EN中文

Journal of Geo-information Science >

2025 , Vol. 27 >Issue 3: 585 - 600

DOI: https://doi.org/10.12082/dqxxkx.2024.230576

Semantic Analysis of Public Network Participation for Urban Public Transportation Perceived Service Quality Identification and Optimization

  • LIU Chang , 1, 2 ,
  • SHI Erpeng 4, 5 ,
  • GUO Shiyi , 3, * ,
  • GUO Liang 1, 2 ,
  • SUN Xiaoli 6
Expand
  • 1. School of Architecture and urban planning, Huazhong University of Science and technology, Wuhan 430074, China
  • 2. The key Laboratory of Urban Simulation for Ministry of natural resources, Wuhan 430074, China
  • 3. School of Urban Design, Wuhan University, Wuhan 430072, China
  • 4. School of Urban Planning and Design, Peking university Shenzhen graduate school, Shenzhen 518005, China
  • 5. Shenzhen New Urban Planning and Architecture Design Co., Ltd., Shenzhen 518172, China
  • 6. Wuhan Institute of Transportation Development Strategy, Wuhan 430017, China
* GUO Shiyi, E-mail:

Received date: 2023-09-24

  Revised date: 2023-11-08

  Online published: 2025-03-06

Supported by

National Natural Science Foundation of China(52178039)

National Natural Science Foundation of China(52208083)

China Postdoctoral Science Foundation(2023M742694)

The Fundamental Research Funds for the Central Universities(2042024kf0029)

Fold

Abstract

[Objectives] Urban public transportation service quality is an important factor affecting residents' travel choices and quality of life, but the current development and reform of urban public transportation in China still has shortcomings, and it is necessary to incorporate public perception into the decision-making basis and improve service quality from the perspective of residents. Previous studies have two main limitations: first, they rely on traditional analysis methods based on traffic surveys, which fail to capture the regional differences in perceived service quality; second, they use big data from social media platforms, which are prone to information bias, polarization, and other issues, and do not reflect the public's real needs. Moreover, they mostly focus on public opinion analysis, without providing specific and feasible optimization paths. [Methods] To address these gaps, this paper proposes a method that combines public network participation and semantic analysis. It uses internet big data to extract online messages related to urban public transportation from the online interactive platform between government and citizens and analyzes their spatiotemporal features and perceived service quality. It also conducts spatial analysis and explores the service efficiency of the public transportation system in relation to the transportation facility distribution. Based on this, it offers optimization suggestions. The paper selects Wuhan as a case study, which is one of the national central cities and an important megacity in the middle reaches of the Yangtze River. The urban development area in Wuhan is a key zone for urbanization and a major hub for public travel activities, covering 15 functional zones. It has a complete public transportation facility allocation, including all the subway lines and stations, and most of the bus lines and stations in the city. [Results] The main findings are as follows: (1) The quality of public network participation data can reflect the spatiotemporal patterns of actual travel activities and has high credibility; (2) The emotional expression of the public varies across individuals and regions and the perceived service quality dimensions can be categorized into five topics: "public transportation planning and construction", "public transportation travel conditions", "residential community bus configuration", "public transportation route setting", and "public transportation operation service". Furthermore, the perceived service quality exhibits spatial imbalance and agglomeration; (3) Corresponding optimization suggestions are made for the road system in the main urban area, subway stations in the far urban area, and bus routes at the junction of the main urban area and far urban area. [Conclusions] The research results of this paper provide a new method for fine-grained identification and optimization of spatial differences in urban public transportation perceived service quality, and also demonstrate the application value of public network participation data in facilitating government decision-making.

Key words： urban transportation; service quality; service effectiveness; online messages; sentiment analysis; LDA topic clustering; spatial analysis; Wuhan

Cite this article

LIU Chang , SHI Erpeng , GUO Shiyi , GUO Liang , SUN Xiaoli . Semantic Analysis of Public Network Participation for Urban Public Transportation Perceived Service Quality Identification and Optimization[J]. Journal of Geo-information Science, 2025 , 27(3) : 585 -600 . DOI: 10.12082/dqxxkx.2024.230576

1 引言

在城镇化与机动化高速发展的背景下，公共交通已成为解决大城市交通顽疾的有力工具[1]，同时也是国家“交通强国”战略的重要内容。近年来，我国对公共交通建设的投入力度不减，城市公共交通系统逐渐完善。然而，从客运量和居民出行选择来看，我国城市公共交通的发展并未达到期望的效果。根据交通运输部的统计数据 ① ，自2016年以来，全国城市公共交通客运量逐年下降，从1 285.15亿人降至2021年的993.84亿人。此外，全国主要城市居民出行调查 ② 的结果显示，有49.7%的受访者选择私家车出行，显著高于选择公共汽车和地铁的29.1%。由于城市范围外拓、人口不断集聚，城市交通发展区域不平衡现象凸显，居民出行需求日益复杂，这使得过往粗放的设施配置方式已无法充分满足出行需求，城市公共交通吸引力不足的问题依旧十分严峻。鉴于此，注重出行体验，从居民的角度提升服务质量成为城市公共交通发展和改革的重要方向。
城市公共交通服务质量受到城乡规划、交通地理和公共管理等学科的共同关注，其实质是公众察觉到服务标准与政府组织提供的服务之间存在的偏差程度[2]，按主体又可分为感知服务质量和客观服务质量[3]。其中，感知服务质量是由服务对象的期望质量和体验质量的对比所得[4]，是研究城市公共交通服务的重要方向。长期以来，公众参与交通调查是城市公共交通感知服务质量的主要数据获取途径[5]，并逐渐形成服务质量识别与优化两个研究分支。在识别方面，研究常采用层次分析法[6]、模糊评价法[7]、结构方程模型[8]、云模型[9]等方法分析单一样本城市的典型区域的交通调查数据，也有学者通过地理学视角分析服务质量的空间差异[10]。在优化方面，学术界多关注提升公共交通系统性能[11]，深入探讨出行时耗[12]、接驳换乘[13]、乘坐空间[14]等要素对感知服务质量的影响机制和提升途径。从乘客个体、特定群体的角度分析人本尺度的优化路径成为当前的研究热点[15⇓-17]。
随着信息技术的发展，社交媒体、政-民在线互动平台积累了大量公众信息，公众感知数据获取不再局限于交通出行调查、满意度问卷和实地访谈等传统方式，许多学者开始将大数据和语义分析技术引入公众视角下城市交通服务的研究领域。在数据来源方面，“推特”[18]和“新浪微博”[19]等社交媒体数据（Social Media Data, SMD）是主要的研究对象。不少学者通过标记SMD的情感极性与强度[20]、时空间属性[21]等特征，来反映交通系统的服务水平和公众满意度。然而，由于SMD包含了大量的无关信息，导致特征标注的准确率和有效率往往较低[20]，影响了其应用价值。因此，一些学者也开始关注数据针对性更强的政-民在线互动平台[22]。例如，何梦娇等[23]利用政府开通的“政风热线”平台数据识别了苏州市的交通舆情。在语义分析方面，文本分类和属性提取是2个关键环节。例如，Cao等[24]提出了一套交通语义分析的流程，包括同义词替换、主题识别、属性提取与评估4个阶段。Qi等[25]在此基础上构建了一种基于SMD数据的更加通用和高效的分析框架，主要涵盖数据爬取、文本分类和属性提取3个步骤。文本主题分类常采用朴素贝叶斯[25]、K-Means聚类[26]和LDA聚类[27]等方法，属性提取主要依赖基于深度学习[20]和情感词典[25]等技术的情感分析。
综合来看，相关研究做了有益探讨，但仍有些许不足。一方面，受限于传统交通调查数据，既有研究较少解析感知服务质量的空间属性，这使得城市公共交通服务的区域差异未能得到有效体现。虽然有学者利用大规模普查数据进行空间层面的研究，但显然这种方式难以推广和持续追踪。另一方面，在当前基于互联网大数据的城市交通服务实证研究中，数据大多来自社交媒体平台，公众表达可能受到信息偏差、意见领袖、平台算法等因素干预而产生信息极化，难以反映公众真实意愿。相比之下，政府主导下的制度化网络参与具有理性、感性、时空性和知识取向，使公众参与拥有与城市交通治理良性、长效互动的潜质[28]。然而，目前对制度化平台的研究相对薄弱，主要表现为公众网络参与数据的可靠性未得到充分验证，相关研究多停留在舆情分析层面，研究成果难以为公共事务的优化提供具体可行的路径。因此，急需科学的分析途径，将公众网络参与转化为城市公共交通规划与治理的有力依据。这是解决当前城市公共交通发展不平衡、不充分问题的重要支撑，对建设人民满意的城市公共交通有关键意义。
基于此，本文提出了一种结合公众网络参与和语义分析的方法，以弥补现有研究对区域差异考虑的不足，提升制度化网络参与大数据在交通服务分析方面的应用价值。本文以武汉市2019年政-民在线互动平台公共交通相关网络留言为数据源，选取武汉都市发展区为研究区域进行实证分析，利用时空特征信息提取验证了公众网络参与数据的可靠性，采用情感分析、LDA主题聚类、空间分析等方法精细化识别城市公共交通感知服务质量，在此基础上结合公交系统服务效能探讨了感知服务质量优化路径。

