论文部分内容阅读
摘要：“拍照赚钱”作为自助式服务方式之一，研究其合理定价，将保证企业及时有效获取各商品真实信息，且提高任务完成度。基于此，本文利用遗传-LSSVM算法对合理定价问题梯次递进的进行分析研究。首先建立了基于统计分析的竞争度定价基本理论模型，分析了任务未完成的原因。其次建立了基于遗传-LSSVM算法的定价最优化模型，确定了新的定价方案，改善了任务完成情况。采集任务完成的数据作为初始样本集，初始化任务距离半径R，然后结合LSSVM算法对竞争度与定价之间的关系进行训练模拟，进而求解出未完成任务的总定价M，最后以M为目标函数，利用遗传算法对任务距离半径R进行逐步优化，确定最新的定价方案：R=9.8933km方案最优，较原方案，每个任务新定价平均上涨0.6元，整体上升499元，涨幅较小，且保证了所有任务全部完成。
关键词：博弈论；遗传-LSSVM算法；定价模型；竞争度
0 引言
“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，赚取APP对任务所标定的酬金。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[1]，而且有效地保证了调查数据真实性，缩短了调查的周期。
1基于统计分析的竞争度定价基本理论模型
1.1 数据统计描述
对已有数据进行简单的统计分析，发现集中在广州市、东莞市以及佛山市等市中心周围区域的任务完成情况较好，而未完成任务分散在离市中心较远的区域，说明任务地理位置对任务完成有影响，任务越靠近繁华地带，店铺门户越多，任务完成量就高，情况越好[4]。
1.2 竞争度定义
首先定义竞争度J，竞争度即为以某一任务Xi为圆心，以R为半径的圆内所有会员可以预定任务的总和。
（1）
其中，n表示以xi为圆心以R为半径的圆内会员的总数；Yj表示第j 个会员所能预定的任务量。
1.3 未完成任務分析
如图4所示，横坐标为为按竞争度由小至大过程中的序列号，纵坐标为任务定价：
由图可知随着竞争度的增加，任务定价整体呈降低趋势，但已完成任务部分价格过高，同时，对未完成任务定价与图4定价整体趋势变化相比，发现未完成任务竞争度相对较小，价格相对过低，导致任务未完成。因此，任务未完成是由于任务发布位置较偏，会员相对较少，会员任务预定限额较低所导致的。
2 基于遗传-LSSVM模型的定价方案设计
2.1遗传算法模型的建立
根据已有的数据，认为已经完成的任务定价大部分是合理的。对已完成任务，利用遗传算法以半径R为自变量，以已完成任务的竞争度J为因变量，以半径R范围内的的总定价为目标，建立目标函数[5]：
（2）
其中，f为所有任务总价格，n为任务点总数量。
算法基本步骤如下：
a.随机产生搜索空间内100个个体s1，s2.…s100组成初始种群S，置代数计数器t=1；
b.计算S中每一个个体si的适应度fi=f（si）；
c. 按交叉率Pc所决定的参加交叉的染色体数c，从S2中随机选出c个染色体，配对进行交叉操作，并用新得到的染色体代替原染色体，得到群体S3。
d.按变异率Pm所决定的变异次数m，从S3中随机选出m个染色体进行变异操作，并用新得到的染色体代替原染色体，得到群体S4[6～8]。
2.2最小二乘支持向量机模型的建立
最小二乘支持向量机（LSSVM）是专门针对线性可分的二分类问题提出的，在线性可分的最优分类超平面基础上产生，采用结构风险最小化原则，构建分类超平面，保证分类正确的同时，使两类样本之间的间距最大化[9]。x（i）支持向量机 和输入空间抽取的向量 之间的内积核概念是算法的关键。
本文设 ，其中， 为不同位置任务选取最优半径时对应的竞争度取值， 是最优半径对应的最低定价，目标函数如下：
（3）
约束条件为：
（4）
定义拉格朗日函数[11]为：
（5）
式中，拉格朗日乘子 ，对上式进行优化，则最终可得到矩阵方程如下：
（6）
将Mercer条件带入 中，最终求得最小二乘支持向量机的决策函数为[13]：
（7）
3.1遗传算法初次求解及数据初步筛选
遗传算法实现过程中相关参数设置如下：变量范围为[5，80]，种群大小为100，迭代次数为100，交叉概率为0.4，变异概率为0.2。经过多次求取，得出初步最优半径 。
3.2遗传算法二次求优及数据二次筛选
对筛选后的数据再次利用遗传算法求得最优半径R2=9.8933km。当半径为R2时，得出其对应的竞争度，初步对竞争度与任务定价之间的关系进行处理. 表1 二次筛选滤除数据
对最终筛选得到的数据，利用最小二乘支持向量机对全部任务定价进行预测，核函数的作用是抽取竞争度取值特征，将样本映射为高维特征空间中的向量，解决原始竞争度取值线性不可分的问题。
