1.华北理工大学数学建模创新实验室 河北省唐山市 063210
2.华北理工大学以升创新教育基地 河北省唐山市 063210
3.华北理工大学理学院 河北省唐山市 063210
摘要: 基于移动互联网的自助劳务众包平台是一个以任务的发生、传递与完结为主线的众包平台。为了保证“拍照赚钱”企业和APP公司盈利，以完成任务点数据、会员分布密度、任务-中心距、交通便利程度作为网络的输入层，经过隐含层中m个神经元进行学习，以相应的定价作为输出层，建立基于RBF神经网络的效用模型。
关键词：拍照赚钱；RBF神经网络；效用模型；蚁群算法
引言
效用模型是指保证企业和APP公司盈利的情况下，能够使“拍照赚钱”任务系统的总效用达到最优化的目标，即完成度最高。王金山认为差分-等级依赖效用模型保持了等级依赖效用模型的理论框架,可对人们的风险决策行为做出更好的解释和预测[1]；张楠把效用理论应用于三支决策模型,通过将风险损失函数扩展为效用函数提出了基于效用的三支决策模型[2]。本文讨论了小幅度提升定价的同时达到大幅度提升任务完成度的目的，促使一些冷门任务会受到重视，对任务完成有促进意义。
1 初始定价方案优化
1.1基于RBF神经网络的效用模型的建立
基于2017年全国大学生数学建模竞赛B题提供数据，分析得出任务完成度与任务-中心距呈负相关关系，据此筛选出多个异常的任务点。
为了减少这类异常点的出现，加入交通因素，定义交通便利的难易程度。经过查阅广东省道路情况分布图。采用道路面积与道路所围区域面积之比作为交通便利程度的参考量
对已经完成任务点的交通难易程度进行量化，同时考虑到量纲并非一致，因此需对数据进行标准化。
基于该数据集，以相应的定价（y）作为因变量，以会员密度（k1）、任务点与中心的距离（k3）和交通便利难易程度（k4）作为输入层，构建基于RBF神经网络的效用模型。
1.2基于RBF神经网络的效用模型的训练过程
为达到逼近目标函数的目的[3]，在RBF网络训练学习及预测结果检测、评价的过程中，首先需要为网络提供一组可靠的样本数据。
期刊文章分类查询,尽在期刊图书馆对此从给定的835组数据中，选定522组完成任务点的数据作为学习样本，剩余未完成组作为检测样本。通过MATLAB数据处理软件中的Newrbe函数进行函数逼近，选定网络的最大训练次数是15000，其学习率是0.01，要求其训练精度达到10-8。
1.3基于RBF神经网络的定价预测
由于基于RBF神经网络的定价预测模型是采用522组完成任务点的数据作为学习样本进行训练的结果，将现有的任务点数据导入训练成功的网络，得到新的定价体系。
就各个任务点的空间位置信息，采用MATLAB软件编程实现新定价方案散点分布情况，为了更为直观的数学表达该分布，对新、旧两种定价方案的散点进行插值处理。
分析上图发现，新的定价方案（阴影）相较于原定价方案（彩色）有所改变，多数定价比之前的定价更高，存在少部分定价降低的现象。针对这种现象，综合任务完成情况，可以得到结论：原方案大多数定价偏低，同时存在少量偏高现象。对于新的任务定价体系，对应任务点的先后定价体系做差，得到差值散点分布图。
通过差值散点分布图可以看出，定价上升区的定价差值相对于定价下降区的定价差值较大，对于APP公司来说，需要支付的总酬金会增加，但是伴随着这种增加，任务完成度的提高有助于企业对APP公司发放更多的赏金，对APP公司的资金周转以及长远发展有积极意义。同时经过预测，在定价少许抬高的新模式中，任务完成度相较于之前的522组完成情况，新的定价表的任务完成数达到了656组，APP所获任务完成度有所提高。
2 优化方案的实际应用
