1.华北理工大学数学建模创新实验室 河北省唐山市 063210
2.华北理工大学以升创新教育基地 河北省唐山市 063210
3.华北理工大学管理学院 河北省唐山市 063210
4.华北理工大学电气工程学院 河北省唐山市 063210
5.华北理工大学理学院 河北省唐山市 063210
摘要：本文通过数据分析对任务定价方案进行了研究。
关键词：BP神经网络模型 多元线性回归 打包分布定价模型 任务定价
引言
“拍照赚钱”是移动互联网下的一种自助式服务模式。用户下载APP，注册成为APP的会员，然后从APP上领取需要拍照的任务（比如上超市去检查某种商品的上架情况），赚取APP对任务所标定的酬金。这种基于移动互联网的自助式劳务众包平台，为企业提供各种商业检查和信息搜集，相比传统的市场调查方式可以大大节省调查成本，而且有效地保证了调查数据真实性，缩短了调查的周期。
1.任务定价方案的确立
1.1任务定价方案的分析
综合考虑地理位置、区域内的平均信誉值、会员人数的权值和平均任务量对任务定价的影响，选取完成任务情况为1的所有数据的75%采用基于最小二乘法的方法进行拟合，用剩余的25%的数据作为检测数据，采用两独立样本T检验的方法判断原始数据与拟合后解得的数据是否具有显著性差异。然后利用神经网络模型预测会员的任务完成度与原始数据进行比较来判断所给价格是否合理。
1.2任务定价方案模型的建立与求解
1.2.1目标值与指标值的确立
目标值：Y表示定价值。
指标值：X1表示在[0~500]范围内指标平均会员数与平均信誉值的合成指标。X2表示在[500~1500]的合成指标；X3表示在[1500~2500]的合成指标；M1表示平均任务量。
1.2.2基于最小二乘法的目标值与指标值的拟合函数求解
根据最小二乘法的模型代入目标值与指标值可得参数指标。
利用MATLAB进行拟合得出各统计值。
期刊文章分类查询,尽在期刊图书馆
1.2.3模型检验
为了使模型的定价结果更为合理，我们建立任务定价拟合值与实际值的独立样本T检验模型，对模型的定价进行检验。
两独立样本t检验的原假设为：拟合值与实际值的均值无显著性差异。
给定显著性水平α=0.05，若T检验统计量和概率P值小于1-α，则接受原假设。用spss分析两独立样本的显著性差异。
由表9得当t=(3.87,6.299)时p=0.665可知比给定1-α小，所以接受原假设，说明对测试集的拟合值与实际值之间无显著性差异，即拟合的方程成立。
1.2.4利用最小二乘法BP神经网络模型预测任务完成度
1.2.4.1基于最小二乘法BP神经网络模型的建立
误差反向传播的BP算法简称BP算法，其基本思想是最小二乘法。采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。
BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改神经元的权重，使误差达到最小。
训练集与测试集的数据处理：训练集在经过上文处理后的数据中选取任务执行情况为1的所有数据，在原有的指标平均信誉值、会员人数上增加平均任务量以及任务标价。对指标加权合成后的不同区域内的平均信誉值、会员人数、平均任务量进行指标加权合成。把得到在不同范围内三者合成后的新指标值以及经过归一化处理的任务标价作为输入值，将任务执行情况值进行随机选取0.8-1的数据作为输出值。
测试集：在经过上文处理后的数据中选取任务执行情况为0的所有数据，输入值与训练集的处理方式相同，将任务执行情况值进行随机选取0-0.2的数据作为输出值。
输出值与目标值的回归系数R2为0.80178，说明任务完成度较高，而原有方案计算得出的任务完成度仅仅只有62.44%，即新建立的模型的准确率较高。
2.打包分布定价模型的建立
2.1打包模型的优化分析
实际情况下，多个任务可能因为位置比较集中，导致用户会争相选择，所以我们将位置比较集中的多个任务联合在一起打包分布情况下，修改定价策略。对于打包问题，我们考虑将相邻距离小于1千米的任务合并在一起，所以我们将根据会员位置以及会员信誉度进行发布，并根据不同打包任务量，同时兼顾会员与企业利益的均衡，对价格给予不同状态下的最优折扣率。对于企业由于会员接受打包任务而导致等待时间给予补偿，对于会员执行打包任务也给予一定补偿。建立基于动态打包分布的定价优化模型，最后，利用所给数据对模型进行检验，分析对任务完成情况的影响。
2.2打包定价规则
在原来定价模型的基础上，对打包任务分布定价引入最优折扣率改进原来定价模型，对于未进行打包的任务仍然采用原来定价模型。为了提高任务完成效率在考虑企业与会员利益均衡的基础上，对打包任务进行重新定价。
2.3定价模型的改进
确定最优折扣率
与单一任务相比，任务定价减少的幅度与会员收益增加的幅度之差最小，即确保企业和会员的利益均衡为目标，从而使任务完成情况达到最大。
(2)可预见损失补偿
任务定价的合理有关任务完成情况（即会员的利益）和企业利益，所以，定价要体现出公平性、互利性，以免发生不必要的矛盾，降低会员参与打包任务发布的积极性，阻碍任务的完成情况和企业利益的实现。实际打包发布中，难免会造成企业和会员的一些利益损失，比如企业等待时间过长、会员执行打包任务等待时间也给予一定补偿。因此，为了使定价更为合理，对企业和会员可预见的损失进行补偿。
2.4模型的求解
利用matlab中Fslove函数对上述模型进行求解，可以求解出基于不同打包任务量下的定价模型。
2.5结果分析
将打包的数据集的位置坐标以其中心点的位置坐标代替，根据问题一建立的模型求出平均任务量，平均信誉度以及竞争人数，根据问题二建立的BP神经网络解得其任务完成度为87.1%。
结论
本文首先通过多元线性回归分析的方法将定价与平均信誉值、人数、平均任务量及平均任务量进行拟合并检验，然后通过BP神经网络预测任务完成度。由于多个任务可能位置比较集中，本文建立了打包定价模型对定价进行优化，从而得到合理的定价。
参考文献
[1]韩丽, 赵迁, 刘平,等. 基于最小二乘法对艾烟浓度的光学浓度和PM10质量浓度的数据拟合[J]. 世界中医药, 2016, 11(08):1424-1428.
[2] 刘佳. 出租车合乘方式及定价模型优化研究[D]. 重庆交通大学, 2016.
论文作者:丁宝童1,2,张召敏1,3,王凯1,4,郭小强1,5
论文发表刊物:《建筑科技》2017年第14期
论文发表时间:2017/12/20
标签：模型论文; 会员论文; 平均论文; 数据论文; 指标论文; 唐山市论文; 乘法论文; 《建筑科技》2017年第14期论文;