新型網絡任務的定價方案

呂敏紅　楊青　劉睿

摘 要：本文針對“拍照賺錢”的定價分配問題，建立了任務定價與任務點到市中心的距離、會員所在的位置、任務完成能力以及信譽度等因素的關系模型，運用多元線性回歸、多元邏輯回歸、神經網絡模型考慮到定價與會員限定預訂任務限額，任務開始的時間等也有一定的關系，對其進行歸一化處理后，進行訓練和測試，不斷調整其誤差值，直到有較好的結論，最終得到較為合理任務定價方案。

關鍵詞：SPSS 多元線性回歸 多項邏輯回歸 神經網絡模型

中圖分類號：O212 文獻標識碼：A 文章編號：1672-3791（2018）02（c）-0032-02

隨著社會的發展，“拍照賺錢”也在移動互聯網的支持下產生。“拍照賺錢”是一種用戶自己下載、注冊APP，然后從APP上領取需要拍照任務的自助式服務模式，從而賺取APP對任務所標定的酬金。這種互聯網的自助式勞務眾包平臺為很多企業提供了各種商業性的檢查和信息搜集，比傳統的市場調查會大大節省調查成本和時間，而且有效地保證了調查數據的真實性。APP成為了該平臺的核心，但是任務定價成了一個問題，如果定價不合理，有的任務將無人問津，從而導致商品檢查失敗。

由于實際問題中有可能有多個任務比較集中，導致用戶會互相競爭選擇。從而依據經緯度將其分為若干的小區域，將此區域內的任務進行聯合打包。將打包后的多個任務當作一個任務進行分配給附近的會員，但是考慮到打包后任務比較集中價格上不好統一分配，因此，我們對打包的任務價格進行求和，考慮其任務成本，在會員密集地區降低任務價格，在會員稀疏地區增長其任務價格，在成本保持不變的情況下，提高其任務完成度。依據包內的任務數量賦予求和值相應的權重，對所有打包和未打包的任務重新進行多元回歸分析，求出新的線性擬合曲線，比較其擬合度與原多元回歸方程擬合度的偏差，分析新的線性擬合對最終任務完成情況的影響。在此應用“神經網絡模型”經行分析，得到與任務完成率之間具體的函數關系式。在此基礎上分析該模型的優缺點、評價方案的實施效果。

1 模型的建立

首先將任務完成時會員經緯度與城市中心的經緯度的距離、任務經緯度與城市中心的經緯度的距離、會員的數量進行回歸，然后將會員信譽度、會員密度、人口密度、地區人均GDP值逐步導入多元線性回歸方程，其中提高擬合度的自變量因素有會員信譽度、會員密度。人口密度、地區人均GDP值對其精度的提高并沒有明顯的影響。選擇會員信譽度，會員密度的作為新的自變量因素加入其中，進行新的多元回歸線性擬合。可以發現擬合度R2從0.410提高到0.622，說明會員信譽度：、會員密度會很大程度影響定價策略。得到定價方案模型

在實際情況下，多個任務可能因為位置比較集中，導致用戶會爭相選擇。因此需要考慮將相近的任務點進行打包。選擇經緯度作為分割的因素，以0.02的緯度，0.05的經度為步進值，將深圳市區域進行分割處理，將其經緯度區域分割為若干個小格。將任務坐標點導入到分割后的坐標軸上，即可看出各個網格內的任務分布如圖1所示。

考慮到APP成本的因素，將會員數量和任務數量導入網格圖中圖形如下：觀察其會員密度，降低會員密度密集網格內的任務定價，提高會員稀疏網格內的任務定價，保持在成本不變的情況下，盡可能提高任務完成率。在會員密集地區對任務進行打包。根據包內任務個數對其所以的價格進行求和，對其價格總和值賦予權重（如包內含有6個任務點，其打包后的價格為6個任務點價格總和的0.8倍）。

以打包后的任務點的中心經緯度為一組新的經緯度。計算打包后的經緯度與市中心的距離。以包中心點10km為半徑的范圍內的會員密度，會員與市中心的距離，會員信譽度，會員限定接單數量作為自變量，利用問題二中的模型，進行多元回歸線性擬合，得到新的定價模型：

新的擬合數據在原有的基礎上擬合度明顯比第二問數據有所提升且提升了11.26%，證明其新的擬合數據在原有的基礎上精度提高。除了定價模型對最終的任務完成情況有所影響外，還需要考慮任務包發布后接單會員的預訂任務限額、信譽度、接單時間等。會員接單預訂任務限額小于包內的任務數量則不能接單。在此基礎上，當任務包發布后，在5min內看有無會員接單。當有多位會員接同一個單時，依照其信譽度，優先分配給信譽度高的會員接單。無人接單超過5min時，安排給第一個接單的會員。

在實際情況下，多個任務可能因為位置比較集中，導致用戶會爭相選擇的可能性。我們考慮是將這些任務聯合在一起打包發布。把其中的深圳市打包后的數據帶入問題三建立起來的定價模型中，可以得出新的任務定價。將定價與會員信譽度，會員限定預訂任務限額，任務開始的時間作為輸入量，將任務完成程度作為輸出量，并用MATLAB自帶的premnmx函數將這些數據歸一化處理。引入神經網絡模型，因為目前對于隱層中神經元數目的確定并沒有明確的公式（目前，對于隱層中神經元數目的確定并沒有明確的公式），只有一些經驗公式，神經元個數的最終確定還是需要根據經驗和多次實驗來確定。經過多次試驗，我們選擇N1=5，N2=10，N3=1，此時BP神經網絡達到了較高的精度。

將訓練樣本數據歸一化后輸入網絡，設定網絡隱層和輸出層激勵函數分別為tansig和logsig函數，設定入層節點數N1、隱含層節點數N2，輸出層節點N，迭代次數e，學習速率，然后開始訓練網絡。得出結果如圖3所示。

該網絡通過185次培訓達到誤差值完成學習，將各項數據分別輸入，輸出任務完成度即可得到預測數據。得出其數據與任務完成度之間的函數關系式：

2 模型的評價

本文是對某些城市進行的“拍照賺錢”軟件實施，比傳統的市場調查會大大節省調查成本和時間，而且有效地保證了調查數據的真實性，我們可以將其推廣至全國各大市區，及更多項目的應用，具很強的現實意義。

3 結語

本文運用多元線性回歸、多元邏輯回歸、神經網絡模型考慮網絡定價與任務點到市中心的距離、會員所在的位置、任務完成能力以及信譽度等因素的關系模型，對其進行歸一化處理后，建立了任務定價模型，然后不斷調整其誤差值，最終得到較為合理任務定價方案。通過對“拍照賺錢”軟件實施，比傳統的市場調查會大大節省調查成本和時間，我們可以將其推廣至各種網絡任務的定價。

參考文獻

[1] 何明亮，陳澤茂，龍小東，等.一種基于層次分析法的攻擊樹模型改進[J].計算機應用研究，2016（12）：3755-3758.

[2] 張德豐.MATLAB概率與數理統計分析[M].機械工業出版社，2010：35-45.

[3] 李勇軍，郭基鳳，緱西梅.軟件“眾包”任務分配方法[J].計算機系統應用，2015，24（2）：1-6.