众包模式下任务定价模型的建立与分析

为解决众包模式中发布的任务定价不合理,导致用户积极性降低、任务无人领取的问题,提出建立一种新的任务定价模型,综合考虑任务密度、会员密度、任务地点与市中心距离对任务定价的影响。通过检验模型定价结果,发现其均在较高完成度区间内,具有良好的可信度,该模型适用于任务的初步定价。     

基于互联网悬赏制众包模式的定价策略

互联网众包模式的出现提高了企业搜集信息的效率。基于需求导向定价理论和万有引力公式,选择任务的原始定价、任务与会员的距离以及每位会员的限购额作为企业制定平台任务价格的影响因素,研究悬赏制众包模式下任务定价的相关问题。首先,通过数据预处理剔除异常值,使用聚类分析将会员信息分成23类;其次,建立任务完成情况Logistic回归模型,发现平台任务完成情况与任务所处的纬度位置以及任务的原始定价有关;接着,选取每类数据的平均值作为研究对象,借助万有引力公式计算平台任务与会员之间的弹性因子,建立了任务定价模型;最后,通过模型计算得出当任务完成率不变时,企业所需的总成本要小于原始成本。     

APP平台中的任务定价模型构建与分析

研究移动互联网下的APP众包平台任务定价问题,以"拍照赚钱"APP自助式劳务众包平台任务定价为具体研究对象,构建了基于中心理论的定价模型,求解模型得出任务的地理位置离中心点越远其标价越高的定价规律,并分析了未能完成任务的原因;针对未完成任务的定价问题,考虑会员地理位置聚集因素,构建了基于模糊数学的多因子定价模型,模型求解结果表明任务完成率得到了提高;针对相对集中的任务可能存在联合打包发布的问题,分别构建了整点区域规划模型和基于响应比的打包任务接取最优化模型,得出任务联合打包发布的定价方案。     

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。     

自助劳务众包平台定价规律的研究

针对网络众包模式下的任务定价问题,划定任务可行范围,针对会员和任务主体构建拟合回归模型。运用K-means均值聚类对任务进行区域划分,引入修正价格的工资比、修正僵尸会员比例的阶层比两个指标,得到四个区域的定价模型。并通过弹性分析理论,认为分区定价模型可以提高任务的完成率。利用matlab进行灵敏度分析,认为K=9时取值最合理。     

“拍照赚钱”的任务定价规律及其完成情况研究

"拍照赚钱"本质上是一种新兴的基于移动互联网的自助式劳务众包模式。本文选取计算任务点与最近会员的距离、周围会员数、任务聚集程度等指标,并通过多元逐步回归,得出定价与上述因素的关系,进而通过Logistic回归,得出任务完成情况和各指标的关系模型;再用层次分析法对建立的各项指标建立3个判断矩阵和3个对应的定价模型,并以提高任务完成概率、降低平台出价总和为依据,最终采用的打包方案是按编号顺序,确定一个任务位置的圆心和半径,将圆内出现的各任务,视为一个打包发布,以包内所有坐标的均值表示其经纬度坐标。     

采用社会网络能力发现的众包服务节点选择算法

为了解决社会网络众包系统中由于潜在工作者未注册或注册用户的信息更新不及时而导致的服务节点选择不准确问题,提出了一种基于社会关系能力发现的网络众包服务节点选择算法。引入社会关系认知,以众包任务发布者或接受者个人为中心,利用社会网络的相关理论,提炼众包任务主题及相应的关键词,分析其与好友之间的交互信息中出现关键词的次数,结合其朋友圈中相应关键词的出现次数进行综合加权计算,量化朋友的能力大小,生成朋友能力矩阵,重构其社会关系。当众包任务生成或到达时,结合任务完成的质量因子、节点的诚信指数、匹配度等指标,有选择性地向符合能力要求的朋友进行任务转发。模拟微信交互的仿真实验表明:所提算法能较好地进行能力发现和选择合适的任务接受者,并且比随机分发平均节省了约64.5%的时间,可以实现快速精准的任务分发与数据收集。     

空间众包中基于位置预测的任务分配

随着移动设备的普及和O2O(Online-To-Offline)商业模式的快速发展,越来越多的空间众包平台融入人们的日常生活中,例如滴滴出行、饿了么等等.空间众包中的一个核心问题是任务分配,主要研究如何将空间任务分配给合适的众包工人.任务分配方式主要分为服务器分配模式(Server Assigned Task,SAT)和用户选择模式(Worker Selected Task,WST)两种模式,目前多数统一规范化的众包服务采用SAT模式,即系统主动将任务分配给任务请求位置附近的众包工人.在此任务分配模式下,众包工人和任务之间的旅行成本变得至关重要,较少的旅行成本意味着较少的响应时间和较高的任务接受率.因此提出了基于位置预测的任务分配方式,该方式不仅考虑任务和众包工人的当前位置,还考虑未来任务可能出现的位置,从而降低旅行成本和相应时间.首先设计了贪婪方法(Greedy Approach),然后在贪婪方法的基础上通过贝叶斯、支持向量机、决策树等方法预测未来任务的分布来辅助分配任务,最后在真实数据上进行的实验表明,该方法减小了在长时间内的总旅行成本,具有较好的性能.     

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.     

