精华内容
下载资源
问答
  • 2017高教社杯全国大学生数学建模竞题 B题 “拍照赚钱”的任务定价 Author:YXP Email:yxp189@protonmail.com 更多数模赛题: Amoiensis-CUMCUM https://github.com/Amoiensis/Mathmatic_Modeling_CUMCM 赛题+...

    2017 高教社杯全国大学生数学建模竞题

    B题 “拍照赚钱”的任务定价

    Author:YXP

    Email:yxp189@protonmail.com


    更多数模赛题:

    Amoiensis-CUMCUM

    https://github.com/Amoiensis/Mathmatic_Modeling_CUMCM


    赛题+论文+代码+思路

    Amoiensis-Github

    https://github.com/Amoiensis/Mathmatic_Modeling_CUMCM/tree/master/CUMCM2017/Problem-B


    附件:

    附件一:已结束项目任务数据

    附件二:会员信息数据

    附件三:新项目任务数据

    (如有需要请和笔者取得联系)


    赛题

    “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(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。

    附件一是一个已结束项目的任务数据,包含了每个任务的位置、定价和完成情况(“1”表示完成,“0”表示未完成);附件二是会员信息数据,包含了会员的位置、信誉值、参考其信誉给出的任务开始预订时间和预订限额,原则上会员信誉越高,越优先开始挑选任务,其配额也就越大(任务分配时实际上是根据预订限额所占比例进行配发);附件三是一个新的检查项目任务数据,只有任务的位置信息。

    要求


    请完成下面的问题:

    1. 研究附件一中项目的任务定价规律,分析任务未完成的原因。

    2. 为附件一中的项目设计新的任务定价方案,并和原方案进行比较。

    3. 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,如何修改前面的定价模型,对最终的任务完成情况又有什么影响?

    4. 对附件三中的新项目给出你的任务定价方案,并评价该方案的实施效果。

     


    ATTENTION

    Please feel free to contact with me for any questions, thank you!

    Please don't spread the files without permission!

    未经允许,请勿转载!

    本博客所有内容仅限于学习交流使用!

    展开全文
  • 2017年高教社杯全国大学生数学建模竞赛题目 (请先阅读“全国大学生数学建模竞赛论文格式规范”) B题 “拍照赚钱”的任务定价 “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...

    2017年高教社杯全国大学生数学建模竞赛题目

    (请先阅读“全国大学生数学建模竞赛论文格式规范”)

     

    B  “拍照赚钱”的任务定价

    “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(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。

    附件一是一个已结束项目的任务数据,包含了每个任务的位置、定价和完成情况(“1”表示完成,“0”表示未完成);附件二是会员信息数据,包含了会员的位置、信誉值、参考其信誉给出的任务开始预订时间和预订限额,原则上会员信誉越高,越优先开始挑选任务,其配额也就越大(任务分配时实际上是根据预订限额所占比例进行配发);附件三是一个新的检查项目任务数据,只有任务的位置信息。请完成下面的问题:

    1. 研究附件一中项目的任务定价规律,分析任务未完成的原因。
    2. 为附件一中的项目设计新的任务定价方案,并和原方案进行比较。
    3. 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,如何修改前面的定价模型,对最终的任务完成情况又有什么影响?
    4. 对附件三中的新项目给出你的任务定价方案,并评价该方案的实施效果。

    附件一:已结束项目任务数据

    附件二:会员信息数据

    附件三:新项目任务数据

     

    问题解决:

    emmmm这全是小组内成员的思路,并没有上网搜索,如需参考更优秀的论文需自己再去搜索

     

    下载链接:

    链接: https://pan.baidu.com/s/1Tg-cuSOQq1YK3YAqgdpC4Q

    提取码: 4xrm

    展开全文
  • 拍照赚钱”的任务定价分析 “拍照赚钱” 是一种需要会员在APP上领取任务,完成后赚取对任务所标定的酬金的自助服务模式,这种APP中任务定价是其核心要素。通过对“拍照赚钱”的任务定价方案进行分析评价与改进及...