2 研究设计

2.1 研究区概况

武汉市是国家中心城市以及长江中游地区的重要特大城市之一。据2019年相关数据，全市常住人口1 121.20万人，地区生产总值16 233.21亿元，分别位列全国第十和第八。公共交通客运方式主要有公共汽车、地铁、出租车、轮渡等，其中公共汽车和地铁的全年客运量为14.25亿人次和12.29亿人次，占公共交通总体的88.64% ③ 。因此，研究主要探讨上述两类城市公共交通方式。
武汉都市发展区 ④ 是武汉市城镇化的重要发展区、公众出行活动的主要集聚地，涵盖了全市15个功能区（图1(a)）。武汉都市发展区的公共交通设施配置完善，包括了全市所有地铁线路和站点，以及78.13%和72.95%公共汽车线路及站点（图1(b)）。鉴于此，本文选择武汉都市发展区作为研究范围。
图1 研究区范围及主要公共交通设施分布

Fig. 1 Scope of the study area and distribution of major public transportation facilities

2.2 数据来源

本文的研究数据主要分为交通地理数据和公众网络参与数据两类。为保证研究的一致性，数据均选自2019—2020年，具体来源及相关信息见 表1。其中，本文对公众网络参与数据进行了以下处理：首先，基于“公交”、“地铁”等关键词筛选与城市公共交通相关的网络留言；然后，根据标题和用户唯一标识去除重复内容，避免单个账号的“刷评”现象；最后，将筛选去重后网络留言的内容文本作为公众网络参与城市公共交通语料库（后文简称语料库）。此外，由于许多留言中同时提及了公共汽车和地铁，这可能反映了居民经常采用组合公共交通方式出行，因此感知服务质量不仅取决于公共汽车和地铁各自的运营情况，还取决于二者之间的协调配合、衔接换乘、信息共享等因素。基于此，本文在城市空间中对公共交通综合感知服务质量进行整体分析，不特别区分公共汽车和地铁。
表1 数据来源及相关信息

Tab. 1 Data sources and related information

数据类型 数据内容 数据来源 数据描述
交通地理数据 武汉市交通设施分布 武汉交通发展研究院 武汉市2019年公共汽车、地铁站点和线路分布的矢量数据
武汉市行政区划 武汉交通发展研究院 武汉市行政区划分的矢量数据
武汉市POI 百度地图开放平台 武汉市2019年兴趣点的文本数据
武汉市居民交通出行 联通智慧足迹 原始数据记录了武汉市2019年6月6日（星期四）联通手机用户的移动轨迹，基于极智DaaS平台生成居民出行OD数据（http://daas.smartsteps.com）
公众网络参与数据 武汉市公众网络留言 武汉市“12345”市长专线、武汉市阳
光信访平台、长江网“城市留言板”、110联动服务		 武汉市政-民在线互动平台2019年公开发布的网络留言，每条留言包含标题、内容文本、时间、用户唯一标识

2.3 技术路线

本文基于公众网络留言语义分析构建了城市公共交通感知服务质量分析框架（图2）。在技术层面主要分为公众网络参与的时空特征信息提取、感知服务质量评价、主题提取和空间分析，以及公交系统服务效能测度5个方面。
图2 城市公共交通感知服务质量分析框架

Fig. 2 Analysis framework for urban public transportation perceived quality

2.3.1 公众网络参与的时空特征信息提取方法

（1）时间特征信息提取
时间特征信息的提取选择较为常用的STL（Seasonal-trend Decomposition Using LOESS）时间序列分解法[29]。首先，将每日留言数量作为时序数列值，构建时间序列。然后，利用自相关系数和偏自相关系数寻找时间序列的潜在周期。最后，使用STL方法将时间序列分解为趋势（Trend）、季节性（Seasonal）和噪声（Noise）成分，其中，趋势成分是通过计算时间序列每个周期的平均值得到，反映了留言数量的长期变化趋势；季节性成分是时间序列在一定周期内重复出现的波动，用于解释留言数量的周期性变化；噪声成分是时间序列的随机波动，表明留言数量受到未知或无法预测的影响。具体见式（1）。
y i = t i + s i + n i
式中： y i为时间点 i的当日留言数量； t i、 s i、 n i分别是时间点 i的趋势、季节性和噪声成分。此时， y i与 y i + k的相关系数就是滞后阶数为 k时时间序列的自相关系数。在剔除其他变量的影响后，可进一步得到时间序列的偏自相关系数。滞后阶数 k对应的自相关系数和偏自相关系数越大，说明 k越接近时间序列的周期。
（2）空间特征信息提取
空间特征信息提取主要采用自然语言处理中的地名实体提取技术。首先，对语料库进行预处理，删除停用词和网络符号，并利用pkuseg模型进行中文分词。然后，利用POI数据构建武汉市地名词典。根据地名词典使用spaCy模型识别语料库中每条留言的地名实体。最后，通过百度地图提供的地理编码API接口，将地名实体转化为坐标点，即得到留言的空间特征信息。应当说明的是，对于少量出现多个坐标点的留言，为研究便利，将坐标点所围合形状的几何中心作为其坐标点。