在实际情况中，APP发放任务后，可能会出现部分任务被争抢，部分任务无人问津的现象。为了避免这种现象，考虑对任务进行打包处理。
对集中距离进行定义，根据任务点的疏密分布程度，随机选取10个任务点，以各任务点间的最远距离作为集中区域的宽度。为了表述方便，选取如图4所示的局部任务点分布图作为研究对象，进行集中区域的划分。
对于任务点分布密集区域，以集中区域一的实际直径D1=12km作为一个集中区域的划分标准，其中D为10个任务点间的最大距离；对于任务点分布稀疏区域，以集中区域三的实际直径D3=60km作为一个集中区域的划分标准。在已经划定好的集中区域内，多个任务联合在一起打包发布的一个“包任务”中含有任务点的数量会影响相应会员的完成任务积极性。
2.1基于蚁群算法的“包任务”打包模型
蚂蚁在觅食时会在经过的路径上释放信息素作为寻找路径的信号，由于信息素的挥发性，蚂蚁较少路径的信息素浓度伴随着时间消减速度较快，最后整个蚁群会根据信息苏浓度确定出一条最短、最优的路径。
在已经划分好的集中区域中，限制“包任务”中任务数量个数不超过4个，基于蚁群算法寻求“包任务”中的任务个数，即：以标号为10的任务地点为主体，选取最短路径找到下一个主体，在图示中沿a路径找到标号为2的任务，以标号为2的任务作为下一个主体。
2.2关于信誉值与定价的任务完成度预测
对于每一个集中区域，把其内部会员信誉的平均值作为信誉度高低的衡量标准，高于均值的信誉值为高信誉值，反之为低信誉值。基于信誉值和定价与完成情况之间的关系，确定回归关系模型。
分别对任务完成度与信誉值、任务完成度与定价进行相关性分析：
得到任务完成度与信誉值的相关性系数为0.934；任务完成度与定价的相关系数为0.947，两系数值均大于0.9，认为具有因果性。将任务完成度作为因变量，将信誉值、定价作为自变量，通过多元回归模型得到该模型的参数方程。综合集中区域打包分析与会员信誉值的数据集，得到区域任务完成度z的与区域平均信誉值x1、区域平均定价x2之间的关系为：
其中c为不同个数对应权衡定价的稳定参数。根据参数方程求得任务完成情况，并通过插值作出新方案任务完成图。
分析参数方程和任务完成图，其完成度达到了82.6%。随着平均信誉值和区域平均定价的增大，在交通便利情况相似时，任务的完成度会相应的增大，反之随着两种值的降低导致完成数量降低。考虑到打包之后的连带效应，如果打包发布的任务价格高于单个任务并且低于多个任务价格之和，任务打包易被一个会员完成，导致其他没有任务的人相对增多；同时，由于完成任务者为正常的经纪人，因为热门“包任务”的短缺，会促使一些冷门任务会受到重视。
3 结论
（1）经过对比分析，新的定价方案相较于原定价方案更合理，在定价小幅提升的同时，任务完成度有大幅度提升。
（2）根据经济学中的结构分析定律得到定价与打包任务个数对应关系，通过分析任务完成度随定价、会员信誉值的变化情况，构建并分析回归模型，最终得出结论：在交通便利情况相似时，任务完成度与平均信誉值和区域平均定价均呈正相关。
参考文献
[1]王金山,李伟兵. 差分—等级依赖效用模型研究[J]. 数学的实践与认识,2014,44(23):81-86.
[2]张楠,姜丽丽,岳晓冬,周杰. 效用三支决策模型[J]. 智能系统学报,2016,11(04):459-468.
论文作者:郝硕1,2,王英新界1,2,刘力刚1,2,冯立超1,3
论文发表刊物:《建筑科技》2017年第14期
论文发表时间:2017/12/20
标签：效用论文; 模型论文; 区域论文; 信誉论文; 神经网络论文; 数据论文; 情况论文; 《建筑科技》2017年第14期论文;