得分和总体服务 质量得分,如式所示。获得输入数据后,通过图 2 所示四个步骤建立最佳决策树。 x 12 x 22 ... x なお、本文では、本文では、本文では、本文では、本文では、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文では、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文で、本文では、本文で、本文で、本文で、本文では、本文で、本文では、本文で、本文で、本文では、本文では、本文では、本文では、本文では、本文。 0.02
x 1 x 2 M ... x x 1 x 2 M ... x 0.94
... ... x nm ... ... xnm... 0.81
x 11 x 21 ... x x 11 x 21 ... x 0.92
D D 1 2   D D 1 2   0.85
,..., (1) D ,..., (1) D 0.71
 { } M M ,  { } M M , 0.85
N 1 N 2       N 1 N 2       0.85
            0.85
NM 式中,行变量为被访者,列变量为服务质量评价指 标; nmx 表示被访者 n 对指标 m 的打分, mD 为指标 { m 得 分 集 合 , D  , m N N , 1,2,..., M NM m. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
訳抜け防止モード: NM 略称はmd(md)、md(md)、md(md)、md(md)。 m , d , m n n , , m , n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n n 1,2 , ... , m
0.46
, x x 1 m Nm , M N 。 , x x 1 m Nm , M N = 。 0.88
1,2,..., ,..., * 1,2,..., ,..., * 0.68
m N   n } M N   n } 0.83
x m 2 * 图 2 最佳决策树生成基本步骤 x M 2 * 图 2 最佳决策树生成基本步骤 0.75
Fig.2 Basic steps for building an optimal Decision-Tree 第2図 最適決定木構築のための基本手順 0.67
第一步,运用 k 折交叉验证划分训练集数据和 测试集数据。其中,k-1 组为训练集数据,用于生 成饱和树;剩余的 1 组为测试集数据,用于测试剪 枝树的分类准确度。数据集将进行 k 次划分,重复 以上操作。大量的实验证明当等于 10 时,分类准 确度最好[7]。因此,本文令 k 等于 10。 紀元前61年1月1日、k-1年1月1日、k-1年1月1日、k-1年1月1日、k-1年1月1日、k-1年1月1日、k-1年1月1日、k1年1月10日、k1年1月1日、k1年1月1日、k1年1月1日、k1年1月1日、k2月10日、k2月10日。 0.05
第二步,通过 CART 算法,使用训练集数据生 200年、21年、CART 算法、50年。 0.14
Gini D (    ) 1 Gini D (    ) 1 0.85
C K k D 1 C K k D = 1 0.80
( k 2 ) (2) ( k 2 ) (2) 0.85
式中,D 表示节点的数据集,是按某服务质量评价 指标的某个得分划分的数据集,如“站内指引标志” 得分大于 2 的数据集, D 表示数据集的数据量;k 表示得分; kC 表示数据集 D 含有总体服务质量得 分为 k 的数据量。 式中、D ベジオディの身思集、是 服 の時、指の時、上分、直、上分、志、得分、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上、上。 0.03
基于 CART 算法生成的决策树为二叉树,其分 裂思想是最小化子节点的 Gini 系数,即选择合适的 分裂器使子节点的数据尽量属于同一个类别[6]。每 一次分裂节点减小的 Gini 系数如式所示。 あらい CART 算法公の「二元」・其分 裂思想是最小の子」・「神」・「神」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」・「地」 0.05
) Gini D A Gini A ジニ D A ジニ A 0.41
 ( ) ( ,   ( ) ( ,  0.85
[ D 1 D Gini D [ D 1 D Gini D 0.85
( ) 1  D 2 D ( ) 1  D 2 D 0.85
Gini D ( )] Gini D ( )] 0.76
2 (3) 式中,A 表示父节点的数据集;D 为子节点的数据 集, D 为子节点数据集含有的数据量。 2 (3) 式中、A ベノリ、D ベノリ、D ジノリ、D ジノリ、D ジノリ。 0.59
通过递归,决策树的 Gini 系数会随着树的生长 逐渐减小。当 Gini 系数无法减小或叶子节点所含的 数据量达到设置的最小值时,算法停止,获得饱和 树[8],记为 0T 。 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通用: 通用: 通用: 通用: 通用: 通用: 通用: 通用:
訳抜け防止モード: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通訳: 通用: 通用: 通用: 通用: 通用: 通用: 通用: 通用:
-0.00
第三步,利用代价复杂度算法剪枝,目的是避 第三步,利用代价复杂度算法剪枝,目的是避 0.16
免决策树出现过拟合现象。代价复杂度剪枝的基本 免决策树出现过拟合现象。代价复杂度剪枝的基本 0.17
思想是:用一个叶子节点代替饱和树内某个子树, 思想是:用一个叶子节点代替饱和树内某个子树, 0.15
生成一棵剪枝树。对这颗树执行相同的操作,递归, , T 。最后一棵生成的 T T T 生成一系列的剪枝树 0 2 n 剪枝树 nT 仅有一个根节点。 T T T T T 公一月(T T T T T T 公一月(T T T T T T T T T T 公一月(T T T T T T T T T T T T T T T T T T T T T T T T T T T 公一月(T T T T T T T T T T T T T T T T T T N T N T T T T T T T T T T T T T N T N T ) 0.04
,..., , 1 对树 iT 的每个非叶子节点 t 都执行式的运算, 找到 ( )g t  对应的节点 t ,令其左、右子节点为 null,生成 1iT  。当多个非叶子节点的 ( )g t 同时达到 最小时,取 tT 最大的节点 t 进行剪枝。 ,..., , 1 イット・イット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版) - グアット(英語版)
訳抜け防止モード: ,..., , 1 エー・イト アー・イト アー・インコ子 ト 都 都 行式 シュ算 、 令其左・右子・右子・右子・右一等・右一等・南一等・南多・多支子・上地・下地・下地・下地
0.57
( ) g t    ()g t    0.84
min( min (複数形 mins) 0.42
) ( ( ) C t C T  t 1 T  t ( )) , g t  ) ( ( ) c t c t , t 1 t , t ( ) , g t )
訳抜け防止モード: ) ( ) C t C T > t 1 T > t ( ) ) g t (複数形 g ts)
0.86