        “拍照赚钱”的任务定价分析

     “拍照赚钱” 是一种需要会员在APP上领取任务,完成后赚取对任务所标定的酬金的自助服务模式,这种APP中任务定价是其核心要素。通过对“拍照赚钱”的任务定价方案进行分析评价与改进及任务打包方案的优化,以达到节省成本并提高任务完成度的目的。

     针对问题一,通过对附件一任务定价数据进行分析,可以看出任务评价的平均定价为69.11,任务定价范围为[65,85]。分析任务未完成原因时,首先,计算出未完成任务占比为37.9%。其次,画出任务完成情况与任务定价箱线图,未完成任务的定价低于完成任务的定价。最后,在地图上标出任务完成情况,可以看出,未完成任务主要集中在区域一,区域二的完成度最高。

     针对问题二,筛选出附件一中任务已完成的数据作为训练集,任务未完成的作为测试集。通过经纬度把附件一和附件二联接起来,建立以任务定价为因变量的线性回归模型,用所建立的模型对原方案中未完成任务的定价进行预测分析,所得预测值就是新的定价方案。出新方案比原方案的完成率提高了11.87%。

     针对问题三,根据任务位置和会员位置经纬度信息计算每个会员到每个任务点的距离,结合每个会员的任务限额,并参考会员的信誉度,对任务进行分配打包,

    针对问题四,针对问题四,要对附件三的新项目制定任务定价方案,首先运用问题三得到的约束条件公式对附件三的数据进行打包发布,可以打包成300个,对这300组数据进行预测分析,得到的一组任务定价。为了得知方案的好坏,再做一组对比项。使用附件三的数据,不打包直接发布,套用问题二建立的模型进行预测分析,得到新的任务定价。对两次任务定价分别求总值,比较后发现打包发布的方案成本更低,所以这个结果更合理。

    通过对“拍照赚钱”的任务定价进行分析得知打包发布任务成本更低方案更合理。

    关键词:多元线性回归,任务定价,任务打包,R语言

    一、问题重述

     “拍照赚钱”是一种用户下载APP并成为会员,然后在APP上选择做任务赚取酬金的自助服务模式。这种基于互联网的自助式劳务平台以APP为运行的核心,而APP中的任务定价又是其核心要素。如果定价不合理,就会导致部分任务领取率低,从而使商品检查失败。这种平台比传统的市场调查方式更加有可取性,它更加便于调查,不仅可以节约成本,还能使数据更加的真实有效。但是该APP最为重要的是对任务的定价。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。根据附件所给数据完成下面问题:

    1.  研究任务定价规律,分析任务未完成的原因。
    2. 为项目设计新的任务定价方案,并和原方案进行比较。
    3. 对任务进行打包发布。并修改前面的定价模型,对最终的任务完成情况又有什么影响?
    4. 对附件三中的新项目给出你的任务定价方案,并评价该方案的实施效果。

    二、问题分析

    2.1问题一的分析

    问题一主要分析两个方面,一是研究任务定价的规律,首先,利用附件一任务数据画出任务定价的分布图,可以直观地展现任务定价的分布情况,再计算出任务定价的均值和中位数,用来刻画定价规律。二是通过对完成和未完成任务的对比分析,找出未完成任务的原因,通过对任务完成情况与任务标价之间的关系进行统计描述,以及对任务标价与任务完成度之间的地理位置关系进行描述分析,分析出未完成任务的原因。

    2.2问题二的分析

    建立模型时,先根据附件一提取出任务已完成的数据作为训练集,然后结合附件一和附件二中任务完成情况为1的变量,结合附件二中的会员的数据,求出任务与会员之间的距离,得到任务距离小于5km的变量,结合附件一中的数据统计出已完成任务的变量,以任务定价为因变量,以其余变量为自变量,建立多元线性回归模型,针对已得到的数据运用R语言得出多元回归系数表。最后,用所建立的模型针对原方案中未完成任务的数据进行预测分析,这些预测得到的数据就是新的任务定价方案。要对新方案和原始方案进行比较,分析新的任务定价后的完成度与之前的任务完成度进行对比分析。。

    2.3问题三的分析

    对于问题三,根据附件一中的任务地理位置信息和附件二中会员的地理位置信息画出任务和会员位置分布的散点图,根据图中任务和会员之间的距离,探究任务打包的方案。也即是根据任务位置和会员位置经纬度信息计算每个会员到每个任务的距离,结合每个会员的任务限额,参考会员的信誉度,给出任务分配方案,最后,利用问题二的方法,给打包后的任务重新定价。

    2.4问题四的分析

    要对附件三的新项目制定任务定价方案,首先可以运用问题三得到的约束条件公式对附件三的数据进行打包发布,对打包后的数据进行预测分析,得到的预测值为任务定价。此时没有对比项,无法确定方案的好坏,针对这种情况,可以再做一组对比项。使用附件三的数据,不进行打包直接发布,套用问题二所建立的模型进行预测分析,得到新的任务定价。对两次的任务定价分别求总值并进行对比,得到更合理的方案。

    三、模型假设

    1.假设任务分布数小于5的城市不考虑。

    2.假设不考虑一个任务分给几个人做。

    四、符号说明

    五、模型的建立与求解

    5.1问题一的模型建立与求解

    5.1.1任务定价规律

    根据附件一的任务定价数据,计算出任务定价的均值和中位数,并画出任务标价分布直方图如下:

    由上图可知任务定价的范围为[65,85],且已结束的任务中定价主要集中在65-75之间,而定价75以上的任务数量较少。

    5.1.2 未完成因素分析

       对附件一数据中任务执行情况进行统计分析,得到任务完成情况图如下:

    由图5-2可以看出未完成任务占总任务的37.49%,为了更加分析未完成任务与完成任务在任务定价方面的差异,画出任务完成情况与任务定价的箱线图。

    从图中可看出,未完成任务与已完成任务在任务定价上的差异较大,已完成的任务定价比未完成的任务定价更高。

    为了观察任务定价与任务所中地理位置之间的关系,结合附件一中任务的经纬度数据,利用地图慧,将任务完成情况中地图中标记出来,如下分布图:

    可以看出图表5-4中区域二中的任务完成度最高,区域三中的任务完成度最低。为了研究区域与任务完成度的关系,可以查找中国地图,结合经纬度确定任务分布城市,然后运用Excel得出与每个城市任务平均定价与该城市任务达成率之间的关系如下图:

    从上图可以看出任务最多的城市为广州市,深圳、佛山和东莞任务数量差别不大;而在任务定价方面深圳的最低,佛山最高;在任务完成情况方面,深圳地区任务完成率最低,东莞的完成率较高。

        综合上述分析,得出任务未完成的原因是任务定价太低,例如深圳市平均定价较低导致任务完成度低。

    5.2问题二的模型建立与求解

    5.2.1模型的建立

    首先把附件一中已完成的任务数据作为训练集;未完成的数据作为测试集;对附件二的会员数据,计算出会员与任务的距离,将距离在5km以内的会员个数,会员占比,会员限额,和城市分布的变量值;建立以任务定价为因变量,以任务距离在5km以内的会员个数,会员占比,会员限额和城市分布为自变量的多元回归模型:

    5.2.2模型的求解

    将附件二会员信息数据的信誉值排名前20%的会员定义为VIP会员,后80%定义为普通会员。

    考虑到每个任务点与所有会员的距离都不同,因此计算每个任务点到所有会员位置的距离。

    根据会员与任务2个经纬度点,计算这2个经纬度点之间的距离:

    其中:

    其中: 为地球半径,可取平均值6371km; , 表示两点的纬度; 表示两点经度的差值。

    得到任务距离小于5km的会员总人数和VIP会员人数与会员总人数之比。如下表:

    将表格5-1中得到的变量与附件一中提取的已完成任务的数据进行合并,得到任务完成情况都为1的样本变量,然后进行多元线性回归的求解。

    建立以任务价格为因变量与5km内会员个数、会员占比、会员限额、城市为自变量的多元线性回归模型。

    由上表可得:会员个数的系数为负,说明会员个数越多,任务的定价越低,其他类似;城市以东莞为基础,佛山的系数为正,广州和深圳的系数为负,说明佛山的任务定价最高,深圳的定价最少。F统计量p值小于0.001,说明模型是显著的。调整后的可决系数为31.59%,说明所选择的自变量可以解释31.59%的Y。

    5.2.3模型的预测

    运用R语言利用建立的模型针对任务一中未完成任务的定价进行预测分析,得到一组预测值,这个预测值就是新的定价方案。

    对原有方案与新的定价方案进一步比较,分别对附件一中未完成任务定价与新定价方案的预测数据进行统计整理,分别得到两种方案的任务定价分布:

                                 图5-7 两种方案的任务定价分布对比

     通过对两组分布图的对比,发现原始方案未完成任务定价普遍较低,而新的定价方案近似服从正态分布,基本上说明新的方案定价更加合理。再分别计算出两种方案的完成率和任务的成本均值,对两种方案进行比较。

    通过比较得出新方案比原方案的完成率提高了11.87%。原方案的成本为57552.5,新方案的成本为57488.9,成本降低了63.6元

    5.3问题三的模型建立与求解

    5.3.1 制定打包规则

    (1)根据附件一的任务位置信息和附件二中会员位置信息的分布情况如下:

                               图 5-8 任务位置与会员位置地理位置分布

    从图可以看出,任务位置比较集中,且与会员位置与会员的重叠部分较多,这将会导致多个会员对同一个任务的竞争比较激烈,也会导致一个会员同时做多个任务,这都说明对任务进行打包是很有必要的。

    (2) 计算每个会员到每个任务的距离, 表示第i个会员到第j个任务的距离。

    (3) 结合每个会员任务限额相,构造任务分配系数:

    若会员i的任务限额越大,且距离任务j的距离较小,第j个任务越可能分配给会员i。则此时的 较大。若 相同,任务则分配给信誉度高的会员。

    结合附件二和附件一数据中会员任务限额和会员位置与任务位置之间的距离 带入打包系数得到下列表格(节选):