2.3.2 感知服务质量评价方法

经观察，语料库中每条留言的语句均可以分为4类，即陈述、问询、建议和意见。陈述和问询语句均无情感倾向，而建议和意见语句则带有明显的情感倾向。其中，建议语句表达了居民的愿望与诉求，为积极情感倾向，而意见语句呈现出消极情感倾向。值得注意的是，意见语句是居民感知到实际提供的公共交通服务与自身需求之间存在偏差而表达的不满，这与感知服务质量的内涵基本吻合，由此本文借助消极情感分析来评价感知服务质量。由于与社交媒体相比，政-民在线互动平台上的公众表述更为直白，因此，选择情感词典作为情感分析的主要方法，避免设计复杂的机器学习和深度学习算法，也便于方法复用。
感知服务质量评价分为3步，并以此例说明情感分析过程（表2）。第1步，对网络留言进行语句拆分。第2步，通过情感词典，对每条留言的情感倾向进行量化，并得到相应的情感得分。首先，基于大连理工大学情感本体库[30]构建情感词典，并补充语料库中高频出现的词汇以及公共交通相关领域的词汇，程度副词和否定词来源于知网（Hownet）[31-32]。然后，将语料库中的词汇与情感词典进行匹配，以获取词汇的极性和权重，并据此计算每条语句的情感倾向和得分。详见式（2）。
S e n t i m e n t d m = - 1 L m d ∑ i = 1 N m d V i P i ∏ j = 1 K m d A j
式中： S e n t i m e n t d m为留言 d中语句 m的情感得分； L m d、 N m d、 K m d分别为语句 m拥有的否定词、情感词和程度副词的个数； V i和 P i是第 i个情感词的权重和极性； A j是第 j个程度副词的权重。当情感得分为正时，说明语句 m为积极倾向；为负则偏消极倾向；为0则无倾向。
表2 留言内容文本的情感分析示例

Tab. 2 Example of sentiment analysis of message text

某一条网络留言 拆分语句 匹配词汇（权重） 情感得分（倾向）
“联投龙湾三期917路公交起始站离地铁站有1公里多，居民出行十分不方便，苦不堪言！希望有关部门能将917路公交路线进行调整便于居民出行。” “联投龙湾三期917路公交起始站离地铁站有1公里多” 程度副词：“多”（1.5） 0（陈述：无倾向）
“居民出行十分不方便” 程度副词：“十分”（2）
否定词：“不”（-1）
情感词：方便（1）		 -2（意见：消极倾向）
“苦不堪言” 情感词：“苦不堪言”（-5） -5（意见：消极倾向）
“希望有关部门能将917路公交路线进行调整便于居民出行” 情感词：“希望”（3）、“便于”（1） 4（建议：积极倾向）
第3步，将每条留言中消极情感倾向的情感得分单独提取汇总，作为该留言发布者对感知服务质量的衡量。由于消极情感得分为负，所以当消极情感得分越低时，对感知服务质量的评价结果就越差。

2.3.3 感知服务质量主题提取方法

为了探索公众对城市公共交通服务质量的感知维度，弥补语料库庞杂无章、无法直观反映问题等不足，本文利用隐含狄利克雷分布（Latent Dirichlet Allocation， LDA）模型提取感知服务质量主题。LDA使用词袋模型对语料库进行非监督分类[33]，通过计算获取留言所属主题的概率分布，并将其作为分类的依据，对于大规模文本数据的主题分析有较好的适用性[34]。与单纯依据词频特征进行分类的方式相比，LDA可以更深入地挖掘潜在主题。
LDA模型的本质是一种包含词、文档和主题的三层贝叶斯概率模型（图3）[35]，灰色节点代表已知观测变量，白色节点是隐藏变量，矩形框表示其内部需要循环运算，箭头表示作用方向。对于本研究而言， LDA模型将公众网络参与作为语料库、留言看作是词的集合，并假设每条留言均由若干个隐藏主题混合而成、留言中每个词都属于一个隐藏主题。 α和 β分别是留言-主题与主题-词的狄利克雷分布， φ和 Φ分别是每一条留言与 K个主题相对应、每个主题与语料库中所有词集合相对应的多项分布， D是语料库包含的留言数。具体而言， LDA模型会根据不同的 α和 β参数生成新留言。生成新留言的过程如下：对于新留言中的每一个词，先从该留言所对应的 φ分布中抽取一个主题 Z。然后，再从主题 Z所对应的 Φ分布中抽取一个词 W，将这个过程重复 N次（ N是该留言的词总数），产生该新留言。最后，将新留言和原有语料库的留言作比较，选择相似度最高的LDA模型对应的 α和 β作为最终的输入参数。此外，作为典型的非监督分类模型，LDA模型最佳主题数目的确定关系到模型的预测能力和可解释性。目前，常依据困惑度（Perplexity）和一致性（Coherence）指标来确定最佳主题数目[35]。
图3 LDA模型示意

Fig. 3 LDA model schematic

困惑度可以度量LDA模型预测能力的好坏程度[36]。对于一条留言，所训练出的模型对其属于哪个主题的不确定程度就是困惑度。较低的困惑度揭示了模型较高的预测能力。困惑度的计算如式（3）[33]所示。
P e r p l e x i t y D = e x p - ∑ d = 1 M l o g p w d ∑ d = 1 M N d
式中： P e r p l e x i t y D是模型困惑度的计算值； D表示语料库中的测试集，共 M条留言； N d表示 D中出现的词的总数。对于 D中的一条留言 d， w d是留言 d中的词， p w d是指测试集中出现词 w d的概率。
一致性指标通过计算主题中高概率词的语义相似度来衡量主题的可解释性[37]。指标值越大表示主题的可解释性越强。基础的一致性计算见式（4）[38]。
C o h e r e n c e k = ∑ m = 2 M ∑ l = 1 m l o g D v m k , v l k + 1 D v l k
式中： C o h e r e n c e k是主题 k的一致性度量。 v 1 k ,   ⋯ ,   v M k是与主题 k对应的 M个词组成的集合， D v l k是包含词 v l k的留言数量， D v m k , v l k是词 v m k和词 v l k发生共现的留言数量。

2.3.4 感知服务质量空间分析方法

（1）空间单元统计
为了探索感知服务质量的空间特征，根据空间特征信息提取结果，将网络留言的消极情感得分映射到城市空间。借鉴相关研究经验[39-40]，将武汉都市发展区划分为500 m×500 m大小的格网单元，为了平滑空间可视化结果，以1 000 m为搜索半径统计范围内留言的消极情感得分，进而计算得到每个格网单元的评价结果，即单位面积的消极情感得分，以此作为感知服务质量的空间衡量。同样的，由于消极情感得分为负，因此，当格网的情感得分越低时，说明该空间位置是居民累计不满情绪的热点地区。
（2）空间自相关分析
采用空间自相关分析可以进一步挖掘感知服务质量在空间层面的关联。其中，全局空间自相关用于分析感知服务质量在全局空间内的关联程度。计算见式（5）。
I G l o b l e = n ∑ i = 1 n ∑ j = 1 n W i j x i - x - x j - x - ∑ i = 1 n ∑ j = 1 n W i j ∑ i = 1 n x i - x - 2
式中： I G l o b l e为全局莫兰指数； n为格网总数； x i和 x j为格网 i和 j的单位面积消极情感得分， x -为单位面积消极情感得分的平均值； W i j为格网 i和 j之间的空间权重。在给定显著性水平时， I G l o b l e为正时说明空间显著聚集，为负时说明空间显著分散，若接近 - 1 / n - 1，则说明空间随机分布。
局部空间自相关用于分析感知服务质量发生空间关联的具体位置。计算见式（6）。
I i = z i ∑ i = 1 n w i j z j
式中：   I i为LISA指数； z i和 z j分别是格网 i和 j单位面积消极情感得分的标准化。 I i为正时，说明存在较强的局部空间正相关，为负时，说明出现了离群值。