(4) 式中, tT 和 ( )tC T 分别是以节点 t 为根节点的树的 叶子节点数量和预测误差, ( )C t 为剪枝后节点 t 的 预测误差。 (4) 式中, tT 和 ( )tC T 分 是以 々 t {\displaystyle (t)tC T 分 是以 々 t {\displaystyle (t)tttT T 分 是以 々 t {\displaystyle (t)tttttttttttttt\,t ttttttttttttttttt\,t tttttt\,ttttttt\,ttt ttttttttt\,ttttttttt tctttttttttttttttttt ttttttttttttttcttttt ttttttt
訳抜け防止モード: (4) 式中 , tT 和 ( ) tC T 分 是以 々々 t ()C t の枝后 の点 t の点。
0.69
第四步,利用测试集数据从一系列剪枝后的决 第四步,利用测试集数据从一系列剪枝后的决 0.14
英語(論文から抽出)日本語訳スコア
第 卷 第 期 年 月 第 卷 第 期 年 月 0.85
华 南 理 工 大 学 学 报 (自 然 科 学 版) 华 南 理 工 大 学 学 报 (自 然 科 学 版) 0.97
Journal of South China University of Technology Vol. 中国南方技術大学誌 Vol。 0.67
Month No. Year 策树选出最佳决策树。定义所有叶子节点的 Gini 系数之和为决策树的分类误差率[9],如式所示。 月 いいえ。 年 日本語版) 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 日本語版 英語) 0.57
分类误差率  L  分类误差率  L  0.76
l 1  D l D うーん 1  D l D 0.72
Gini D l ( ) ジニ D l ( ) 0.79
 L  l 1   L  うーん 1  0.77
D l D [1  D l D [1  0.85
K  k 1  ( K  k 1  ( 0.85
C k D l 2 ) ] C k D うーん 2 ) ] 0.72
(5) 式中, l 表示叶子节点的编号, L 表示叶子节点的 数量,其余符号的含义与式一致。 (5)式中、l 表示具子、点の具子、点の具子、点の具子、点の具体性。 0.17
运用 k 折交叉验证划分的每个对折的测试集数 T 中每棵决策树的分类误差率。 据,计算 0 n 每棵决策树因此可获 k 个分类误差率,把 k 个分类 误差率的平均值作为该树的分类误差率。一个简单 通用 k 折交叉 分なみのほのほのほのほのほのせのしのしのしのしのぎ差率。 0.25
, T T T 2 , T T T T T 2 0.87
,..., , 1 的原则是选择交叉验证分类误差率最低的树。若简 ,..., , 1 的原则是选择交叉验证分类误差率最低的树。若简 0.57
单的树和复杂的树的交叉验证分类误差大致相同, 单的树和复杂的树的交叉验证分类误差大致相同, 0.16
应优先选择简单的树,有利于使决策树避免过拟 合。决策树的规模一般使用叶子节点数量表示[8]。 应优先选择简单的树,有利于使决策树避免过拟 合。决策树的规模一般使用叶子节点数量表示[8]。 0.28
叶子节点数量越多,决策树的规模越大。通过绘制 T 的分类误差率-叶子节点数量的 剪枝树 0 n 图像,距离最小分类误差一个标准差的最小规模的 モーリッヒ・モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒャルト - モーリヒ - モーリヒャルト - モーリヒャルト - 0.02
, T T T 2 , T T T T T 2 0.87
,..., , 1 策树的节点按该指标分裂后,节点 Gini 系数减少的 加权平均值(权重是分裂器所含样本量与所有数据 样本量之比)。指标 i 的权重 ( )w i 的计算式如式所 示。 ,..., , 1 1994年(平成14年)、同日、同日、同日、同日、同日、同日、同日、同日、同日、同日、同日、同日、同日、同日、同日、同日、同日、同日。 0.54
( ) w i  T ( ) w i  T 0.85
 t 1  n t N  t 1  n t N 0.85
 { ( ) Gini t  { ( ) Gini t 0.85
 [ D 1 D Gini D  [ D 1 D Gini D 0.85
( ) 1  D 2 D ( ) 1  D 2 D 0.85
Gini D ( )]} Gini D ( )]} 0.71
2 (6) 式中,t 表示以指标 i 为分裂器的节点,节点数量可 能大于 1;T 表示决策树中所有节点的数量; tn 表 示以指标 i 为分裂器的节点的样本量; N 表示根节 点的样本量; 1D 和 2D 表示节点 t 以指标 i 为分裂器 产生的子节点。 1.2.3 IPA 建立 2 (6) 式中、t 表示以増、i 番目に以増、i アントマト、t 表示以増、tn 表 示以増、i アマト、N 信根、点、t、t、t、t、t、t、t、t、t、t、t。 0.48
剪枝树即为最佳树。 图 3 展现了基于输入数据式,利用 CART 算法 构造的决策树的一般结构。它包含根节点、子节点、 叶子节点和分裂器,节点用长方形表示,分裂器用 菱形表示。根节点是所有评价指标的得分数据;总 体服务质量指标以外的评价指标充当分裂器,按指 标得分分裂;叶子节点代表总体服务质量的分类情 况,其余节点表示其它评价指标的分类情况[8]。 剪枝树即为最佳树。 图 3 展现了基于输入数据式,利用 CART 算法 构造的决策树的一般结构。它包含根节点、子节点、 叶子节点和分裂器,节点用长方形表示,分裂器用 菱形表示。根节点是所有评价指标的得分数据;总 体服务质量指标以外的评价指标充当分裂器,按指 标得分分裂;叶子节点代表总体服务质量的分类情 况,其余节点表示其它评价指标的分类情况[8]。 0.26
图 3 基于地铁服务质量评价指标得分数据建立的决策树一 图 3 基于地铁服务质量评价指标得分数据建立的决策树一 0.26
般结构 Fig.3 General structure of decision tree based on score data of 般结构 第3図 スコアデータに基づく決定木の一般的な構造 0.80
metro service quality attributes metro サービス品質属性 0.78
1.2.2 指标权重计算 1.2.2 指标权重计算 0.35
根据 Kashani 和 Mohaymany [9],指标权重是决 根申 カシャニ 和 モヘイマニー [9], 指 重是。 0.47
图 4 重要性战略矩阵(IPA) Fig.4 Importance-Performan ce analysis, IPA 4回目はIPA。 第4図 重要性能分析, ipa 0.41
以指标得分和权重为坐标轴,所有指标得分的 均值 x 和权重的均值 w 为原点,建立如图 4 所示的 IPA。基于所求的指标得分均值和权重,确定各个 指标的初始改进优先级。 以指 得分和 重 坐 , 好指 得分ans 均 x 和 重 均 w 裕点,建立如 四 所示的 IPA 基 所求の指 恒 和 重, 0.23
左上角象限为“优先改进区”,该区域的指标 权重大于 w ,得分均值低于 x ,具有最高改进优先 级,记为第一优先级。右上角象限为“优势保持区”, 该区域的指标得分均值和权重分别大于 x 和 w ,需 要继续保持优势,具有第二高改进优先级,记为第 左上角象章日 左上角照日 左上角満日 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 右上 左上 左上 右上 右上 左上 右上 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 右 0.12
