新型网络任务的定价方案
摘 要：本文针对“拍照赚钱”的定价分配问题，建立了任务定价与任务点到市中心的距离、会员所在的位置、任务完成能力以及信誉度等因素的关系模型，运用多元线性回归、多元逻辑回归、神经网络模型考虑到定价与会员限定预订任务限额，任务开始的时间等也有一定的关系，对其进行归一化处理后，进行训练和测试，不断调整其误差值，直到有较好的结论，最终得到较为合理任务定价方案。
关键词：SPSS 多元线性回归 多项逻辑回归 神经网络模型
中图分类号：O212 文献标识码：A 文章编号：1672-3791（2018）02（c）-0032-02
随着社会的发展，“拍照赚钱”也在移动互联网的支持下产生。“拍照赚钱”是一种用户自己下载、注册APP，然后从APP上领取需要拍照任务的自助式服务模式，从而赚取APP对任务所标定的酬金。这种互联网的自助式劳务众包平台为很多企业提供了各种商业性的检查和信息搜集，比传统的市场调查会大大节省调查成本和时间，而且有效地保证了调查数据的真实性。APP成为了该平台的核心，但是任务定价成了一个问题，如果定价不合理，有的任务将无人问津，从而导致商品检查失败。
由于实际问题中有可能有多个任务比较集中，导致用户会互相竞争选择。从而依据经纬度将其分为若干的小区域，将此区域内的任务进行联合打包。将打包后的多个任务当作一个任务进行分配给附近的会员，但是考虑到打包后任务比较集中价格上不好统一分配，因此，我们对打包的任务价格进行求和，考虑其任务成本，在会员密集地区降低任务价格，在会员稀疏地区增长其任务价格，在成本保持不变的情况下，提高其任务完成度。依据包内的任务数量赋予求和值相应的权重，对所有打包和未打包的任务重新进行多元回归分析，求出新的线性拟合曲线，比较其拟合度与原多元回归方程拟合度的偏差，分析新的线性拟合对最终任务完成情况的影响。在此应用“神经网络模型”经行分析，得到与任务完成率之间具体的函数关系式。在此基础上分析该模型的优缺点、评价方案的实施效果。
1 模型的建立
首先将任务完成时会员经纬度与城市中心的经纬度的距离、任务经纬度与城市中心的经纬度的距离、会员的数量进行回归，然后将会员信誉度、会员密度、人口密度、地区人均GDP值逐步导入多元线性回归方程，其中提高拟合度的自变量因素有会员信誉度、会员密度。人口密度、地区人均GDP值对其精度的提高并没有明显的影响。选择会员信誉度，会员密度的作为新的自变量因素加入其中，进行新的多元回归线性拟合。可以发现拟合度R2从0.410提高到0.622，说明会员信誉度：、会员密度会很大程度影响定价策略。得到定价方案模型
在实际情况下，多个任务可能因为位置比较集中，导致用户会争相选择。因此需要考虑将相近的任务点进行打包。选择经纬度作为分割的因素，以0.02的纬度，0.05的经度为步进值，将深圳市区域进行分割处理，将其经纬度区域分割为若干个小格。将任务坐标点导入到分割后的坐标轴上，即可看出各个网格内的任务分布如图1所示。
考虑到APP成本的因素，将会员数量和任务数量导入网格图中图形如下：观察其会员密度，降低会员密度密集网格内的任务定价，提高会员稀疏网格内的任务定价，保持在成本不变的情况下，尽可能提高任务完成率。在会员密集地区对任务进行打包。根据包内任务个数对其所以的价格进行求和，对其价格总和值赋予权重（如包内含有6个任务点，其打包后的价格为6个任务点价格总和的0.8倍）。
以打包后的任务点的中心经纬度为一组新的经纬度。计算打包后的经纬度与市中心的距离。以包中心点10km为半径的范围内的会员密度，会员与市中心的距离，会员信誉度，会员限定接单数量作为自变量，利用问题二中的模型，进行多元回归线性拟合，得到新的定价模型：
新的拟合数据在原有的基础上拟合度明显比第二问数据有所提升且提升了11.26%，证明其新的拟合数据在原有的基础上精度提高。除了定价模型对最终的任务完成情况有所影响外，还需要考虑任务包发布后接单会员的预订任务限额、信誉度、接单时间等。会员接单预订任务限额小于包内的任务数量则不能接单。在此基础上，当任务包发布后，在5min内看有无会员接单。当有多位会员接同一个单时，依照其信誉度，优先分配给信誉度高的会员接单。无人接单超过5min时，安排给第一个接单的会员。
在实际情况下，多个任务可能因为位置比较集中，导致用户会争相选择的可能性。我们考虑是将这些任务联合在一起打包发布。把其中的深圳市打包后的数据带入问题三建立起来的定价模型中，可以得出新的任务定价。将定价与会员信誉度，会员限定预订任务限额，任务开始的时间作为输入量，将任务完成程度作为输出量，并用MATLAB自带的premnmx函数将这些数据归一化处理。引入神经网络模型，因为目前对于隐层中神经元数目的确定并没有明确的公式（目前，τ谝层中神经元数目的确定并没有明确的公式），只有一些经验公式，神经元个数的最终确定还是需要根据经验和多次实验来确定。经过多次试验，我们选择N1=5，N2=10，N3=1，此时BP神经网络达到了较高的精度。
将训练样本数据归一化后输入网络，设定网络隐层和输出层激励函数分别为tansig和logsig函数，设定入层节点数N1、隐含层节点数N2，输出层节点N，迭代次数e，学习速率，然后开始训练网络。得出结果如图3所示。
该网络通过185次培训达到误差值完成学习，将各项数据分别输入，输出任务完成度即可得到预测数据。得出其数据与任务完成度之间的函数关系式：
2 模型的评价
本文是对某些城市进行的“拍照赚钱”软件实施，比传统的市场调查会大大节省调查成本和时间，而且有效地保证了调查数据的真实性，我们可以将其推广至全国各大市区，及更多项目的应用，具很强的现实意义。
3 结语
本文运用多元线性回归、多元逻辑回归、神经网络模型考虑网络定价与任务点到市中心的距离、会员所在的位置、任务完成能力以及信誉度等因素的关系模型，对其进行归一化处理后，建立了任务定价模型，然后不断调整其误差值，最终得到较为合理任务定价方案。通过对“拍照赚钱”软件实施，比传统的市场调查会大大节省调查成本和时间，我们可以将其推广至各种网络任务的定价。
参考文献
[1] 何明亮，陈泽茂，龙小东，等.一种基于层次分析法的攻击树模型改进[J].计算机应用研究，2016（12）：3755-3758.
[2] 张德丰.MATLAB概率与数理统计分析[M].机械工业出版社，2010：35-45.
[3] 李勇军，郭基凤，缑西梅.软件“众包”任务分配方法[J].计算机系统应用，2015，24（2）：1-6.