基于BP神经网络的铁路货运客户满意度评价模型

杨小凤，郑全成，宋曙辉，霍雅婷

（兰州交通大学 交通运输学院，甘肃 兰州 730070）

客户满意度评价作为了解客户满意程度的一种手段和工具，对于铁路货运部门来说具有重要的意义。通过客户满意度评价，铁路货运部门可以更全面地了解客户的需求，还可以将客户满意度作为经营管理的重要指标，综合评价铁路货运部门的经营业绩和服务水平，进而不断提高服务水平，促进铁路货运可持续发展。客户满意度评价模型是铁路货运部门评价其客户满意度的关键问题[1-2]。本文在以往参考文献和实际工作调查的基础上，综合考虑多种因素，建立了基于BP神经网络的铁路货运客户满意度评价模型。

1 BP神经网络原理

BP 神经网络 (Back-Propagation Network Construction) 是一种具有多层结构的前馈型映射网络，由1组相互连接的运算单元组成，其中每一个连接都有相对应的权值。网络由输入层、中间隐含层(1 层或多层)、输出层3个部分构成，而最基本的 BP神经网络是3层前馈网络。

BP 神经网络的学习过程由正向传播和反向传播 2个部分组成的。其算法描述如下：

（1）从训练数据集{Xml}中取1个训练对象，将输入向量送入网络，其中 m、l 分别表示样本数和输入向量数。

（2）计算网络的输出向量。

输入层：假设 X1i为其第 i 个神经元的输入值；

隐含层：其第 j 个神经元的输出值为：

输出层：其第 k 个神经元的输出值为：

式中：ω1ij为输入层第 i 个神经元与隐含层第 j个神经元之间的连接权重，ω2jk为隐含层第 j 个神经元与输出层第 k 个神经元之间的连接权重；θj、φk分别为隐含层第 j个神经元和输出层第 k 个神经元的阈值。f (x)是一个非线性可微分非递减函数，一般地，将其取为S形函数，即 f (x)=1/(1+e－x)。

（3）计算网络的误差信号。

式中：Tk表示输出层中第 k 个神经元的目标值。

（4）计算目标输出向量和实际输出向量之间的误差：

式中：Omk和 Tmk分别表示第 m 个样本在输出层中第 k个神经元的输出值和目标值。

（5）采用梯度下降法，反向调整权重，使误差减小。

式中：t 表示学习顺序；a 表示网络的学习系数。

（6）重复步骤(1)～(5)，对整个训练集反复训练，直至对整个训练集的总误差达到满意程度。

从 BP 神经网络的工作原理可知，其具有很强的柔性和非线性映射能力。相关研究指出，在合理的结构和恰当的权值条件下，一个3层有 sigmoid 神经元的 BP 神经网络可以逼近任意的连续函数[3]。本文将影响铁路货运客户满意度的各因素作为神经网络模型的输入因子，客户最终的满意程度作为输出因子，所以需要首先确定主要的影响因素，建立客户满意度指标体系。

2 铁路货运客户满意度指标体系

影响铁路货运客户满意度的因素主要有4个方面：①货场设施，包括装卸机具配置情况、货场安全设施情况、仓储和检斤设备等的配置情况，以及营业厅整体布局合理性等因素；②服务状况，包括员工的服务态度和服务意识等因素；③运输成本，包括客户对运输成本的承受能力和运输成本的合理性；④货运业务，主要包括手续流程复杂度和办理效率、投诉处理的现有方式和反馈处理，以及运输合同兑现率等因素[4-6]。

根据这些影响客户满意度的因素，结合前人的研究成果和专家对铁路客户满意度指标的综合分析，本文建立了铁路货运客户满意度指标体系，如表1所示。从此体系中可以看出，二级指标是基础指标，是整个评价的基础；一级指标是过程指标，其评价值是由二级指标的评价结果得出；目标指标是最终结果指标。各级指标都采用李克特量表分为5个等级来衡量：很不满意 (很不重要)、较不满意 (较不重要)、一般、满意 (重要)、非常满意 (非常重要)，对应的数字分别用 1～5 来表示。

在铁路货运客户满意度评价过程中，各个指标的影响程度是不同的，指标权重设置是否科学合理，将直接影响到最终评价结果的合理性。本文二级指标是整个评价模型的关键，其权重的确定需科学合理，因此，根据建立的指标体系和问卷设计的原则，通过向托运人发放调查问卷，对各级指标进行评价。首先将调查问卷筛选处理，摒弃明显不合理的问卷；然后对指标评价结果进行处理，在处理中把评价等级转换为对应的数字，即重要性分值，再将各个指标(X1～X18) 的重要性分值分别除以所有指标的重要性分值总和，即得出每个二级指标的权重；以此作为模型的训练样本输入模型，按照指标等级由低到高依次进行传递，其传递过程是通过 BP 神经网络自动赋予传递权重，并最终得出评价结果值。