2.3.5 公交系统服务效能测度方法

公共交通系统的服务效能是指公共交通设施能够满足居民出行需求的水平[41]。提高服务效能能够有效协调感知服务质量中个体意见的“私人性”和公共交通系统设施配置的“公共性”，对于优化服务质量具有重要意义。因此，本文将城市公共交通设施与感知服务质量分别作为投入和产出，进行空间耦合分析，通过单位设施投入能否满足更大的公众效用来衡量公交系统的服务效能，揭示不同区域居民的出行需求满意度与城市公共交通设施配置之间的关系，并据此提出感知服务质量的优化对策。
测度过程可分为3步。第一，根据设施服务范围[42]，计算每个格网单元500 m范围内的公交汽车站点和1 000 m范围内的地铁站点的加权总数。其中，公交站点以线路数为权重，地铁站点的权重则根据日客运量转换求得 ⑤ 。将加权总数作为格网单元的城市公共交通设施投入强度。第二，根据平均值将设施投入和消极情感得分绝对值分为高、低两类。据此，格网单元可以分为高-高、高-低、低-高和低-低四类。为了更清晰地展现空间耦合结果，将感知服务质量的评价结果进行等比缩放，使消极情感得分绝对值和设施投入强度的平均值相等。第三，统计空间中同一位置格网的设施投入与感知服务质量的差距得分[43]，即设施投入强度与消极情感得分绝对值之差。计算见式（7）。
S i = F i - | N i | β
式中： S i、 F i和 N i分别为格网 i的差距得分、设施投入强度和消极情感得分； β为缩放系数。值得注意的是，低-高类别格网差距得分始终为正、高-低类别格网差距得分始终为负。

3 结果与分析

3.1 公众网络参与的数据可靠性验证

虽然使用大数据能提供更多样本和更全面的信息，但这也对数据质量有所要求，因此本文对公众网络参与的数据可靠性进行了验证和检验，即从时间和空间2个层面探讨了网络留言能否反映实际出行活动，以及其在空间上的位置映射。

3.1.1 时间特征信息提取结果及可靠性验证

利用STL模型分解留言数量时间序列（图4(c)），从趋势、季节性和噪声（图4(d)—4（f）3个方面观察网络留言和现实出行活动的联系。趋势方面，网络留言数量的趋势呈现出随季节变化的特征，即春季最为平坦，夏季最为活跃，冬季则明显下降，期间经历了2次低谷，分别对应了春节假期和“武汉军运会”的筹办期。受传统节日习俗和政府临时交通管制的影响，这两个时期的公共交通出行量呈现低位，导致网络留言的基数也随之降低。
图4 基于STL模型的留言数量时间序列分解结果

Fig. 4 Time series decomposition results of online messages counts based on STL model

季节性方面，网络留言呈现出按周波动的时间变化规律。通过求解自相关系数和偏自相关系数发现（图4(a)和4(b)，时间序列在滞后阶数为7时取得最大值（0和1阶除外），说明时间序列的周期最接近7 d，和星期制相吻合。且工作日与非工作日的情况截然不同，周六和周日的留言数量相对较少，自周一开始大幅增加，并在周二达到顶峰，随后从周三至周五逐渐降低。这反映了居民更关注日常通学、通勤等固定出行的质量，而非周末的偶发出行。
噪声方面，夏季噪声成分的离散程度最大，说明夏季留言数量受到许多随机或不可预测的因素的干扰，导致出现较大的波动。这些因素往往与时间有关，如节假日、气候变化等。例如，高温酷暑可能会激化居民情绪，从而在短时间内增加其对城市公共交通服务的不满表达。总的来看，网络留言的时间特征与实际出行活动较为吻合。

3.1.2 空间特征信息提取结果及可靠性验证

空间特征信息的识别结果中发现，研究范围内包含地名实体的网络留言共计12 040条，占语料库的82.43%，说明公众网络参与城市公共交通具有显著的空间属性，并以此作为后续分析的语料库。
为了验证空间特征信息的可靠性，本文采用了2种方式。一是分析网络留言和居民出行之间的空间关联。基于识别结果，按街道统计网络留言的分布，并与居民出行数据进行比较，即对武汉都市发展区150个街道的出行占比与留言占比进行线性拟合。拟合结果中，皮尔逊相关系数为0.68、线性拟合优度为0.46，表明网络留言和居民实际出行活动具有空间联系。由于数据的限制，后续研究将考虑用公共交通出行量取代居民出行量，并观察拟合优度是否进一步提高。二是验证地名识别结果的准确率。按1%从识别结果中随机抽取121条进行人工检验，发现地名实体识别准确率为87.6%，主要错误类型是将武汉市公汽公司或地铁集团的所在地误作地名实体，将该类型错误修正后的识别结果具有良好的准确率。综合上述，可以认为网络留言与实际出行活动具有一定的空间关联性，并且所反映的空间位置精度较好。

3.2 武汉都市发展区公共交通感知服务质量识别

3.2.1 感知服务质量评价

在感知服务质量评价结果中，网络留言含有情感倾向语句的比例高达97.03%，共计11 683条。其中，包含消极情感倾向语句的留言有10 309条。
从个体层面看，公众对服务质量的情感表达存在区别。经过汇总统计，发现网络留言中消极情感的平均情感得分为-14.05，而中位数为-9。这表明超过半数网络留言的消极情感得分高于平均水平，而少部分居民的消极情感表达则较为激烈。这一结果符合预期，但与社交媒体上的公众情感表达不同的是，公众网络参与中的情感表达更多地受自身情况影响，而较少受信息偏差、意见领袖等因素的干扰，因此更加真实。
从区域层面看，服务质量在不同功能区也有所差异。按功能区统计含有消极情感语句的网络留言，并计算消极情感得分的最大值、最小值、平均值、中位数、上四分位数和下四分位数，据此绘制箱线图（图5）。从异常值可见，除了青山区、东湖风景区和新洲区的异常值数量较少外，其他功能区均包含较多异常值。这说明消极情感得分的极化特征明显，也印证了部分居民的不满情绪较为极端的现象。从箱体长度来看，青山区、东湖风景区和蔡甸区的箱体相对较短，说明这些地区消极情感得分的分散性较弱；而洪山区和东湖高新区的箱体相对较长，表明这些地区的分散程度高，感知服务质量的区域空间差异较大，情况更为复杂。由中位线可知，青山区和东湖风景区的消极情感得分绝对值较小，中位数分别为-7和-7.25，感知服务质量相对较好；而江汉区和黄陂区的消极情感得分绝对值较大，中位数均为-10.5，感知服务质量相对较差。该结果反映了感知服务质量在空间上存在不平衡的事实，因此需要在更精细的尺度上研究服务质量的空间特征。
图5 基于消极情感得分的不同功能区感知服务质量评价结果

Fig. 5 Evaluation results of perceived service quality in different functional zones based on negative emotion scores

3.2.2 感知服务质量主题提取

为了获取感知服务质量的最佳主题数，本文计算了语料库的困惑度和一致性得分（图6）。结果表明，当主题数为5时，困惑度和一致性得分出现明显凸拐点和凹拐点，这说明该主题数下的LDA模型具有较好的解释力。
图6 公众网络参与语料库的困惑度与一致性得分

Fig. 6 Perplexity and coherence scores of public online participation corpus

利用主题数为5的LDA模型对语料库进行聚类，初步获得5个主题。由于聚类结果只能反映主题的词语分布，而不能直接表达主题的含义，因此还需结合每个主题概率较大的词语（表3）和留言（表4）的语义，并融合主观判断为每个主题赋予合适的标签。最终确定“公共交通规划建设”、“公共交通出行路况”、“居住小区公交配置”、“公共交通线路设置”和“公共交通运营服务”5个主题。
表3 LDA主题-词语概率分布

