论文部分内容阅读
摘 要：华北理工大学数学建模创新实验室1 华北理工大学以升创新教育基地2 华北理工大学信息工程学院3华北理工大学理学院4 河北省唐山市 063210
关键词：劳务众包任务定价；模糊神经网络模型；回归方程；任务完成率；
0 引言
伴随着网络众包平台的兴起，“拍查和信息搜集，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证了调查数据真实性，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。
由于在不同的地域，多个任务可能因为位置比较集中，导致用户会争相选择，一种考虑是将这些任务联合在一起打包发布。基于此，本文建立基于神经网络模型的任务打包分配方法，模拟在一个包内装有不同任务数量，然后将此任务包络分配给一个用户，分析任务的完成情况。研究不同任务包内任务数量與任务完成情况的关系，为众包平台提供更优的定价策略。
1 基于模糊神经网络的任务打包定价模型
1.1 任务打包方案
如果任务比较集中，而会员也在此区域内比较集中，则在该区域中，会员会争相选择任务，可能导致恶意抢夺，进而造成任务完成率低，于是，可以考虑一种将任务联合打包发布的方案，即将若干个任务捆绑，交由一个用户完成。
由于任务点相距不是很远，可以将邻近的任务点打包，在此通过绘制附件一中任务点分布的散点图选取100个任务点中心，将任务中心点方圆16km的任务点进行打包，作为一个任务包发布，而任务执行人则根据会员得到任务发布情况时间的早晚、会员与任务点之间的距离、会员信誉度、限额情况等进行综合考量得到最终结果。
1.2 模糊神经网络模型的建立与求解
用非线性预测的神经网络通常为反传神经模型（BP模型），该模型选用基本3层拓扑结构，即输入层、隐含层和输出层，其中输入层为7个节点，分别代表影响任务价格的7个相关因素，输出层有一个节点去构建和模型的关系，中间层各神经元之间互相不连接，而相邻层的神经元则通过权重连接。
神经网络的学习过程可分为两个阶段：第一阶段是按向前的传播方向，从输入层到隐含层直到输出层，可以得到各神经元的输入值，最后得到输出层的输出值。第二阶段按照与阶段一反向的传播方向，即根据输出层的实际输出和期望输出之间的误差，调整节点之间的连接权值，最终使误差取到最小值。
具体步骤如下所示：
step 1：初始化
根据APP平台的利润最大化目标，对输入层与价格相关的因素按重要性排序，分别给输入层到隐含层的单位连接权值qij，隐含层到输出层的连接权值wij，隐含层单元阀值Qi和输出层单元阀值Rj为[-1，1]的随机值。
step 2：计算
选取激活函数sigmoid函数f（x）=1/1+e-X，计算隐含层单位激活值bj=f（∑qijai+Qj），计算输出层单元激活值：ck=f（∑qijbj+Rk），计算误差函数Ek=∑（Mk-Ck）2/2。
step 3：调整
（1）调整隐含层到输出层单元之间的单元连接权值：△wjk=abjdk其中α为学习率，0<α<1。
（2）调整输出层单元的阀值：△Rk=αdk。
（3）调整输入层到隐含层的连接权值：△Vjk=βαiej，其中β为学习率，0<β<1。
（4）调整隐含单元阀值：△Qj=βej。
step 4：预测
计算全局误差E=∑Ek，如果E≥ε，则重复进行step2，step3，否则学习结束。在系统中输入预测对象，则系统联结到相应的数据库、模型库知识库中，并利用调出的神经网络权值数据库进行预测，预测结果通过动态报表表现出来。
1.3 任务包定价回归方程模型
将任务打包，即将若干个任务捆绑发布，使得原本需要分配给多个会员的任务均由同一个会员完成，打包后的任务包定价会略低于未打包时的单个定价之和。
当任务包内的任务数量一定时，通过上述函数关系得到的定价与通过模糊神经网络所建立的模型得到的定价相近，因此，可以说明本问建立的模型具有一定的合理性，可以用以打包任务的定价。
1.4 打包方案对任务完成情况的影响
通过与原方案的完成率进行对比，可知任务打包发布能提高任务完成率，即对任务完成情况有积极影响。同时，用户完成同样件数任务的总酬金较之前有所降低，但其单次得到的酬金大大增加，有利于提升用户积极性，对任务完成率的提高有一定的积极影响。
2 结论
拍照赚钱在实际情况下，多个任务可能因为位置比较集中，导致用户会争相选择，一种考虑是将这些任务联合在一起打包发布。在这种考虑下，我们运用BP神经网络算法修改前面的定价模型，通过与原方案的完成率进行对比，可知在新的定价模型能提高任务完成率，即对任务完成情况有积极影响。同时，用户完成同样件数任务的总酬金较之前有所降低，但其单次得到的酬金大大增加，有利于提升用户积极性，对任务完成率的提高有一定的积极影响。
参考文献 （References）
[1]吴孟达. 数学建模教程[M]. 高等教育出版社， 2011.
[2]韩中庚. 数学建模方法及其应用[M]. 高等教育出版社， 2005.
[3]李晓忠. 模糊神经网络[D]. 北京师范大学， 1991.
[4]张启锐. 实用回归分析[M]. 地质出版社， 1988.