二优先级。左下角象限为“次要改进区”,该区域 二优先级。左下角象限为“次要改进区”,该区域 0.39
英語(論文から抽出)日本語訳スコア
第 卷 第 期 年 月 第 卷 第 期 年 月 0.85
华 南 理 工 大 学 学 报 (自 然 科 学 版) 华 南 理 工 大 学 学 报 (自 然 科 学 版) 0.97
Journal of South China University of Technology Vol. 中国南方技術大学誌 Vol。 0.67
Month No. Year 的指标得分均值和权重分别低于 x 和 w ,具有第三 高改进优先级,记为第三优先级。最后,右下角象 限为“锦上添花区”,该区域的指标得分均值大于 x , 而权重低于 w ,具有最低改进优先级,记为第四优 先级。 1.2.4 指标改进可执行度量化 月 いいえ。 年 阿指 得分均 和分 具有第三高改 和 w ,具有第三高改 常 是 是 ,................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .................... .. 0.57
指标改进可执行度是指在一定时期内考虑技 术条件、资源等条件下,服务质量指标能够被改进 的可行性及程度。本文利用层次分析法量化地铁服 务质量指标改进可执行度。首先请地铁运营管理专 家通过 1~9 标度法(表 1)两两比较评价指标的改 进可执行度,根据比较结果构造判断矩阵。然后, 计算判断矩阵的特征向量并检验一致性。若判断矩 阵通过一致性检验,把归一化处理后的特征向量作 为评价指标的改进可执行度;否则,对判断矩阵进 行调整,直至通过一致性检验。 指标改进可执行度是指在一定时期内考虑技 术条件、资源等条件下,服务质量指标能够被改进 的可行性及程度。本文利用层次分析法量化地铁服 务质量指标改进可执行度。首先请地铁运营管理专 家通过 1~9 标度法(表 1)两两比较评价指标的改 进可执行度,根据比较结果构造判断矩阵。然后, 计算判断矩阵的特征向量并检验一致性。若判断矩 阵通过一致性检验,把归一化处理后的特征向量作 为评价指标的改进可执行度;否则,对判断矩阵进 行调整,直至通过一致性检验。 0.11
表 1 评价指标改进可执行度 1~9 标度含义 表 1 评价指标改进可执行度 1~9 标度含义 0.47
Table 1 The 9-point scale of the feasibility for attribute’s 表1 属性の実現可能性の9点尺度 0.68
标度值 1 3 5 7 标度值 1 3 5 7 0.84
9 式子 m m i 9 式子 メム 私は 0.65
m m i m m i メム 私は メム 私は 0.46
m m i m m i メム 私は メム 私は 0.46
j j j j j improvement j j j j j 改良 0.83
含义 两个指标相比,改进可执行度相同 含义 两个指标相比,改进可执行度相同 0.50
两个指标相比, im 改进可执行度稍大于 jm 两个指标相比, im 改进可执行度明显大于 im 两个指标相比, im 改进可执行度强烈大于 im 两个指标相比, im 改进可执行度极其大于 im 英語表記はim(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)、im(im)。 0.04
2, 4, 6, 8 1.2.5 指标改进优先级和改进幅度确定 2, 4, 6, 8 1.2.5 指标改进优先级和改进幅度确定 0.53
上述两相邻判断的中间值 上述两相邻判断的中间值 0.34
i j m m 被调整指标的改进幅度,使总体服务质量得分 能达到较高等级。从最佳决策树的根节点到每个叶 子节点的路径为一条分类规则。 私は j メム 被调整指标的改进幅度,使总体服务质量得分 能达到较高等级。从最佳决策树的根节点到每个叶 子节点的路径为一条分类规则。 0.47
式展现了一个分类规则例子,它可以解读为: 当指标 1 得分均值大于等于 k1,指标 2 得分均值小 于等于 k2,到指标 i 得分均值小于 ki,则总体服务 质量有 a%的概率得分为 k。 2 k  ),指标 ( 2 a k  岩手一分一分一分一分一分一分一分一分一分二分一分二分二得分均分小二分二分二分二分二分二分二分二分二分二分二分二分二分二分 0.10
i ),...,指标 ( Probability 可算名詞 確率, 確率, 確率, 確率. 0.53
如果 指标1(  则(总体感知质量(= )), 的 如果 指标1(  则(总体感知质量(= )), 的 0.85
k 1 ))  (  k1 ))  (  0.81
k i (7) 决策树生成的分类规则并非全部有效,分类规 则的有效性一般使用 Support(S)、Population(Po) 和 Probability(P)评价[8]。S 表示分类规则出现的 概率,Po 表示分类规则中“如果…”部分出现的概 率,P 表示符合叶子节点分类情况的数据量与该叶 k 私は (7) - (6) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) - (p) -) - (p) - (p) - (p) -) - (p) - (p) - (p) - (p) - (p) - (p) -) - (p) - (p) - (p) - ) - (p) - (p) - (p) - (p) - (p) - (p) - ) - (p) - (b) - (b) -) - (b) - (b) - (b) 0.47
子节点所含的数据量之比。因此,P 等于 S 比 Po 的值,Po 一般由 P 和 S 计算。不同研究人员给定的 S、Po 和 P 的最小阈值不一,本文使用由 De Oña 等[10]提出的较严格的阈值:S 为 0.006,Po 为 0.01, P 为 0.6。 子 点所如の時申量之比の為此、P 等 比Po 和S 和S 和S 和算の時、Po 和Pの時最小は不一、本文等由 De Oña 等[10]提出の時、是の時、Sの時、0.006、Poの時、0.01、Pの時、0.6。 0.34
针对改进可执行度不足的指标,从决策树中提 取包含相关指标且部分其他指标得分高于现状的 分类规则。在分类规则的“如果…”部分,指标可 划分为两类:改进可执行度不足和改进可执行度足 够的指标。对于改进可执行度足够的指标,根据指 标当前得分是否达到分类规则所述要求,又可划分 为达标和不达标两类。对于改进可执行度不足且得 分已达标的指标,把它们的改进优先级调整为最 低。而对于得分未达标的指标,把它们的改进优先 级调整为最高,通过对照指标当前得分和分类规则 所述得分要求确定改进幅度。不包含在分类规则的 指标则不确定改进幅度。 针对改进可执行度不足的指标,从决策树中提 取包含相关指标且部分其他指标得分高于现状的 分类规则。在分类规则的“如果…”部分,指标可 划分为两类:改进可执行度不足和改进可执行度足 够的指标。对于改进可执行度足够的指标,根据指 标当前得分是否达到分类规则所述要求,又可划分 为达标和不达标两类。对于改进可执行度不足且得 分已达标的指标,把它们的改进优先级调整为最 低。而对于得分未达标的指标,把它们的改进优先 级调整为最高,通过对照指标当前得分和分类规则 所述得分要求确定改进幅度。不包含在分类规则的 指标则不确定改进幅度。 0.11
2 实证研究设计与实施 2 实证研究设计与实施 0.50
