基于乘客需求的站務(wù)管理平臺(tái)系統(tǒng)設(shè)計(jì)研究

0   引言

站務(wù)管理平臺(tái)的設(shè)計(jì)與開(kāi)發(fā)離不開(kāi)對(duì)乘客需求的分析和挖掘，北京地鐵熱線是北京地鐵與乘客之間的重要溝通渠道，每年都會(huì)積累大量乘客留言信息，這些信息往往會(huì)暴露出運(yùn)營(yíng)過(guò)程中存在的不足，并可進(jìn)一步發(fā)掘出乘客的潛在服務(wù)需求。因此，對(duì)于乘客需求的挖掘，將有助于精確地定位站務(wù)管理平臺(tái)系統(tǒng)的功能，使系統(tǒng)更加符合乘客的實(shí)際需要。

從現(xiàn)有文獻(xiàn)可知，對(duì)于乘客的需求挖掘方法，通常采取乘客調(diào)研的方式——請(qǐng)乘客填寫(xiě)調(diào)研問(wèn)卷或進(jìn)行訪談，這種方法的優(yōu)點(diǎn)是獲取的信息較為全面，缺點(diǎn)是需求挖掘不夠深入，并且由于調(diào)研問(wèn)題的限制，一些需求點(diǎn)容易被忽略。通過(guò)乘客建議文本挖掘乘客需求是對(duì)乘客調(diào)研的補(bǔ)充和替代，乘客主動(dòng)提出的建議能夠反映出乘客真實(shí)可靠的需求。

1   乘客需求挖掘關(guān)鍵技術(shù)

本文通過(guò)主題模型方法對(duì)乘客需求進(jìn)行挖掘。首先，將乘客建議文本由非結(jié)構(gòu)化數(shù)據(jù)通過(guò)文本預(yù)處理方法轉(zhuǎn)變?yōu)榻Y(jié)構(gòu)化的數(shù)據(jù)，并去除掉停用詞及干擾詞，生成分析語(yǔ)料；其次，將語(yǔ)料導(dǎo)入到主題模型當(dāng)中，生成主題分類(lèi)結(jié)果及主題關(guān)鍵詞；最后，通過(guò)領(lǐng)域經(jīng)驗(yàn)根據(jù)關(guān)鍵詞生成最終分類(lèi)結(jié)果。

1.1 LDA模型

LDA（Latent Dirichlet Allocation）主題模型由David M Blei提出，屬于自然語(yǔ)言處理中主題挖掘的典型模型，是基于概率圖的三層貝葉斯概率生成模型。LDA主題模型的主要思想是假設(shè)文檔集中的每個(gè)文檔均由多個(gè)主題混合而成，每個(gè)主題是固定詞表上多個(gè)詞匯的多項(xiàng)式分布，目的在于采用高效的概率推斷算法處理大規(guī)模數(shù)據(jù)，從文本語(yǔ)料庫(kù)中抽取潛在的主題，提供一種量化研究主題的方法。該方法目前已經(jīng)被廣泛應(yīng)用到各類(lèi)主題發(fā)現(xiàn)中，如熱點(diǎn)挖掘、主題演化、趨勢(shì)預(yù)測(cè)等。

LDA模型認(rèn)為文檔是由權(quán)重相同的詞語(yǔ)可以用矩陣分解的形式表現(xiàn)出來(lái)，通過(guò)矩陣分解可以構(gòu)造出LDA的概率模型。也就說(shuō)LDA模型可以通過(guò)圖1左邊的矩陣進(jìn)行訓(xùn)練，學(xué)習(xí)得出右邊2個(gè)矩陣。

圖1 LDA模型的矩陣形式

在向量空間中，任何語(yǔ)料（文檔的集合）可以表示為文檔（Document - Term，DT）矩陣。表1的矩陣表達(dá)了1個(gè)語(yǔ)料庫(kù)的組成：

表1 語(yǔ)料矩陣

其中，N個(gè)文檔D1,D2,…Dn的組成語(yǔ)料庫(kù)，M個(gè)詞W1,W2,…Wm組成詞匯表。矩陣中的值表示了詞Wj在文檔Di中出現(xiàn)的頻率，同2時(shí)，LDA將這個(gè)矩陣轉(zhuǎn)換為2個(gè)低維度的矩陣：M1和M。

