基于车站画像的智慧客服终端 配置方案研究

张佳音，李海鹰，许心越

（1.北京交通大学 交通运输学院，北京 100044；2.北京交通大学 轨道交通控制与安全国家重点 实验室，北京 100044)

0 引言

为满足乘客多样化的出行服务需求，城市轨道交通运营企业投入多种多样的智慧客服终端设备，其合理配置问题随之产生。现有智慧客服终端设备的投放与配置多以政策引领或经验提出，未能实现与乘客服务需求的精准对接，从而造成设备资源的浪费。只有针对乘客的出行服务需求进行智慧客服终端配置方案的研究，才能精准对接乘客需求，在降本增效的同时提升运营组织效率和服务效益。

在城市轨道交通车站智慧客服终端的配置方面，国内外的相关研究主要通过仿真软件建立动态仿真模型，并结合具体问题对客服终端设备配置方案进行仿真研究[1-2]。此外，也有学者通过建立数学模型对车站内的服务设备进行相关优化研究[3]。姚加林等[4]利用排队论建立车站安检设备运用开放数量与实时客流需求相匹配的优化模型。徐永能等[5]依照不同车站客流类型对闸机和自动售票机的布局与设置进行了优化设计，使其能够与客流特征相匹配，满足短、中、长期的客流需求。

然而，随着我国城市轨道交通车站智能化客服设备运用的迅速发展，客服终端设备的业务功能不仅仅限于售换票，更是集成了查询、咨询、视频对讲、电子发票、补票、兑零、充值、实名验证为一体的智慧综合服务，车站服务的自助化、智能化程度不断提升。因此，仅通过简单的票务相关变量及参数建立数学模型或仿真模型难以满足目前车站的科学化管理。而在我国城市轨道交通实际运营中，各类智慧客服终端设备的配置方案多以管理经验提出[6]：一方面参照地铁设计规范(GB50157-2013)[7]中对自动售票机及各类终端显示设备的配置规定，另一方面结合运营成本和实际运营情况对客服终端设备的配置进行调整。

总体而言，智慧客服终端设备配置缺乏理论方法支撑，目前尚无相关的规范和研究。如何对乘客出行大数据进行挖掘，并结合车站类型和各类终端设备的功能特点进行智慧客服终端设备的科学配置已成为影响服务满意度、运营效率及基建投资的重要因素，研究就此问题进行探讨。

1 智慧客服终端发展现状

1.1 国内外智慧客服业务发展现状

随着近年来自然语言处理、情感分析等人工智能领域技术的广泛应用，智慧客服得以迅速发展，多种类型的智慧客服终端设备被国内外城市轨道交通车站投入使用。

广州地铁[8]在第三期规划线路中建设全线网统一的智能客服系统，开发智能客服中心、乘客自助终端等多元服务载体，同时在广州塔站、天河智慧城站试点智能客服中心。深圳地铁[9]在深云站和机场站配置了具备语音互动及信息查询功能的智能客服机器人设备，乘客只需靠近设备语音询问，便可查询到票卡、乘车方式、车站内各类设施的位置等信息。以上智慧客服终端设备大多以试点形式投入使用，处于功能探索阶段，很少从客流和乘客个性化需求角度考虑配置的科学性。

在日本的地铁智慧车站建设[10]中，JR东日本株式会社在“智慧服务车站”中设置了摄像机及对讲机，从始发列车到末班列车，“服务中心”的值守人员都会通过摄像机守护着乘客的安全，通过对讲机可以为乘客提供各种指南服务。日本在乘客智慧服务系统的建设中，秉持远程监控管理的理念，对我国打造无人化客服场景具有较强的借鉴意义。

1.2 智慧客服终端功能及特点分析

对城市轨道交通车站现有的智慧客服终端设备进行调研分析，可将站内智慧客服设备分为4类，分别为智能客服终端、乘客自助终端、智能咨询终端和智能客服机器人。智能客服终端也可被称为智能票亭，可涵盖资讯查询、票务处理等多项业务，此外，乘客还可与线网客服座席实现远程音视频交互，接受客服的指导进行设备自助操作，或者通过客服代表实现问询、投诉等服务；乘客自助终端相较智能客服终端而言，不具备远程音视频交互功能；智能咨询终端主要为乘客提供各类型的信息资讯服务，与前两类终端相比，不支持票务处理；智能客服机器人较其他3类客服终端而言具有移动性强的特点，因而对车站人流密度有较高的要求。对以上4种智慧客服终端的功能进行整理，可总结服务需求内容如表1所示，4种终端设备涵盖服务需求情况如表2所示。