    (4)打包的任务数不能大于任务限额,且对打包系数进行求和得最大值,由此建立约束条件:

    通过约束条件可以将任务进行打包,但原有的定价不适合任务打包后的现状,所以需要建立新的定价模型。由于打包的任务数不同价格也不尽相同,对此建立如下模型:,其中:

    5.4问题四的模型建立与求解

    运用问题三打包原理对附件三的数据进行打包发布,并对打包后的任务定价进行预测分析。

    5.4问题四的模型建立与求解

    运用问题三打包原理对附件三的数据进行打包发布,并对打包后的任务定价进行预测分析。

    将附件三的数据,按照不进行打包直接发布,和打包后再发布进行对比分析。

    图表 5-9两次方案任务定价总值比较

     完成度相同情况下,打包发布成本更低,因此对于企业来说,打包发布方案更加合理。

     

    六、模型的评价,改进与推广

    6.1模型的优缺点

    6.1.1 模型的优点

    (1)文章的原创性强,文章中的大部分模型都是自行推到建立的。

    (2)解决问题二时选用已完成任务作为训练集,建立多元线性回归模型,针对未完成任务进行预测,得到预测值作为新的任务定价,从而大大提高了整体任务完成率。

    (3)解决问题时,由于数据量过大,不便于统计分析,于是充分利用R语言和Excel对数据进行处理,减少了运算量,增加了结果的可信度。

    (4)通过对问题的分析,合理地将问题进行模块化处理,使问题明朗化,并在一定程度上将其进行了简化。

    6.1.2模型的缺点

    (1)进行研究时,不能将所有的影响因素纳入计算,依然存在统计偏差。

    七、参考文献

    [1]薛薇,基于R的统计分析与数据挖掘,北京:中国人民大学出版社,2014.4

    [2]王汉生,应用商务统计分析,北京大学出版社,2008.1

    [3]叶其孝,姜启源等译,数学建模,北京机械工业出版社,2014.10

    [6]马莉:MATLAB 数学实验与建模,清华大学出版社2010年版

    [7]束金龙、闻人凯,柴俊:线性规划理论与模型应用,科学出版社2007年版

     

    八、附录

    问题一

    1.任务定价规律

    install.packages("readxl")

    library(readxl)

    task=read_xls("附件一:已结束项目任务数据.xls")      ##读取附件一数据

    summary(task)

    hist(task$任务标价,ylim=c(0,350),ylab="任务数量",xlab="任务标价",main="",col="lightblue")                           ##直方图

    2. 未完成因素分析

    a=factor("未完成","完成")

    boxplot(task$任务标价~task$任务执行情况,xaxt="n",ylab="任务标价",xlab="完成情况",col="lightblue")axis(1,at=c(1,2),labels=c("未完成","完成"))                                          ##箱线图

    问题二

    1.衍生变量的生成

    require(geosphere)

    member=read_xlsx("附件二:会员信息数据.xlsx")             ##读取附件二数据

    ###############################数据预处理######################

    summary(member)

    outliers=member[round(member$lon,2)==23.03,]

    newmember=member[member$会员编号!="B1175",]             ##删除异常值

    summary(newmember)

    #################################衍生变量######################

    number=data.frame()

    for(i in 1:dim(task)[1]){

    show(i)

    i=1

    single_distance=data.frame()

    for(a in 1:dim(newmember)[1]){

    data=as.matrix(rbind(task[i,2:3],newmember[a,2:3]))

    distance=distm(data,fun=distVincentyEllipsoid)

    single_distance[a,1]=distance[1,2]

    }                                                   

    single=cbind(newmember,single_distance)              ##附件一中某任务与所有会员的距离

    a2=single[single$V1<5000,]

    number[i,4]=nrow(a2)                                 ##任务5km内会员数

    number[i,5]=mean(a2[,7])                             ##高级会员数

    number[i,6]=sum(a2[,4])                              ##任务配额总数

    head(number)

    write.csv(number,"衍生变量.csv",row.names=F)

     

    R语言建立价格与5km内会员个数、5km会员占比、5km会员限额、城市的模型

    getwd()

    library(readxl)

    data1=read_excel("F:/衍生变量全.xlsx")

    data=data1

    str(data)

    data$城市=as.factor(data$城市)

    data$会员占比=as.numeric(data$会员占比)

    data[,1]=scale(data[,1],center=T,scale=T)

    data[,2]=scale(data[,2],center=T,scale=T)

    data[,3]=scale(data[,3],center=T,scale=T)

    data[,4]=scale(data[,4],center=T,scale=T)

    xunlian=data[data$任务执行情况=="1",]

    ceshi=data[data$任务执行情况=="0",]

    str(ceshi)

    model=lm(任务标价~.-任务执行情况,data=xunlian)

    summary(model)

    yuce=predict(model,ceshi)

    sd=sd(data1$任务标价)

    mean=mean(data1$任务标价)

    yuce=sd*yuce+mean

    head(yuce)

    ceshi_1=data1[data1$任务执行情况=="0",]

    yuce=cbind(ceshi_1,yuce)

    head(yuce)

    sum(yuce$yuce)

    sum(yuce$任务标价)

