CN108446923A - 一种基于自助式劳务众包平台的任务定价方法 - Google Patents

Abstract

本发明公开了一种基于自助式劳务众包平台的任务定价方法，包括：剔除任务点位置数据中异常值数据；对任务点位置数据进行数据分类降维，计算每类任务中心位置，根据每类任务中心以及k‑近邻方法依次获取最近会员和其最近的任务点个数，依次根据每类任务中心对应的最近会员位置、任务配额及最近会员对应的任务点位置对区域任务建立最短路模型进行任务集中区域任务打包；根据会员位置与打包好的任务中心位置、任务配额、接受起始时间、会员信誉值和任务标价建立效用规划模型，并根据效用规划模型依次对每类区域任务进行任务定价。如此，基于最短路打包的效益规划模型，能有效对劳务众包平台的任务数据进行处理，能为平台任务定价提供可靠依据。

Description

一种基于自助式劳务众包平台的任务定价方法

技术领域

本发明涉及任务定价技术领域，尤其涉及一种基于自助式劳务众包平台的任务定价方法。

背景技术

现今，互联网和计算机的飞速发展，移动互联网自助式服务模式已深入到各行各业中，成为很多行业主要经营模式。这种模式的运行主要通过网络服务平台提供服务，用户和商家只要注册成为的会员，就可以在平台上面发布和提取任务信息。这种基于移动互联网的自助式劳务众包平台，特别是作为第三方平台，为用户和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和任务完成时间，保证任务快捷高效完成。

自助式服务模式平台为任务运行的核心，其中平台中的任务定价其是核心要素。如果定价不合理，有的任务就会无人问津，而导致任务失败。平台多任务定价是一个复杂问题，在滴滴打车、快递、外卖、产品运输等诸多行业中出现，涉及到的因素很多，如任务位置和价格、会员位置、会员信誉和接任务配额等因素，各因素之间关联，导致定价难。通过实际调查发现，平台发布任务没有完成的地方大多数是任务聚集地方，不是没有人做，而是没有人愿意接，所以怎样完成任务系统定价，保证买卖双方和平台最大化效益是平台的最终目标。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于自助式劳务众包平台的任务定价方法；

本发明提出的一种基于自助式劳务众包平台的任务定价方法，包括：

S1、剔除任务点位置数据中异常值数据；

S2、对任务点位置数据进行数据分类降维，计算每类任务中心位置，根据每类任务中心以及k-近邻方法依次获取最近会员和其最近的任务点个数，依次根据每类任务中心对应的最近会员位置、任务配额及最近会员对应的任务点位置对区域任务建立最短路模型进行任务集中区域任务打包；

S3、根据会员位置与打包好的任务中心位置、任务配额、接受起始时间、会员信誉值和任务标价建立效用规划模型，并根据效用规划模型依次对每类区域任务进行任务定价。

优选地，步骤S1，具体包括：

对任务点位置数据X_i′＝(x_i′,y_i′),(i＝1,2,...,n)进行k-mediods中心聚类分析，剔除任务点位置数据中异常值数据。

优选地，步骤S2，具体包括：

S21、通过K-Means聚类方法对任务点位置数据分类降维，得到d类局域任务分布集合和每类任务聚集D_v中心记为(v＝1,2,...,d)；

S22、获取与最近任务点位置(x′₀,y′₀)，以(x′₀,y′₀)点为中心通过k-近邻方法获取距离r的区域内k₁个具有可接收任务配额的会员位置X_j＝(x_j,y_j),(j＝1,2,...,k₁)，k₂个任务点位置X_i′＝(x_i′,y_i′),(i＝1,2,...,k₂)，

得到会员位置X_j＝(x_j,y_j),(j＝1,2,...,k₁)的平均位置

S23、以为起始点，按(j₁,...,j_p∈{1,2,...,k₁})顺序，利用Dijkstra算法获取不超过每天会员行驶距离的最短路径的单点最大任务数，然后对所述任务(x_j,y_j)，j＝1,2,...,j_p打包，其中，包内的任务同一价格；

