基于加权灰靶决策的出租车司机决策研究

夏劲彪 王新政 韩烨阳 郭家容

（1、桂林理工大学信息科学与工程学院，广西 桂林541004 2、桂林理工大学理学院，广西 桂林541004）

1 研究背景

伴随着我国经济的发展，城市居民收入水平也在逐步提高，人们对出行的方便与舒适程度的要求也在不断提高，因而出租车的份额在城市交通市场中不断上升[1]。伴随的是竞争越来越大，而有经验的司机通常选择去城市人口基数大的场合进行拉客以保证他们的收益。机场就是一个人口聚集地。有些出租车司机选择直接去机场拉乘客，而有些出租车司机在市区内接单，送乘客去机场。到了机场之后，他们面临着两种选择[2]：一是留着排队等待乘客返回市区，二是直接空客返回市区。选择何种方式的行程将直接决定他们收益的多少。如何做出获取更大收益的选择，往往是出租车司机根据实际情况与自身的经验来进行做决策的。

2 基于加权灰靶决策的出租车司机决策模型

多目标加权灰靶决策模型可以帮助决策者在少信息、贫数据情境下，从多个决策目标中选择最优决策目标。该模型在数据稀少的情况下，帮助决策者在多个决策目标中选择最优决策目标,并且对于各个决策目标，它也有自己的独有的属性权重，因此也显示了多个决策目标对于最终决策的影响重要程度不同.最后，它也使用了综合效果测度来确认最好的决策。该模型的步骤主要分为确定事件集、确定决策目标、计算决策权数以及确定最终对策这四个部分。

步骤1：将送客到机场的出租车司机面临的选择记为事件集S={s1，s2}。s1为前往到达区排队等候载客返回市区，s2为直接放空返回市区拉客。

步骤2：确定影响决策的决策目标。根据数据分析和经验分析，将“飞机的到达时间”，“乘客乘车时间”，“车辆拥堵情况”，“蓄车池车辆数量”作为司机选择不同对策的决策目标。

步骤3：根据已有的4 个决策目标确定影响决策目标的具体步骤划分细则。

（1）决策目标1 的划分依据：①已经到达的飞机到达时间按照30mins 划分为两部分。而30mins 是由一般情况下一架飞机到达之后出来的人数会在多长时间内通过各种交通方式走光的时间来决定的。②未到达的飞机到达时间则是由出租车司机从机场返回市区所用的时间所决定的（在不堵车，一路畅通的前提下）。

（2）决策目标2 的划分依据：地铁在一天中不会24 小时运营，并且在夜晚时，机场巴士等交通方式会比较少，因此人们在晚上乘车的几率会比白天大。根据出租车司机对于夜晚行车时间（22：00-6：00）以及白天行车时间（6：00-22：00）为标准，整体分数为10 分，根据资料得，乘客乘车时间为白天的均值大致为2.8，晚上的均值为7.2。

3 模型求解

在第一种情况下，下一批飞机将在30mins 内到达（我们在这里设飞机已经到达的时间为均值15mins）；乘客的乘车时间为白天；车辆不拥堵；蓄车池车辆数量少（35 辆）。

标准决策矩阵的构建：在该问题中飞机的到达时间X1和蓄车池车辆数量X4为费用型属性，乘客乘车时间X2和车辆拥堵情况X3则属于效益型属性。决策目标存在费用型属性，因此在标准化时，应先对费用型属性值做变换：

经过归一化、最大化、模一化之后，记属性X1，X2，…，Xn的权重为w1，w2，…，wn，满足∑nj=1wj=1，w=（w1，w2，…，wn）T成为权向量。而属性权重的确定有偏于客观与主观这两种方式。信息熵法为偏向于客观的确定方式，本研究即选取该种方式。

根据熵的定义可以得到关于属性Xj的熵为

经计算得，该问题中各属性Xj的熵Ej分别为：

E1=0.881 E2=0.856 E3=0.996 E4=0.918

由Fj=1-Ej，0≤Fj≤1 得到属性Xj的区分度，将归一化的区分度取作属性Xj的权重wj，依据相关数据，计算出权重Xj分别为：

w1=0.341 w2=0.414 w3=0.011 w4=0.234

通过rij=∑wijrij得，综合效果测度矩阵R=[0.517，0.483]。

4 基于加权灰靶决策的出租车司机决策模型

近年来深圳宝安机场的机场吞吐量稳居前十，因此收集该机场及其所在城市出租车的相关数据具有一定的代表性。深圳宝 安 机 场 的 经 纬 度 分 别 为 22.656226～113.794727 22.626273～113.843882，将在网上抓取到的数据进行处理。将出租车的位置经纬度出现在机场内的出租车筛选出来，之后我们将出租车在机场停留时间长并且其出租车载客人数发生0 到1 或者发生1 到0 到1 变化的出租车筛选出来，认为是前往到达区排队载客返回市区的车辆；其余出现在机场的出租车的载客量发生1到0 的变化则视为直接放空返回市区拉客。在判断出该出租车司机在机场载客后，观察该司机拉到客人的时间点以及当时从机场回市区汽车的拥堵情况。反之，当判断出出租车司机选择直接放空返回市区拉客时，观察相应的情况。分别判断这些情况是否与我们所建立的模型一致。

对数据进行一一判断，如下表所示。

对数据判断结果

在整体中，实际到达区排队与通过模型预测到达区排队的事件有859 个，即正确预测的有概率为84.29%，而对于通过模型正确预测回市区的出租车司机的概率为93.85%。因此，该模型建立合理。

从第一问中，我们可以得到在该模型中，飞机的到达时间X1、乘客乘车时间X2、车辆拥堵情况X3 以及蓄车池车辆数量X4 这 4 个决策目标所确定的决策权数分别为0.419，0.148，0.014，0.419。从中，我们可以看到在这几个因素中，最能影响出租车司机做决策的是乘客乘车时间，飞机的到达时间次之，而车辆的拥堵情况对出租车司机做出决策的影响因素最小。

5 结论

为了满足出租车司机更公平且最大程度的获益，提出了如下问题：（1）分析研究影响出租车司机进行选择的相关因素，将考虑机场乘客数量变化和司机的收益结合起来，建立司机选择决策模型，并给出司机的选择。（2）收集国内某一机场及其所在城市出租车相关数据，验证决策模型的合理性和出租车司机进行决策时对相关因素的依赖性。研究表明：乘客坐出租车为白天、从机场到市区的路途交通情况拥堵或者蓄车池车辆数量少的情况下，顾客更容易选择前往到达区排队等待载客返回市区。而在飞机到达时间较长、距离飞机到达还有一段时间、乘客飞机的航班为晚上、从机场到市区的路途交通状况畅通或者飞机刚到达但蓄车池车辆数量较多的情况下，顾客更容易选择直接放空返回市区拉客。影响出租车司机做决策的重要程度为：乘车时间>飞机到达时间>车辆拥堵情况。