    预测分析

    hist(data$任务标价,xlab="原始任务定价",ylab="任务数量",col="lightblue",ylim=c(0,200),main="")

    hist(yuce$yuce,xlab="预测任务定价",ylab="任务数量",col="lightblue",ylim=c(0,200),main="")

    问题四

    第四问任务与任务间的距离

    install.packages("readxl")

    library(readxl)

    require(geosphere)

    task=read_xls("附件三:新项目任务数据.xls")

    dim(task) 

    task1=data.frame(task[,3],task[,2])

    summary(task)

    str(task1)   

    distance=distm(task1,fun=distVincentyEllipsoid)

    head(distance)

    write.csv(distance,"第四问任务与任务间的距离.csv",row.names=F)

    打包

    setwd("C:/Users/lenovo/Desktop/数学建模/B")

    data1=read.csv("第四问任务与任务间的距离.csv")

    data=data1

    dim(data)

    dabao=data.frame()

     

    for(i in 1:15){

    show(i)

    a=data[data[,i]<1000,]

    a1=nrow(a)

    if(a1<=7){

    a1=a1

    a3=row.names(a)

    } else {

    a1=7

    a2=paste(row.names(a[1:7,]),collapse=" ")

    a3=row.names(a[1:7,])

    }

    dabao[i,1]=a1

    dabao[i,2]=a2

    a3=as.numeric(a3)

    data=data[-a3,]

    }

    dim(dabao)

    write.csv(dabao,"打包bucf.csv",row.names=F)

    任务与会员间的距离

    install.packages("readxl")

    library(readxl)

    require(geosphere)

    task=read_xls("附件三:新项目任务数据.xls")

    dim(task) 

    task1=data.frame(task[,3],task[,2])

    summary(task)

    str(task1)   

    member=read_xlsx("附件二:会员信息数据.xlsx")             ##读取附件二数据

    summary(member)

    outliers=member[round(member$lon,2)==23.03,]

    newmember=member[member$会员编号!="B1175",]             ##删除异常值

    summary(newmember)

    number=data.frame()

    names(task1)=c("lon","lat")

    dim(task1)[1]

    for(i in 1:2066){

    show(i)

    single_distance=data.frame()

    for(a in 1:dim(newmember)[1]){

    data=as.matrix(rbind(task1[i,1:2],newmember[a,2:3]))

    distance=distm(data,fun=distVincentyEllipsoid)

    single_distance[a,1]=distance[1,2]

    head(single_distance$V1)

    number[1:1876,i]=single_distance$V1

    }

    dim(number)

    write.csv(number,".csv",row.names=F)

    展开全文
  • 数学建模论文,已获山东省二等奖,用到了matlab(附代码)和spss ,用于交流学习,严禁抄袭.....................................................................
  • 2017 高教社杯全国大学生数学建模竞赛 B 题评阅要点:本题来源于实际问题,要求对“拍照赚钱”项目中的任务进行定价,使得任务对 会员有吸引力而不至于被会员所放弃,特别是那些处在比较偏远位置的任务。
  • 2017全国大学生数学建模B题,“拍照赚钱”的任务定价问题
  • 数学建模培训资料spss

    2010-07-21 21:58:43
    数学建模资料。。。。值得研究 关于spss是部分内容。。。希望对大家有帮助
  • 数学建模】2017年B题

    千次阅读 2020-09-05 06:41:21
    拍照赚钱”的任务定价 \quad\quad“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(比如上超市去检查某种商品的上架情况),赚取APP对任务所...

