基于回歸分析的任務(wù)定價(jià)模型

徐娜 張紅娟 行嘉盈

[摘 要]采用k-means聚類算法將數(shù)據(jù)分為四類，精確求出每一個(gè)聚類的中心點(diǎn)任務(wù)的理想定價(jià)。計(jì)算理想定價(jià)與實(shí)際定價(jià)之差的算數(shù)平均，有一個(gè)較大的正數(shù)偏差，這是造成任務(wù)未完成的主要原因。對logistic回歸模型進(jìn)行改進(jìn)，得到新的多元線性回歸模型。并利用粒子群算法優(yōu)化模型中的參數(shù)，得到其中一簇聚類的參數(shù)值。

[關(guān)鍵詞]聚類算法；多元線性回歸模型；粒子群算法

中圖分類號：S837 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號：1009-914X（2018）18-0400-01

1.研究現(xiàn)狀

隨著我國經(jīng)濟(jì)快速發(fā)展，基于移動(dòng)互聯(lián)網(wǎng)下的自助式勞務(wù)眾包平臺(tái)發(fā)展迅猛，“拍照賺錢”是其中的一種模式。用戶在APP上領(lǐng)取任務(wù)，完成任務(wù)賺取酬勞。目前許多任務(wù)因?yàn)槎▋r(jià)不合理而無人問津。本文通過研究任務(wù)未完成的原因，來達(dá)到優(yōu)化定價(jià)模型使任務(wù)盡可能多的被完成的目的。

2.1 基于K-means聚類算法的定價(jià)分析

K-means算法是將事先輸入的n個(gè)數(shù)據(jù)對象以空間中k個(gè)點(diǎn)為中心進(jìn)行聚類，。本文利用K-means算法對附件一中已結(jié)束項(xiàng)目任務(wù)的經(jīng)緯度做聚類分析，得到了4個(gè)聚類簇以及對應(yīng)的聚類中心。

2.2 logistic回歸模型分析未完成的原因

任務(wù)完成度是一個(gè)二分類變量，取值為=1和=0。在本文的四個(gè)聚類簇中，選取聚類簇一為例計(jì)算任務(wù)完成情況與經(jīng)緯度、定價(jià)以及距離的關(guān)系。

利用spss對四簇?cái)?shù)據(jù)分別進(jìn)行l(wèi)ogistic回歸分析，可知，在聚類1中，任務(wù)完成情況與經(jīng)緯度、定價(jià)以及距離的關(guān)系式為：

3.1 多元回歸模型

假定被解釋變量Y與多個(gè)解釋變量之間具有線性關(guān)系，本文通過考慮定價(jià)與緯度，經(jīng)度，離心距離之間的關(guān)系，來建立新的定價(jià)模型。由相關(guān)系數(shù)圖可知離心距離、經(jīng)度、緯度與定價(jià)之間的線性關(guān)系如下：

由R2的值可知，直接進(jìn)行多元線性分析的效果并不佳。利用改進(jìn)POS算法，搜索回歸系數(shù)的最優(yōu)值，由此得到離心距離、經(jīng)度、緯度與定價(jià)之間的線性關(guān)系的最優(yōu)解。

3.2 PSO算法

粒子群優(yōu)化算法的基本思想是通過群體中個(gè)體之間的協(xié)作和信息共享來尋找最優(yōu)解，由n個(gè)粒子組成的群體0.對Q維空間進(jìn)行搜索。

（1）定義適應(yīng)度函數(shù)：用來評價(jià)種群中的每個(gè)粒子，當(dāng)適應(yīng)度函數(shù)的取值越小，則有因變量定價(jià)Y與自變量緯度X1，經(jīng)度X2和離心距離X3的之間的擬合度越好。

（2）種群大小的選擇N：一般粒子數(shù)取粒子自身維數(shù)的5-10倍時(shí)可搜索足夠的解空間。在本文中，分別嘗試M=25，30，35，40，45，50，通過分別求解，得出M的最合適的值為30。

（3）慣性權(quán)重W：在慣性權(quán)重PSO模型中w為定值0.7298.

（4）粒子的維度：在本問題中，所求目標(biāo)函數(shù)帶有四個(gè)未知量，所以粒子的維度為4.

（5）終止條件：在本文中最小誤差可以設(shè)定為10-8，最大迭代次數(shù)設(shè)定為1000。終止條件為目標(biāo)函數(shù)取到最小值時(shí)，得到的最適合解。

參考文獻(xiàn)

[1] 汪曉銀，鄒庭榮，周保平，數(shù)學(xué)軟件與數(shù)學(xué)實(shí)驗(yàn)（第二版），北京：科學(xué)出版式，2012.8.

[2] 馬立新，單冠華，屈娜娜.基于改進(jìn)粒子群算法的電力系統(tǒng)無功優(yōu)化[J]，控制工程，2012，19（6）：34-39.