基于BP神經網絡的移動眾包平臺任務定價研究

蔣師賢，楊亮

（天津商業大學信息工程學院，天津 300134）

0 引言

近年來，隨著互聯網與經濟全球化的快速發展，各種組織機構開始在互聯網上尋求解決問題的途徑，逐漸形成一種新型的商業模式——眾包。眾包的任務定價是關系到平臺運營的核心要素，定價是否合理將直接決定任務的完成情況。誤差反向傳播網絡（Back Propagation Network,簡稱BP神經網絡）具有自學習、自組織、自適應能力能夠進行信息的并行處理和非線性轉換，可以通過“誤差逆傳播算法”，不斷提高網絡對輸入模式影響的正確率。利用MATLAB的神經網絡工具箱（Neural Network Toolbox），可以便捷地對原始定價進行訓練和測試，在優化任務定價方案上十分適用。

1 基于BP神經網絡的定價研究

1.1 理論基礎

BP神經網絡是具有三層或者三層以上神經元的神經網絡，包含了輸入層、隱含層和輸出層，同一層神經元之間無連接，層與層之間采用全互連方式連接，如圖1，輸入層神經元與隱含層之間是兩個神經元的之間連接的強度，即網絡的權值，隱含層或者輸出層任一神經元將前一層神經元傳來的信息進行整合，添加一個閾值。將整合后的信息作為該層神經元的輸入值。信息在神經元之間正向傳輸，輸入量經過隱層逐層計算，得到網絡輸出后，與期望輸出相比較，將誤差值沿原來的連接通路反向傳播，逐次修正初始設定的的權值和閾值，迭代直到網絡誤差到精度要求或設定的學習次數為止。

圖1 BP神經網絡結構圖

1.2 數據處理與參數確定

將各個影響因素作為輸入樣本，定價作為輸出樣本，我們把已完成的任務的定價視為合理的定價方案，作為BP神經網絡的訓練樣本，剩余未完成的任務作為識別樣本重新定價。采用最大最小法對輸入輸出變量進行歸一化處理。利用MATLAB中的函數mapmin?max，對輸入輸出數據均采用歸一化處理。

表1 符號說明

1.3 網絡結構的確定

本文采用的是MATLAB R2017a的BP神經網絡工具箱進行仿真試驗，網絡參數設置如下：

表2 參數設定

1.4 仿真分析

基于完成情況將任務分為兩類：已完成的任務，未完成的任務。將已完成的任務的定價視為合理的定價方案，即學習的對象，對已完成的任務樣本進行訓練后結果如圖2所示，圓圈代表真實定價，虛十字線代表預測定價，從各個任務定價的預測值和實際值的擬合程度看，預測值都比較符合實際值的變化趨勢，誤差較小，BP神經網絡在一定程度上實現了對合理定價方案的學習。然后使用訓練好的網絡對剩余未完成的任務進行定價的預測，實現定價方案的優化。

圖2 仿真結果

2 結果評價

通過與多元回歸法的對比，采用多元回歸分析時，R2=0.056,如圖3所示，采用BP神經網絡分析時，R2=0.878，如圖3所示。擬合優度值越接近1，說明擬合優度越高，很明顯BP神經網絡分析結果要優于多元回歸分析。

對于新的定價方案用Logistic回歸預測完成情況。新的定價方案每個任務的完成的概率為t，評價結果為P,完成為1，未完成為0，在已知數據中，任務的完成率為62%，于是取t=0.38為分界值，則t到p的映射關系為：

利用MATLAB編程求解，得到新的任務定價的完成情況，經計算發現，完成率提高到了88.7%，比起原始的62%的完成率有了大幅提高，說明經BP神經網絡的訓練后得到的定價方案加優良。

3 結語

本文運用BP神經網絡分析眾包任務定價模型，通過對合理定價的學習，實現對定價的優化，簡化問題的處理過程，在測試數據中，使任務完成率提高了16.7%，同時減低了企業運營成本并提高了用戶的收益率，實現雙贏，這種思路還可以在其他類似眾包平臺的設計上發揮作用，例如拼車軟件計費設計等，是一個值得推廣的模型。

圖3 多元回歸分析結果

圖4 BP神經網絡回歸結果