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.     

基于K-means聚类分析的任务定价方案

该文研究了"拍照赚钱"的定价问题。基于K-means聚类分析,建立了任务定价与任务周围的会员个数、会员的信誉度、会员开始预定任务的时间及任务距离位置的定价模型;利用逻辑回归函数预测任务是否可以完成来评价模型的完成度;最后利用该算法得到的任务定价与APP给出的定价对比,验证了模型的正确性。另通过建立"打包"定价模型,在总任务价格不变的情况下,打包后任务点的完成度由打包前的70.5%提高到80.3%,打包对于任务完成情况有了明显的改善。     

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。     

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。     

基于回归模型的众包定价方案的计量分析

针对"拍照赚钱"外包平台的任务定价问题,运用了多元线性拟合、BP神经网络算法及竞争导向定价法等,构建了基于任务聚集度相关指标的多元线性回归模型、基于三个显著影响指标的多元非线性回归模型及考虑密集任务可打包发布的任务定价模型,运用了Matlab软件编程求解,得出了原定价方案的定价与任务的密集程度有关的定价规律、任务未完成原因以及打包的影响.     

“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。     

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.     

“拍照赚钱”APP中任务定价问题分析及求解

"拍照赚钱"的任务定价问题选自2017年高教社杯全国大学生数学建模比赛B题,其中"拍照赚钱"是一款自助式服务APP提供的主要业务。任务定价问题本质是一个优化问题,如何在付出最低成本的同时任务的完成率最高是本文的研究重点。     

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。     

“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Logistic回归的“拍照赚钱”APP定价方案设计

该文旨在对"拍照赚钱"APP考虑不同情况制定合理的定价方案。首先,通过K-means聚类对定价的影响因素进行分析,建立了以对数回归、多元线性回归为辅助解释的决策树定价模型,从而得到原方案的定价规律,并建立了任务完成情况的Logistic的模型,结合统计分析与地理数据,得到了影响任务完成的主要因素。随后,在考虑总成本的前提下,对定价模型进行优化,对用户限额进行改进,并基于Logistic模型以最大化任务完成率为目标对价格进行调整。最后,设计了逐步聚类算法对任务进行打包,进一步提高任务的完成率。     

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。     

拍照赚钱APP定价方案的修正模型

该文针对现有的拍照赚钱平台定价问题,通过研究任务未完成原因,综合各指标的影响,提出新的方案并说明其影响,完成该类平台定价方案建立和修正。将已结束项目按经纬度聚类,选取指标量化后与项目定价进行向后逐步回归,得到关系式显示定价规律。对会员进行划分,制订新的配额方案,再综合指标建立修正函数得到新的定价方案。融合打包因素,对定价模型进行修正,以定价修正后各城市任务完成度和任务数变化反映打包因素对任务完成情况的影响。最后将新旧定价模型应用于新项目,得到新旧定价方案下的任务定价,并从会员和平台两方面分析对方案实施效果进行评价。     

基于多元线性回归对众包任务价格的设定

在空间众包研究中,针对网络众包任务的价问题,综合分析众包任务发布地的会员密度、商业发展等数据,通过建立多元回归线性分析模型,得出对网络众包任务的价策略。通过聚类分析对任务的发布做优化,对一些距离过近的任务进行打包。最后利用神经网络算法由已完成的任务数据,预测待完成的任务是否成功。通过对预测数据进行仿真,得出任务密度、会员密度、会员信誉度和价对任务完成度与任务价成本的影响。     

空间众包中可拒绝情况下的在线任务分配

现实中空间众包任务可能会遭到任务执行者的拒绝,为解决该问题提出动态可拒绝的空间众包处理方法。首先,为降低被拒绝的概率,运用主成分分析法(principal components analysis, PCA)计算任务执行者对任务的兴趣度;然后针对任务动态分配问题采用批处理模式解决,提出基于MaxFlow的排序算法(sequence algorithm base on MaxFlow, SMF)和基于KM算法(Kuhn-Munkres, KM)的不重复构造交替树算法(non-repetitive construction of alternating tree algorithm based on KM,NR-KM)寻找全局最大匹配下最高兴趣度分配方案;最后将贪心算法(greedy algroithm)、KM算法和SMF算法作为对照算法,与NR-KM算法在CPU时间成本、任务分配数量和任务分配兴趣度3个方面进行比较。结果表明NR-KM算法相对于KM算法、SMF算法在分配效率上分别提高11%和9%。可见,NR-KM算法能高效解决可拒绝情况下空间众包任务的分配,对解决空间众包任务涉及执行者意愿的分配问题具有参考价值。     

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。     

基于闭包准则和成对约束的半监督聚类算法

基于功效散度和成对约束的半监督聚类算法(PD-s SC)将相对熵推广到功效散度(PD)族,剔除了目标函数中不同惩罚熵项之间的干扰,提高了惩罚项系数的选择效率。但当成对约束数目相对较大时,PD-s SC算法聚类效果不够理想。为了解决这个问题,提出了一种基于闭包准则的成对约束打包算法(CCPC),该算法利用must-link约束对原样本组进行打包,再利用各个包的中心点替代整个包,从而得到一组新样本,最后利用PD-s SC算法对新样本进行聚类分析。实验结果表明,无论成对约束数目是大还是小,CCPC算法都有很好的表现。     

采用多重启发蚁群优化算法的无人机航迹规划

为解决复杂环境下的无人机航迹规划问题,提出了一种多重启发蚁群优化算法.该算法综合考虑无人机当前位置与待选位置之间的距离和威胁分布,以及待选位置与目标位置之间的距离和威胁分布,将这些已知信息构造为蚂蚁状态转移的多重启发信息,指导蚂蚁的搜索行为.文中对多重启发蚁群优化算法的收敛性进行了分析,并针对航迹不可行和任务区域内存在...     

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,该算法在任务匹配数上有很大提高,同时,具有计算高效性。