    “拍照赚钱”的任务定价

    \quad\quad “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(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。
    \quad\quad 附件一是一个已结束项目的任务数据,包含了每个任务的位置、定价和完成情况(“1”表示完成,“0”表示未完成);附件二是会员信息数据,包含了会员的位置、信誉值、参考其信誉给出的任务开始预订时间和预订限额,原则上会员信誉越高,越优先开始挑选任务,其配额也就越大(任务分配时实际上是根据预订限额所占比例进行配发);附件三是一个新的检查项目任务数据,只有任务的位置信息。请完成下面的问题:

    1. 研究附件一中项目的任务定价规律,分析任务未完成的原因。
    2. 为附件一中的项目设计新的任务定价方案,并和原方案进行比较。
    3. 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,如何修改前面的定价模型,对最终的任务完成情况又有什么影响?
    4. 对附件三中的新项目给出你的任务定价方案,并评价该方案的实施效果。

    注:附件请前往数学建模官网下载:http://www.mcm.edu.cn/upload_cn/node/437/IqAO5Qqi8f23d8738a07a0604b8629ce9bb061ad.rar

    解题初想法&一些问题

    \quad\quad 针对问题一,这实际上是让你要挖掘任务属性(位置、定价)、会员属性(位置、信誉值)与任务是否完成内在联系。所以,如何分析找到主要矛盾?
    \quad\quad 针对问题二,这其实是一个博弈论的问题。要求用更低的定价换取更高的任务完成率。如何重新给定价格呢?如何判定重新定价后任务是否完成呢?
    \quad\quad 针对问题三,感觉也可以沿用问题二的模型,将打包后的任务看做是一个任务,这样就可以代入模型二求解。但是,要附加打包策略:各个任务什么情况下会被打包,打包后任务属性该如何设定?
    \quad\quad 针对问题四,这个可以用问题二的模型和问题三的模型联合求解。可以得到一个定价总花费和任务完成率。可对比原任务集(附件一)说明效果。

    寻求答案

    B104

    \quad\quad 针对问题一,他们为每个任务点都赋予了一些属性:任务偏僻程度、该点任务密度、该点会员密度,并提供了这些属性的计算公式。并且他们认为定价由三部分组成:基础定价(65)、赏金(由任务属性决定)、随机因素定价(天气等原因,实际解题中被忽略)。之后,他们针对所有任务点的价格和任务属性做了一个线性回归,结果非常Amazing啊!在未完成的任务当中,有89%的部分实际定价小于通过回归计算得来的定价,因此得到结论:任务未完成的主要原因是定价偏低。

    \quad\quad 这个第二问、第三问我都没看明白, M s M_s Ms是什么? M L ( V L ) M_L(V_L) ML(VL) M L M_L ML是说的一个量吗? V H V_H VH是全部任务的拟合结果还是已完成任务的拟合结果?没看明白。不知道写的些啥。放弃了。

    B248

    \quad\quad 针对问题一,他们先针对数据进行可视化操作,初步分析了会员、任务及任务完成情况的大致分布(从图中挖掘信息)。之后,他们对数据进行了异常值滤除的操作,并且,对任务区域进行了网格化处理(将原来任务区域分成了50*50个小方格)。然后求出每个小方格的指标(网格用户数量,任务数量、平均用户完成能力、到中心点的距离)。针对任务完成和任务未完成两种情况下分别对指标-价格进行灰色关联度分析,得到两组关联度系数,通过分析两组关联度系数差值来衡量影响(差值越大说明对应指标对于任务完成与否的影响越大)。

    \quad\quad 针对问题二,他们通过定义一个吸引度矩阵,表示任务对于用户的吸引度,并且用户会首先选择吸引度最高的任务。由于不同用户的预定的时间段不同,所有针对用户做一个分时段处理。对于任务而言,若被多个用户选择,则信誉度最高的那个人将执行任务。针对每个任务均设置一个阈值,他们利用附件一的数据,若任务完成则设置阈值为周围用户吸引度的最小值。若任务未完成,则设置该任务的阈值为周围用户吸引度的最大值。之后重新设置定价,重新计算吸引度矩阵,此时,每个任务都对应一个用户,若任务-用户吸引度大于阈值,则判定任务完成,若小于阈值,则判定任务未完成。
    Q:如何重新给定价格呢?
    A:附件一中任务未完成的适当调高价格,任务已完成的适当调低价格。
    Q:如何判定重新定价后任务是否完成呢?
    A:通过利用附件一已有数据针对每个任务设置阈值,若任务-用户吸引度大于阈值,判定任务完成,反之判定任务不完成。

    \quad\quad 针对问题三,他们仅仅针对距离对任务进行了分类,并且设置类别最大任务数,利用多级聚类(第一级将所有任务分成150类,再针对超过最大任务数的类别进行第二级分类),思路与解题初想法的思路几乎一致。他们对于分类之后的任务组位置属性为聚类中心点,价格属性分均值、最大值、最小值三种情况。再代入到问题二中的模型进行求解。最后与问题二中未打包的情况进行一个对比分析。
    Q:各个任务什么情况下会被打包?
    A:任务分布较为密集时,并且类别任务总数是有限制的。
    Q:打包后任务属性该如何设定?
    A:位置为打包后距离中心,价格属性分三种情况分别求解:平均价格、最大价格、最小价格,因此最后的时候也是得到了三个结果。

    \quad\quad 针对问题四,他们非常新颖也很大胆,采用了BP神经网络的方法进行了问题的求解。首先,他们将任务分成了四个区域,之后类似问题三对任务进行打包处理,计算每一项任务(组)到其所属区域中心点的距离。BP神经网络的输入层为:任务经纬度、到所属区域中心点距离;输出层为:任务定价、任务完成情况。并且以问题三的数据作为训练数据,然后将问题四的数据代入到神经网络中得到输出,即为问题结果!

