摘 要：本文研究的是众包平台领域下的有关“拍照赚钱”的任务定价问题。首先根据任务位置信息找到任务定价的规律之一，分析未完成任务原因，建立了多目标规划模型设计出基于多因素考虑的新任务定价机制，然后考虑联合打包和分区定价，改进了任务定价模型，最后通过神经网络模型对新项目的任务定价进行模拟，并对模型进行了评价与推广。
　　关键词：拍照赚钱；定价
　　1.引言
　　近年来，随着互联网时代的不断发展，一种基于互联网的企业，大众与社会新兴合作模型——众包正在悄然流行。本文研究的是一种通过“拍照赚钱”的数据采集众包平台。这种基于移动互联网的自助式劳务众包平台，通过集体智慧有效地为企业提供各种商业检查和信息搜集。自从2009年开始，众包得到了各个领域的广泛关注，已经逐渐成为一个新的研究热点。
　　2.模型的建立
　　2.1建立非线性曲线拟合模型
　　对求得的任务密度和价格强度作出散点图，分析拟合曲线。定义拟合曲线中的数据点 ，选择拟合曲线 来描述散点所确定的曲线形状，由拟合分析可知这些数据点的分布大致为反函数曲线，满足关系式：
　　由于这种非线性拟合函数模型直接采用最小二乘法不方便，所以对上式两边取倒数并将其化为线性模型：
　　易知，用 对数据点 作最小二乘拟合，相当于用 （即 ）对数据点 作最小二乘拟合，即有：
　　仍记 是关于 和 的函数，于是 和 应满足
　　于是得到下面的方程组
　　利用最小二乘法求解得到
　　式中， 为 的最小二乘估计， 分别为 与 的数据点均值，进而得到 和 ，求解出拟合曲线 。
　　2.2建立基于多目标优化的定价模型
　　下面将所有任务根据位置集中的标准，将位置利用MATLAB划分为 个区域，其中在一个区域的所有任务打包发布。将每块区域的中心点作为打包任务的坐标，会员完成打包任务的成本为 。假设所有打包后的任务都有人做，则在考虑会员的所得利润最高的情况下有以下目标函数：
　　在商家的立场来说，期望花费的费用最少：
　　其中 表示打包群的任务定价，对于不同的打包任务来说，其定价的初始值为 ， 表示第 个打包任務群里总的任务数量。所以设定价表达式为：
　　加上约束条件，可确立的多目标优化模型为：
　　其中 表示所有的任务都有且只有一个人预定； 表示第 个会员实际预定的任务数量； 表示其能预定的任务的限额； 表示会员 开始选择任务的时间 表示打包群的任务定价。
　　2.3基于BP神经网络的模型的定价模拟对比
　　BP算法是一种误差逆传播学习算法，模型分为输入层（A），中间隐含层（B），输出层（C），这种算法是定义一种能量函数E：
　　其中 为学习样本的计算输出， 为期望输出值，P为输出节点的各数，M为学习样本的个数。
　　其算法可表示为：
　　初始化网络权值 ， 及阈值 ， 。
　　激活输入层的所有节点，计算B层和C层的节点输出 ， ：
　　其中 。
　　计算B层节点的一般化误差 ：
　　（4）计算B层的参考误差 ：
　　（5）调节B-C层的连接权值和阈值：
　　（6）调A-B层的连接权值和阈值：
　　（7）计算能量 和 ，若其小于某一精度值，则保留权值和阈值，学习过程结束；否则转到第二步直到达到精确要求。
　　这里，将已经完成的任务作为学习目标，将任务的最终定价作为输出层，将某一任务的经纬度作为输入层，将此任务所属区域范围内的指标作为隐含层。利用MATLAB编程可得出新任务的定价规律。
　　3.模型的评价与推广
　　本文运用了多目标优化模型，此模型完整的考虑了所有和定价相关的因素，同时以商家和会员到达双赢为目标，较好的解决了定价问题。但是模型的求解过于复杂，在解决结果上存在缺陷。BP神经网络的运用，其实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。这使得其特别适合于求解内部机制复杂的问题，即BP神经网络具有较强的非线性映射能力。但若数据量不足，在价格的预测上误差会较大。
　　（作者单位：三峡大学）