2.1 问卷设计 本文通过乘客自填式问卷收集数据,问卷包含 三个部分。第一部分,设置过滤问题“您是否曾经 搭乘长沙地铁”筛选长沙地铁的乘客。若被访者没 有乘坐过长沙地铁,调查直接结束。第二部分,收 集地铁服务质量评价指标得分。首先通过阅读相关 文献[1,11–15],从安全、舒适和便捷三个维度筛选出 18 个评价指标,分别是:车站可达性、站内指引标 志、购票与充值服务、进出站闸机等候、线路图信 息、扶手梯与升降梯、站内拥挤度、列车到站信息、 候车时长、车厢拥挤度、噪声、照明、温度与通风、 卫生、员工服务、生命与财产安全、运营时长和总 体服务质量评价。各评价指标得分通过 1 至 5 分的 五级数值量表测度,1 分表示非常差的服务质量,5 分表示非常好的服务质量。第三部分,收集被访者 个人社会属性、出行特征与本次评价针对的运营服 务时段信息,目的是了解样本的代表性和全面性。 2.2 调查实施与检验 2.1 问卷设计 本文通过乘客自填式问卷收集数据,问卷包含 三个部分。第一部分,设置过滤问题“您是否曾经 搭乘长沙地铁”筛选长沙地铁的乘客。若被访者没 有乘坐过长沙地铁,调查直接结束。第二部分,收 集地铁服务质量评价指标得分。首先通过阅读相关 文献[1,11–15],从安全、舒适和便捷三个维度筛选出 18 个评价指标,分别是:车站可达性、站内指引标 志、购票与充值服务、进出站闸机等候、线路图信 息、扶手梯与升降梯、站内拥挤度、列车到站信息、 候车时长、车厢拥挤度、噪声、照明、温度与通风、 卫生、员工服务、生命与财产安全、运营时长和总 体服务质量评价。各评价指标得分通过 1 至 5 分的 五级数值量表测度,1 分表示非常差的服务质量,5 分表示非常好的服务质量。第三部分,收集被访者 个人社会属性、出行特征与本次评价针对的运营服 务时段信息,目的是了解样本的代表性和全面性。 2.2 调查实施与检验 0.37
调查于 2020 年 11 月在长沙轨道交通运营有限 公司开展,共收回 130 份问卷。剔除重复提交、存 在漏答题项的问卷后,获得有效问卷 107 份,大于 所需最小样本量 96(95%置信度,±10%误差)。有 效问卷的被访乘客的个人社会属性、出行特征与评 调查于 2020 年 11 月在长沙轨道交通运营有限 公司开展,共收回 130 份问卷。剔除重复提交、存 在漏答题项的问卷后,获得有效问卷 107 份,大于 所需最小样本量 96(95%置信度,±10%误差)。有 效问卷的被访乘客的个人社会属性、出行特征与评 0.27
英語(論文から抽出)日本語訳スコア
第 卷 第 期 年 月 第 卷 第 期 年 月 0.85
华 南 理 工 大 学 学 报 (自 然 科 学 版) 华 南 理 工 大 学 学 报 (自 然 科 学 版) 0.97
Journal of South China University of Technology Vol. 中国南方技術大学誌 Vol。 0.67
Month No. Year 价的运营服务时段覆盖面较全、比例均匀,说明样 本的数据的代表性较高。 月 いいえ。 年 价的运营服务时段覆盖面较全、比例均匀,说明样 本的数据的代表性较高。 0.60
利用克朗巴哈α系数检验问卷信度,即问卷测 度 地 铁 服 务 质 量 结 果 的 稳 定 性 [16]。 计 算 结 果 为 0.964,大于 Devon 等[16]和 Li 等[17]所述的阈值 0.7, 说明本次实证研究所获数据具有良好的信度。 利用克朗巴哈α系数检验问卷信度,即问卷测 度 地 铁 服 务 质 量 结 果 的 稳 定 性 [16]。 计 算 结 果 为 0.964,大于 Devon 等[16]和 Li 等[17]所述的阈值 0.7, 说明本次实证研究所获数据具有良好的信度。 0.61
3 结果分析 3.1 最佳决策树 3 结果分析 3.1 最佳决策树 0.66
图 5 剪枝树规模(叶子节点数量)与分类误差的关系曲线 Fig.5 Relationship between the size of pruned tree (number of 図5. 刈り木の大きさ(数)の関係 0.60
leaf nodes) and the misclassification error rate 葉ノード)と誤分類エラー率 0.77
决策树通过 MATLAB 2019b 建立,所得的一系 列剪枝树的规模与分类误差关系如图 5 所示。可以 发现,剪枝树对训练集数据的分类误差率随决策树 规模减少而单调递增,表明饱和树对训练集数据的 拟合效果是最好的。另一方面,剪枝树的交叉验证 分类误差随决策树规模减少先减小后迅速增加。当 叶子节点数量为 6 时,相应的剪枝树是距离最小分 类误差一个标准差范围内规模最小的树,因此被选 为最佳决策树。 决策树通过 MATLAB 2019b 建立,所得的一系 列剪枝树的规模与分类误差关系如图 5 所示。可以 发现,剪枝树对训练集数据的分类误差率随决策树 规模减少而单调递增,表明饱和树对训练集数据的 拟合效果是最好的。另一方面,剪枝树的交叉验证 分类误差随决策树规模减少先减小后迅速增加。当 叶子节点数量为 6 时,相应的剪枝树是距离最小分 类误差一个标准差范围内规模最小的树,因此被选 为最佳决策树。 0.16
最佳决策树如图 6 所示,它有 11 个节点,6 个 叶 子 节 点 , 深 度 为 3 , 交 叉 验 证 分 类 误 差 为 0.1963。类似文献[18,19]的最佳决策树分类误差落在 0.2 至 0.24 之间,说明本文的最佳决策树的分类准 确度达到要求。 最佳决策树如图 6 所示,它有 11 个节点,6 个 叶 子 节 点 , 深 度 为 3 , 交 叉 验 证 分 类 误 差 为 0.1963。类似文献[18,19]的最佳决策树分类误差落在 0.2 至 0.24 之间,说明本文的最佳决策树的分类准 确度达到要求。 0.54
图 6 中每个长方形代表一个节点,呈现了节点 中各项分值所含样本量与所占比例。在不同节点连 接路径上的指标为分裂器名称,下方的数字表示父 节点分裂为子节点后,Gini 系数的下降值。 图 6 中每个长方形代表一个节点,呈现了节点 中各项分值所含样本量与所占比例。在不同节点连 接路径上的指标为分裂器名称,下方的数字表示父 节点分裂为子节点后,Gini 系数的下降值。 0.16
最佳决策树的根节点通过分裂器购票与充值 服务分裂为节点 1 和节点 2,分裂的指标得分阈值 为 4.5 分。划分后,节点 1 和节点 2 的 Gini 系数之 和与根节点相比降低了 0.210。节点 1 表示购票与 充值服务得分均值小于等于 4.5 分的数据集,节点 2 则表示购票与充值服务得分均值大于 4.5 分的数 据集。节点 1 和 2 继续沿其他分裂器分裂,直至叶 子节点 3、4,7、8、9 和 10。 3.2 DT-IPA 决策结果 最佳决策树的根节点通过分裂器购票与充值 服务分裂为节点 1 和节点 2,分裂的指标得分阈值 为 4.5 分。划分后,节点 1 和节点 2 的 Gini 系数之 和与根节点相比降低了 0.210。节点 1 表示购票与 充值服务得分均值小于等于 4.5 分的数据集,节点 2 则表示购票与充值服务得分均值大于 4.5 分的数 据集。节点 1 和 2 继续沿其他分裂器分裂,直至叶 子节点 3、4,7、8、9 和 10。 3.2 DT-IPA 决策结果 0.31
利用实证研究所获数据建立的 IPA 如图 7 所 示,按 1.2.3 所述方法可以确定各个评价指标的初 始改进优先级。由图 7 可知,评价指标车厢拥挤度、 站内拥挤度和购票与充值服务位于优先改进区,具 有最高的改进优先级。根据 1.2.4 所述方法求得这 三个指标的改进可执行度分别为 0.06,0.19 和 0.74, 可以发现车厢拥挤度改进可执行度较差。从现实情 况分析,购票与充值服务可以通过增设机器数量从 而减少乘客购票与充值的等待时间提升,站内拥挤 度的服务质量可以通过限流进站提升,但由于高峰 运营时段列车的发车频率已接近饱和状态且列车 的容量一定,车厢拥挤度难以通过增大发车频率等 运营管理手段降低,增购车辆的成本则可能过高, 因此改进车厢拥挤度服务质量的策略可执行度较 差,于是把车厢拥挤度记作改进可执行度不足指 标。 利用实证研究所获数据建立的 IPA 如图 7 所 示,按 1.2.3 所述方法可以确定各个评价指标的初 始改进优先级。由图 7 可知,评价指标车厢拥挤度、 站内拥挤度和购票与充值服务位于优先改进区,具 有最高的改进优先级。根据 1.2.4 所述方法求得这 三个指标的改进可执行度分别为 0.06,0.19 和 0.74, 可以发现车厢拥挤度改进可执行度较差。从现实情 况分析,购票与充值服务可以通过增设机器数量从 而减少乘客购票与充值的等待时间提升,站内拥挤 度的服务质量可以通过限流进站提升,但由于高峰 运营时段列车的发车频率已接近饱和状态且列车 的容量一定,车厢拥挤度难以通过增大发车频率等 运营管理手段降低,增购车辆的成本则可能过高, 因此改进车厢拥挤度服务质量的策略可执行度较 差,于是把车厢拥挤度记作改进可执行度不足指 标。 0.14