Tab. 3 LDA theme-word probability distribution

主题1（18.2%） 主题2（23.1%） 主题3（16.1%） 主题4（23.4%） 主题5（19.2%）
词语 概率 词语 概率 词语 概率 词语 概率 词语 概率
规划 0.041 车辆 0.022 小区 0.039 大道 0.047 公交车 0.026
居民 0.022 大道 0.015 解决 0.021 线路 0.032 时间 0.022
建设 0.022 车道 0.014 回复 0.020 居民 0.026 车 0.021
线 0.017 路口 0.013 居民 0.020 小区 0.021 希望 0.017
交通 0.015 部门 0.013 部门 0.016 站 0.016 上班 0.015
发展 0.013 交通 0.013 业主 0.014 建议 0.016 发车 0.012
新 0.012 道路 0.011 线路 0.013 公交车 0.013 居民 0.010
大道 0.011 公交车 0.011 站点 0.013 开通 0.013 部门 0.010
区域 0.010 马路 0.010 请 0.013 希望 0.013 领导 0.010
站点 0.010 公交站 0.009 投诉 0.012 地铁站 0.013 解决 0.009
… …… …… …… …… …… …… …… …… ……
表4 主题概率较大的留言

Tab. 4 Message with high probability of theme

主题 概率较大的留言（部分示例，已做隐私处理） 概率/%
1 “光谷南大健康产业园目前尚无任何一条轨道交通，这显然满足不了千亿产业园的交通通达性。目前正值武汉第五轮地铁规划期，望江夏区政府积极争取” 98.07
2 “解放大道从古田三路由东向西方向新华印刷厂这边的车站出站左拐往河边走的公交车，从车站到路口大慨只有30米，要横跨4个车道，蛮危险，有很大的交通隐患” 98.15
3 “我们现在就住于东西湖区金银潭附近的愿景城小区，目前没有公交通往地铁站，常青城地铁站门封闭，给小区住户出行十分不便” 94.52
4 “本来从金融港回栗庙那一片的就只有758，每天下班人挤爆，现在758现在改线为绕行光谷一路到佛祖岭，除了要挤爆，还要多堵几站” 97.25
5 “连续12次向相关部门反应江夏庙山公交903和902票价贵的问题，相关部门仍不为所动，坚持票价是不能降的” 99.04
感知服务质量主题体现了公众对服务质量关注的不同方面。相比于“武汉市2020年度公交企业服务评价” ⑥ 的5个固定考核维度（设施设备、服务供应、运营管理、政府指令和社会评价），本文通过自下而上获取的主题更有助于揭示公众看法的多样性和动态性。具体来看，与公共交通规划建设相关的留言有1 641条，该主题留言是居民对城市公共交通规划的疑虑和建议，反映了部分居民的个人意愿与城市交通发展总体方向之间的矛盾。与公共交通出行路况相关的留言有2 626条，其中大多数是居民对公共交通出行过程中遇到的不利道路状况的投诉，体现了居民对城市公共交通舒适性和安全性的诉求。与居住小区公交配置相关的留言有1 183条，多为居民对自己生活区域内公共交通配置的不满，反映了城市公共交通服务的区域失衡。与公共交通线路设置相关的留言有2 670条，多为居民对与自身通勤和通学等日常出行相关线路的建议，反映了居民日常出行需求和城市公共交通线路供给之间的不匹配。与公共交通运营服务相关的留言有2 189条，通常是居民抱怨票价贵、班次少、不准时和司机态度恶劣等运营问题，涉及到乘客、武汉公交公司、武汉地铁集团和武汉市相关交通管理部门等多方主体。

3.2.3 感知服务质量空间分析

（1）空间分布特征
为了探究城市公共交通感知服务质量的空间分布，将消极情感得分映射到城市空间，并统计5类感知服务质量中所有格网的单位面积消极情感得分，按照自然断点法将其分为9类（图7）。整体来看，感知服务质量的空间分布呈现出明显的不均衡性。除了青山区和东湖风景区外，主城区的格网情感得分基本小于-212，相比之下，远城区格网的情感得分则相对较高，其大部分地区的格网情感得分普遍大于-6。此外，主城区情感得分较低的区域与城市地铁线路的骨架相对应，呈现出向远城区指状沿伸的趋势。
图7 武汉都市发展区公共交通感知服务质量的空间分布

Fig. 7 Spatial distribution of public transportation perceived service quality in the urban development area in Wuhan

分主题来看，居民对公共交通规划建设的不满较为集中，主要分布于汉阳区的江堤、四新和翠微街道以及江汉区常青街道。公共交通出行路况主题的感知服务质量空间分布与整体较为相似。使用一致性分析可得，在将评价结果按自然断点法分为5类时，二者的卡帕系数 ⑦ 计算结果为0.63。可以看到，居民对出行路况的态度在一定程度上可以作为整体感知服务质量的核心评价指标。居住小区公交配置主题的空间分布则十分碎片化，即情感得分较低区域的规模不大，且彼此之间联系较少。居民对公共交通线路设置的不满主要集中于汉阳区的四新、东湖高新区的南湖东站附近和临空区泾河街道的稻香社区。在当前的轨道交通布局中，这些区域同时也是被轨道线路围绕的“塌陷区”。公共交通运营服务主题的空间分布则较为分散，除了在主城区的武昌区外，远城区的大桥、沌阳、新区和长青等不少街道也出现了情感得分较低的组团。
总的来说，消极情感得分低区域主要呈现为散点或片状的聚集形态，并与城市公共交通设施的空间分布存在一定关联。这表明公共交通服务质量不佳的区域并不是随机分布的，而可能是受到某些因素的影响而形成了空间上的相关性。为了探究这种相关性的存在与否，进一步利用空间自相关分析方法进行验证。
（2）空间聚类特征
利用全局空间自相关分析，可以得到感知服务质量的整体空间关联。从表5来看，整体以及各个主题的感知服务质量存在全局空间正自相关，且P值均小于0.01，Z得分均大于2.58，可以认为感知服务质量的空间分布并非随机过程产生的结果，而是具有显著的空间关联。此外，公共交通出行路况主题的Moran's I计算结果最大，感知服务质量空间集聚较强。相比之下，居住小区公交配置主题的 Moran's I和Z值均相对较小，空间聚集相对较弱。可能的原因是不良路况会对周边区域的服务质量同时产生负面影响，而小区居民对于感知服务质量所形成的利益共识难以向外扩散，这也和其感知服务质量的空间分布特征相互吻合。
表5 感知服务质量的全局空间自相关

Tab. 5 Global spatial autocorrelation of perceived service quality

指标 Moran's I 标准差 Z值
整体 0.875* 0.006 135.950
公共交通规划建设 0.833* 0.011 79.105
公共交通出行路况 0.896* 0.010 88.804
居住小区公交配置 0.827* 0.012 71.205
公共交通线路配置 0.830* 0.007 110.820
公共交通运营服务 0.829* 0.010 81.708

注：*表示P<0.01。

为进一步探索局部空间关联，基于消极情感得分的绝对值使用局部空间自相关分析，并利用错误发现率（FDR）进行矫正[44]。图8为分析结果的可视化。从整体上看，45.81%的格网属于高-高或低-低聚类，表现出较强的空间相关性。其中，高-高聚类格网的居民累计不满情绪较强，是感知服务质量问题的热区。这些区域主要集中在武汉市三环线快速路所包围的范围内，并形成了2个重要的片区。其一是长江与汉江的交汇处，涵盖了汉阳区、江汉区、武昌区和洪山区等主城区，这些区域在以往就是属于“武汉三镇”的老牌城区，是武汉市人口最为集中、交通需求最复杂的区域。另一个片区位于东湖高新区西部的部分区域，并形成了“关山-关东”和“藏龙岛高新技术产业园”双中心的空间分布格局。这些区域承接了主城区向产业新区的人口和产业的转移，是产城融合发展的主要阵地。而低-低聚类格网的居民累计不满情绪较弱，是感知服务质量问题的“冷区”。除了大量散布于远城区外，其在主城区的青山区和东湖风景区也有所分布。
图8 武汉都市发展区公共交通感知服务质量的空间聚类