表1 服务需求内容Tab.1 Service demands

表2 4种终端设备涵盖服务需求情况Tab.2 Service demands for four terminal devices

2 基于车站画像的智慧客服终端配置方法

2.1 车站画像

城市轨道交通车站画像[11]是指对城市轨道交通车站进行数据建模，以不同的数据维度对车站进行刻画。通过对车站的基本信息、车站客流特征、周边土地利用信息，以及业务信息等标签信息进行建模分析，抽象出易于理解的语义标签并形成一个车站的信息全貌，从而实现站内智慧客服终端设备的科学配置，精准对接乘客需求。例如，当通勤者为站内主要出行乘客时，路径规划及导航相关的设备数量可以适当删减，因为通勤者往往对出行的路径、行程的规划非常熟悉，对信息的敏感度和依赖性是比较低的。建立城市轨道交通车站画像指标体系如图1所示。

图1 城市轨道交通车站画像指标体系Fig.1 Index system of metro station portrait

其中，基础信息指标下的车站名称、所在线路及是否为换乘站等标签描述了车站的基本属性。业务信息指标下的是否为常态限流站、历史爱心预约次数、站内商家信息等标签从客运服务、爱心服务、增值服务3个方面描述了车站的业 务特征。依据是否为常态限流站，可基于客流控制方案调整站内智慧客服终端的界面显示信息；依据历史爱心预约次数可对该站的爱心服务业务进行调整，如对于老人、儿童或残疾人进行爱心预约出行次数较多的车站，可提前安排相关的工作人员进行爱心引导；依据城市轨道交通站点内入驻的商家基础信息、光顾次数等信息，有助于掌握车站内乘客群体的需求特征，从而辅助车站内的广告投放与商家入驻，挖掘和提升媒体价值。由于研究重点在于智慧客服终端的配置方案研究，此处仅对车站画像中业务信息提供的辅助决策进行简单阐述。

客流特征指标下的早高峰/晚高峰进站客流占全天进站客流比例、早高峰/晚高峰出站客流占全天出站客流比例、全天进出站客流总量等标签描述了车站的客流变化。周边土地利用信息指标下的车站周边各类兴趣点(POI)数量占缓冲区总数量比例标签用来描述车站周边的土地利用信息。客流特征和站点周边土地利用情况等因素与各类智慧客服终端配置呈现出显著的相关关系。客流量与智慧客服终端设备的使用负荷强度有关，同时也会影响服务质量及乘客满意度。地铁站周边的土地利用影响着乘客出行方式及出行目的地的选择，不同出行模式的乘客对智慧客服终端的使用需求不同。车站画像中这2类指标在一定程度上可以反映车站内的不同出行目的的乘客构成，进而实现车站类型的划分。

2.2 车站类型划分

既有的车站类型划分研究中，对于站点分类的研究主要使用站点自身特性，以及车站所在区位的城市功能和周边土地利用性质等因素做定性分析，变量复杂冗余，且没有考虑到客流波动的影响。基于客流数据的研究则主要参考轨道站点的客流特征，建立客流矩阵采用聚类方法对轨道站点进行分类。依据车站画像，选取车站画像中的车站客流特征及周边土地利用性质两大类标签通过聚类对车站类型进行划分，其中客流特征具体包括早高峰/晚高峰进站客流占全天进站客流比例、早高峰/晚高峰出站客流占全天出站客流比例、全天进出站客流总量占全网总客流量比例，周边土地利用性质具体包括各类POI数量占缓冲区总数量比例。通过分析不同类型车站面向乘客群体的服务需求差异，可以对不同乘客群体制定更有针对性的智慧客服终端设备配置方案。

POI作为导航数据的背景数据，具有覆盖面广、种类多、时效性强等优点。因此，研究通过POI数据来反映地铁站点周边土地利用特征，POI数据来自于高德地图开放平台。站点缓冲区的半径根据站点周边5 ～ 10 min合理步行时间所对应的距离，数值取500 m。参考POI原始类型，结合不同商业设施的服务目的进行整理统计，可得到站点周边POI类别如表3所示。此外，删除了一些与出行目的不密切相关的POI，如公厕、红绿灯等。

表3 站点周边POI类别Tab.3 POI category around the station

2.3 智慧客服终端数量配置

客流通过智慧客服终端完成自助服务的过程可用排队论M/M/N系统中的单路排队多通道服务模式来描述[4]。根据前文对各类终端设备的服务需求分析，同时结合车站聚类结果，不同类型车站的各类客服终端设备配置数量可按公式⑴进行计算，各参数根据各地区及线路具体情况进行设置。

式中：Ns为设备计算数量，向上取整，台；Nj为高峰小时客流量，人次/h；Kc为超高峰小时系数，取值为1.1；Ks为设备裕量，取值为1.1； Ksd为车站内乘客各项服务需求的比例；Vs为终端设备的需求处理能力，人次/(h·台)。