S24、去除完成打包的任务，对剩下的任务集D_v\(x_j,y_j),j＝1,2,...,j_p执行步骤S21、S22、S23操作，直到任务集中任务均完成打包。

优选地，步骤S3，具体包括：

S31、根据会员位置与打包好的任务中心位置、任务配额、接受起始时间、会员信誉值和任务标价建立效用规划模型：

其中，c_i为任务标价，θ_ij为第j个会员接第个i任务的意愿度，p表示会员的预定任务额度，表示会员信誉值；

为预定任务额度和会员信誉值的函数关系，a₀,a₁为计算参数；

为会员行驶距离与任务所需时间关系，v为会员行驶速度，t为会员平均完成一个任务所需时间，T为会员每天工作总时长，d_ij表示第j个会员到第i个任务的距离，x_ij为第j个会员做第i个任务的对应当量；

θ_ij＝1/(1+exp(-αc_i+βx_ijd_ij+γ))为会员选取任务意愿度，α,β,γ为参数；

S32、对平台会员的信誉值取log对数，利用最小二乘原则求参数

S33、代入会员信息，根据公式令θ_ij为对应的任务完成率，完成的θ_ij＝0.75，未完成的θ_ij＝0.25，利用最小二乘法求出[α,β,γ]＝([c,d,1]^T[c,d,1])^-1[c,d,1]^Tθ；

S34、将参数a₀,a₁,α,β,γ代入效用规划定价模型，根据函数fmincon求出θ，通过得到该类区域任务的任务定价c。

本发明根据会员位置、任务配额及任务点位置对任务分区域打包，根据会员位置与任务点位置的距离、预定任务配额、接受起始时间、会员信誉值、任务标价建立效用规划定价模型，并通过效用规划定价模型对任务进行定价。如此，将任务定价分成两个阶段，首先考虑会员位置信息对任务进行打包，然后以会员接任务的意愿度最大和定价成本最小为目标，建立效益规划模型。这种基于最短路打包的效益规划模型，能有效对数据进行降维，且效益规划模型可直接转化为线性规划求解，模型可靠，计算简单，算法容易实现，通过实例验证，该方法相对其它模型，模型预测结果更精确，能为平台任务定价提供可靠依据。

附图说明

图1为本发明提出的一种基于自助式劳务众包平台的任务定价方法的流程示意图。

具体实施方式

参照图1，本发明提出的一种基于自助式劳务众包平台的任务定价方法，包括：

步骤S1，剔除任务点位置数据中异常值数据，具体包括：

对任务点位置数据X_i′＝(x_i′,y_i′),(i＝1,2,...,n)进行k-mediods中心聚类分析，剔除任务点位置数据中异常值数据。

在具体方案中，通过k-mediods中心聚类方法剔除或矫正任务点位置数据中的异常值数据，防止任务点位置数据中的异常数据影响定价结果。

步骤S2，对任务点位置数据进行数据分类降维，计算每类任务中心位置，根据每类任务中心以及k-近邻方法依次获取最近会员和其最近的任务点个数，依次根据每类任务中心对应的最近会员位置、任务配额及最近会员对应的任务点位置对区域任务建立最短路模型进行任务集中区域任务打包，具体包括：

S21、通过K-Means聚类方法对任务点位置数据分类降维，得到d类局域任务分布集合和每类任务聚集D_v中心记为(v＝1,2,...,d)；

S22、获取与最近任务点位置(x′₀,y′₀)，以(x′₀,y′₀)点为中心通过k-近邻方法获取距离r的区域内k₁个具有可接收任务配额的会员位置X_j＝(x_j,y_j),(j＝1,2,...,k₁)，k₂个任务点位置X_i′＝(x_i′,y_i′),(i＝1,2,...,k₂)，

得到会员位置X_j＝(x_j,y_j),(j＝1,2,...,k₁)的平均位置

S23、以为起始点，按(j₁,...,j_p∈{1,2,...,k₁})顺序，利用Dijkstra算法获取不超过每天会员行驶距离的最短路径的单点最大任务数，然后对所述任务(x_j,y_j)，j＝1,2,...,j_p打包，其中，包内的任务同一价格；

