建模铁路乘客的整体舒适度：结合PLS-SEM与可解释机器学习方法

《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Modeling railway passenger overall comfort: combining PLS-SEM and interpretable machine learning

基于SOR理论框架，本研究通过现场调查及PLS-SEM结合机器学习，系统分析车厢环境质量感知（CEQP）、情感价值、暴露时间与个体因素对乘客单向舒适度的影响机制。结果表明，压力质量感知（PQP）贡献度最高（27.08%），其次为宜人性（20.37%）、情感价值（15.10%）及暴露时间（11.47%），验证了CEQP通过情感价值间接影响舒适度的路径，并揭示动态环境下个体因素的重要性。该研究为铁路车厢环境优化提供量化依据，推动动态环境舒适度理论发展。

　　

彭勇|夏中静|韩德民|梁梦轩|范超杰|杨明志|易胜根|梁希锋

中国中南大学交通与运输工程学院，教育部轨道交通安全重点实验室，长沙410075

摘要

基于刺激-有机体-反应（Stimulus-Organism-Response, SOR）框架，本研究探讨了车厢环境质量感知（Carriage Environmental Quality Perception, CEQP）、情感价值（Valence）、暴露时间（Exposure Time）以及个体因素对乘客舒适度的影响。通过实地调查，结合使用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）和机器学习方法，识别并量化了影响乘客整体舒适度的各种因素。研究结果表明，CEQP、情感价值、暴露时间、年龄、宜人性（Agreeableness）和环境敏感性（Environmental Sensitivity）显著影响整体舒适度。情感价值在CEQP与整体舒适度之间起中介作用。压力质量感知（Pressure Quality Perception, PQP）对整体舒适度的影响最大。这些关键因素被纳入到自适应提升（Adaptive Boosting, ADA）模型中。ADA-SHAP分析显示，PQP对整体舒适度的贡献最大（27.08%），其次是宜人性（20.37%）、情感价值（15.10%）和暴露时间（11.47%）。其他影响因素也在一定程度上对模型结果有所贡献。这些发现为列车车厢的环境调节、路线选择和舒适度优化提供了指导。

引言

随着全球经济的快速发展和生活质量的不断提高，铁路旅客的期望已超越了速度和安全性，更加重视旅行舒适度（Wang et al., 2021; Zhang, 2014）。在隧道入口和轮轨相互作用等复杂的铁路运行条件下，车厢内部环境存在多个参数的动态变化，导致乘客整体舒适度显著下降（Peng et al., 2022a）。特别是车厢内的气压、温度、噪音、振动、照明和空气质量等环境因素的变化引起了关注。然而，大多数关于铁路乘客舒适度的研究仅关注单一环境维度。目前，关于环境舒适度的研究主要集中在办公楼（Fukawa et al., 2024）、医疗机构（Chen et al., 2025）、教室（Bhandari et al., 2024）、图书馆（Hou et al., 2024）等建筑环境上，主要关注五个环境维度：温度、声音、照明、空气质量和振动。与这些静态环境不同，列车车厢不仅包含这些环境因素，还受到列车与隧道相互作用效应导致的压力变化影响（Yang et al., 2024）。从实际角度来看，列车车厢是一个由多种共存和相互作用因素组成的三维环境。现有研究表明，与客观环境参数相比，乘客的自报问卷数据对整体舒适度的预测价值更高，这凸显了真实人类反馈在舒适度评估中的重要性（Fransson et al., 2007; Maier et al., 2023）。因此，乘客的环境质量感知应被视为评估整体舒适度的关键指标。同时，乘客的个体因素也显著影响舒适度的变化（Lu et al., 2025），因此有必要同时研究车厢环境质量感知（CEQP）和个体因素，以更好地理解影响整体舒适度的决定因素。

然而，目前关于铁路乘客整体舒适度的研究主要集中在车厢内单个环境因素的影响上。对于多维车厢环境因素如何共同影响整体舒适度的潜在机制缺乏系统性的研究。越来越多的研究认识到，仅通过调整单一环境因素无法有效缓解车厢环境中的不适。此外，在真实列车条件下进行的实证研究仍然有限。尽管有研究基于实地调查发现整体舒适度与环境因素（如温度、声音、振动、压力、光线和情绪状态）之间存在强相关性，并将特定大脑区域与情绪反应联系起来，揭示了从环境感知到负面情绪激活，最终导致不适的机制（Peng et al., 2022a），但这些研究并未明确这些环境因素的相对重要性或通过正式路径分析探讨其影响路径。刺激-有机体-反应（SOR）理论认为，来自环境的外部物理刺激会引发内在的有机体反应，进而影响行为结果或决策（Ng et al., 2024）。因此，有必要通过路径分析来研究车厢环境质量感知、情绪状态和整体舒适度之间的潜在路径。