Fig. 8 Spatial clustering of public transportation perceived service quality in the urban development area in Wuhan

分主题来看，公共交通规划建设主题的高-高聚类格网主要分布在汉口火车站附近区域以及墨水湖南侧的四新中心，前者是武汉市的重要交通枢纽，而后者则经历了重大规划调整，由原来的城市副中心降级为“四新生活服务区”。公共交通出行路况主题感知服务质量的主要热区与整体相似，但前者少了汉阳片区。居住小区公交配置主题的空间聚类不明显，高-高聚类格网主要分布在江夏区与东湖高新区交界处的佛祖岭和藏龙岛街道。公共交通线路设置主题的空间聚类则十分明显，突显了公共交通线路影响力的延伸性和关联性，即单条线路设置可能对周边区域居民通勤、通学等日常出行产生影响。公共交通运营服务主题的空间聚类较为分散，感知服务质量问题的热区主要散布在主城区的各个街道，而在远城区鲜有分布。
根据以上结果，可以发现感知服务质量在空间上具有明显的集聚效应，且与城市功能区划、公共交通设施布局、居民出行需求等因素密切相关。这说明在提高城市公共交通服务质量的过程中不能一刀切，而要根据不同区域的实际情况和存在的问题，制定具有针对性和差异化的优化方案。

3.3 武汉都市发展区公共交通感知服务质量优化

3.3.1 公交系统服务效能测度

公交系统服务效能的测度结果如图9所示。由于低-高和高-低这两类格网集中体现了服务满意度和城市公共交通设施配置之间的错位，故在图中将这两类格网进行了拉伸，以突出显示服务效能的差距。拉伸高度为差距得分绝对值的10倍，单位为米。具体来看，低-低类别的格网所占面积最大，为2 248.5 km2，主要分布在新洲区、蔡甸区等一般远城区以及主城区中的东湖风景区与青山区。低-高类别格网的服务效能相对较差，多位于远城区与主城区的交界处，如黄陂区盘龙城经济开发区的下集村附近（区域①）、洪山区的黄家湖附近（区域③）、江夏区的汤逊湖周围（区域④），在湖北经济学院附近（区域⑥）取得最小差距得分-700.61。高-低类别格网的服务效能相对较好，其所占面积最小，为213 km2，多集中分布于远城区的地铁站点附近，如新洲区的21号线（区域⑥），蔡甸区的4号线（区域⑦），经开区的16号线（区域②），东湖高新区的11号线（区域⑨）等，在主城区的东湖附近（区域⑧）取得最大差距得分437.61。高-高类别格网基本覆盖了除东湖风景区和青山区以外的所有主城区，且向临空区、东湖高新区等产业新区拓展。
图9 武汉都市发展区公交系统的服务效能

Fig. 9 Service effectiveness of public transportation system in the urban development area in Wuhan

3.3.2 优化建议

基于服务效能的识别结果、感知服务质量主题的空间热区分布，针对不同区域提出相应的优化建议：① 主城区。主城区范围内的设施投入强度和消极情感得分绝对值均较高，再增加设施投入可能无法提高服务效能。同时，主城区也是公共交通出行路况主题的热区，这使得主城区的交通治理需要重点关注公共交通与城市路网的适配以及与其它出行方式的协调，并在现有设施的基础上构建高效、安全、舒适的道路系统。② 远城区。远城区中不少地铁站点附近拥有较好服务效能，且未与感知服务质量主题的热区交叠，值得重点关注。这些地区凭借轨道交通极大降低了远城区与主城区之间的交通成本，巨大的交通优势使得附近的消极情感得分绝对值也相对较低。然而，经过实地调查，该地区居民累计不满情绪较弱的背后原因更可能是公共交通的利用率低，导致公众评价的基数小。在未来的发展中，可以依托轨道交通的优势，增加远城区地铁站点与附近公共汽车线路的串联，以提高地铁站周边区域居民的利用率。③ 主城区与远城区交界处。交界处的服务效能相对较差，也是公共交通线路配置主题的热区。随着城市的扩张与发展，主城区的要素持续外溢，其边缘区与远城区交流频繁，原有的公共交通线路已不能满足居民日常生活需求，集中表现为居民对线路不足、配置不合理等问题的抱怨。在城市公共交通规划的制定与更新时，需要重点考虑这些地区居民的出行诉求，及时更新公交线路配置，保障城镇化的健康发展。

4 结论与讨论

4.1 结论

本文针对当前识别方法难以揭示服务质量空间差异、制度化平台数据应用不够深入等问题，提出一种结合公众网络参与和语义分析的感知服务质量分析途径，并选取武汉都市发展区为研究范围，以武汉政-民在线互动平台的网络留言为数据来源，采用此途径识别和优化公共交通感知服务质量。主要发现如下：
（1）公众网络参与数据能够反映实际出行活动的时间和空间规律，具有较好的可靠性和有效性，不仅能够弥补传统交通调查数据空间覆盖不足、难以定位的问题，而且相比社交媒体数据，其无关信息更少，标注特征的细粒度更高，在城市尺度的研究中具有良好的应用价值。
（2）本文基于语义分析的方法，从情感得分评价、主题聚类和空间分析3个方面识别了武汉都市发展区公共交通的感知服务质量。结果显示，公众的情感表达在个体和区域上存在差异；公众对服务质量感知的维度可以划分为5个主题；感知服务质量的空间分布存在显著的不均衡性和聚集性。与传统固定维度的识别方式不同，本文的识别结果体现了自下而上的视角，是公众对公共交通服务质量的感受和表达的综合反映。
（3）为优化感知服务质量，本文基于武汉都市发展区公交系统服务效能的测度结果，提出了一些改进意见。包括根据地区特点完善道路系统、优化地铁站点、调整公交线路等，并加强政府与公众之间的沟通和互动，充分利用网络平台收集居民意见和建议，提升城市公共交通的规划与治理水平。

4.2 讨论

传统交通调查受到经济和距离成本的限制，所收集的民意往往局限于特定区域内，难以全面反映公共利益。而公众网络参与极大拓展了民意收集的范围和深度，具有激发居民参与积极性和持续性的巨大潜能。但要发挥这种潜能，需要在制度和技术层面提供双重保障。本文从技术层面探讨了如何将个体意见转化为公众意见，这既体现了市民的主体地位，又是个体意见“私人性”与城市公共交通设施配置“公共性”有效衔接的重要前提。针对目前以“回复率”为主要标准的政-民在线互动平台，本文提出的方法可以帮助平台更好地理解市民的诉求，提升交通治理能力，为政府决策提供更有价值的参考。
然而，公众网络参与也存在大数据固有的在精度和偏度方面的不足。例如，受网络设备等因素的限制，在现实中，老年人与儿童等群体较少参与网络表达，使得公众网络参与数据所反映的公共交通问题的完整性有待验证。不过本文也发现了一些以家庭为单位的诉求，即个体代表其家中老人和小孩等成员发声的情况。此外，由于需要保护公共隐私，公众网络参与较少涉及个体的社会属性，因此很难根据不同群体的需求来定制公共交通的优化政策。结合交通调查问卷等“小数据”，进一步检验和深化公众网络参与对于城市公共交通规划、治理和运营的价值是未来的研究重点。
利益冲突： Conflicts of Interest
所有作者声明不存在利益冲突。
All authors disclose no relevant conflicts of interest.
作者贡献： Author Contributions
刘畅参与论文的撰写、实验设计与操作；郭诗怡、郭亮、时二鹏、孙小丽参与论文的修改与提升。所有作者均阅读并同意最终稿件的提交。
The paper was written by LIU Chang, who also contributed to the design and operation of the experiments. The revisions and enhancements of the paper were undertaken by GUO Shiyi, GUO Liang, SHI Erpeng and SUN Xiaoli. All the authors have read the last version of paper and consented for submission.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
郭亮, 贺慧. 城市交通结构优化与土地利用模式相关性的比较[J]. 城市规划学刊, 2009(5):77-82.