表 2 呈现了从最佳决策树中提取的 6 条分类 规则,它们均满足 S、P 和 Po 的最小阈值,是有效 的。已知车厢拥挤度是改进可执行度不足的指标, 根据 1.2.5 所述方法,序号 6 的分类规则可以用于 调整由 IPA 确定的指标初始改进优先级并量化被调 整指标的改进幅度。 表 2 呈现了从最佳决策树中提取的 6 条分类 规则,它们均满足 S、P 和 Po 的最小阈值,是有效 的。已知车厢拥挤度是改进可执行度不足的指标, 根据 1.2.5 所述方法,序号 6 的分类规则可以用于 调整由 IPA 确定的指标初始改进优先级并量化被调 整指标的改进幅度。 0.27
6 号分类规则包含的指标为购票与充值服务、 生命与财产安全和车厢拥挤度。由图 7 可知,生命 与财产安全得分均值等于 4.5 分,购票与充值服务 得分均值低于 4.5 分,两者均未满足 6 号分类规则 所述要求,服务质量需要提升。根据 1.2.5 所述方 法,购票与充值服务和生命与财产安全的改进优先 级调整为第一级别,车厢拥挤度的改进优先级则调 整为第四级别。 6 号分类规则包含的指标为购票与充值服务、 生命与财产安全和车厢拥挤度。由图 7 可知,生命 与财产安全得分均值等于 4.5 分,购票与充值服务 得分均值低于 4.5 分,两者均未满足 6 号分类规则 所述要求,服务质量需要提升。根据 1.2.5 所述方 法,购票与充值服务和生命与财产安全的改进优先 级调整为第一级别,车厢拥挤度的改进优先级则调 整为第四级别。 0.19
英語(論文から抽出)日本語訳スコア
第 卷 第 期 年 月 第 卷 第 期 年 月 0.85
华 南 理 工 大 学 学 报 (自 然 科 学 版) 华 南 理 工 大 学 学 报 (自 然 科 学 版) 0.97
Journal of South China University of Technology Vol. 中国南方技術大学誌 Vol。 0.67
Month No. Year 购票与充值服务得分均值差 0.29 分到达 4.5 分,而生命与财产安全得分均值若提高 0.01 分即可 大于 4.5 分,从而满足 6 号分类规则。基于 6 号分 类规则可以发现,即使不提升车厢拥挤度的服务质 量,通过至少提高购票与充值服务 0.29 分和生命与 财产安全 0.01 分,总体感知质量将有 94.3%的概率 月 いいえ。 年 购票与充值服务得分均值差 0.29 分到达 4.5 分,而生命与财产安全得分均值若提高 0.01 分即可 大于 4.5 分,从而满足 6 号分类规则。基于 6 号分 类规则可以发现,即使不提升车厢拥挤度的服务质 量,通过至少提高购票与充值服务 0.29 分和生命与 财产安全 0.01 分,总体感知质量将有 94.3%的概率 0.63
达到满分。经 DT-IPA 模型决策的长沙地铁服务质 量提升策略总结如表 3。由表 3 可知,属于 DT-IPA 模型第一改进优先级的评价指标的改进可执行度 高于 IPA 的决策结果,反映了 DT-IPA 模型的有效 性。 IPA Canvas DT-IPA 公式サイト (英語) 公式ウェブサイト (英語) 公式ウェブサイト (英語) 公式サイト (英語) 公式サイト (英語) 公式サイト (英語) 公式サイト (英語) 公式サイト (英語) 0.09
图 6 最佳决策树 Fig.5 The optimal decision tree 图 6 最佳决策树 第5 図 最適決定木 0.75
表 2 最佳决策树包含的分类规则 表 2 最佳决策树包含的分类规则 0.39
Table 2 If-then rules from the optimal decision tree 表 2 最適決定木からのif-thenルール 0.78
如果(If) 则(Then) 如果( if) はー(then) 0.38
购票与充值服务(≤4.5)且 列车到站信息(≤3.5) 购票与充值服务(≤4.5)且 列车到站信息(≤3.5) 0.16
总体服务质量(=3) 总体服务质量(=3) 0.26
购票与充值服务(≤4.5)且 列车到站信息(>3.5) 购票与充值服务(≤4.5)且 列车到站信息(>3.5) 0.15
总体服务质量(=4) 总体服务质量(=4) 0.26
序号 1 2 S 0.065 序号 1 2 S 0.065 0.78
0.458 Po 0.075 0.458 ポー 0.075 0.58
0.523 P 0.875 0.523 P 0.875 0.68
0.875 备注 有效 0.875 备注 有效 0.74
有效 有效 0.78
英語(論文から抽出)日本語訳スコア
第 卷 第 期 年 月 第 卷 第 期 年 月 0.85
华 南 理 工 大 学 学 报 (自 然 科 学 版) 华 南 理 工 大 学 学 报 (自 然 科 学 版) 0.97
Journal of South China University of Technology Vol. 中国南方技術大学誌 Vol。 0.67
Month No. Year 1 月 いいえ。 年 1 0.78
1 有效 有效 3 4 1 有效 有效 3 4 0.82
5 6 购票与充值服务(>4.5)且 生命与财产安全(≤4.5) 且 车 5 6 购票与充值服务(>4.5)且 生命与财产安全(≤4.5) 且 车 0.65
总体服务质量(=3) 总体服务质量(=3) 0.26
0.019 0.019 0.019 0.019 0.59
站可达性(≤4.5) 站可达性(≤4.5) 0.26
购票与充值服务(>4.5)且 生命与财产安全(≤4.5) 且 车 购票与充值服务(>4.5)且 生命与财产安全(≤4.5) 且 车 0.25
总体服务质量(=4) 总体服务质量(=4) 0.26
0.019 0.019 0.019 0.019 0.59
站可达性(>4.5) 站可达性(>4.5) 0.24
购票与充值服务(>4.5)且 生命与财产安全(>4.5) 且 车 购票与充值服务(>4.5)且 生命与财产安全(>4.5) 且 车 0.24
总体服务质量(=4) 总体服务质量(=4) 0.26
0.028 0.037 0.028 0.037 0.59
0.750 有效 购票与充值服务(>4.5)且 生命与财产安全(>4.5) 且 车 0.750 有效 购票与充值服务(>4.5)且 生命与财产安全(>4.5) 且 车 0.54
总体服务质量(=5) 总体服务质量(=5) 0.26
0.308 0.327 0.308 0.327 0.59
0.943 有效 厢拥挤度(≤3.5) 0.943 有效 厢拥挤度(≤3.5) 0.56
厢拥挤度(>3.5) 注:S= Support,P= Probability,Po= Population,计算结果保留至千分位 ○度(>3.5) 注:S= サポート、P= 確率、Po= 人口、... 0.21
车厢拥挤度 噪声 照明 车厢拥挤度 噪声 照明 0.76
温度与通风 卫生 员工服务 温度与通风 卫生 员工服务 0.64
生命与财产安全 运营时长 生命与财产安全 运营时长 0.63
4 结论 第一 第三 4 结论 第一 第三 0.81
第三 第二 第三 第二 第三 第二 第三 第二 0.78