表1 铁路货运客户满意度指标体系

3 基于BP神经网络的铁路货运客户满意度评价模型

铁路货运客户满意度评价是一个巨大的非线性系统，其影响因素之间的关系相当复杂，而客户满意度评价是建立在以往大量的数据“经验”之上，采用大规模的 BP 网络能够更好地满足评价的需要，体现铁路货运客户满意度的内在实质。根据 BP 神经网络算法，该模型是由输入层、输出层和隐含层构成的3层前馈网络。输入层将评价指标归一化处理后的样本数值作为神经元；输出层是对客户满意度等级的衡量，是一个从定性到定量，再从定量到定性的过程，通过BP 神经网络模型将定性转化为定量输出，再根据输出结果和事先确定的标准，对客户满意度做出定性评价[7]。

3.1 输入层节点数与输出层节点数的确定

输入层节点的个数与评价指标个数相对应。根据铁路货运客户满意度评价指标体系，可以将最低一层的指标数作为输入层神经元数，在此共有 18 个。前面已确定，输出层节点对应于评价结果，即输出为1表示“很不满意”、2 表示“较不满意”、3 表示“一般”、4 表示“满意”、5 表示“非常满意”，所以输出层节点确定为1个。

3.2 隐含层节点数的确定

隐含层的选取往往是网络成败的关键。关于隐含层节点数的选取，一般是根据具体问题凭经验和多次试验来决定。如果隐含层节点数的选用太少，则网络将不能建立复杂的判断界，使网络训练不出来，或不能识别以前没有的样本，容错性较差；但是，如果隐含层节点选用太多，将会增加训练网络的时间，训练过度，预测能力降低。因此必须选择合适的隐含层节点数才能使训练达到要求。结合文中实际情况：输入层节点数 NI=18、输出层节点数 NO=1，先根据经验公式+L (L= 0，1，2，3，4，5) 计算，再用试凑法确定隐含层节点数。最终选取的隐含层节点数为 NH=6，从而得出本文所需的 BP 神经网络模型，其结构如图1所示。

图1 铁路货运客户满意度评价BP网络结构图

4 应用举例

为了检验模型的实用性和评价效果，以某铁路货 运营业站为例，通过向 49 位托运人随机发放问卷调查，舍弃严重不合理的问卷，剩余 45 个样本数据，取其中 40 个作为建模的训练样本集，另外5个数据作为测试样本集用于测试网络。

采用 MATLAB 软件对该神经网络模型进行训练，训练误差的期望值为0.01，最大训练次数取10 000 次。将 40 个训练样本输入 BP 神经网络模型进行训练，当训练次数达到 230 次时，训练误差收敛为0.008 096 77＜0.01，网络训练结束[8]。

最后，将实际调查所得的5组测试样本输入训练好的 BP 神经网络模型中进行检测，并将评价值与期望值进行比较。其结果误差如表2所示。

由表2可见，通过训练学习，网络几乎掌握训练样本的全部信息，学习效果良好，对于测试样本的网络输出值也与实测值比较接近，平均结果误差值仅为1.13%。目前，该货运营业站客户的满意度处于一般水平，亟待提升。比较各考核指标的评价值可知，客户不满意主要集中在货运的办理手续和事故处理、服务态度等方面，而对运输准时性和完好性、运输成本的合理性及承受能力满意度较高。

表2 铁路货运客户满意度评价结果

5 结束语

从客户角度发现问题、分析问题，为铁路相关部门提供决策支持，切实提高业务水平和服务水平，是铁路货运企业获取竞争优势的重要条件，也是铁路货运企业不断追求的目标。本文建立了铁路货运客户满意度指标体系，提出基于 BP 神经网络的铁路货运客户满意度的评价模型，并利用该模型对某铁路货运营业站的客户满意度进行评价，通过实例证明该方法的可行性，所得结论可供铁路货运企业借鉴参考。

[2] 冯芬玲，陈治亚. 铁路货运服务质量的AHP—Fuzzy评价[J]. 技术经济，2007，26(5)：95-97.

[3] 朱大奇，史 慧. 人工神经网络原理及应用[M]. 北京：科学出版社，2006.

[4] 欧阳庆，刘 锋，陈开峰. 模糊层次分析方法在客户满意度分析中的应用[J]. 应用科技，2006，33(5)：40-42.

[5] 冯芬玲，陈治亚. 基于SERVQUAL的铁路货物运输服务质量评价[J]. 内蒙古农业大学学报，2007，28(1)：90-94.

[6] 蒋升阳，陈彦如，王 谦. 铁路货运事故处理质量满意评价体系研究[J]. 铁道运输与经济，2004，26(6)：69-71.

[7] 周建亨，刘 泳. 3PL客户满意度模糊评判方法[J]. 东华大学学报：自然科学版，2009，35(1)：94-97.

[8] 张葛祥，李 娜. MATLAB 仿真技术与应用[M]. 北京：清华大学出版社，2003.