基于回歸學(xué)習(xí)算法的高鐵站媒體資源價(jià)值評(píng)估模型研究與應(yīng)用

許 娜，單杏花，付 睿，吳 剛，牛慧琳

（1.中國(guó)鐵道科學(xué)研究院集團(tuán)有限公司 電子計(jì)算技術(shù)研究所，北京 100081；2.中國(guó)國(guó)家鐵路集團(tuán)有限公司 經(jīng)營(yíng)開(kāi)發(fā)部，北京 100844）

近年來(lái)，我國(guó)高速鐵路（簡(jiǎn)稱：高鐵）網(wǎng)規(guī)模快速擴(kuò)大，從“四縱四橫”到“八縱八橫”[1]。高鐵所具有的高密度、高速度、安全性、舒適性、準(zhǔn)時(shí)性使其成為鐵路旅客的主流出行方式[2]。以華東某高鐵線路受眾為例，20～39 歲的消費(fèi)人群占比61.8%，男性占比約60%，本科及以上學(xué)歷占比約75%。由此可見(jiàn)，具備引導(dǎo)力的消費(fèi)群體正在成為高鐵媒體的潛在消費(fèi)主力[3]。

隨著高鐵站媒體廣告市場(chǎng)的興盛，鐵路媒體應(yīng)基于各類型受眾的出行需求、身份差異及時(shí)節(jié)變化等因素，進(jìn)行針對(duì)性傳播，增強(qiáng)信息傳播的廣度、深度和影響力。因此，亟需一種科學(xué)、系統(tǒng)、全面的鐵路媒體資源價(jià)值評(píng)估體系指導(dǎo)廣告資源經(jīng)營(yíng)。目前，大數(shù)據(jù)分析、人工智能、機(jī)器學(xué)習(xí)等技術(shù)的飛速發(fā)展和成熟應(yīng)用，為高鐵站媒體資源廣告價(jià)值評(píng)估提供了可行性。

清水公一[4]提出了每日有效流量監(jiān)測(cè)，建立了日本戶外廣告效果評(píng)估指標(biāo)體系；孫文清[5]認(rèn)為廣告效果的多層次性使得廣告效果具有模糊性，建立了多級(jí)模糊綜合評(píng)價(jià)模型測(cè)定廣告效果，設(shè)計(jì)了廣告效果綜合評(píng)價(jià)的指標(biāo)體系，并確定各評(píng)價(jià)指標(biāo)權(quán)重；陳文凱[6]將高鐵站內(nèi)廣告資源整合為站內(nèi)廣告空間的形式進(jìn)行評(píng)估，論述高鐵站內(nèi)廣告空間價(jià)值，分析影響因素，評(píng)估廣告空間整體價(jià)值。而目前對(duì)高鐵車站媒體資源定量評(píng)估指標(biāo)及價(jià)值分析研究尚不深入。

媒體價(jià)值是指媒體作為商品的市場(chǎng)價(jià)值。媒體資源價(jià)值評(píng)估即是對(duì)媒體的市場(chǎng)價(jià)值進(jìn)行預(yù)估和解析，建立起一個(gè)綜合的、完整的評(píng)估模型[7]。本文從鐵路媒體資源經(jīng)營(yíng)出發(fā)，通過(guò)大數(shù)據(jù)分析方法，研究相關(guān)性指標(biāo)與媒體招商價(jià)值的關(guān)系，篩選影響鐵路媒體價(jià)值的強(qiáng)相關(guān)特征因素，形成媒體資源價(jià)值評(píng)估的指標(biāo)體系模型，構(gòu)建高鐵站媒體資源價(jià)值評(píng)估模型，實(shí)現(xiàn)對(duì)高鐵站媒體資源價(jià)值的評(píng)估與預(yù)測(cè)。

1 指標(biāo)體系搭建

1.1 指標(biāo)體系構(gòu)成

基于受眾和媒體2 個(gè)角度，結(jié)合高鐵站媒體特征，構(gòu)建高鐵站媒體資源價(jià)值評(píng)估指標(biāo)體系，如圖1所示，包含6 個(gè)大類、10 個(gè)子類、31 項(xiàng)指標(biāo)。

