基于BP神经网络的移动众包平台任务定价研究

蒋师贤，杨亮

（天津商业大学信息工程学院，天津 300134）

0 引言

近年来，随着互联网与经济全球化的快速发展，各种组织机构开始在互联网上寻求解决问题的途径，逐渐形成一种新型的商业模式——众包。众包的任务定价是关系到平台运营的核心要素，定价是否合理将直接决定任务的完成情况。误差反向传播网络（Back Propagation Network,简称BP神经网络）具有自学习、自组织、自适应能力能够进行信息的并行处理和非线性转换，可以通过“误差逆传播算法”，不断提高网络对输入模式影响的正确率。利用MATLAB的神经网络工具箱（Neural Network Toolbox），可以便捷地对原始定价进行训练和测试，在优化任务定价方案上十分适用。

1 基于BP神经网络的定价研究

1.1 理论基础

BP神经网络是具有三层或者三层以上神经元的神经网络，包含了输入层、隐含层和输出层，同一层神经元之间无连接，层与层之间采用全互连方式连接，如图1，输入层神经元与隐含层之间是两个神经元的之间连接的强度，即网络的权值，隐含层或者输出层任一神经元将前一层神经元传来的信息进行整合，添加一个阈值。将整合后的信息作为该层神经元的输入值。信息在神经元之间正向传输，输入量经过隐层逐层计算，得到网络输出后，与期望输出相比较，将误差值沿原来的连接通路反向传播，逐次修正初始设定的的权值和阈值，迭代直到网络误差到精度要求或设定的学习次数为止。

图1 BP神经网络结构图

1.2 数据处理与参数确定

将各个影响因素作为输入样本，定价作为输出样本，我们把已完成的任务的定价视为合理的定价方案，作为BP神经网络的训练样本，剩余未完成的任务作为识别样本重新定价。采用最大最小法对输入输出变量进行归一化处理。利用MATLAB中的函数mapmin⁃max，对输入输出数据均采用归一化处理。

表1 符号说明

1.3 网络结构的确定

本文采用的是MATLAB R2017a的BP神经网络工具箱进行仿真试验，网络参数设置如下：

表2 参数设定

1.4 仿真分析

基于完成情况将任务分为两类：已完成的任务，未完成的任务。将已完成的任务的定价视为合理的定价方案，即学习的对象，对已完成的任务样本进行训练后结果如图2所示，圆圈代表真实定价，虚十字线代表预测定价，从各个任务定价的预测值和实际值的拟合程度看，预测值都比较符合实际值的变化趋势，误差较小，BP神经网络在一定程度上实现了对合理定价方案的学习。然后使用训练好的网络对剩余未完成的任务进行定价的预测，实现定价方案的优化。

图2 仿真结果

2 结果评价

通过与多元回归法的对比，采用多元回归分析时，R2=0.056,如图3所示，采用BP神经网络分析时，R2=0.878，如图3所示。拟合优度值越接近1，说明拟合优度越高，很明显BP神经网络分析结果要优于多元回归分析。

对于新的定价方案用Logistic回归预测完成情况。新的定价方案每个任务的完成的概率为t，评价结果为P,完成为1，未完成为0，在已知数据中，任务的完成率为62%，于是取t=0.38为分界值，则t到p的映射关系为：

利用MATLAB编程求解，得到新的任务定价的完成情况，经计算发现，完成率提高到了88.7%，比起原始的62%的完成率有了大幅提高，说明经BP神经网络的训练后得到的定价方案加优良。

3 结语

本文运用BP神经网络分析众包任务定价模型，通过对合理定价的学习，实现对定价的优化，简化问题的处理过程，在测试数据中，使任务完成率提高了16.7%，同时减低了企业运营成本并提高了用户的收益率，实现双赢，这种思路还可以在其他类似众包平台的设计上发挥作用，例如拼车软件计费设计等，是一个值得推广的模型。

图3 多元回归分析结果

图4 BP神经网络回归结果