Resumen de Análisis de eficiencia de redes neuronales en el estudio de la calidad del servicio en el transporte público: aplicación al área metropolitana de Granada

Maria Concepcion Garrido Rodriguez

• Actualmente, uno de los retos de los administradores de transporte público es conseguir que éste, en sus distintos modos, sea de uso extendido por los ciudadanos, y una alternativa al vehículo privado. El transporte en vehículo privado es percibido en general como un modo más cómodo, flexible y rápido, que se adecua mejor al ritmo de vida actual. Sin embargo, su uso excesivo genera problemas sociales y ambientales en las ciudades, como la contaminación, las congestiones de tráfico, el ruido, etc., que ponen en peligro la sostenibilidad de la movilidad en ellas.

  Los servicios de transporte público tienen que competir con otros modos, y garantizar unos servicios de alta calidad y efectivos, para captar viajeros. Dado que el servicio prestado repercute directamente en el pasajero, puede considerarse que la medida de la calidad del servicio es la percepción que el usuario tenga del mismo. Por tanto, el nivel de calidad de un servicio será elevado si sus características se adecuan a las necesidades y expectativas de los usuarios.

  En los últimos años ha emergido un interés creciente por analizar la calidad del servicio percibida por los usuarios del transporte público, y especialmente qué atributos son más importantes a la hora de hacer una valoración global del nivel de servicio. Se han usado varias técnicas como los modelos de regresión logit o probit, los árboles de decisión o las ecuaciones estructurales, pero hasta la fecha no ha logrado establecerse un consenso sobre qué método es más eficaz y ofrece mejores resultados en el análisis de la calidad del servicio, por lo que es necesario seguir avanzando e incorporando nuevas técnicas de estudio. En esta investigación, se utiliza de forma novedosa la técnica de las redes neuronales artificiales para analizar la calidad del servicio en transporte público. Por tanto, el objetivo de la presente tesis doctoral es determinar la importancia relativa de las variables incluidas en las encuestas realizadas a los usuarios del transporte público utilizando esta técnica de inteligencia artificial. Para ello se ha utilizado una base de datos de 856 encuestas realizadas a los usuarios del sistema de transporte público por autobús del área metropolitana de Granada.

  Los resultados obtenidos en este estudio muestran que las variables más influyentes detectadas por estos modelos coinciden con las que se han obtenido en otros estudios existentes en la literatura científica mediante otras técnicas, y concretamente se ha realizado una comparativa con la técnica de árboles de decisión utilizando la misma base de datos.

  Además, en este trabajo de investigación desarrolla una novedosa metodología que mitiga considerablemente la inestabilidad inherente en los modelos de redes neuronales artificiales cuando se determina la importancia relativa de las variables predictoras consideradas en ellos. Esta limitación es bien conocida en la literatura científica por los investigadores en esta materia, y supone una mejora en la estabilidad y en la robustez de los resultados, que puede aplicarse no sólo a este caso concreto de estudio sino a cualquier otro en el que se aplique la técnica de las redes neuronales artificiales.

  BIBLIOGRAFÍA 1. Beale, J.R., and P.W. Bonsall. Marketing in the bus industry: A psychological interpretation of some attitudinal and behavioural outcomes. Transportation Research Part F, Vol. 10, 2007, pp. 271¿287.

  2. Brög, W., E. Erl, I. Ker, J. Ryle, and R. Wall. Evaluation of voluntary travel behaviour change: Experiences from three continents. Transport Policy, Vol. 16, 2009, pp. 281¿292.

  3. de Oña, J., and R. de Oña. (in press). Quality of service in public transport based on customer satisfaction surveys: A review and assessment of methodological approaches. Transportation Science.

  4. Weinstein, A. Customer satisfaction among transit riders. How customer rank the relative importance of various service attributes. In Transportation Research Record: Journal of the Transportation Research Board, No. 1735, Transportation Research Board of the National Academies, Washington, D.C., 2000, pp. 123-132.

  5. Garver, M.S. Best practices in identifying customer-driven improvement opportunities. Industrial Marketing Management, Vol. 32, No. 6, 2003, pp. 455-466.

  6. de Oña J., R. de Oña, and F.J. Calvo. A classification tree approach to identify key factors of transit service quality. Expert Systems with Applications, Vol. 39, 2012, pp. 11164¿11171.

  7. de Oña, J., R. de Oña, L. Eboli, and G. Mazzulla. Heterogeneity in perceptions of service quality among groups of railway passengers. International Journal of Sustainable Transportation. in press. (DOI: 10.1080/15568318.2013.849318) 8. de Oña, R., L. Eboli, and G. Mazzulla. Key factors affecting rail service quality in the northern Italy. A Decision Tree Approach. Transport, Vol. 29, No. 1, 2014, pp. 75-83.

  9. Garrido, C., R. de Oña, and J. de Oña. Neural networks for analyzing service quality in public transportation. Expert Systems with Applications, Vol. 41, No. 15, 2014, pp. 6830-6838.

  10. Montella, A, M. Aria, A. D¿Ambrosio, and F. Mauriello. Analysis of powered two-wheeler crashes in Italy by classification trees and rules discovery. Accident Analysis and Prevention, Vol. 49, 2012, pp. 58-72.

