论文部分内容阅读
“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，注册成为 APP的会员，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大大节省调查成本，有效保证了调查数据真实性，缩短调查周期。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。
假设一项任务只能由一个会员来完成，一个会员被分配的任务不小于其任务限额；同时假设任务一旦被预定，就会被分配，一旦分配就会被完成；即任务未完成只是由于任务未被分配而引起的。
为了研究定价规律，如果仅仅将影响定价的所有因素关于定价进行简单拟合，考虑到所有任务点位置所包括面积较大，相距较远的任务点的价格必定会受到地域差异性的影响，使得拟合效果受限。因此，为了简化问题，只考虑会员与任务点间的最短距离及会员密度作为评定任务点定价的指标，进行回归分析。很明显任务定价与该任务周围的会员密度呈一定的负相关，为了研究会员密度对任务价格的影响，以每一任务点为中心，方圆 1 公里为半径划定范围，求出此范围内会员密度。发现随着最短距离的增加，任务点的定价逐渐增加；随着会员密度的增大，任务点价格逐渐降低；且均大致呈线性关系。最后得到近似的方程： yi ？？5.11xi ？？63.08 。
由于上述方法构造出来的定价规律导致大约37%的任务没有被完成，严重影响了信息采集的数量，广度和效率。为此我们目的是为了针对以上情况中没有被完成的任务点进行分析，分析其未完成原因， 针对原因并对上述提出的定价模型进行修正。目的是在基本不增加成本的情况下增加任务点的完成数量。由于未完成原因主要是从未完成的任务点和在其区域进行分析，于是， 我们需要对未完成的任务点和完成的任务点进行对比，然后发现他们其中存在的不同。根据他们存在的不同，分析其中存在的潜在原因，然后找到差异和定价之间的关系， 进而对定价进行修正，最终的目的是使得任务量完成的更多。
通过绘图可以发现区域 1，2，3 可以分为不同的情况进行讨论，区域 1 位置任务点几乎都没有被完成，而区域 2 几乎全部完成，区域 3 则完成和未完成都占了很大的一部分。通过计算三个区域的平均价格和最小平均距离可以发现，他们的定价是大致符合距离越小，定价越低的；而最终任务的完成率却差别巨大，区域 2 完成率很低，区域3 全部完成；说明距离已经不是任务是否被完成的关键因素。 而当完成率增大时，平均价格增大，区域会员信誉度平均值在增大，区域会员预定任务平均值也在增大。
由图 1可以发现，只有对价格进行合理的调控，才能实现良性循环，不断的增加完成率和会员的信誉度，信誉度增加，预定任务额度自然也就增加。我们目的使完成调查花费的总费用 S 保持不变；区域1完成率是 0.623，我们认为这一完成率基本符合人们的预期。而区域 2 完成率 0.2951，显然太低，区域 3 完成率為 1，也不符合人们的定价预期，可以认为定价过高，也不合理。
现在我们对三市价格进行调整。假设区域 1 变化 元，区域 2 变化 元，区域 3 变化 元。在总价格整体不变的情况下，可得方程
。
与原方案进行对比： 原方案的定价规律，通盘考虑了全部的数据，并没有对数据进行分类筛选等操作，具有很大的局限性，本方案根据不同区域所具有的特点，将整个区域分成三个区域。 本方案通过对这三个区域不同信息的统计归纳，得到每个区域的完成率和该区域价格，一定范围内最小距离的平均距离，区域会员信誉度均值，区域会员预定任务限额均值等的信息。发现价格对这些因素均有影响，而问之前的方案并没有详细考虑这些因素。
考虑到实际情况下，多个任务位置的聚集性，会员会争相选择，所以选择对多项任务进行“捆绑式”的联合打包发布，为了模拟实际情况中的打包方式，首先对于不同区域内的任务就是根据其距离远近判别任务的相似性，进行 K-means聚类分析[3]，使得聚类后各任务与聚类的误差平方和最小，得到合理的聚类结果后，对各类簇中的单位任务的定价进行 一定的折扣，修改前面的定价模型，结合定价的合理性分析其对最终的任务完成情况的影响。
所谓定价模型优化的方案，在于打包后，无论对于商家还是会员来说，都有一定的便捷性。因此，考虑到对打包后的任务定价进行一定程度的折扣。具体的折扣过程如下： 假设对某一区域来说，将其聚类为 N个簇，第 n个簇内有 m个任务点，可用集合 。改进方案：每一簇中元素越多，折扣越大，但考虑到会员对定价的接受情况，需保证对最大元素簇的折扣处于一定水平，综合各种客观因素的影响，定折扣最大为 0.8， 当任务点未打包时按原价来订价，具体关系式如下式： 。
新模型对任务完成情况的影响：打包后，一定程度上会激发会员预定的热情，加快任务完成的效率；打包后，由于不同位置处任务点的稀疏情况不同，可否打包的情况有所差异，因此对于那些未打包的任务点，其完成度可能不变甚至会有所降低。
参考文献：
[1]司守奎，孙兆亮 .数学建模算法与应用（第二版）[M].国防工业出版社