S24、去除完成打包的任务，对剩下的任务集D_v\(x_j,y_j),j＝1,2,...,j_p执行步骤S21、S22、S23操作，直到任务集中任务均完成打包。

在具体方案中，K-Means聚类、k近邻、最短路Dijkstra算法，算法思想和使用方法如下：

K-Means聚类方法可以直接利用调用Matlab软件kmeans函数即可；

k近邻方法的思想非常简单：给定初始值，基于某种距离度量找出样本集中与初始值靠近的k个样本，然后局域这k个近邻的样本进行判断，对于本文只需判读其是否具有配额即可；

Dijkstra算法是求单点最短路径最适用的方法，步骤如下：

第1步：

置u₁＝0,u_j＝w_1j,j＝2,3,…,n,P＝{1},T＝{2,3,…,n}

第2步：

在T中寻找一点k，使得

置P＝P∪{k},T＝T-{k}，若终止；否则，进入第三步

第3步：

对T中每一点j，置u_j＝min{u_j,u_k+w_kj}，返回第1步。

步骤S3，根据会员位置与打包好的任务中心位置、任务配额、接受起始时间、会员信誉值和任务标价建立效用规划模型，并根据效用规划模型依次对每类区域任务进行任务定价，具体包括：

S31、根据会员位置与打包好的任务中心位置、任务配额、接受起始时间、会员信誉值和任务标价建立效用规划模型：

其中，c_i为任务标价，θ_ij为第j个会员接第个i任务的意愿度，p表示会员的预定任务额度，表示会员信誉值；

为预定任务额度和会员信誉值的函数关系，a₀,a₁为计算参数；

为会员行驶距离与任务所需时间关系，v为会员行驶速度，t为会员平均完成一个任务所需时间，T为会员每天工作总时长，d_ij表示第j个会员到第i个任务的距离，x_ij为第j个会员做第i个任务的对应当量；

θ_ij＝1/(1+exp(-αc_i+βx_ijd_ij+γ))为会员选取任务意愿度，α,β,γ为参数；

S32、对平台会员的信誉值取log对数，利用最小二乘原则求参数

S33、代入会员信息，根据公式令θ_ij为对应的任务完成率，完成的θ_ij＝0.75，未完成的θ_ij＝0.25，利用最小二乘法求出[α,β,γ]＝([c,d,1]^T[c,d,1])^-1[c,d,1]^Tθ；

S34、将参数a₀,a₁,α,β,γ代入效用规划定价模型，根据函数fmincon求出θ，通过得到该类区域任务的任务定价c。

在具体方案中，

建立目标函数：

其中c_i为任务定价，θ_ij为第j个会员接第个i任务的意愿度。

约束条件：

预定任务额度和信誉值大致为如下对数函数关系：

p表示会员的任务额度，表示会员的信誉值，参数a₀,a₁可通过实际数据拟合得到。

会员行驶距离与时间关系：

v为会员行驶速度，t为会员平均完成一个任务所花费的时间，T为会员每天工作总时长，d_ij表示第j个会员到第i个任务的距离，x_ij为第j个会员做第i个任务的对应当量，x_ij＝0或1，取1表示第j个会员做了第i个任务。

会员选取任务意愿度：

会员选取任务意愿度θ_ij函数通常表现为会员接取和不接取，理论取值应为0或1，所以这里可选Sigmoid函数，

θ_ij＝1/(1+exp(-αc_i+βx_ijd_ij+γ))，

α,β,γ为参数。

效用规划定价模型：

约束条件：

效用规划定价模型求解：

将代入效用规划定价模型，上述非线性规划模型进行转化为：

效用规划定价模型转化为0-1混合线性规划问题，可调用matlab函数fmincon进行求解。

本实施方式根据会员位置、任务配额及任务点位置对任务分区域打包，根据会员位置与任务点位置的距离、预定任务配额、接受起始时间、会员信誉值、任务标价建立效用规划定价模型，并通过效用规划定价模型对任务进行定价。如此，将任务定价分成两个阶段，首先考虑会员位置信息对任务进行打包，然后以会员接任务的意愿度最大和定价成本最小为目标，建立效益规划模型。这种基于最短路打包的效益规划模型，能有效对数据进行降维，且效益规划模型可直接转化为线性规划求解，模型可靠，计算简单，算法容易实现，通过实例验证，该方法相对其他模型，模型预测结果更精确，能为平台任务定价提供可靠依据。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种基于自助式劳务众包平台的任务定价方法，其特征在于，包括：

