拍照赚钱任务定价问题研究

《拍照赚钱任务定价问题研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、题目“拍照赚钱”任务定价问题研究本文针对拍照任务定价问题，通过对影响定价因素的研究，建立了线性回归模型、单任务点定价模型、基于支持向量机的判别预测模型和基于聚类与图论的打包定价模型，运用Matlab>Mintab和Excel进行求解，并评价了实施效果。针对问题一，建立了线性回归模型。我们首先将附件一的数据转换为散点图，从整体上观察价格分布情况，定性分析任务价格分布规律，然后利用聚类分析，计算聚类屮心，接着利用线性回归模型得到任务点价格〃与类中心辐射半径厂的线性关系p=kr+b,即每远离屮心坐标1千米，任务价格上升k元。

2、最后通过研究已完成与未完成任务点的数据分布差异性，找出了任务点未完成的原因。针对问题二，建立了单任务点定价模型和基于支持向量机的判别预测模型。我们首先根据问题一得到的定价规律，将原基础价分为基础成本价和经济变动价，其屮经济变动价是由当地的经济水平决定。然后综合考虑路程与任务周边会员分布情况，结合基础价、路程价与会员增值价确立了单任务点定价模型。最后为了检验定价模型的合理性，建立了基于支持向量机的判别预测模型，运用Matlab求解得出重新标价后任务完成率提高16.2%.针对问题三，建立了基于聚类与图论的打包定价模型。首先

3、，我们限制聚类的条件确定了任务包的数量，然后将会员与任务包看成完全图，利用模拟退火算法求得最短回路，旨在提高单位路程收益率，确定了任务包的总价格，与问题二相比成本节约了17.2%,任务完成率提高了1.95%.针对问题四，我们首先通过附件三所提供的新任务的位置坐标，得到其周边会员的分布状况，并分别带入单任务点定价模型和基于聚类与图论的打包定价模型进行计算。然后比较两方案的结果，发现多任务联合打包发布的定价方案，在任务定价总金额上比单任务点节省了22.39%,并且任务完成率提高了12.49%.关键字线性回归模型支持向量机模

4、型层次聚类1问题的重述“拍照赚钱”是基于互联网移动智能终端下的一种自助服务模式。用户下载APP,注册成为会员用户，通过从APP上领取拍照任务（比如去某百货超市检查某品牌商品的上架情况），赚取相应的酬金。这种基于移动智能终端互联网的自助劳务众包平台，可以为企业、商家提供多种商业检查任务以及商业信息搜集任务，相比于传统的调查方式，这种众包服务可以节省人量调查成本，而且可以有效保证调查数据的真实性，缩短调查的调查周期。对于此平台来说，移动智能终端上的APP软件是该平台运行的核心,而APP软件中，任务定价又是其完成任务的核心要

5、素。如果任务定价不合理，部分任务就会无人问津，从而导致商业检查任务以及商业信息搜集任务的失败。结合题目中给出的附件，我们需要■讨论完成下面的问题。问题一：研究题目给出的附件一中的数据，附件一包含一组已结束的任务数据，包括每个任务的地理位置、任务定价和任务完成情况（“1”表示任务完成，“0”表示任务未完成）。我们需要根据任务的经纬度位置，挖掘经纬度位置背后隐藏的信息，进而研究项目的任务定价规律，再结合任务完成情况分析任务未完成的原因。问题二：考虑题目给出的附件二，附件二是会员信息数据，包含了会员的位置、信誉值、参考其信誉

6、给岀了会员接受任务开始预订时间和任务预订限额，会员信誉越高，越可以优先开始挑选任务，且其任务配额也就越大。以这些数据为基础，我们要为附件一中的任务设计新的任务综合定价方案，并和旧方案进行对比。问题三：实际情况下，多个任务在相对集中的位置发布，可能会导致用户会争相预定，有一种考虑是把这些位置接近的任务捆绑在一起打包发布。在这种考虑下，我们需要修改前面的任务定价模型，分析新的定价模型对最终的任务完成度的影响。问题四：结合题目给出附件三，附件三是一个新的检查项目任务数据，只有任务的位置信息。我们需要通过对地理位置信息的深度挖

7、掘，获得更多的任务信息，并对附件三中的新项目给出新的任务定价方案，并从多方面评价该方案的实施效果。2模型的假设（1）假设会员信誉值越高，会员接单可能性越大；（2）假设会员在某时刻选择不接单，一段时间后，才会再次选择是否接单；（3）假设APP上发布的任务难度上处于同一水平；（4）假设在其余情况相同的条件下，会员挑单的顺序按照信誉值高低排序选择；（5）假设会员选择任务时，会以利益为导向，优先选择单位距离收益率高的任务;（6）假设打包任务完成，代表任务包内全部任务完成。3符号说明符号说明d{x,y)类与类之间的距离d(x.y

8、)欧几里得距离公式argminf(x)使得函数/（X）取得其最小值的所有自变量X的集合L表示损失函数符号说明P价格圈内（圆形或环形区域）内的平均价格Pi每个任务的价格P任务标价P新制定的任务标价片基础价P.路程价呂会员增值价P1改进后的基础价格H表示将两类样本正确分开的超平面W参数向量，即超平面的法向量Q任务包内所有任务总定价和4