3 案例分析

通过采集北京市轨道交通全网343个站点2018年8月1日至8月7日的刷卡数据，利用Python对各站点全日进出站客流数据进行整理，并选取各类POI数量占缓冲区总数量之比为站点周边土地利用特征聚类变量，则每条站点数据包含14个变量(5个客流特征，9个POI特征)，共获得 5 802个(343个站点×14)变量用于聚类。将整理后的数据进行K-means聚类，得到不同聚类数下的轮廓系数值如图2所示，可知聚类数为6时聚类效果最佳。将聚类参数k设为6可得出站点聚类结果如图3所示，依据POI对站点类别的功能进行标定，得到站点典型及其类型如表4所示。

表4 站点典型及其类型Tab.4 Typical types of stations

图2 不同聚类数下的轮廓系数值Fig.2 Silhouette coefficients under different clusters

图3 站点聚类结果Fig.3 Station clustering results

考虑到智能客服终端的功能特点以及成本，此处设定配置方案为一站仅配置一台。同时，由于智能客服机器人具有移动性强的特点，因而对车站人流密度有较高的要求，应避免在通勤线路及小型地铁站进行配置，此处设定配置方案为在高速铁路、机场等换乘枢纽站一站配置一台。乘客自助终端及智能资讯终端在各类服务场景下的服务能力结合设备产品规格书及现场调研实际情况，可得到各类服务终端对不同服务需求的服务能力如表5 所示。

表5 各类服务终端对不同服务需求的服务能力Tab.5 Service capacity of various service terminals for different service demands

选取各类站点的典型站点进行服务需求强度调研，并通过各类服务场景使用比例参数进行服务需求强度的描述，可得到各类站点对不同服务需求的服务使用比例如表6所示。

表6 各类站点对不同服务需求的服务使用比例Tab.6 Service utilization ratios of different service demands in various stations

将以上参数代入公式 ⑴ 中，可得到各类站点智慧客服终端设备配置方案如表7所示，本研究中取每类站点高峰小时客流量最大值为Nj。

从表7可看出，乘客自助终端与智能资讯终端2类设备在交通枢纽类站点和商业类站点布置数量较多，办公类站点和住宅类站点其次，学校文化类和其他类站点较少。这与各类站点的客流量有关，即交通枢纽类站点与商业类站点的客流量相对其他类站点更高。同时，由于交通枢纽类站点的乘客群体对票卡办理业务、运营及导航信息查询的服务需求强度更高，商业类站点的乘客群体对各类信息查询的服务需求强度较高，因而终端设备数量应适量增加，以匹配乘客需求。

表7 各类站点智慧客服终端设备配置方案 台Tab.7 Configuration scheme for intelligent customer service terminal of various stations

基于上述智慧客服终端配置方案，以北京西站为例，可得到北京西站智慧客服终端成本测算如表8所示。

表8 北京西站智慧客服终端成本测算Tab.8 Cost calculation of intelligent customer service terminals in Beijing West Railway Station

此处对运营成本定义及分类如下：智慧客服终端运营成本指为乘客提供服务过程中发生的各项消耗。按业务特点和性质将其分为客运服务成本、检修服务成本2类。客运服务成本是指地铁客运服务过程所需消耗的物料、能耗等成本费用；检修服务成本是指为维护地铁设备设施正常运行，运营单位对设备设施检修作业所消耗的人力、物料和委外维修等成本费用。此处折旧系数按每台可工作时间为3年进行估算。对于能耗成本，智慧客服终端设备按1 300 W/h的最大功耗、每天16 h全功率运作计算，每台每月耗电约624 kW·h，按电价0.9元/(kW·h)计，每台每月能耗成本为562元。对于客运服务的人力成本，每台智能客服机器人仍需设1名工作人员提供引导等服务。

因此，基于智慧客服终端配置方案，北京西站客服终端月成本为6.155 4万元，可以发现人力成本在总成本中的占比高达32.49%，对总成本有着较大的影响。通过调研，目前北京西站客服设备配置人员数量为5人左右，相比方案提出的人员配置数量高出60%。这说明相较地铁运营工作中依据管理经验提出的智慧客服终端设备配置方案，研究结合车站画像提出智慧客服终端的科学配置方案更具有经济性，有助于车站在“无人化”发展趋势下满足乘客服务需求，降低人力成本，对城市轨道交通运营企业实现降本增效具有重要的现实意义。

4 结束语

研究结合车站画像，针对不同类型车站的乘客服务需求进行智慧客服终端配置方案的研究。首先基于车站画像运用K-means对车站类型进行划分，其次通过排队论将不同类型车站的服务需求强度与终端设备服务能力相匹配，最终以北京市城市轨道交通站点为例给出智慧客服终端配置方案，并对该方案下的成本进行了分析。研究结果表明，面向数据驱动的智慧客服终端配置方案更具经济性，有助于在车站无人值守趋势下实现车站客服终端服务能力与乘客需求的精准对接，在降本增效的同时提升运营组织效率和服务效益。