基于K-means聚类算法的任务定价

针对"拍照赚钱"项目的任务定价,综合运用K-means聚类算法、相关性分析等方法,分别构建了任务定价模型、任务完成率的分析模型。用MATLAB和EXCEL软件求解,发现当会员数量一定时,完成任务的距离越远,任务定价越高;当完成任务的距离一定时,会员数量越少,任务定价越高;在会员数量足够多的前提下,任务定价越高,任务完成度越高。进一步深入分析未完成任务,利用最小二乘法给出更合理的定价模型。     

基于K-means聚类分析的变压器故障诊断

将K-means聚类算法在对事物分类中的优点用于判断变压器的故障中.并针对K-means聚类法在给定初始聚类中心不良的问题上进行改进.将改进的K-means聚类算法与三比值法相结合,以此来诊断变压器的多种常见故障.应用MATLAB分别对改进前后的K-means算法进行仿真,并将改进后的仿真结果同改进前K-means聚类算法的结果进行对比分析.结果表明,改进的K-means聚类算法不但能精确、有效地对变压器故障进行诊断,并且改进的K-means聚类法使仿真结果更加准确可靠.     

新型网络任务的定价方案

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。     

基于K-means算法的电信用户行为特征聚类分析

面对日益激烈的竞争环境,不管是金融行业,还是电信行业,企业运营营销方式从大众化营销转为根据不同的用户群体需求提供的差异化营销,而差异化营销的关键因素就是用户有效细分。本文根据通信用户通话数据作为分析对象,通过采集相关特点人群呼入呼出次数、通话持续时长等数据比较筛选后得到相关特征,对用户通话数据进行聚类,以此获取具有良好电信特征的群体。然后在以上筛选基础上,结合用户数据,采用K-means算法挖掘出用户数据与相关工作业务之间存在的相关关联性结果。企业可以此类用户细分为指导,为用户提供更好的优质服务。     

基于标准偏移量的学生成绩K-means聚类分析算法研究

针对利用距离差聚类分析算法分析学生学科成绩不够准确的问题,提出了利用标准差计算标准偏移量构建目标函数的K-means聚类分析算法,给出了初始聚类中心选取办法和算法的描述及处理流程;实验结果分析可得,利用标准偏移量构建的学生成绩K-means聚类分析算法,符合对学生成绩按学科类别聚类分析的特性要求;该算法能够较好的实现学科成绩高度关联属性的聚类分析结果。     

基于多元回归模型的任务定价问题

针对任务定价问题,本文运用多元回归分析的方法,以任务价格合理、任务完成率高为目标函数,建立多元回归方程模型.运用Matlab软件对参数进行拟合,利用最小二乘估计求解回归系数,得到新的任务定价方案.相对于其他的任务定价方案,该方法考虑了会员位置和任务完成度的影响,制定科学合理的模型,提高模型的准确性.     

K-means聚类分析在人体体型分类中的应用

讨论了K-means聚类分析在人体体型分类应用时分类数的确定方法和迭代收敛两个重要问题.参考GB/T 1335—2008,以219名青年女性人体数据为检验样本,以胸腰差为实例进行论证.结果表明:采用基于系统聚类的距离评价函数法,样本最佳分类数为7类,如限制分类数为3~5时,则最优分类数为4;抽取容量分别为219和100的两组样本进行不同迭代次数的聚类分析,发现聚类收敛所需的迭代次数受数据离散程度影响,采用SPSS软件进行聚类分析时应该设定较大的迭代次数以确保聚类收敛.     

基于多元回归分析的拍照任务定价模型

该文针对2017年全国大学生数学建模竞赛B题给出的"拍照赚钱"任务定价问题进行研究。通过多元线性回归分析的方法,建立任务的定价规律函数来探究任务定价规律并分析任务未完成的原因。在现有定价规律函数的基础上引入多元logistics逻辑回归函数,对原有定价方案进行修正,得到改进后新的任务定价方案。联系到实际情况,考虑在多个任务打包发布情况下,利用SPSS进行任务聚类分包处理并制定打包优惠政策以修改定价模型。通过与原方案结果对比,新方案具有更好的实施效果。     

基于模糊聚类分析的手机流量销售方案

研究了不同人群对手机流量的需求问题,利用模糊聚类分析方法,针对不同年龄、不同职业、不同上网目的等的用户对手机流量的需求量分别进行聚类．利用F统计量得到最佳聚类方案．聚类结果及分析可以指导运营商设计合理的手机流量销售方案．     

基于价格歧视的铁路货运定价方案

目前我国铁路货运定价方式单一,固定的定价模式与市场供需理论相背离,大大限制了市场的调节作用,导致客源严重萎缩。本文在对价格歧视理论及其文献综述的基础上,阐述了铁路货运实施价格歧视的可行性,并结合我国铁路货运行业的基本情况,分析了影响运价的关键因素,构建了竞争市场中基于价格歧视的铁路货运定价模型,并据此制定出相应的价格浮动细则以实现运价多样化,达到市场调节,增强铁路货运竞争力的目的。     

任务分包定价策略研究

运用K-means聚类法将任务按照经纬度分类,进行多元线性回归分析,建立新的定价方案.构建任务打包算法,进行多元线性回归分析,得到合理的定价策略.实验结果表明,新方案的定价更为合理.     