感知公平对外卖平台众包骑手偏差行为的影响机制研究

针对即时配送平台管理机制不健全问题，以外卖平台为背景，基于认知行为理论和社会交换理论，构建包含感知公平、任务复杂度、平台信任和偏差行为的结构方程模型。通过问卷调查收集平台骑手数据，使用SmartPLS软件检验假设，探究众包骑手的感知公平、平台信任和任务复杂度对其消极偏差行为的影响。研究结果表明，众包骑手的感知公平正向影响平台信任，同时负向影响偏差行为；平台任务复杂度在众包骑手的感知公平和平台信任之间发挥负向调节作用。建议平台优化考核制度和管理机制，提高众包骑手公平感知，提升其服务水平。     

用户偏好模型在众包中应用的研究

越来越多的公司或企业借助众包来完成工作,导致众包任务数量急剧增长,而当前众包平台的任务搜索功能还不能满足工人的个性化需求,这使工人难以从海量任务中选择感兴趣且擅长的任务。针对众包工作模式的特点,提出了一种基于工人—任务关系评价兴趣度值的方法,并结合工人的浏览内容和历史完成记录提出了用户偏好模型的表示和更新机制,从而建立用户兴趣模型。选取在众包平台上的真实数据集进行实验分析,验证了该模型的性能,证明该模型能较为准确的反映工人的兴趣偏好。     

劳务众包任务定价模型研究

以拍照赚钱APP的平台数据为例,建立Logit模型提升众包平台任务完成率,使用PageRank排序算法建立多任务打包定价模型,解决众包平台的多任务打包问题,并用Logistic回归模型进行检验.     

众包在城市规划中的应用与展望

合理的城市规划需要公众的参与。众包作为一种新兴的数据获取与分析方式,可以有效地促进公众参与,使城市规划更加科学合理。该文首先从城市规划对公众参与的要求出发,介绍了众包应用的必要性。其次,通过案例总结城市规划中亟需众包应用的环节,并且回顾了现有的众包技术:数据收集、清洗与分析。再次,针对现有的城市规划过程,指出未来可以应用众包的前景:1)与移动终端实时互动发挥数据清洗功能,以便基于更高质量的数据辅助城市规划;2)以众包数据分析功能集成多元异构的数据,汲取公众反馈作为决策的基础。最后,该文指出政府需要进一步确定基于众包的决策范围与过程,以进一步发挥众包在城市规划中的效用。     

基于Logistic回归在二分类型任务定价模型中的应用

随着大数据时代的发展,互联网逐渐渗入到各个行业,众包平台服务模式开启,这是移动互联网下的一种自助式服务模式,它将产品和消费者、厂商正确无误地联系在一起,较之传统的市场调查方式,更加时效并缩短了调查周期、减少成本和有利于数据的收集,保证了调查数据的真实性.本文主要针对众包任务定价方面进行数据分析,利用多元统计方面的主成分分析、多元线性回归模型以及多元Logistic回归模型对相关任务进行分析、重新定价,以使得在保证最低成本下,任务最终能够尽可能被完成.     

基于信誉度的众包任务分配方法的研究

针对现有众包系统在质量控制方面存在的诸多问题,尤其是现有研究方法主要把精力集中在如何筛选精确的结果上而忽略了如何从任务分配上提高众包质量,提出了一种基于信誉度的众包任务分配方法。通过构建任务分配模型,基于时间窗口获得工作者的可信度证据序列求得可信度,利用信誉度将可用工作者和未分配的任务进行动态匹配,实验结果表明,利用此方法可以在合理的时间内高质量的完成众包任务。     

众筹项目的社交网络影响力预测与分析

针对众筹项目由于社会影响力不足而成功率较低的问题,提出了面向众筹平台的社交网络影响力预测方法。该方法基于众筹网站和社交网络的实时观测数据,分别提取累积和增量等多类别预测特征,并随着社会推广的进行而渐进地预测项目的社交网络影响力增益,最后采用带L1一范数约束惩罚的逻辑回归等方法进行预测特征分析。实验结果表明:在整个推广过程中,众筹项目的社交网络影响力可以被精确预测,准确率最高达88.31%;分类器在采用累积特征时具有比采用增量特征更好的预测效果;项目统计特征和推广者的社会影响力等特征具有更高的重要性和更稳定的显著性。该方法成功地解决了众筹项目的社会影响力预测问题,并为设计更好的社交网络推广策略提供了依据。     

“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。     

基于最大匹配的移动众包任务分配研究

通过在piFogBedII中引入移动众包资源,解决了雾计算实验平台用户层设备多样性和移动性问题,但也带来移动众包任务分配的问题,而现有移动众包任务分配机制不适合该平台.基于双向拍卖机制,设计了基于最大匹配的任务(MTM)分配算法,考虑移动用户的偏好,以最大化任务匹配数为目标,并满足诚实性、个体理性和预算平衡性.实验表明...     

基于演化博弈视角的企业自建平台众包策略分析

文章以基于企业自建平台的众包项目为对象,从演化博弈视角分析了发包企业的任务群体和接包参与者群体之间众包行为的动态演化和相互作用过程,构建了发包企业的任务群体和接包参与者群体的演化博弈模型,分析了演化稳定策略及系统演化均衡问题,在此基础上分析众包策略的选择问题。结果表明:参与者的准备成本越低、专业程度越高、相关经验越丰富、付出程度越高,越利于众包成功;合理的任务难易度、相对宽松的期限、越低的企业众包成本、预期收益越高,越利于众包成功。最后给出若干举措以促进参与者和企业的良好合作。     

基于动态模糊RBF网络的基坑沉降预测研究

本文通过构建动态模糊RBF网络对基坑监测中的累计沉降数据进行处理和预测。采用误差下降率和高斯函数中心宽度的调节方法,使网络模型的结构紧凑,呈现动态变化,避免传统网络模型所出现的过拟合现象,提高网络的泛化能力,对基坑监测点的累计沉降量进行预测,通过对比时间序列模型,得出本文所采用的方法具有很高的预测精度。