[2]姜启源，谢金星，叶俊.数学模型（第四版）[M].北京：高等教育出版，2011
[3]姜来浩，戴学丰，蔡标，陈泽涛. 基于改进捆绑拍卖多机器人任务分配研究[J]. 齐齐 哈尔大学学报（自然科学版），2014
假设一项任务只能由一个会员来完成，一个会员被分配的任务不小于其任务限额；同时假设任务一旦被预定，就会被分配，一旦分配就会被完成；即任务未完成只是由于任务未被分配而引起的。
为了研究定价规律，如果仅仅将影响定价的所有因素关于定价进行简单拟合，考虑到所有任务点位置所包括面积较大，相距较远的任务点的价格必定会受到地域差异性的影响，使得拟合效果受限。因此，为了简化问题，只考虑会员与任务点间的最短距离及会员密度作为评定任务点定价的指标，进行回归分析。很明显任务定价与该任务周围的会员密度呈一定的负相关，为了研究会员密度对任务价格的影响，以每一任务点为中心，方圆 1 公里为半径划定范围，求出此范围内会员密度。发现随着最短距离的增加，任务点的定价逐渐增加；随着会员密度的增大，任务点价格逐渐降低；且均大致呈线性关系。最后得到近似的方程： yi ？？5.11xi ？？63.08 。
由于上述方法构造出来的定价规律导致大约37%的任务没有被完成，严重影响了信息采集的数量，广度和效率。为此我们目的是为了针对以上情况中没有被完成的任务点进行分析，分析其未完成原因， 针对原因并对上述提出的定价模型进行修正。目的是在基本不增加成本的情况下增加任务点的完成数量。由于未完成原因主要是从未完成的任务点和在其区域进行分析，于是， 我们需要对未完成的任务点和完成的任务点进行对比，然后发现他们其中存在的不同。根据他们存在的不同，分析其中存在的潜在原因，然后找到差异和定价之间的关系， 进而对定价进行修正，最终的目的是使得任务量完成的更多。
通过绘图可以发现区域 1，2，3 可以分为不同的情况进行讨论，区域 1 位置任务点几乎都没有被完成，而区域 2 几乎全部完成，区域 3 则完成和未完成都占了很大的一部分。通过计算三个区域的平均价格和最小平均距离可以发现，他们的定价是大致符合距离越小，定价越低的；而最终任务的完成率却差别巨大，区域 2 完成率很低，区域3 全部完成；说明距离已经不是任务是否被完成的关键因素。 而当完成率增大时，平均价格增大，区域会员信誉度平均值在增大，区域会员预定任务平均值也在增大。
由图 1可以发现，只有对价格进行合理的调控，才能实现良性循环，不断的增加完成率和会员的信誉度，信誉度增加，预定任务额度自然也就增加。我们目的使完成调查花费的总费用 S 保持不变；区域1完成率是 0.623，我们认为这一完成率基本符合人们的预期。而区域 2 完成率 0.2951，显然太低，区域 3 完成率為 1，也不符合人们的定价预期，可以认为定价过高，也不合理。
现在我们对三市价格进行调整。假设区域 1 变化 元，区域 2 变化 元，区域 3 变化 元。在总价格整体不变的情况下，可得方程
。
与原方案进行对比： 原方案的定价规律，通盘考虑了全部的数据，并没有对数据进行分类筛选等操作，具有很大的局限性，本方案根据不同区域所具有的特点，将整个区域分成三个区域。 本方案通过对这三个区域不同信息的统计归纳，得到每个区域的完成率和该区域价格，一定范围内最小距离的平均距离，区域会员信誉度均值，区域会员预定任务限额均值等的信息。发现价格对这些因素均有影响，而问之前的方案并没有详细考虑这些因素。
考虑到实际情况下，多个任务位置的聚集性，会员会争相选择，所以选择对多项任务进行“捆绑式”的联合打包发布，为了模拟实际情况中的打包方式，首先对于不同区域内的任务就是根据其距离远近判别任务的相似性，进行 K-means聚类分析[3]，使得聚类后各任务与聚类的误差平方和最小，得到合理的聚类结果后，对各类簇中的单位任务的定价进行 一定的折扣，修改前面的定价模型，结合定价的合理性分析其对最终的任务完成情况的影响。
所谓定价模型优化的方案，在于打包后，无论对于商家还是会员来说，都有一定的便捷性。因此，考虑到对打包后的任务定价进行一定程度的折扣。具体的折扣过程如下： 假设对某一区域来说，将其聚类为 N个簇，第 n个簇内有 m个任务点，可用集合 。改进方案：每一簇中元素越多，折扣越大，但考虑到会员对定价的接受情况，需保证对最大元素簇的折扣处于一定水平，综合各种客观因素的影响，定折扣最大为 0.8， 当任务点未打包时按原价来订价，具体关系式如下式： 。
新模型对任务完成情况的影响：打包后，一定程度上会激发会员预定的热情，加快任务完成的效率；打包后，由于不同位置处任务点的稀疏情况不同，可否打包的情况有所差异，因此对于那些未打包的任务点，其完成度可能不变甚至会有所降低。
参考文献：
[1]司守奎，孙兆亮 .数学建模算法与应用（第二版）[M].国防工业出版社
[2]姜启源，谢金星，叶俊.数学模型（第四版）[M].北京：高等教育出版，2011
[3]姜来浩，戴学丰，蔡标，陈泽涛. 基于改进捆绑拍卖多机器人任务分配研究[J]. 齐齐 哈尔大学学报（自然科学版），2014