基于多目标整数规划模型的拍照任务定价

拍照赚钱任务合理的定价是促进劳务众包平台发展的重要课题.为了同时兼顾劳务众包平台与会员的利益,建立了基于任务打包的混合多目标整数规划模型,并采用线性加权评价函数法,利用SPSS、MATLAB、LINGO软件求解.研究发现,所建模型给出的任务定价较高,进而在一定程度上提高了任务的完成率.     

基于单目标优化的众包任务定价模型

该文针对"拍照赚钱"APP的众包任务定价问题,考虑区域定价的差异下,基于曲线拟合工具和K-Means聚类分析算法,通过SPSS软件综合分析得出众包任务价格与区域生活水平、时间成本、人均任务数和任务难度系数等因素之间的定价规律,建立了以任务价格为决策变量、以众包平台利润限度为约束条件、以区域任务完成率最大化为目标的单目标优化模型,并建立了新的任务定价方案。在考虑将任务打包发布情况下,对定价模型进行修正,通过蒙特卡洛模拟法,给出模拟的实施效果。     

基于聚类分析和平滑法的艾滋病治疗方案研究

基于美国艾滋病医疗试验机构ACTG公布的两组数据ACTG320和193A,考虑病人初始状态的不同对模型的影响,首先采用聚类分析法将实验数据分类,然后对每类数据采用平滑法进行趋势分析,最后确定出各类病人的最佳治疗终止时间和最佳治疗方案.此方法对艾滋病最佳治疗终止时间和最佳治疗方案的选择提供了有力依据.     

基于K-均值聚类对任务定价的计量分析

针对"拍照赚钱"的任务定价,运用了K-均值聚类分析、多元线性回归等方法,构建了任务经纬度的K-均值聚类分析模型及多元线性回归函数模型,主要利用了Matlab软件,且综合使用了EVIEWS、SPSS等其他软件编程求解,得出了任务的定价规律、未完成任务的原因,比较了原定价方案和改进后的定价方案,了解了任务打包后对任务完成情况的影响,最后给出新项目的任务定价方案.     

基于K-means的空中交通流模式识别

空域系统容量与空中交通态势密切相关。对空中交通态势的精确把握可有效降低当前大流量情况下的空域系统压力、提高管制员有效决策水平。提出了一种基于K-means聚类方法的空中交通流识别方法,有助于清晰把握空中交通整体态势。首先分析了空中交通流特性,然后根据雷达数据统计了主要航段在15 min内飞机架次,聚类识别为多种交通流模式,最后通过计算时段内所有飞机在扇区的总飞行时间,验证了该方法的有效性。     

“拍照赚钱”的任务定价

"拍照赚钱"是移动互联网下的一种自助式服务模式。用户下载APP,注册为会员,然后从APP上领取需要拍照的任务(比如上超市去检查某种商品的上架情况),赚取APP对任务所标定的酬金。这种基于移动互联网的自助式劳务众包平台,为企业提供各种商业检查和信息搜集,相比传统的市场调查方式可以大大节省调查成本,而且有效地保证了调查数据的真实性,缩短了调查的周期。因此APP成为该平台运行的核心,而APP中的任务定价又是其核心要素。如果定价不合理,有的任务就会无人问津,而导致商品检查的失败。本文通过整体分析已有数据,得到新方案并针对不同问题提出修改措施。     

基于密度RPCL的K-means算法

目的探索同时确定K-means算法的最佳聚类数K和最佳初始聚类中心的方法,使K-means算法的聚类结果尽可能地收敛于全局最优解或近似全局最优解。方法以次胜者受罚竞争学习(Rival Penalized Competitive Learning,RPCL)作为K-means的预处理步骤,以其学习结果作为K-means的聚类数和初始聚类中心并依据数据集样本自然分布定义样本密度,将此密度引入RPCL的节点权值调整,以此密度RPCL的输出作为K-means的最佳聚类数K和最佳初始聚类中心。采用UCI机器学习数据库数据集以及随机生成的带有噪音点的人工模拟数据集进行实验测试,并用不同的聚类结果评价指标对聚类结果作了分析。结果提出的密度RPCL为K-means提供了最佳的类簇数和最佳的初始聚类中心。结论基于密度RPCL的K-means算法具有很好的聚类效果,对噪音数据有很强的抗干扰性能。     

基于层次的K-means初始化算法

K-means算法是一种常用的聚类算法,但是聚类中心的初始化是其中的一个难点。笔者提出了一个基于层次思想的初始化方法。一般聚类问题均可看作加权聚类,通过层层抽样减少数据量,然后采用自顶向下的方式,从抽样结束层到原始数据层,每层都进行聚类,其中每层初始聚类中心均通过对上层聚类中心进行换算得到,重复该过程直到原始数据层,可得原始数据层的初始聚类中心。模拟数据和真实数据的实验结果均显示基于层次抽样初始化的K-means算法不仅收敛速度快、聚类质量高,而且对噪声不敏感,其性能明显优于现有的相关算法。     

基于K-means的GLOCAL改进算法

在多标签学习中,标签相关性是不可或缺的。当标签缺损只能观察到一部分标签时,很难判断标签之间的相关性。具有全局与局部标签相关性的多标签(GLOCAL)算法通过学习潜在标签和引入标签流行正则化项,同时利用全局和局部标签相关性来解决标签缺损问题。但是该算法在通过低秩分解学习潜在标签以及原始标签与潜在标签的关联性时,初始化的低秩矩阵是随机获取的,这导致该算法结果并不稳定。基于此,利用K-means算法对原始标签进行聚类,获得的聚类中心矩阵将能更好地表现出原始标签与潜在标签之间的相关性。实验结果表明,本文的算法是合理和有效的。