[Guo L, He H. Comparative study on the relevance of structural of urban traffic and land-use patterns[J]. Urban Planning Forum, 2009(5):77-82.] DOI:10.3969/j.issn.1000-3363.2009.05.011

[2]
陈朝兵. 公共服务质量的概念界定[J]. 长白学刊, 2017(1):63-68.

[Chen C B. Conceptual definition of public service quality[J]. Changbai Journal, 2017(1):63-68.]

[3]
吕维霞. 论公众对政府公共服务质量的感知与评价[J]. 华东经济管理, 2010, 24(9):128-132.

[Lv W X. A research on public perception and appraisal to public service quality of government[J]. East China Economic Management, 2010, 24(9):128-132.] DOI:10.3969/j.issn.1007-5097.2010.09.029

[4]
Grönroos C. Strategic management and marketing in the service sector[M]. Helsinki, Finland: Swedish School of Economics and Business Administration, 1982.

[5]
牛玉, 汪德根. 出行者对城市交通与高铁站接驳的感知评价——以苏州市为例[J]. 人文地理, 2015, 30(6):98-105.

[Niu Y, Wang D G. Perceptual evaluation of connection between urban transport and HSR station by traveler: a case study of Suzhou[J]. Human Geography, 2015, 30(6):98-105.] DOI:10.13959/j.issn.1003-2398.2015.06.016

[6]
温惠英, 吴璐帆, 梅家骏. 基于改进AHP法的广佛城际公交满意度模糊综合评价[J]. 中山大学学报(自然科学版), 2018(5):64-71.

[Wen H Y, Wu L F, Mei J J. Fuzzy comprehensive evaluation of Guangzhou-Foshan public transit satisfaction of inter-city based on improved AHP method[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2018(5):64-71.] DOI:10.13471/j.cnki.acta.snus.2018.05.008

[7]
邓红星, 秦佳琪. 基于服务水平调查的城市公交满意度综合评价[J]. 重庆理工大学学报(自然科学), 2020(5):226-232.

[Deng H X, Qin J Q. Comprehensive evaluation of urban bus satisfaction based on service level survey[J]. Journal of Chongqing University of Technology(Natural Science), 2020(5):226-232.] DOI:10.3969/j.issn.1674-8425(z).2020.05.029

[8]
Wu R, Zhai D, Xi E, et al. Evaluation model of satisfaction degree for urban public transit service[J]. Journal of Traffic & Transportation Engineering, 2009, 9(4):65-70. DOI:10.19818/j.cnki.1671-1637.2009.04.013

[9]
李林波, 郭晓凡, 傅佳楠, 等. 基于云模型的城市轨道交通乘客满意度评价[J]. 同济大学学报(自然科学版), 2019, 47(3):378-385.

[Li L B, Guo X F, Fu J N, et al. Evaluation approach of passenger satisfaction for urban rail transit based on cloud model[J]. Journal of Tongji University(Natural Science Edition), 2019, 47(3):378-385.] DOI:10.11908/j.issn.0253-374x.2019.03.011

[10]
周健, 崔胜辉, 刘勇, 等. 城市公共交通满意度分析——以厦门岛为例[J]. 城市发展研究, 2011(1):74-80.

[Zhou J, Cui S H, Liu Y, et al. Analysis of satisfaction degree for urban public transportation: a case study of Xiamen island[J]. Urban Development Studies, 2011(1):74-80.] DOI:10.3969/j.issn.1006-3862.2011.01.012

[11]
卢松, 潘蕙, 曹超轶. 旅游地公共交通性能的游客感知研究——以黄山市为例[J]. 人文地理, 2011, 26(6):133-137,159.

[Lu S, Pan H, Cao C Y. Tourist perceptions on the public transport performance in tourism destination: a case study of Huangshan city[J]. Human Geography, 2011, 26(6):133-137+159.] DOI:10.13959/j.issn.1003-2398.2011.06.019

[12]
Chowdhury S, Ceder A, Schwalger B. The effects of travel time and cost savings on commuters' decision to travel on public transport routes involving transfers[J]. Journal of Transport Geography, 2015, 43(2):151-159. DOI:10.1016/j.jtrangeo.2015.01.009

[13]
Cherry T, Townsend C. Assessment of potential improvements to metro-bus transfers in Bangkok Thailand[J]. Transportation Research Record, 2012, 2276(1):116-122. DOI:10.3141/2276-14

[14]
霍月英, 李晓娟, 闫振英, 等. 基于乘客满意度的公交车站立乘客面积研究[J]. 交通运输系统工程与信息, 2019(3):157-162.

[Huo Y Y, Li X J, Yan Z Y, et al. Standing passenger space on a bus based on passenger satisfaction[J]. Journal of Transportation Systems Engineering and Information Technology, 2019(3):157-162.] DOI:10.16097/j.cnki.1009-6744.2019.03.023

[15]
汪丽, 孙海文, 温嘉琪, 等. 西安市游客公共交通出行满意度的影响因素与路径组合[J]. 经济地理, 2021(7):231-239.

[Wang L, Sun H W, Wen J Q, et al. Influencing factors and path integration of tourists' public transport satisfaction in Xi'an[J]. Economic Geography, 2021(7):231-239.] DOI:10.15957/j.cnki.jjdl.2021.07.025

[16]
Rong R, Liu L, Jia N, et al. Impact analysis of actual traveling performance on bus passenger's perception and satisfaction[J]. Transportation Research Part A, 2022, 160(6):80-100. DOI:10.1016/j.tra.2022.03.029

[17]
李智轩, 甄峰, 张姗琪, 等. 老年人公交活动空间特征及影响因素研究——基于日常与偶发活动的对比分析[J]. 地理科学进展, 2022, 41(4):648-659.

DOI

[Li Z X, Zhen F, Zhang S Q, et al. Characteristics of elderly activity space by public transport and influencing factors: based on the comparative analysis of daily and occasional activities[J]. Progress in Geography, 2022, 41(4):648-659.] DOI:10.18306/j.issn.1007-6301.2022.4.dlkxjz202204009

[18]
Gu Y, Qian Z, Chen F. From twitter to detector: real-time traffic incident detection using social media data[J]. Transportation Research Part C, 2016(6):321-342. DOI:10.1016/j.trc.2016.02.011

[19]
Cao D, Wang S, Lin D. Chinese microblog users' sentiment-based traffic condition analysis[J]. Soft Computing, 2018(6):7005-7014. DOI:10.1007/s00500-018-3293-8

[20]
Martin-Domingo L, Martín J C, Mandsberg G. Social media as a resource for sentiment analysis of Airport Service Quality (ASQ)[J]. Journal of Air Transport Management, 2019, 78(7):106-115. DOI:10.1016/j.jairtraman.2019.01.004

[21]
Osorio-Arjona J, Horak J, Svoboda R, et al. Social media semantic perceptions on Madrid Metro system: Using Twitter data to link complaints to space[J]. Sustainable Cities and Society, 2021, 64(1):102530. DOI:10.1016/j.scs.2020.102530

[22]
王夕琴. 我国公众参与城市交通违法举报的机制研究——以成都"蓉e行"为例[D]. 成都: 西南财经大学, 2019.

