多属性决策模型在机场出租车司机决策问题上的应用

商瑞杰，周大勇，程 扬，张 硕

(大连交通大学 a.电气信息工程学院； b.理学院； c.机械工程学院，辽宁 大连 116028)

目前，国内机场进入了新建和改扩展的高峰期。机场旅客流量逐年增大，中转换乘方式多样，组织流程复杂，制定科学合理的陆侧交通方案、使机场陆侧交通高效便捷是机场陆侧道路系统规划和设计的重点问题[1]。机场陆侧交通规划中，机场出租车问题极为重要，其深深影响着机场换乘效率和出租车行业的盈利，因此科学研究机场出租车司机的去留问题非常重要。以国内某省会城市机场为研究对象，对出租车司机决策问题进行探究[2-3]，建立变异系数评估模型并进行模型评估。

1 模型建立与求解

1.1 模型假设

通过对假设季节因素包括寒暑假期及各种节日，因此忽略节日因素的影响。假设天气因素包括正常天气和非正常天气，正常天气晴天、阴天等对旅客、出租车司机的换乘决策和等待决策影响不大，非正常天气雨天、雪天等。对旅客、出租车司机的换乘决策及等待决策影响较大。假设从每个乘车点乘车的乘客数相同。

1.2 符号说明

X：代表机场蓄车池最大停车数目；

i：代表属性个数，属于N+；

j：4种影响出租车司机选择因素的属性值的组合，j∈[1,96]；

A：出租车司机到达机场不返回；

B：出租车司机到达机场返回；

ci：时间影响因素的i个属性值；

di：天气影响因素的i个属性值；

ei：蓄车池影响因素的i个属性值；

bi：季节影响因素的i个属性值；

Y：各因素的得分值；

Ymin：各因素得分值的最小值；

Ymax：各因素得分值的最大值；

S：归一化后的属性值；

Sseason：季节因素得分值归一化后的属性值；

Scar：蓄车池因素得分值归一化后的属性值；

Sweather：天气因素得分值归一化后的属性值；

Stime：时间因素得分值归一化后的属性值；

w：权重向量；

n：影响因素的个数；

E：出租车司机选择方案A的综合得分；

R：蓄车场现他排列数/蓄车场停车总数。

1.3 多属性决策模型的构建与求解

1.3.1 机场出租车司机决策影响因素及影响机理分析

结合机场实际情况分析，影响出租车司机离开机场或在机场等待的决策因素主要包括自然因素和人为因素两大类。自然因素包含季节因素和天气因素，人为因素即出租车司机受航班时间、蓄车场车数的影响。季节因素对于旅游城市来说，旅游旺季人流量大，春节、夏季(考虑暑假)、冬季(考虑寒假)都是机场人流高峰期，因此在不同季节，机场的进出港航班数目不同，机场人流量不同，这也间接影响了出租车司机的决策。天气因素，根据对机场司机的调查可知，正常天气和非正常天气情况下出租车司机会有不同选择，非正常天气，旅客乘坐出租车的概率更大。时间因素，不同时间段到港航班的数目不同，比如：凌晨到早上八点这一阶段的航班较少，司机会因为机场入港航班少但市里上午人流量大而选择回到市里。机场蓄车池车辆数，即机场内蓄车场内的车数，蓄车池内车数越多，司机选择留下来排队的概率就越小。

1.3.2 决策影响因素的归一化处理

通过对机场100名司机的调查可知在季节、天气、蓄车池车数、时间段4种因素影响下的方案选择情况。将100名司机的选择转化为百分制，不同因素下选择A方案的人数作为A方案的得分值。

属性类型一般有效益型、成本型、固定型等[4]，由于各个影响因素的数据条件为选择A方案的得分值，因此将决策评价优劣问题转化为效益型评价问题。

对上述数据通过matlab软件进行min-max标准化。

min-max标准化公式如下：

(1)

归一化后的4种因素的属性值如下：

表1 100名司机受季节影响的方案选择统计表Tab.1 Program selection of 100 drivers affected by season

表2 100名司机受天气影响的方案选择统计表Tab.2 Program selection of 100 drivers affected by weather

表3 100名司机受蓄车池车数影响的方案选择表Tab.3 Program selection of 100 drivers affected by numberof cars in storage pool

表4 100名司机受时间段影响的方案选择统计表Tab.4 Program selection of 100 drivers affected by time quantum

