基于回歸分析的任務定價模型

徐娜 張紅娟 行嘉盈

[摘 要]采用k-means聚類算法將數據分為四類，精確求出每一個聚類的中心點任務的理想定價。計算理想定價與實際定價之差的算數平均，有一個較大的正數偏差，這是造成任務未完成的主要原因。對logistic回歸模型進行改進，得到新的多元線性回歸模型。并利用粒子群算法優化模型中的參數，得到其中一簇聚類的參數值。

[關鍵詞]聚類算法；多元線性回歸模型；粒子群算法

中圖分類號：S837 文獻標識碼：A 文章編號：1009-914X（2018）18-0400-01

1.研究現狀

隨著我國經濟快速發展，基于移動互聯網下的自助式勞務眾包平臺發展迅猛，“拍照賺錢”是其中的一種模式。用戶在APP上領取任務，完成任務賺取酬勞。目前許多任務因為定價不合理而無人問津。本文通過研究任務未完成的原因，來達到優化定價模型使任務盡可能多的被完成的目的。

2.1 基于K-means聚類算法的定價分析

K-means算法是將事先輸入的n個數據對象以空間中k個點為中心進行聚類，。本文利用K-means算法對附件一中已結束項目任務的經緯度做聚類分析，得到了4個聚類簇以及對應的聚類中心。

2.2 logistic回歸模型分析未完成的原因

任務完成度是一個二分類變量，取值為=1和=0。在本文的四個聚類簇中，選取聚類簇一為例計算任務完成情況與經緯度、定價以及距離的關系。

利用spss對四簇數據分別進行logistic回歸分析，可知，在聚類1中，任務完成情況與經緯度、定價以及距離的關系式為：

3.1 多元回歸模型

假定被解釋變量Y與多個解釋變量之間具有線性關系，本文通過考慮定價與緯度，經度，離心距離之間的關系，來建立新的定價模型。由相關系數圖可知離心距離、經度、緯度與定價之間的線性關系如下：

由R2的值可知，直接進行多元線性分析的效果并不佳。利用改進POS算法，搜索回歸系數的最優值，由此得到離心距離、經度、緯度與定價之間的線性關系的最優解。

3.2 PSO算法

粒子群優化算法的基本思想是通過群體中個體之間的協作和信息共享來尋找最優解，由n個粒子組成的群體0.對Q維空間進行搜索。

（1）定義適應度函數：用來評價種群中的每個粒子，當適應度函數的取值越小，則有因變量定價Y與自變量緯度X1，經度X2和離心距離X3的之間的擬合度越好。

（2）種群大小的選擇N：一般粒子數取粒子自身維數的5-10倍時可搜索足夠的解空間。在本文中，分別嘗試M=25，30，35，40，45，50，通過分別求解，得出M的最合適的值為30。

（3）慣性權重W：在慣性權重PSO模型中w為定值0.7298.

（4）粒子的維度：在本問題中，所求目標函數帶有四個未知量，所以粒子的維度為4.

（5）終止條件：在本文中最小誤差可以設定為10-8，最大迭代次數設定為1000。終止條件為目標函數取到最小值時，得到的最適合解。

參考文獻

[1] 汪曉銀，鄒庭榮，周保平，數學軟件與數學實驗（第二版），北京：科學出版式，2012.8.

[2] 馬立新，單冠華，屈娜娜.基于改進粒子群算法的電力系統無功優化[J]，控制工程，2012，19（6）：34-39.