[Wang X Q. Research on the mechanism of public participation in urban traffic violations reporting in China: taking Chengdu "Rong e Xing" as an example[D]. Chengdu: Southwestern University of Finance and Economics, 2019.] DOI:10.27412/d.cnki.gxncu.2019.000323

[23]
何梦娇, 吴戈, 梁华, 等. 基于多源文本挖掘的城市交通舆情分析——以苏州为例[J]. 交通信息与安全, 2018(3):105-111.

[He M J, Wu G, Liang H, et al. An analysis of public opinion on urban traffic based on multi-source text mining: a case study of Suzhou[J]. Journal of Transport Information and Safety, 2018(3):105-111.] DOI:10.3963/j.issn.1674-4861.2018.03.015

[24]
Cao J, Zeng K, Wang H, et al. Web-based traffic sentiment analysis: methods and applications[J]. IEEE Transactions on Intelligent Transportation Systems, 2014(2):844-853. DOI:10.1109/TITS.2013.2291241

[25]
Qi B, Costin A, Jia M. A framework with efficient extraction and analysis of Twitter data for evaluating public opinions on transportation services[J]. Travel Behaviour and Society, 2020, 21(10):10-23. DOI:10.1016/j.tbs.2020.05.005

[26]
王才雪, 陈坚, 傅志妍, 等. 基于社交网络数据的城市轨道交通服务质量评价模型[J]. 铁道科学与工程学报, 2023, 20(05):1871-1879.

[Wang C X, Chen J, Fu Z Y, et al. Evaluation model of urban rail transit service quality based on social network data[J]. Journal of Railway Science and Engineering, 2023, 20(05):1871-1879.] DOI:10.19713/j.cnki.43-1423/u.t20221087

[27]
Ali F, Kwak D, Khan P, et al. Transportation sentiment analysis using word embedding and ontology-based topic modeling[J]. Knowledge-Based Systems, 2019(6):27-42. DOI:10.1016/j.knosys.2019.02.033

[28]
刘畅, 郭亮, 范在予. 基于网络舆情的特大城市交通问题识别与治理对策探析——以武汉市为例[J]. 城市问题, 2022(6):77-87.

[Liu C, Guo L, Fan Z Y. Study on identification and governance countermeasures of the traffic problems in metropolis based on online public opinion: A case study of Wuhan city[J]. Urban Problems, 2022(6):77-87.] DOI:10.13239/j.bjsshkxy.cswt.220608

[29]
梁中耀, 刘永, 盛虎, 等. 滇池水质时间序列变化趋势识别及特征分析[J]. 环境科学学报, 2014, 34(3):754-762.

[Liang Z Y, Liu Y, Sheng H, et al. Identification of water quality trends in lake Dianchi using an integrated STL and RSI approach[J]. Acta Scientiae Circumstantial, 2014, 34(3):754-762.] DOI:10.13671/j.hjkxxb.2014.0129

[30]
徐琳宏, 林鸿飞, 潘宇, 等. 情感词汇本体的构造[J]. 情报学报, 2008, 27(2):180-185.

[Xu L H, Lin H F, Pan Y, et al. Constructing the affective lexicon ontology[J]. Journal of the China Society for Scientific and Technical Information, 2008, 27(2):180-185.] DOI:10.3969/j.issn.1000-0135.2008.02.004

[31]
朱嫣岚, 闵锦, 周雅倩, 等. 基于HowNet的词汇语义倾向计算[J]. 中文信息学报, 2006, 20(1):16-22.

[Zhu Y L, Min J, Zhou Y Q, et al. Semantic orientation computing based on HowNet[J]. Journal of Chinese Information Processing, 2006, 20(1):16-22.] DOI:10.3969/j.issn.1003-0077.2006.01.003

[32]
Dong Z, Qiang D. HowNet and the computation of meaning[M]. Singapore: World Scientific, 2006. DOI:10.1142/5935

[33]
Blei D M, Ng A Y, Jordan M I. Latent Dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3(4):993-1022.

[34]
Chiru C, Rebedea T, Ciotec S. Comparison between LSA-LDA-lexical chains[C]// International Conference on Web Information Systems and Technologies, 2014. DOI:10.5220/0004798102550262

[35]
陈嘉钰, 李艳. 基于LDA主题模型的社交媒体倦怠研究——以微信为例[J]. 情报科学, 2019, 37(12):78-86.

[Chen J Y, Li Y. Social media fatigue research based on LDA topic model: take WeChat as an example[J]. Information Science, 2019, 37(12):78-86.] DOI:10.13833/j.issn.1007-7634.2019.12.012

[36]
Wang B, Liu S, Ding K, et al. Identifying technological topics and institution-topic distribution probability for patent competitive intelligence analysis: a case study in LTE technology[J]. Scientometrics, 2014, 101(1):685-704. DOI:10.1007/s11192-014-1342-3

[37]
Chair-Lapata M P, Chair-Ng H P. Proceedings of the conference on empirical methods in natural language processing[C]// Conference on Empirical Methods in Natural Language Processing, 2008.

[38]
Mimno D M, Wallach H M, Talley E M, et al. Optimizing semantic coherence in topic models[C]// Conference on Empirical Methods in Natural Language Processing, 2011.

[39]
吴玲玲, 黄正东. 基于多样性的大城市公共交通服务水平研究[J]. 交通运输系统工程与信息, 2019, 19(1):222-227.

[Wu L L, Huang Z D. Diversity as an Indicator of urban public transit service quality[J]. Journal of Transportation Systems Engineering and Information Technology, 2019, 19(1):222-227.] DOI:10.16097/j.cnki.1009-6744.2019.01.033

[40]
赵德. 多方式公共交通资源耦合效能评价[D]. 南京: 东南大学, 2016.

[Zhao D. Evaluation on multimodal public transit resources integration[D]. Nanjing: Southeast University, 2016.] DOI:10.13502/j.cnki.issn1000- 7636.2022.06.007

[41]
李金培, 徐丽群, 唐方成, 等. 公共交通服务效能如何影响城市绿色经济增长?[J]. 经济与管理研究, 2022, 43(6):90-105.

[Li J P, Xu L Q, Tang F C, et al. How does public transport service effectiveness affect urban green economic growth?[J]. Research on Economics and Management, 2022, 43(6):90-105.] DOI:10.1016/j.jtrangeo.2011.05.004

[42]
Gutiérrez J, Cardozo O D, García-Palomares J C. Transit ridership forecasting at station level: an approach based on distance-decay weighted regression[J]. Journal of Transport Geography, 2011, 19(6):1081-1092.

[43]
李博闻, 黄正东, 蒯希, 等. 基于空间公平理论的公共交通服务评价——以深圳市为例[J]. 地理科学进展, 2021, 40(6):958-966.

DOI

[Li B W, Huang Z D, Kuai X, et al. Evaluation of public transport services based on the spatial equality theory: a case study of Shenzhen city[J]. Progress in Geography, 2021, 40(6):958-966.] DOI:10.18306/dlkxjz.2021.06.006

[44]
赵梓渝, 王雪微, 王士君. 长春市住宅价格空间分异与影响因素研究[J]. 人文地理, 2019, 34(4):97-105,125.

[Zhao Z Y, Wang X W, Wang S J. Study on spatial differentiation of housing price distribution in Changchun and its influencing factors in Changchun[J]. Human Geography, 2019, 34(4):97-105.] DOI:10.13959/j.issn.1003-2398.2019.04.012

Options
Outlines

/

〈 〉