第二 第四 第四 第三 第二 第四 第四 第三 0.78
第三 第二 第三 第二 第三 第二 第三 第二 0.78
第一 第四 - - - 第一 第四 - - - 0.82
- - - ≥0.01分 - - - ≥0.01分 0.74
- 1)与传统的 IPA 决策模型相比,本文构建的 DT-IPA 决策模型,融合考量了地铁服务质量指标的 得分、权重及改进可执行度,使服务质量提升策略 在一定时期内具有更好的可执行性。 - 与は、IPA は、本文は建、DT-IPA はod-IPA はod-IPA はod-IPA である。 0.47
2)运用层次分析法量化指标改进的可执行度 时,主要通过专家采用标度法确定指标的相对可执 行度,简单易行,但具有一定的主观性。 2)运用层次分析法量化指标改进的可执行度 时,主要通过专家采用标度法确定指标的相对可执 行度,简单易行,但具有一定的主观性。 0.11
3)进一步的研究可以考虑采用相对客观的方 法确定评价指标改进可执行度,进一步完善 DT-IPA 模型。 3................... .................... ... 0.01
参考文献: [1] 交通运输部办公厅. 参考文献: [1] 交通运输部办公厅. 0.65
关于印发《城市轨道交通服 务 质 量 评 价 规 范 》 的 通 知[EB/OL]. 关于印发《城市轨道交通服 务 质 量 评 价 规 范 》 的 通 知[EB/OL]. 0.80
2019-04-15 [2021-01-23].https://xxgk.mot.go v.cn/jigou/ysfws/2 01904/t20190415_3187 406.html. 2019-04-15 [2021-01-23].https://xxgk.mot.go v.cn/jigou/ysfws/2 01904/t20190415_3187 406.html 0.31
Ministry of Transport of the People's Republic of China. 中華人民共和国運輸省長官。 0.36
Notice on Issuing the 《Urban Rail Transit Service Quality Evaluation Norm 》 [EB/OL]. 都市鉄道交通サービス品質評価ノーム(EB/OL)の発行について 0.66
2019-04-15 [2021-01-23]. 2019-04-15 [2021-01-23]. 0.54
[2] Dell'Olio L, [2]Dell'Olio L, 0.86
Ibeas A, De Oña J 等 . Ibeas A, De Oña J 等。 0.75
Public transportation quality of service: Factors, models, and applications[M]. 公共交通の質:要因、モデル、アプリケーション[m]。 0.47
Netherlands: Elsevier, 2017. オランダ語: Elsevier、2017年。 0.76
图 7 IPA 决策结果 Fig.7 The result of IPA 第7回 IPA : 図7. IPA の結果 0.82
表 3 DT-IPA 模型决策结果 表 3 DT-IPA 0.71
Table 3 The result of DT-IPA model 表3 DT-IPAモデルの結果 0.92
指标 改进优先级 改进幅度 指标 改进优先级 改进幅度 0.61
车站可达性 站内指引标志 车站可达性 站内指引标志 0.49
购票与充值服务 进出站闸机等候 购票与充值服务 进出站闸机等候 0.39
线路图信息 扶手梯与升降梯 线路图信息 扶手梯与升降梯 0.46
站内拥挤度 列车到站信息 站内拥挤度 列车到站信息 0.43
候车时长 IPA 第三 候车时长 IPA 第三 0.74
第四 第一 第三 第四 第四 第一 第三 第四 0.78
第四 第一 第二 第二 第四 第一 第二 第二 0.78
DT-IPA 第三 第四 DT-IPA 第三 第四 0.72
第一 第三 第四 第四 第一 第三 第四 第四 0.78
第一 第二 第二 - 第一 第二 第二 - 0.80
- ≥0.29分 - - ≥0.29分 - 0.70
- - - - - - - - - - 0.85
英語(論文から抽出)日本語訳スコア
第 卷 第 期 年 月 第 卷 第 期 年 月 0.85
华 南 理 工 大 学 学 报 (自 然 科 学 版) 华 南 理 工 大 学 学 报 (自 然 科 学 版) 0.97
Journal of South China University of Technology Vol. 中国南方技術大学誌 Vol。 0.67
Month No. Year [3] Martilla 月 いいえ。 年 [3]マルティラ 0.76
J. J, James J。 j. ジェームズ 0.71
Importance-Performan ce Analysis: An easily applied technique for measuring attribute importance and performance can further the development of effective marketing programs[J]. 重要度-性能分析: 属性の重要度と性能を簡易に測定する手法は, 効果的なマーケティングプログラムの開発をさらに進めることができる[J]。 0.73
Journal of Marketing, 1977, 41(1):77-79. Journal of Marketing, 1977, 41(1):77-79。 0.92
[4] 张慧慧. 基于乘客满意度的城市轨道交通服务质 [4] 张慧慧. 基于乘客满意度的城市轨道交通服务质 0.59
量评价[D]. 北京:北京交通大学, 2009. どんぐん[D]。 北京:北京交通大学, 2009. 0.71
ZHANG Huihui. zhang huihui氏。 0.56
Evaluation of Service Quality for Urban Rail Transit based on Passenger Satisfaction [D]. 乗客満足度に基づく都市鉄道交通のサービス品質評価 [in Japanese] 0.68
Beijing:Beijing Jiaotong University, 2009. 北京・江東大学、2009年。 0.51
[5] 梅家骏. 基于Rasch模型的地铁系统感知服务质 [5] 梅家骏. 基、Rasch模型の地、江、露服。 0.48
量研究[D]. 广州:华南理工大学, 2018. 量歳[D]。 广州:华南理工大学, 2018. 0.69
MEI Jiajun. MeI Jiajun 0.49
Research on Perceived Quality of Service in Subway System based on Rasch Model[D]. raschモデルに基づく地下鉄システムにおけるサービス品質評価に関する研究[d] 0.71
Guangzhou: South China University of Technology, 2018. 広州:中国南工科大学、2018年。 0.65
[6] Witten I H, Frank E, Hall M A 等 . 6] Witten I H, Frank E, Hall M A 等。 0.70
Data Mining: Practical machine learning tools and techniques[M]. データマイニング: 実践的な機械学習ツールとテクニック[M]。 0.78
4th ed. USA: Morgan Kaufmann Els, 2016. 4回目。 モーガン・カウフマン・エルス、2016年。 0.52