    \quad\quad 这篇论文写的很通透易懂,也被数模官网作为了2017年B的范文。我觉得也很不错,到时候比赛的时候我们也得向这篇文章作者们学习,一定得把论文写明白。

    B264

    \quad\quad 针对问题一,他们认为会员密集程度、任务集中程度、任务难易程度、不同经济地区会员的期望值是影响定价的主要因素,针对前三个论文中分别提出了计算方法,并且给定了价格随三个因素的计算公式。之后针对不同原因进行分析,并且划分了不同区域。

    \quad\quad 针对问题二,他们首先对问题一的模型进行了完善,将地区经济发展情况和会员领取限额考虑在内,构建了新的定价模型,不过他们是直接构建公式,定义也比较简单。然后,他们定义了用户满意度,并且基于用户满意度构造了某一任务是否完成的可能性指标,当这个可能性指标大于阈值时,存在会员可以完成这个任务,否则不被完成。最后一步即为任务与用户的匹配。在这里明确了目标函数:最大的任务完成量,明确了约束条件,并用公式加以描述。最后采用最大流的算法求解模型。
    Q:如何重新给定价格呢?
    A:通过自定义了一个定价模型。实际在编程求解的时候,对定价模型有了修正,选取任务完成率最高的定价方案。
    Q:如何判定重新定价后任务是否完成呢?
    A:构造了一个可能性指标衡量任务是否完成。

    \quad\quad 针对问题三,他们提出了三条打包原则,并且根据三条打包原则提出了相应的公式,重新定义打包后的价格,用户到打包后任务组的距离,以及打包后任务完成的可能性指标。利用问题二中的模型进行求解。
    Q:各个任务什么情况下会被打包?
    A:根据三条原则:距离相近、未完成的任务应尽量与自己距离相近的已完成的任务打包发布、距离相近的价格差比较大的任务应尽量考虑打包发布。并且规定了最大打包数量为5。
    Q:打包后任务属性该如何设定?
    A:打包后价格为平均价格,打包后用户到打包集合的距离为到各个任务点的平均距离。

    \quad\quad 针对问题四,他们舍弃了任务难易程度这个指标,模型同问题三的模型。进行求解,最终得到了每个任务定价以及完成情况。

    小彩蛋——利用pyecharts绘制任务、用户的地理分布

    提示:运行前请将附件一和附件二表格放置于代码的同级目录下。

    from pyecharts import options as opts
    from pyecharts.charts import Geo
    from pyecharts.faker import Faker
    
    import pandas as pd
    import numpy as np
    import random
    
    taskx = []
    tasky = []
    names = []
    
    file = "附件一:已结束项目任务数据.xls"
    df = pd.read_excel(file)
    
    for line in df:
    	if line == "任务号码":
    		for name in df[line]:
    			names.append(name)
    	if line == "任务gps 纬度" or line == "任务gps经度" or line == "任务标价":
    		tmp = []
    		for d in df[line]:
    			tmp.append(d)
    		taskx.append(tmp)
    	if line  == "任务执行情况":
    		for d in df[line]:
    			tasky.append(d)
    
    taskx = np.array(taskx).T
    tasky = np.array(tasky)
    
    pos = []
    file = "附件二:会员信息数据.xlsx"
    df = pd.read_excel(file)
    
    for line in df:
    	if line == "会员编号":
    		for name in df[line]:
    			names.append(name)
    	if line == "会员位置(GPS)":
    		for s in df[line]:
    			pos.append([float(s.split()[1]),float(s.split()[0])])
    
    json_pos = {}
    completed = []
    uncompleted = []
    members = []
    len_x = len(taskx)
    for i in range(len_x):
    	json_pos[names[i]] = [taskx[i,1],taskx[i,0]]
    	if (tasky[i]==1):
    		completed.append([names[i],1])
    	else:
    		uncompleted.append([names[i],0])
    
    for i in range(len(pos)):
    	json_pos[names[len_x+i]] = pos[i]
    	members.append([names[len_x+i],1])
    
    import json
    json_str = json.dumps(json_pos)
    with open('pos.json', 'w') as json_file:
        json_file.write(json_str)
    
    c = (
        Geo(init_opts=opts.InitOpts(width="1800px",height="900px"))
        .add_schema(maptype="广东")
        .add_coordinate_json("pos.json")
        # 颜色部分可能有点bug
        .add("已完成任务", completed,symbol_size = 5,color = "#00BCD4")
        .add("未完成任务", uncompleted,symbol_size = 5,color = "red")
        .add("用户",members,symbol_size=5,color="green")
        .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
        .set_global_opts(
            # visualmap_opts=opts.VisualMapOpts(), 
            title_opts=opts.TitleOpts(title="")
        )
        .render("DistributionMap.html")
    )
    