S1、剔除任务点位置数据中异常值数据；

S2、对任务点位置数据进行数据分类降维，计算每类任务中心位置，根据每类任务中心以及k-近邻方法依次获取最近会员和其最近的任务点个数，依次根据每类任务中心对应的最近会员位置、任务配额及最近会员对应的任务点位置对区域任务建立最短路模型进行任务集中区域任务打包；

S3、根据会员位置与打包好的任务中心位置、任务配额、接受起始时间、会员信誉值和任务标价建立效用规划模型，并根据效用规划模型依次对每类区域任务进行任务定价。

2.根据权利要求1所述的基于自助式劳务众包平台的任务定价方法，其特征在于，步骤S1，具体包括：

对任务点位置数据X′_i＝(x′_i,y′_i),(i＝1,2,...,n)进行k-mediods中心聚类分析，剔除任务点位置数据中异常值数据。

3.根据权利要求1所述的基于自助式劳务众包平台的任务定价方法，其特征在于，步骤S2，具体包括：

S21、通过K-Means聚类方法对任务点位置数据分类降维，得到d类局域任务分布集合和每类任务聚集D_v中心记为

S22、获取与最近任务点位置(x′₀,y′₀)，以(x′₀,y′₀)点为中心通过KNN近邻方法获取距离r的区域内k₁个具有可接收任务配额的会员位置X_j＝(x_j,y_j),(j＝1,2,...,k₁)，以及k₂个任务点位置X′_i＝(x′_i,y′_i),(i＝1,2,...,k₂)，得到会员位置X_j＝(x_j,y_j),(j＝1,2,...,k₁)的平均位置

S23、以为起始点，按 顺序，利用Dijkstra算法获取不超过每天会员行驶距离的最短路径的单点最大任务数，然后对所述任务(x_j,y_j)，j＝1,2,...,j_p打包，其中，包内的任务同一价格；

S24、去除完成打包的任务，对剩下的任务集D_v\(x_j,y_j),j＝1,2,...,j_p执行步骤S21、S22、S23操作，直到任务集中任务均完成打包。

4.根据权利要求1所述的基于自助式劳务众包平台的任务定价方法，其特征在于，步骤S3，具体包括：

S31、根据会员位置与打包好的任务中心位置、任务配额、接受起始时间、会员信誉值和任务标价建立效用规划模型：

其中，c_i为任务标价，θ_ij为第j个会员接第个i任务的意愿度，p表示会员的预定任务额度，表示会员信誉值；

为预定任务额度和会员信誉值的函数关系，a₀,a₁为计算参数；

为会员行驶距离与任务所需时间关系，v为会员行驶速度，t为会员平均完成一个任务所需时间，T为会员每天工作总时长，d_ij表示第j个会员到第i个任务的距离，x_ij为第j个会员做第i个任务的对应当量；

θ_ij＝1/(1+exp(-αc_i+βx_ijd_ij+γ))为会员选取任务意愿度，α,β,γ为参数；

S32、对平台会员的信誉值取log对数，利用最小二乘原则求参数

S33、代入会员信息，根据公式令θ_ij为对应的任务完成率，完成的θ_ij＝0.75，未完成的θ_ij＝0.25，利用最小二乘法求出[α,β,γ]＝([c,d,1]^T[c,d,1])^-1[c,d,1]^Tθ；

S34、将参数a₀,a₁,α,β,γ代入效用规划定价模型，根据函数fmincon求出θ，通过得到该类区域任务的任务定价c。