圖1 高鐵站媒體資源價(jià)值評(píng)估指標(biāo)體系

1.2 數(shù)據(jù)項(xiàng)采集及預(yù)處理

高鐵站媒體資源價(jià)值評(píng)估指標(biāo)體系31 項(xiàng)指標(biāo)的數(shù)據(jù)主要從鐵路媒體資源管理平臺(tái)、鐵路出行統(tǒng)計(jì)、國(guó)家統(tǒng)計(jì)局、各地方政府官網(wǎng)公開(kāi)發(fā)布的社會(huì)經(jīng)濟(jì)、車站環(huán)境等數(shù)據(jù)源中獲取。部分指標(biāo)的數(shù)據(jù)可直接從上述數(shù)據(jù)源采集，如城市GDP、高動(dòng)占比等；部分?jǐn)?shù)據(jù)指標(biāo)需進(jìn)行數(shù)據(jù)源分類統(tǒng)計(jì)，如年齡構(gòu)成；部分?jǐn)?shù)據(jù)指標(biāo)需要對(duì)采集到的源數(shù)據(jù)進(jìn)行加工，形成數(shù)據(jù)項(xiàng)，以滿足要求，以觸達(dá)人次為例，不同媒體位置的觸達(dá)人次各不相同，結(jié)合第三方調(diào)研公司獲取到媒體觸達(dá)率、觸達(dá)頻次，如表1所示，以及車站年到發(fā)客流量，根據(jù)公式（1）得出觸達(dá)人次。

表1 調(diào)研高鐵站媒體位置到達(dá)率和接觸頻次

對(duì)原始數(shù)據(jù)項(xiàng)進(jìn)行處理后，31 個(gè)指標(biāo)共形成含82 個(gè)數(shù)據(jù)項(xiàng)的原始樣本數(shù)據(jù)集。

2 特征工程

2.1 特征數(shù)據(jù)項(xiàng)分析

對(duì)原始樣本數(shù)據(jù)集進(jìn)行探索性分析，得出各特征數(shù)據(jù)項(xiàng)的分布趨勢(shì)，如表2所示。其中，集中趨勢(shì)是數(shù)據(jù)聚攏程度的一種衡量，衡量參數(shù)是均值、中位數(shù)、眾數(shù)和分位數(shù)；離中趨勢(shì)是數(shù)據(jù)離散程度的衡量，衡量參數(shù)主要是標(biāo)準(zhǔn)差；數(shù)據(jù)分布主要檢驗(yàn)數(shù)據(jù)是否符合正態(tài)分布，衡量參數(shù)為偏態(tài)系數(shù)和峰態(tài)系數(shù)，偏態(tài)系數(shù)衡量數(shù)據(jù)平均值偏離狀態(tài)，峰態(tài)系數(shù)衡量數(shù)據(jù)分布集中強(qiáng)度。

表2 部分特征數(shù)據(jù)項(xiàng)分布趨勢(shì)衡量參數(shù)

對(duì)上述指標(biāo)進(jìn)行分析可得出，年均媒體單價(jià)分布較離散，數(shù)據(jù)標(biāo)準(zhǔn)差較大，需排查并剔除異常值，同時(shí)，其偏態(tài)程度也較大，需進(jìn)行數(shù)據(jù)變換，消弱數(shù)據(jù)的異方差性，使其更接近正態(tài)分布；城市GDP、年經(jīng)停列車數(shù)量等數(shù)據(jù)項(xiàng)標(biāo)準(zhǔn)差較其他數(shù)據(jù)項(xiàng)大，不利于不同單位或量級(jí)的指標(biāo)進(jìn)行比較，易影響目標(biāo)結(jié)果，使得一些回歸算法無(wú)法學(xué)習(xí)到其他數(shù)據(jù)項(xiàng)特征，因此，需進(jìn)行標(biāo)準(zhǔn)化、歸一化處理。

2.2 異常值識(shí)別

本文采用箱線圖的鑒定方式進(jìn)行異常值剔除，如圖2所示。在箱線圖中，箱子中間的一條線代表中位數(shù)，箱子的上下底分別是上四分位數(shù)（Q3）和下四分位數(shù)（Q1），上極限=中位數(shù)+3 · (Q3-Q1)，下極限=中位數(shù)-3 · (Q3-Q1)。箱子的高度在一定程度上反映了數(shù)據(jù)的波動(dòng)程度。上下邊緣則代表了該組數(shù)據(jù)的最大值和最小值，超范圍值視為異常值。

圖2 原始樣本集特征數(shù)據(jù)箱線圖

圖2中，紅色星為異常值，能看出城市人口規(guī)模、車站合同總金額、媒體面積、年均媒體單價(jià)等數(shù)據(jù)項(xiàng)均存在異常值。需將所列樣本數(shù)據(jù)異常值剔除。