[7] Breiman L, Friedman J, Stone C J等. [7]ブレイマンL、フリードマンJ、ストーンCJ等。 0.58
Classification and regression trees[M]. 分類 そして回帰木[M]。 0.68
USA: CRC press, 1984. 1984年、CRC出版。 0.52
[8] De Oña J, De Oña R, Calvo F J. [8]De Oña J,De Oña R,Calvo F J] 0.75
A classification tree approach to identify key factors of transit service quality[J]. 交通サービス品質の重要な要因を特定するための分類木アプローチ[J]。 0.82
Expert Systems with Applications, 2012, 39(12): 11164–11171. Expert Systems with Applications, 2012 39(12): 11164–11171。 0.82
[9] 李航. 统计学习方法[M]. [9] 李航. 略称は「M」。 0.73
北京: 清华大学出版社, 北京: 清华大学出版社, 0.65
2012. LI Hang. 2012. LI HAN! 0.72
Beijing, Statistical learning methods[M]. 北京, 統計的学習方法[M] 0.72
Beijing: Tsinghua University Press, 2012 北京:清華大学出版、2012年 0.65
[10] De Oña J, López G, Abellán J. [10]デ・オニャJ、ロペスG、アベランJ。 0.67
Extracting decision rules from police accident reports through decision trees[J]. 決定木[j]を通して、警察の事故報告書から決定規則を抽出する。 0.64
Accident Analysis and Prevention, 2013, 50: 1151–1160. 事故分析と予防、2013年、50:1151-1160。 0.75
[11] 中华人民共和国交通运输部. [11] 中华人民共和国交通运输部. 0.54
城市公共交通乘客 满意度评价方法 第3部分: 城市轨道交通: GB/T 36953.3-2018[S]. 城市年後には「城市公共交通」が発行された。 0.41
北京:中国标准出版社,2018:12. 北京:中国标准出版社,2018:12. 0.49
Ministry of Transport of the People's Republic of China. 中華人民共和国運輸省長官。 0.36
Evaluation method public transportation 3: Urban rail transit: GB/T 36953.3-2018 [S]. 評価方法3:都市鉄道交通:gb/t 36953.3-2018 [s] 0.81
Beijing: satisfaction—Part passenger 北京 満足感―一部 乗客 0.46
urban of Standards Press of China,2018:12 都市 ですから スタンダード・プレス・オブ・チャイナ:2018:12 0.52
[12] 陈维亚,晏秀娟,潘晖等. [12] 陈维亚,晏秀娟,潘晖等. 0.84
城市轨道交通服务质量 监 管 评 价 研 究 [J]. 城市轨道交通服务质量 监 管 评 价 研 究 [J]. 0.88
铁 道 科 学 与 工 程 学 报,2018,15(12):3288-32 94. 铁 道 科 学 与 工 程 学 报,2018,15(12):3288-32 94. 0.80
CHEN Weiya, YAN Xiujuan, PAN Hui et al Supervision and management evaluation of urban rail transit service quality[J]. chen weiya, yan xiujuan, pan hui et al supervisor and management evaluation of urban rail transit service quality[j] 0.68
Journal of Railway Science and Engineering, 2018,15(12):3288-329 4. Journal of Railway Science and Engineering, 2018,15(12):3288-329 4 0.86
[13] Machado- León J L, De Oña R, Baouni T 等 . 13] Machado-León J L, De Oña R, Baouni T 等。 0.70
Railway priority improvement actions based on users perceptions[J]. 利用者の認識に基づく鉄道優先改善行動[J]。 0.75
Transport Policy, 2017, 53: 175–185. 交通政策、2017年:175-185。 0.68
in Algiers: services アルジェでは: サービス 0.73
transit [14] Aydin N. A fuzzy-based multi-dimensional and multi-period service quality evaluation outline for rail transit systems[J]. transit~ 14] Aydin N. ファジィに基づく鉄道交通システムのための多次元・多周期サービス品質評価概要[J] 0.79
Transport Policy, 2017, 55: 87–98. 交通政策、2017年、55: 87-98。 0.65
[15] Mandhani J [15]マンダニ J 0.81
J, K, Nayak Parida M. Interrelationships among service quality factors of Metro Rail Transit System: An integrated Bayesian networks and PLS-SEM approach[J]. j. kだ ナヤク メトロレールトランジットシステムにおけるサービス品質要因間のParida M. Interrelationships: an integrated Bayesian network and PLS-SEM approach[J] 0.63
Transportation Research Part A: Policy and Practice, 2020, 140: 320–336. 交通研究部 a:政策・実践、2020年、140: 320-336。 0.79
[16] Devon H A, Block M E, Moyle-Wright P 等 . 16] Devon H A, Block M E, Moyle-Wright P 等。 0.79
A psychometric toolbox for testing validity and reliability[J]. 妥当性と信頼性をテストする心理測定ツールボックス[J]。 0.77
Journal of Nursing Scholarship, 2007, 39(2): 155–164. Journal of Nursing Scholarship, 2007 39(2): 155–164。 0.84