[5]孙增圻， 徐红兵. 基于T-S模型的模糊神经网络[J]. 清华大学学报（自然科学版）， 1997（3）：76-80.
关键词：劳务众包任务定价；模糊神经网络模型；回归方程；任务完成率；
0 引言
伴随着网络众包平台的兴起，“拍查和信息搜集，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证了调查数据真实性，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。
由于在不同的地域，多个任务可能因为位置比较集中，导致用户会争相选择，一种考虑是将这些任务联合在一起打包发布。基于此，本文建立基于神经网络模型的任务打包分配方法，模拟在一个包内装有不同任务数量，然后将此任务包络分配给一个用户，分析任务的完成情况。研究不同任务包内任务数量與任务完成情况的关系，为众包平台提供更优的定价策略。
1 基于模糊神经网络的任务打包定价模型
1.1 任务打包方案
如果任务比较集中，而会员也在此区域内比较集中，则在该区域中，会员会争相选择任务，可能导致恶意抢夺，进而造成任务完成率低，于是，可以考虑一种将任务联合打包发布的方案，即将若干个任务捆绑，交由一个用户完成。
由于任务点相距不是很远，可以将邻近的任务点打包，在此通过绘制附件一中任务点分布的散点图选取100个任务点中心，将任务中心点方圆16km的任务点进行打包，作为一个任务包发布，而任务执行人则根据会员得到任务发布情况时间的早晚、会员与任务点之间的距离、会员信誉度、限额情况等进行综合考量得到最终结果。
1.2 模糊神经网络模型的建立与求解
用非线性预测的神经网络通常为反传神经模型（BP模型），该模型选用基本3层拓扑结构，即输入层、隐含层和输出层，其中输入层为7个节点，分别代表影响任务价格的7个相关因素，输出层有一个节点去构建和模型的关系，中间层各神经元之间互相不连接，而相邻层的神经元则通过权重连接。
神经网络的学习过程可分为两个阶段：第一阶段是按向前的传播方向，从输入层到隐含层直到输出层，可以得到各神经元的输入值，最后得到输出层的输出值。第二阶段按照与阶段一反向的传播方向，即根据输出层的实际输出和期望输出之间的误差，调整节点之间的连接权值，最终使误差取到最小值。
具体步骤如下所示：
step 1：初始化
根据APP平台的利润最大化目标，对输入层与价格相关的因素按重要性排序，分别给输入层到隐含层的单位连接权值qij，隐含层到输出层的连接权值wij，隐含层单元阀值Qi和输出层单元阀值Rj为[-1，1]的随机值。
step 2：计算
选取激活函数sigmoid函数f（x）=1/1+e-X，计算隐含层单位激活值bj=f（∑qijai+Qj），计算输出层单元激活值：ck=f（∑qijbj+Rk），计算误差函数Ek=∑（Mk-Ck）2/2。
step 3：调整
（1）调整隐含层到输出层单元之间的单元连接权值：△wjk=abjdk其中α为学习率，0<α<1。
（2）调整输出层单元的阀值：△Rk=αdk。
（3）调整输入层到隐含层的连接权值：△Vjk=βαiej，其中β为学习率，0<β<1。
（4）调整隐含单元阀值：△Qj=βej。
step 4：预测
计算全局误差E=∑Ek，如果E≥ε，则重复进行step2，step3，否则学习结束。在系统中输入预测对象，则系统联结到相应的数据库、模型库知识库中，并利用调出的神经网络权值数据库进行预测，预测结果通过动态报表表现出来。
1.3 任务包定价回归方程模型
将任务打包，即将若干个任务捆绑发布，使得原本需要分配给多个会员的任务均由同一个会员完成，打包后的任务包定价会略低于未打包时的单个定价之和。
当任务包内的任务数量一定时，通过上述函数关系得到的定价与通过模糊神经网络所建立的模型得到的定价相近，因此，可以说明本问建立的模型具有一定的合理性，可以用以打包任务的定价。
1.4 打包方案对任务完成情况的影响
通过与原方案的完成率进行对比，可知任务打包发布能提高任务完成率，即对任务完成情况有积极影响。同时，用户完成同样件数任务的总酬金较之前有所降低，但其单次得到的酬金大大增加，有利于提升用户积极性，对任务完成率的提高有一定的积极影响。
2 结论
拍照赚钱在实际情况下，多个任务可能因为位置比较集中，导致用户会争相选择，一种考虑是将这些任务联合在一起打包发布。在这种考虑下，我们运用BP神经网络算法修改前面的定价模型，通过与原方案的完成率进行对比，可知在新的定价模型能提高任务完成率，即对任务完成情况有积极影响。同时，用户完成同样件数任务的总酬金较之前有所降低，但其单次得到的酬金大大增加，有利于提升用户积极性，对任务完成率的提高有一定的积极影响。
参考文献 （References）
[1]吴孟达. 数学建模教程[M]. 高等教育出版社， 2011.
[2]韩中庚. 数学建模方法及其应用[M]. 高等教育出版社， 2005.
[3]李晓忠. 模糊神经网络[D]. 北京师范大学， 1991.
[4]张启锐. 实用回归分析[M]. 地质出版社， 1988.
[5]孙增圻， 徐红兵. 基于T-S模型的模糊神经网络[J]. 清华大学学报（自然科学版）， 1997（3）：76-80.