2.3 標(biāo)準(zhǔn)化和歸一化

標(biāo)準(zhǔn)差較大的數(shù)據(jù)項(xiàng)需進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，確保所有特征數(shù)值都有相同的數(shù)量級(jí)。如果數(shù)據(jù)較為穩(wěn)定，不存在極端的最大/最小值，可用歸一化方式進(jìn)行處理。本文對(duì)與媒體屬性相關(guān)的數(shù)據(jù)項(xiàng)、車站環(huán)境相關(guān)的數(shù)據(jù)項(xiàng)、與城市經(jīng)濟(jì)相關(guān)的數(shù)據(jù)項(xiàng)進(jìn)行標(biāo)準(zhǔn)化處理。對(duì)與客流有關(guān)的數(shù)據(jù)項(xiàng)、與受眾屬性相關(guān)的數(shù)據(jù)項(xiàng)進(jìn)行歸一化處理。

2.4 數(shù)據(jù)變換

對(duì)年均媒體單價(jià)做指數(shù)變換，解決其分布不均、方差較大的問(wèn)題。變換前后的分布趨勢(shì)如圖3所示。對(duì)比可知，數(shù)據(jù)變換后更符合正態(tài)分布，且對(duì)評(píng)估模型的擬合效果更優(yōu)。

圖3 年均媒體單價(jià)正態(tài)分布曲線對(duì)比

2.5 相關(guān)性分析及特征選擇

在生成預(yù)測(cè)模型前，還須對(duì)上述過(guò)程處理過(guò)的82 個(gè)特征數(shù)據(jù)之間、82 個(gè)特征數(shù)據(jù)和目標(biāo)值（年均媒體單價(jià)）間的相關(guān)性進(jìn)行分析。過(guò)濾掉特征相關(guān)性高、互相冗余或與目標(biāo)值相關(guān)性較弱、給模型帶來(lái)噪聲并導(dǎo)致模型訓(xùn)練速度緩慢的數(shù)據(jù)特征。本文采用皮爾遜相關(guān)系數(shù)法檢測(cè)變量間的相關(guān)性，剔除與目標(biāo)值相關(guān)性低（相關(guān)系數(shù)＜0.3）的特征數(shù)據(jù)，合并相同指標(biāo)項(xiàng)下共線性較強(qiáng)（相關(guān)系數(shù)＞0.9）的特征數(shù)據(jù)，得到初步篩選的37 個(gè)特征數(shù)據(jù)。皮爾遜相關(guān)性熱力圖如圖4所示。共線性較強(qiáng)的紅橙色區(qū)域依然存在，須進(jìn)一步進(jìn)行特征選擇。本文采用前進(jìn)逐步回歸算法，進(jìn)行特征數(shù)量及特征因子的選擇。

圖4 特征數(shù)據(jù)初步篩選后的相關(guān)性熱力圖

特征數(shù)量結(jié)果如圖5所示，當(dāng)特征數(shù)量為24 時(shí)，模型的均方根誤差（RMSE，Root Mean Square Error）最低，使用梯度提升決策樹(shù)（GBDT，Gradient Boosting Decision Tree）模型來(lái)評(píng)估該24 項(xiàng)特性的重要性結(jié)果如圖6所示。

圖5 特征數(shù)量與RMSE 關(guān)系折線圖

圖6 GBDT 模型下特征重要性排序

媒體面積為24 項(xiàng)特征項(xiàng)中與目標(biāo)值相關(guān)性最高的特征項(xiàng)。特征工程選取出的最佳數(shù)據(jù)特征子集如圖7所示。

圖7 特征工程選擇出的最佳數(shù)據(jù)特征

3 價(jià)值評(píng)估模型

對(duì)高鐵站媒體資源價(jià)值做分析與預(yù)測(cè)可歸結(jié)為回歸問(wèn)題。回歸學(xué)習(xí)算法可被認(rèn)為是一種“函數(shù)逼近”[8]。價(jià)值評(píng)估模型的建構(gòu)需先將樣本數(shù)據(jù)集依次代入多個(gè)備選回歸學(xué)習(xí)算法，根據(jù)性能指標(biāo)得到最優(yōu)算法，并將樣本數(shù)據(jù)集通過(guò)歸一化處理、超參調(diào)優(yōu)等方式進(jìn)一步提升最優(yōu)算法的擬合優(yōu)度，以求達(dá)到符合商用要求（擬合優(yōu)度（R2）≥0.80）的模型。