  11. Breiman, L., J.H. Friedman, R.A. Olshen and C.J. Stone. Classification and Regression Trees. Wadsworth, Belmont (CA), 1984.

  12. Witten, I.H. and E. Frank. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufman, Amsterdam, 2005.

  13. Yohannes, Y., and P. Webb. Classification and Regression Trees. CART: A User Manual for Identifying Indicators of Vulnerability to Famine and Chronic Food Insecurity. International Food Policy Research Institute. Washington D.C., 1999.

  14. Cao, M., and P. Qiao. Neural network committee-based sensitivity analysis strategy for geotechnical engineering problems. Neural Computing and Applications, Vol. 17, 2008, pp. 509-519.

  15. Paliwal, M., and U.A. Kumar. Assessing the contribution of variables in feed forward neural network. Applied Soft Computing, Vol. 11, No. 4, 2011, pp. 3690-3696.

  16. De Oña, J., and C. Garrido. Extracting the contribution of independent variables in neural network models: a new approach to handle instability. Neural Computing and Applications, Vol. 24, No. 5, 2014, DOI: 10.1007/s00521-014-1573-5.

  17. Funahashi, K.I. On the approximate realization of continuous mappings by neural networks. Neural Networks, Vol. 2, No. 3, 1989, pp. 183-192.

  18. Palmer, A., and J.J. Montaño. Neural networks applied to analysis of data. Doctoral Thesis. University of Palma de Mallorca, 2002.

  19. Martín del Bío, B., and A. Sanz Molina. Neural networks and fuzzy systems. RA_MA, Inc., Madrid, 2006.

  20. Delen, D., R. Sharda, and M. Bessonov. Identifying significant predictors of injury severity in traffic accidents using a series of artificial neural networks. Accident Analysis and Prevention, Vol. 38, 2006, pp. 434-444.

  21. Olden, J.D., and D.A. Jackson. Illuminating the ¿black-box¿: a randomization approach for understanding variable contributions in artificial neural networks. Ecological Modelling, Vol. 154, 2002, pp. 135-150.

  22. Lek, S., A. Beland, I. Dimopoulos, J. Lauga, and J. Moreau. Improved estimation, using neural networks, of the food consumption of fish populations. Marine and Freshwater Research, Vol. 46, No. 8, 1995, pp. 1229-1236.

  23. Gevrey, M., I. Dimopoulos and S. Lek. Review and comparison of methods to study the contribution of variables in artificial neural network models. Ecological Modelling. Vol. 160, 2003, pp. 249-264.

  24. Chang, L.Y., and H.W., Wang. Analysis of traffic injury severity: An application of non-parametric classification tree techniques. Accident Analysis and Prevention, Vol. 38, 2006, pp. 1019¿1027.

  25. Mahapatra, S.S., and M.S. Khan. A methodology for evaluation of service quality using neural networks. Presented at the International Conference on Global Manufacturing and Innovation, Rourkela, 2006.

  26. Larasati, A., C. De Yong, and L. Slevitch. The application of neural network and logistics regression models on predicting customer satisfaction in a student-operated restaurant. Procedia Social and Behavioral Sciences, Vol. 65, 2012, pp. 94-99.

  27. Yao, J., N. Teng, H.L. Poh and C.L. Tan. Forecasting and analysis of marketing data using neural networks. Journal of Information Science and Engineering, Vol. 14, 1998, pp. 843-862.

  28. Dimopoulos, Y., P. Bourret and S. Lek. Use of some sensitivity criteria for choosing networks with good generalization ability. Neural Processing Letters, Vol. 2, 1995, pp. 1-4.

  29. Xie, C., J. Lu, and E. Parkany, E. Work travel mode choice modelling with data mining. In Transportation Research Record: Journal of the Transportation Research Board, No. 1854, Transportation Research Board of the National Academies, Washington, D.C., 2003, pp. 50-61.

  30. Lee, Ch., B. Ran, F. Yang, and W.Y. Loh. A hybrid tree approach to modeling alternate route choice behavior with online information. Journal of Intelligent Transportation Systems, Vol. 14, No. 4, 2010, pp. 209¿219.

  31. Dell¿Olio, L., A. Ibeas, and P. Cecin. Modelling user perception of bus transit quality. Transport Policy, Vol. 17, No. 6, 2010, pp. 388-397.

  32. Dell¿Olio, L., A. Ibeas, and P. Cecín. The quality of service desired by public transport users. Transport Policy, Vol. 18, No. 1, 2011, pp. 217-227.

  33. Del Castillo, J.M., and F.G. Benitez. Determining a public transport satisfaction index from user surveys. Transportmetrica A: Transport Science, Vol. 9, No. 8, 2013, 713-741.

  34. Tyrinopoulos, Y., and C. Antoniou. Public transit user satisfaction: Variability and policy implications. Transport Policy, Vol. 15, No. 4, 2008, pp. 260¿272.

  35. Eboli, L., and G. Mazzulla. Willingness-to-pay of public transport users for improvement in service quality. European Transport, Vol. 38, 2008, pp. 107-118.