    利用浏览器打开DistributionMap.html,调整大小截图如下。
    法

    展开全文
  • 2017数学建模B题摘要

    2017-11-26 17:46:00
    刚刚过去的全国大学生数学建模竞赛有参加的吗,大家觉得难度怎么样呢,反正我觉得自己组实力还不够,就当是锻炼自己的能力,分享一下我们的摘要吧! “拍照赚钱”的任务定价 摘 要 在信息化时代,“拍照赚钱”已成为...
  • 2017年全国数学建模比赛赛后感想

    千次阅读 2017-09-18 21:03:58
    2017年高教社杯全国大学生数学建模竞赛题目 (请先阅读“全国大学生数学建模竞赛论文格式规范”)   B题 “拍照赚钱”的任务定价   “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...
  • 数学建模MATLAB必备程序源代码 如:方程求根,随机模拟,统计分析,图形,等 是M文件,用Matlab可以直接运行!
  • 数学建模题目和模型汇总(2000-2019 国赛本科组)

    万次阅读 多人点赞 2020-06-02 13:23:31
    下面是近20年来数学建模国赛的相关信息汇总,只包含本科组题目,其中模型&算法来源于每年的优秀论文中方法或模型,黑体加粗的是多篇论文中提到最多的模型或算法。后面几年的参考论文较少,因此无法列出太多的...
  • 2017年全国大学生数学建模竞赛论文word版,供新手学习排版使用
  • 拍照赚钱APP

    千次阅读 2018-09-17 01:55:09
    当今时代网络的快速发展使得互联网自主服务成为流行趋势,“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。这种基于...
  • Python小白的数学建模课-A1.国赛赛题类型分析

    千次阅读 热门讨论 2021-05-31 09:57:41
    『Python小白的数学建模课 @ Youcans』 带你从数模小白成为国赛达人。 1. 数模竞赛国赛 A题类型分析 年份 题目 要求 方法 2020A 炉温曲线 建立温度模型,计算炉温曲线,确定最大速度 根据传热学方程建立...
  • \space \space\space这段时间参加数学建模比赛一些的感想。 \space\space\space第一次参赛吧,开始是被人拉着入坑的,后来觉得挺有意思的,虽然只是校内选拔赛,但是也学到了许多的东西。 \space\space\space...
  • ( : ( : 赛区评阅编号 由赛区组委会填写 赛区评阅编号 由赛区组委会填写 2017 2017年高教社杯全国大学生数学建模竞赛 年高教社杯全国大学生数学建模竞赛 承诺书 承诺书 我们仔细阅读了全国大学生数学建模竞赛章程和...
  • 2013高教社杯全国大学生数学建模B题附件四答案图片顺序
  • 本题来源于实际问题,要求对“拍照赚钱”项目中的任务进行定价,使得任务对 会员有吸引力而不至于被会员所放弃,特别是那些处在比较偏远位置的任务。 问题 1:在已经结束的项目中研究任务定价规律,分析任务未...
  • 主要是本科生的AB题,不包括大专生的CD题,所以望看清在下,不要浪费积分哦!
  • 2017高教杯数学建模B 题分析

    千次阅读 2017-10-12 21:57:00
    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(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...
  • 自己组建立的模型,希望能给你一些思路,同时也希望大家提出改进建议
  • 2017年全国数学建模比赛B题论文,主要应用工具为MATLAB、SPASS、数据库等数值分析、数据分析软件
  • 最后一天了,忍痛割爱,上面的方法如果加上数据,基本上就可以解决了!大家选一种就可以,有很多种方法!
  • 对2017年B题“拍照赚钱的任务定价”7篇优秀论文进行了学习总结(包括论文思路、方法、启发及亮点)
  • DVD租借方案:对DVD租借问题抽象简化,采用线性规划与递归算法对DVD分配进化
  • 【学习网址:MOOC---郑州轻工业大学---数学建模与实验】数学建模专栏 【第1、2章】【概述、软件介绍】 【第3章】【数据处理方法】 【第4章】【规划模型】 【第5章】【图与网络模型】 【第6章】【微分方程模型】 【第...

空空如也

空空如也

1 2 3 4
收藏数 61
精华内容 24
关键字:

拍照赚钱数学建模