表2顯示了M1矩陣的情況，它是N×K大小的 document-topic 矩陣，N指文檔的數(shù)量，K指主題的數(shù)量，M1中，是一個(gè)長(zhǎng)度為k的向量，用于描述當(dāng)前文檔在k個(gè)主題上的分布情況，Z表示具體的主題。

表2 語(yǔ)料矩陣

表3顯示了M2矩陣的情況，它是K×V維的topic-term矩陣，K指主題的數(shù)量，V指詞匯表的大小。M2中每一行都是1個(gè)分布，也就是主題在m個(gè)詞上的多項(xiàng)式分布情況，可以通過(guò)學(xué)習(xí)得到。

表3 語(yǔ)料矩陣

1.2 LDA建模流程

基于LDA的文本主題建模包括文本數(shù)據(jù)導(dǎo)入、建立語(yǔ)料詞典、形成詞袋模型和詞頻數(shù)據(jù)類(lèi)型、設(shè)置主題建模參數(shù)，主題建模流程見(jiàn)圖2。

圖2 LDA主題建模流程

1.3 乘客建議文本預(yù)處理

本文共收集了2018年北京地鐵乘客熱線留言5 000 條，在進(jìn)行乘客需求挖掘之前，先對(duì)原始文本數(shù)據(jù)進(jìn)行預(yù)處理，將文本的半結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)變?yōu)榻Y(jié)構(gòu)化數(shù)據(jù)。需要對(duì)原始文本數(shù)據(jù)進(jìn)行去重、分詞和和過(guò)濾停用詞處理。

1）原始文本數(shù)據(jù)去重

由于乘客建議文本數(shù)據(jù)存在著重復(fù)記錄的問(wèn)題，對(duì)于后續(xù)的文本分析會(huì)造成一定的干擾，所以需要對(duì)原始數(shù)據(jù)進(jìn)行去重操作。

2）文本分詞

分詞階段就是對(duì)每個(gè)文本進(jìn)行中文分詞，詞性標(biāo)注，并且使其結(jié)果按照規(guī)定的格式輸出。本研究采用Jieba分詞算法，分詞精度高，其中基于角色標(biāo)注的新詞識(shí)別的召回率高于90%，詞性標(biāo)注、分詞處理速度達(dá)到543.5 kB/s。

（3）過(guò)濾停用詞

因?yàn)樵诜衷~階段所得到的詞集中，有很多詞是無(wú)實(shí)際意義的，這些無(wú)實(shí)際意義的詞對(duì)分析工作的影響可以忽略不計(jì)，但如果將這些無(wú)實(shí)際意義的詞作為文本特征詞，往往會(huì)給文本分類(lèi)結(jié)果帶來(lái)較大的誤差，通常本文將這些詞稱(chēng)為停用詞。所以就需要在正式的文本分析前，對(duì)這些停用詞進(jìn)行過(guò)濾。

1.4 語(yǔ)料主題建模結(jié)果

主題建模結(jié)果包含了多個(gè)主題，主題數(shù)量由參數(shù)設(shè)置決定。每個(gè)主題又包含了多個(gè)主題詞和主題詞的權(quán)重，權(quán)重代表主題詞屬于該主題的概率。根據(jù)關(guān)鍵詞參數(shù)的設(shè)置，結(jié)果按照權(quán)重的大小排序，篩選出該主題下可能的主題詞?？偨Y(jié)出乘客需求挖掘的主題類(lèi)型如表4所示。

表4 乘客需求主題類(lèi)型及關(guān)鍵詞

根據(jù)乘客熱線留言的主題模型挖掘，分析出乘客的乘車(chē)的需求包括：

1）具有方便乘車(chē)并快速準(zhǔn)時(shí)到達(dá)目的地的需求，如導(dǎo)向標(biāo)識(shí)清晰、列車(chē)時(shí)刻表準(zhǔn)確等，包括Topic 1、Topic 4和Topic 7。