1.3.3 层次分析法计算属性权重

图1 层次结构模型图Fig.1 Hierarchy model diagram

构建层次结构模型如图 1所示，根据Santy1-9标度法(如表 5)构建成对比较矩阵。

表5 Santy1-9标度表Tab.5 Santy1-9 scale table

计算得成对比较矩阵：

通过几何平均法可计算得到成对比较矩阵的权重向量：

w=(0.0645,0.5048,0.1431,0.2876)

对上述成对比较矩阵进行一致性检验。

一致性检验步骤：

第一，最大特征根λmax的计算。

(2)

通过计算值λmax=4.19。

第二，一致性指标CI。

(3)

经过计算CI=0.0633。

第三，随机一致性指标RI的值由表 6 随机一致性指标RI的数值确定，RI=0.90。

表6 随机一致性指标RI的数值Tab.6 Value of random consistency index RI

当一致性比率CR小于0.1时，则一致性检验通过。

(4)

经计算CR=0.07，一致性检验通过。

1.3.4 出租车司机决策指标体系的构建

在4种因素的影响下，出租车司机选择方案A的综合得分E为：

(5)

在4种因素的影响下，共有96种司机可能遇到的情况。通过计算可得，96组综合得分E，为全方位反映到达机场的出租车司机在季节、天气、时间段、蓄车池停车数4个影响因素下的决策，根据综合得分E对出租车司机的建议决策情况进行分类。

1.3.5 多属性决策模型结果分析

由于96组数据较大，且研究地四季如春，因此只给出了部分数据。

表7 春季机场司机方案选择表Tab.7 Program selection of airport driver in spring

2 模型的评估

2.1 决策模型应用

2.1.1 机场出租车相关数据汇总

选取2019年4月27日数据，天气状况正常，研究地机场的蓄车池中出租车可排列的数目为680左右。图2为机场的出租车具体数据。

根据上述多属性决策模型可得机场与决策模型信息匹配，如表 8。

图2 机场出租车数量统计表Fig.2 Statistics of the number of airport taxis

表8 决策模型信息匹配表Tab.8 Matching table of decision-making model information

2.1.2 模型主要影响因素分析

由多决策模型得出的表可见，当出租车司机在24:00～6:00到机场送人时，选择B方案的更多，说明影响出租车是否停留排队的主要因素是时间，因此分析24:00～6:00这一时间段预测的司机决策和出租车司机真实决策之间的相似度。

2.2 决策模型准确度评估

2.2.1 准确度评估模型的建立

针对出租车司机实际决策与预估决策之间的差异，借鉴变异系数的原理，构建准确度计算公式。C为准确度，C∈(0,1)。m1和m2分别代表预测选择A方案的出租车司机数和实际选择B方案的出租车司机数，m为调节系数，m通常的值大于2，对此模型使m=2。理论上分析，C值越趋近于1，m1与m2值的偏差值越小，预测值越准确[5]。

准确度计算公式：

(6)

2.2.2 准确度评价模型的求解

将研究地机场2019年4月27日4:00～14:00的相关影响因素数据代入准确度评估模型，可得对应的预测值如表 9，模型的准确度维持在88.02%～99.64%，可见模型较为准确。

表9 出租车实际与预计停留数量对比表Tab.9 Comparison of actual and expected taxi stops

2.2.3 模型相关依赖因素分析

此模型中，决策因素有季节、天气、时间、蓄车池车辆数量，这些都是影响租车司机做出决策的因素，对这些整体因素的权重分析及权重计算直接影响模型的合理性和准确性。

模型中的属性值计算依赖于对机场出租车司机的调查，因此属性值的准确度较大程度上取决于所调查的出租车司机数量、出租车司机决策的准确度(应避免同时调查多个出租车司机，以免出现调查结果相同的现象，降低属性值的准确度)。

模型的建立依赖于数据的获取，在4个影响因素中，季节和天气数据获取较为准确。由于某时刻数据难以获取，因此不能对边界值进行检验，即模型在某时间段进行决策预测，不能对6:00、12:00、18:00、24:00这些准确的时间节点进行决策预测。

3 结语

全方位考虑影响出租车司机决策的因素，建立多属性决策模型，通过影响因素调查运用层次分析法计算各个决策因素的权重，使得权重分配更加合理。在属性值计算方面采用调查法，调查100个机场出租车司机的相应决策属性值，使属性值更具有代表性。调查样本适中，符合整体情况，避免了可能因数据单一而造成属性值误差。

为了对所建立的模型进行准确性评估，借鉴变异系数原理，构建了准确度评价模型，通过实际差值计算准确度，评估模型较为准确。