4结论
本文针对“拍照赚钱”作为自助式服务合理定价问题，运用遗传-LSSVM算法对任务合理定价进行研究，最终在保证任务顺利完成的前提下得出合理定价。该模型在有效的降低平台的运营成本，提高任务完成率和会员活跃度的同时提高了会员的收益，实现的是双赢，所以不管从会员角度还是平台角度出发，该模型都具有一定的实用价值。。
关键词：博弈论；遗传-LSSVM算法；定价模型；竞争度
0 引言
“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，赚取APP对任务所标定的酬金。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[1]，而且有效地保证了调查数据真实性，缩短了调查的周期。
1基于统计分析的竞争度定价基本理论模型
1.1 数据统计描述
对已有数据进行简单的统计分析，发现集中在广州市、东莞市以及佛山市等市中心周围区域的任务完成情况较好，而未完成任务分散在离市中心较远的区域，说明任务地理位置对任务完成有影响，任务越靠近繁华地带，店铺门户越多，任务完成量就高，情况越好[4]。
1.2 竞争度定义
首先定义竞争度J，竞争度即为以某一任务Xi为圆心，以R为半径的圆内所有会员可以预定任务的总和。
（1）
其中，n表示以xi为圆心以R为半径的圆内会员的总数；Yj表示第j 个会员所能预定的任务量。
1.3 未完成任務分析
如图4所示，横坐标为为按竞争度由小至大过程中的序列号，纵坐标为任务定价：
由图可知随着竞争度的增加，任务定价整体呈降低趋势，但已完成任务部分价格过高，同时，对未完成任务定价与图4定价整体趋势变化相比，发现未完成任务竞争度相对较小，价格相对过低，导致任务未完成。因此，任务未完成是由于任务发布位置较偏，会员相对较少，会员任务预定限额较低所导致的。
2 基于遗传-LSSVM模型的定价方案设计
2.1遗传算法模型的建立
根据已有的数据，认为已经完成的任务定价大部分是合理的。对已完成任务，利用遗传算法以半径R为自变量，以已完成任务的竞争度J为因变量，以半径R范围内的的总定价为目标，建立目标函数[5]：
（2）
其中，f为所有任务总价格，n为任务点总数量。
算法基本步骤如下：
a.随机产生搜索空间内100个个体s1，s2.…s100组成初始种群S，置代数计数器t=1；
b.计算S中每一个个体si的适应度fi=f（si）；
c. 按交叉率Pc所决定的参加交叉的染色体数c，从S2中随机选出c个染色体，配对进行交叉操作，并用新得到的染色体代替原染色体，得到群体S3。
d.按变异率Pm所决定的变异次数m，从S3中随机选出m个染色体进行变异操作，并用新得到的染色体代替原染色体，得到群体S4[6～8]。
2.2最小二乘支持向量机模型的建立
最小二乘支持向量机（LSSVM）是专门针对线性可分的二分类问题提出的，在线性可分的最优分类超平面基础上产生，采用结构风险最小化原则，构建分类超平面，保证分类正确的同时，使两类样本之间的间距最大化[9]。x（i）支持向量机 和输入空间抽取的向量 之间的内积核概念是算法的关键。
本文设 ，其中， 为不同位置任务选取最优半径时对应的竞争度取值， 是最优半径对应的最低定价，目标函数如下：
（3）
约束条件为：
（4）
定义拉格朗日函数[11]为：
（5）
式中，拉格朗日乘子 ，对上式进行优化，则最终可得到矩阵方程如下：
（6）
将Mercer条件带入 中，最终求得最小二乘支持向量机的决策函数为[13]：
（7）
3.1遗传算法初次求解及数据初步筛选
遗传算法实现过程中相关参数设置如下：变量范围为[5，80]，种群大小为100，迭代次数为100，交叉概率为0.4，变异概率为0.2。经过多次求取，得出初步最优半径 。
3.2遗传算法二次求优及数据二次筛选
对筛选后的数据再次利用遗传算法求得最优半径R2=9.8933km。当半径为R2时，得出其对应的竞争度，初步对竞争度与任务定价之间的关系进行处理. 表1 二次筛选滤除数据
对最终筛选得到的数据，利用最小二乘支持向量机对全部任务定价进行预测，核函数的作用是抽取竞争度取值特征，将样本映射为高维特征空间中的向量，解决原始竞争度取值线性不可分的问题。
4结论
本文针对“拍照赚钱”作为自助式服务合理定价问题，运用遗传-LSSVM算法对任务合理定价进行研究，最终在保证任务顺利完成的前提下得出合理定价。该模型在有效的降低平台的运营成本，提高任务完成率和会员活跃度的同时提高了会员的收益，实现的是双赢，所以不管从会员角度还是平台角度出发，该模型都具有一定的实用价值。。