与静态建筑环境不同，列车车厢环境本质上是动态的，受运行条件和环境控制系统持续调节的影响。此外，列车车厢空间受限且相对封闭，限制了乘客的身体活动。在这种动态环境中长时间久坐往往会导致明显的不适——这种现象被称为时间累积效应（Huang and Li, 2024）。这一概念与社会科学观点一致，即舒适度是一种短暂且动态的心理状态（Wensley et al., 2017）。以往的研究主要在建筑环境中探讨了时间累积效应（例如温度、振动），而铁路运输领域的相关研究较少关注暴露时间这一变量。

随着铁路出行的日益普及，乘客之间的个体差异对舒适度评估变得越来越重要（Lu et al., 2024）。这些差异包括可观察的显性因素，如性别、年龄和体重指数（BMI，即乘客体重与身高平方的比值）（Qian et al., 2024; Zhou et al., 2024a），以及不太明显的隐性个体因素，如人格特质、环境敏感性和认知特征（Gao et al., 2017; Huang and Pluess, 2025）。然而，大多数相关研究主要关注显性个体因素，而对隐性因素的关注较少。相比之下，工作场所环境的研究探讨了五大人格特质（神经质、外向性、开放性、宜人性和尽责性）如何影响室内环境质量感知和整体满意度（Cheung et al., 2022）。鉴于建筑环境（4-5个要素 vs. 6个要素）和性质（静态 vs. 动态）与列车车厢环境的差异，人格特质在后者环境中的影响需要进一步研究。此外，个体对环境刺激的敏感程度不同，这可能导致不同的舒适度感知和主观评价（Huang and Pluess, 2025）。

总之，影响铁路乘客整体舒适度的潜在因素包括车厢环境质量感知、显性/隐性个体因素、情绪状态和暴露时间（图1）。本研究采用SOR理论框架，关注从CEQP到情绪状态，最终到整体舒适度的路径。通过实地调查，将暴露时间和个体因素这两个关键因素纳入研究，以确定影响整体舒适度的主要因素。为了系统地验证这些因素之间的关系并量化它们的相对影响，提出了一种结合偏最小二乘结构方程模型（PLS-SEM）和机器学习的混合方法论框架。PLS-SEM用于通过稳健的路径建模和统计推断识别影响舒适度的关键因素，为模型开发提供了理论基础。随后使用Shapley加性解释（SHAP）算法量化每个因素的相对重要性，从而提高模型的可解释性。这些方法共同为制定针对性的列车车厢环境调节策略提供了全面的基础和实际指导，同时也有助于未来关于乘客舒适度的理论和应用研究。

本研究的其余部分安排如下：第2节回顾相关文献并提出研究假设；第3节介绍研究方法；第4节展示结果和分析；第5节讨论研究发现；最后第6节提供结论、指出研究局限性并概述未来研究方向。

研究片段

影响铁路乘客整体舒适度的因素

根据SOR理论，环境刺激（S）、内在有机体状态（O）和由此产生的行为反应（R）之间存在明确的关系。该框架广泛用于研究外部刺激如何影响个体的认知、情绪和心理状态，以及预测后续行为（Mehrabian, 1974）。与直接将环境感知与整体舒适度联系起来的先前舒适度/满意度框架不同（Hou et al., 2024; Wu et al.

研究方法

本文的详细过程可以分为三个部分，具体流程图见图3。该框架包括三个步骤：第一步是数据收集和预处理；第二步是基于PLS-SEM的路径分析；第三步是基于可解释机器学习的重要性量化。

结果

数据分析包括两个阶段：PLS-SEM分析和机器学习算法。

车厢环境质量感知（CEQP）、环境敏感性和整体舒适度之间的关系

二阶PLS-SEM分析揭示了车厢环境质量感知、情绪状态和整体舒适度之间的路径关系。研究发现情感价值在车厢环境质量感知与整体舒适度之间具有显著的中介作用，从而支持了文献回顾中建立的假设（H1–H4）。这种情感价值的中介作用与建筑环境中的先前研究一致，在那里情感价值经常被考虑在内。

结论

本研究结合PLS-SEM和机器学习方法，全面探讨了影响铁路乘客整体舒适度的因素及其模型选择。系统地识别并量化了影响乘客整体舒适度的因素的相对重要性。本研究的一个创新之处是将暴露时间和多个个体因素引入SOR理论模型，并验证了该模型的有效性。

作者贡献声明

彭勇：撰写 – 审稿与编辑，资金获取。夏中静：撰写 – 原始草案，方法论，数据整理。韩德民：方法论，数据整理。梁梦轩：方法论，数据整理。范超杰：撰写 – 审稿与编辑，方法论，概念化。杨明志：方法论。易胜根：监督。梁希锋：资金获取。

资助

本研究得到了国家自然科学基金（资助编号：U24B20123）、中国国家铁路集团科技计划（资助编号：P2025J002(JB）以及湖南省自然科学基金（资助编号：2025JJ60279）的支持。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。