3.1 最優(yōu)算法選取

將包含最佳特征子集的樣本數(shù)據(jù)集按4:1 的比例，隨機(jī)分割為訓(xùn)練集和測(cè)試集，并將年均媒體單價(jià)設(shè)為目標(biāo)值Y，將最佳特征子集的24 個(gè)數(shù)據(jù)特征設(shè)為X=(x1,x2,···,x24)，分別代入表3的回歸算法，在默認(rèn)算法參數(shù)不做調(diào)優(yōu)的情況下，得出各算法的性能指標(biāo)。其中，R2是衡量自變量，是解釋因變量變動(dòng)的程度指標(biāo)，取值范圍在0～1 之間，越接近1，擬合度越好；均方誤差（MSE，Mean Square Error）在預(yù)測(cè)值與真實(shí)值完全吻合時(shí)等于 0，誤差越大，值越大；RMSE 越小，預(yù)測(cè)效果越好。

表3 年均媒體單價(jià)為目標(biāo)值的各種回歸算法性能指標(biāo)

由表3可知，增強(qiáng)梯度提升決策樹(shù)回歸學(xué)習(xí)算法的R2最大，且RMSE 和MAE 相對(duì)較小，但R2仍未達(dá)到0.8 的商用目標(biāo)，作為本文價(jià)值評(píng)估算法需進(jìn)行進(jìn)一步優(yōu)化。

3.2 模型優(yōu)化

（1）對(duì)目標(biāo)值Y進(jìn)行歸一化處理，得到新樣本數(shù)據(jù)集，重復(fù)3.1 節(jié)中的模型訓(xùn)練過(guò)程，所得結(jié)果為：R2=0.78，RMSE=123 421.49，MAE=66 154.81。

（2）針對(duì)分布不均、方差較大的特征值，如動(dòng)車旅客數(shù)量和目標(biāo)值進(jìn)行l(wèi)og 變換，重復(fù)3.1 節(jié)模型訓(xùn)練過(guò)程，所得結(jié)果為：R2=0.8，RMSE=91 846.28，MAE=49 500.05。

3.3 超參調(diào)優(yōu)

對(duì)極限梯度提升（XGBoost，eXtreme Gradient Boosting）算法的超參學(xué)習(xí)器迭代次數(shù)（n_estimators）、樹(shù)深度（max_depth）、學(xué)習(xí)器的權(quán)重縮減系數(shù)（learning_rate）、正則化參數(shù)（gamma）等進(jìn)行經(jīng)驗(yàn)值區(qū)間設(shè)置。采用網(wǎng)格搜索法進(jìn)行超參調(diào)優(yōu)，獲取最優(yōu)超參組合，即表4中R2為0.803 872 425 的組合項(xiàng)。

表4 特征變換處理后算法庫(kù)結(jié)果

4 業(yè)務(wù)場(chǎng)景驗(yàn)證

對(duì)2019～2021年度西安北站、昆明站、福州站、福州南站的燈箱類高鐵站媒體數(shù)據(jù)進(jìn)行隨機(jī)采樣，驗(yàn)證評(píng)估模型，結(jié)果如表5所示。其中，價(jià)格欄為招商價(jià)格，預(yù)測(cè)值欄為該評(píng)估模型預(yù)測(cè)值。市面?zhèn)鹘y(tǒng)評(píng)估方法，如專家打分、指標(biāo)數(shù)據(jù)加權(quán)等方式，偏離度約在±20%左右。因此，本文模型偏離度更低，評(píng)估效果更好。

表5 2019～2021年度生產(chǎn)經(jīng)營(yíng)數(shù)據(jù)驗(yàn)證明細(xì)

5 結(jié)束語(yǔ)

本文建立了高鐵站媒體資源價(jià)值評(píng)估指標(biāo)體系，對(duì)高鐵站媒體資源樣本進(jìn)行智能識(shí)別和分析后，構(gòu)建了高鐵站媒體資源價(jià)值評(píng)估模型，并驗(yàn)證了預(yù)測(cè)效果。為高鐵站媒體經(jīng)營(yíng)提質(zhì)增效、精細(xì)化管理提供方案和工具。

本文依然存在不足之處。媒體經(jīng)營(yíng)業(yè)務(wù)復(fù)雜，為更好發(fā)揮大數(shù)據(jù)分析的作用，應(yīng)持續(xù)增加能優(yōu)化媒體價(jià)值評(píng)估模型的數(shù)據(jù)特征、樣本數(shù)據(jù)集收集處理、超參調(diào)優(yōu)，進(jìn)一步擴(kuò)大可評(píng)估的媒體類型。下一步，應(yīng)基于推廣應(yīng)用的效果不斷進(jìn)行模型的迭代和驗(yàn)證，確保模型的可持續(xù)性、合理性和適用性。