2）具有乘車(chē)全流程中保證人身安全的需求，如設(shè)備運(yùn)行穩(wěn)定、人員安全等，包括Topic 2、Topic 6

3）具有在乘車(chē)的全流程中保持舒適的需求，如地鐵工作的人員的服務(wù)態(tài)度良好、服務(wù)技能達(dá)標(biāo)、環(huán)境適宜等，包括Topic 3、Topic 5和Topic 8。

2 基于乘客需求的站務(wù)管理平臺(tái)系統(tǒng)設(shè)計(jì)

根據(jù)乘客的上述需求，站務(wù)管理要從乘客的基本乘車(chē)需求、安全需求、服務(wù)需求三方面出發(fā)，進(jìn)行相應(yīng)工作安排。對(duì)于站務(wù)管理平臺(tái)系統(tǒng)設(shè)計(jì)也應(yīng)從這三方面著手，配合站務(wù)管理工作。因此，對(duì)于站務(wù)工作人員提出了如下的工作需求：

1）始終保持對(duì)車(chē)站的整體態(tài)勢(shì)的持續(xù)感知功能，對(duì)車(chē)站運(yùn)行狀態(tài)的全面掌握，對(duì)突發(fā)時(shí)間的及時(shí)響應(yīng)，需要囊括的數(shù)據(jù)包括車(chē)站的環(huán)境信息、客流量信息、列車(chē)到站時(shí)間和站內(nèi)設(shè)備運(yùn)行狀態(tài)等；

2）對(duì)于站內(nèi)的各個(gè)系統(tǒng)設(shè)備進(jìn)行巡檢、管理維護(hù)，及時(shí)對(duì)設(shè)備故障進(jìn)行維修，并完善設(shè)備維護(hù)和故障維修記錄；

3）對(duì)站務(wù)工作人員持續(xù)地進(jìn)行業(yè)務(wù)培訓(xùn)，保持工作人員良好的服務(wù)態(tài)度，不斷提升業(yè)務(wù)技能；

4）合理的進(jìn)行工作計(jì)劃安排，保持車(chē)站業(yè)務(wù)運(yùn)行順暢，提高站務(wù)人員的工作效率；

5）對(duì)乘客提出的問(wèn)題要記錄和匯總，并及時(shí)做出改進(jìn)和反饋；

6）對(duì)車(chē)站的物資的合理化管理、運(yùn)用和分配。

針對(duì)上述站務(wù)工作人員的業(yè)務(wù)需求，提出了相應(yīng)的站務(wù)管理平臺(tái)系統(tǒng)框架，如圖3所示。

圖3 站務(wù)管理平臺(tái)系統(tǒng)架構(gòu)

1）感知層

基于對(duì)于地鐵站內(nèi)的態(tài)勢(shì)感知需求，需要不同的傳感器獲取站內(nèi)設(shè)備的數(shù)據(jù)，了解設(shè)備的運(yùn)行狀態(tài)；不同的系統(tǒng)接口，獲取票務(wù)、電力、環(huán)控等系統(tǒng)的數(shù)據(jù)進(jìn)行綜合分析；統(tǒng)一的通訊協(xié)議，在不同系統(tǒng)之間傳遞數(shù)據(jù)和指令，使地鐵站內(nèi)不同的系統(tǒng)結(jié)合程有機(jī)的整體，協(xié)調(diào)發(fā)揮作用。

2）業(yè)務(wù)層

根據(jù)站務(wù)工作的需要，結(jié)合感知層獲得的數(shù)據(jù)，構(gòu)建工作管理、巡檢管理、設(shè)備故障報(bào)修、員工培訓(xùn)、數(shù)據(jù)管理和臺(tái)賬管理六大功能。通過(guò)這六個(gè)業(yè)務(wù)管理模塊，協(xié)助站務(wù)人員完成業(yè)務(wù)需求。

3）終端設(shè)備層

站務(wù)管理平臺(tái)系統(tǒng)實(shí)現(xiàn)了臺(tái)式機(jī)、平板電腦和手機(jī)的跨平臺(tái)建設(shè)，打破傳統(tǒng)管理信息系統(tǒng)桌面端的限制，實(shí)現(xiàn)桌面端和移動(dòng)端數(shù)據(jù)的共享，賦予站務(wù)人員移動(dòng)辦公能力，提高業(yè)務(wù)處理效率。