[17] LI L, CAO M, BAI Y 等 . [17]LI L, CAO M, BAI Y 等。 0.68
Analysis of Public Transportation Competitiveness Based on Potential Passenger Travel in Shanghai, China[J]. 中国上海市における潜在的な乗客移動に基づく公共交通競争力の分析 [j] 0.82
Transportation Research Record, 2019, 2673(4): 823–832. 交通調査記録, 2019, 2673(4): 823–832。 0.85
Intentions: Case Study 意図:ケーススタディ 0.62
[18] De Oña R, Eboli L, Mazzulla G. Key factors affecting rail service quality in the Northern Italy: A decision tree approach[J]. 18] de oña r, eboli l, mazzulla g. 北イタリアにおける鉄道品質に影響を与える重要な要因:決定木アプローチ[j] 0.74
Transport, 2014, 29(1): 75–83. 2014年:29-1:75-83。 0.49
[19] De Oña J, De Oña R, Eboli L 等. [19]De Oña J,De Oña R,Eboli L 等。 0.75
Heterogeneity in Perceptions of Service Quality among Groups of Railway Passengers[J/OL]. 鉄道乗客群[j/ol]におけるサービス品質知覚の多様性 0.68
International Journal of Sustainable Transportation, 2015, 9(8): 612–626. International Journal of Sustainable Transportation, 2015, 9(8): 612-626。 0.89
英語(論文から抽出)日本語訳スコア
第 卷 第 期 年 月 第 卷 第 期 年 月 0.85
华 南 理 工 大 学 学 报 (自 然 科 学 版) 华 南 理 工 大 学 学 报 (自 然 科 学 版) 0.97
Journal of South China University of Technology Vol. 中国南方技術大学誌 Vol。 0.67
Month No. Year Research on Metro Service Quality Improvement Schemes Considering 月 いいえ。 年 地下鉄のサービス品質改善手法に関する研究 0.77
Feasibility CHEN Weiya1 LI Jiajia1 KANG Zixuan1 可能性 chen weiya1 li jiajia1 kang zixuan1 0.52
(1. School of Traffic and Transportation Engineering, Rail Data Research and Application Key Laboratory of Hunan Province, (1. 湖南省交通交通交通工学科・鉄道データ研究科・応用キー研究室 0.79
Central South University, Changsha 410075, China) 中央南大学チャンシャ410075年、中国) 0.73
Abstract: It is an important management task of metro agencies to formulate reasonable improvement schemes based on the result of service quality surveys. 要約:サービス品質調査の結果に基づき,適切な改善策を策定することは,都道府県の重要な管理課題である。 0.71
Considering scores, weights, and improvement feasibility of service quality attributes in a certain period, this paper integrates Decision Tree (DT) into Importance-Performan ce analysis (IPA) to build a DT-IPA model, which is used to determine the improvement priority of attributes, and to quantify the improvement degree. 本稿では, ある期間におけるサービス品質特性のスコア, 重み, 改善可能性を考慮して, 決定木(DT)を重要性能分析(IPA)に統合し, 属性の改善優先度を決定するためのDT-IPAモデルを構築し, 改善度を定量化する。 0.91
If-then rules extracted from the optimal decision tree and the improvement feasibility computed by analytic hierarchy process are two main items derived from the DT-IPA model. 最適決定木から抽出されたif-then規則と、解析階層プロセスによって計算された改善実現可能性は、DT-IPAモデルから導出される2つの主要な項目である。 0.57
They are used to optimize the initial improvement priority of attributes determined by IPA and to quantify the degree of improvement of the adjusted attributes. ipaによって決定される属性の初期改善優先度を最適化し、調整された属性の改善度を定量化するために使用される。 0.74
Then, the overall service quality can reach a high score, realizing the operation goal. そして、全体のサービス品質は高いスコアに達し、運用目標を達成することができる。 0.75
The effectiveness of the DT-IPA model was verified through an empirical study which was taken place in Changsha Metro, China. DT-IPAモデルの有効性は,中国長沙市で実施された実証実験により検証された。 0.72
The proposed method can be a decision-making tool for metro agency managers to improve the quality of metro service. 提案手法は,都道府県のマネジャーがメトロサービスの質を向上させるための意思決定ツールとなる。 0.68
Key words: metro; service quality; improvement strategies; feasibility; decision tree キーワード:メトロ、サービス品質、改善戦略、実現可能性、意思決定ツリー 0.81
                   ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。