4）用戶(hù)層

站務(wù)管理平臺(tái)系統(tǒng)主要使用者包括站務(wù)領(lǐng)導(dǎo)、站務(wù)工作人員和系統(tǒng)管理員。系統(tǒng)管理員負(fù)責(zé)維護(hù)系統(tǒng)保持系統(tǒng)的正常運(yùn)行；站務(wù)領(lǐng)導(dǎo)主要通過(guò)系統(tǒng)進(jìn)行工作安排，并通過(guò)系統(tǒng)數(shù)據(jù)掌握站務(wù)工作進(jìn)展；站務(wù)工作人員通過(guò)系統(tǒng)接收各種工作任務(wù)，并通過(guò)系統(tǒng)將工作中的產(chǎn)生的數(shù)據(jù)反饋到系統(tǒng)中來(lái)。三類(lèi)用戶(hù)根據(jù)崗位職責(zé)不同，擁有不同的系統(tǒng)權(quán)限。

3   結(jié)語(yǔ)

區(qū)別與傳統(tǒng)的信息系統(tǒng)需求設(shè)計(jì)，本文并非單純挖掘系統(tǒng)使用者的業(yè)務(wù)需求，而是進(jìn)一步分析系統(tǒng)使用者的服務(wù)對(duì)象，從服務(wù)對(duì)象需求的角度推演出系統(tǒng)使用者的需求，使系統(tǒng)設(shè)計(jì)更加符合實(shí)際需要。本文利用主題模型方法，對(duì)地鐵乘客熱線的留言文本進(jìn)行分析，挖掘出8種乘客乘車(chē)常見(jiàn)的問(wèn)題，匯總出乘客準(zhǔn)時(shí)到達(dá)目的地、安全和舒適的3種需求，并推演出站務(wù)工作者對(duì)地鐵站態(tài)勢(shì)感知的需求，對(duì)自身業(yè)務(wù)技能和服務(wù)態(tài)度提升的需求，對(duì)于地鐵站設(shè)備故障及時(shí)維修的需求，對(duì)工作計(jì)劃科學(xué)合理安排的需求，對(duì)乘客問(wèn)題及時(shí)改進(jìn)和反饋的需求，和對(duì)車(chē)站物資合理管理的需求，并根據(jù)以上需求設(shè)計(jì)出適合地鐵站務(wù)工作的管理信息系統(tǒng)。

參考文獻(xiàn)：

[1] 鄭大威,馬琳,燕飛.地鐵設(shè)備智能維修管理研究及展望[J].都市快軌交通, 2018 (5): 32.

[2] 肖雄,陳朝暉,何華強(qiáng).智慧地鐵車(chē)站移動(dòng)站務(wù)管理系統(tǒng)的設(shè)計(jì)與研究[J].通訊世界,2020(1):25.

[3] 謝美麗,張欣環(huán),吳金洪,等.基于模糊綜合評(píng)價(jià)法的杭州地鐵乘客滿(mǎn)意度評(píng)價(jià)[J].交通與運(yùn)輸,2020,36(02):78-81.

[4] 劉建榮,周毅镕,祝旭乾.基于Rasch模型的地鐵服務(wù)質(zhì)量研究[J].武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版),2019,43(04):580-584.

[5] 黃體允,夏妞,李秋健,等.基于乘客出行滿(mǎn)意度的地鐵換乘方案優(yōu)化[J].價(jià)值工程,2020,39(08):27-28.

[6] 吳剛勇,張千斌,吳恒超,等.基于自然語(yǔ)言處理技術(shù)的電力客戶(hù)投訴工單文本挖掘分析[J].電力大數(shù)據(jù),2018,21(10):68-73.

[7] 劉興平,章曉明,沈然,等.電力企業(yè)投訴工單文本挖掘模型[J].電力需求側(cè)管理,2016,18(2):57-60.

[8] 廉素潔.基于文本分類(lèi)和情感評(píng)分的電信投訴文本挖掘研究[D].杭州:浙江工商大學(xué),2018.     

（本文來(lái)源于《電子產(chǎn)品世界》雜志社2020年12月期）