《数学建模论文.doc》由会员分享，可在线阅读，更多相关《数学建模论文.doc（15页珍藏版）》请在三一办公上搜索。
1、-拍照赚钱的任务定价摘要小四宋体关键词：支持向量机 主成分分析1.问题重述拍照赚钱是用户下载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的过程。APP成为该平台运行的核心，而APP中的任务定价又是其核心因素。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。此题给出一：已完毕工程的任务数据；二:会员信息数据：三：新工程任务数据(只有任务的位置信息)。1. 研究1中的工程，任务定价规律，分析任务的未完成原因。2. 为1中的工程设计新的任务定价方案，和原方案进展比较。3. 实际情况时，多个任务可能因为位置较为集中，导致用户会争相选择，一种考
2、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，对最终任务完成的情况有什么影响.4. 对三中的新工程给出自己的任务定价方案，并评价该方案的实施效果。2. 根本假设123453. 符号说明序号符号符号说明1*1维度2*2经度3*3任务标价4*4任务完成情况5Q1原方案本钱6Q2新方案本钱789104问题1的模型建立、求解4.1 问题分析对于问题一，我们主要研究了一中的四项数据任务gps维度、任务gps经度、任务标价、任务执行情况。通过初步观察任务的gps经纬度都和任务标价、任务执行情况相关，为了进展详细分析，我们采用了主成分回归分析法。4.2 模型准备主成分分析的目的主要
3、是用较少的变量转化成彼此相互独立或不相关的变量，通常是选出比原始变量个数少，能解释大局部资料中的变异的几个新变量，即所谓主成分，并用以解释资料的综合性指标。由此可见，主成分分析实际上是一种降维方法。主成分分析的结果受量纲的影响，如果改变量纲，则会由于各变量的单位可能不同而导致结果不一样，而回归分析是不存在这样的情况的，所以可以先把各变量的数据标准化，使用相关系数矩阵进展分析。我们使用主成分回归分析，是为了抑制最小二乘LS估计在数据矩阵中存在多重共线性时表现出的不稳定性。我们选择其中一局部重要的主成分作为新的自变量，丢弃了一局部影想不大的自变量，实际上到达了降维的目的，然后用最小二乘法对选取主成
4、分后的模型参数进展估计，最后再变成原来的模型求出参数的估计。4.3 模型建立与求解4.3.1：数据的初步处理 由于一所给数据量纲不同，且数值差过大，我们对该数据进展了统一处理，处理如下下表只显示局部处理数据，详细请看支撑材料：表1一局部数据任务任务gps 纬度任务gps经度任务标价任务执行情况A000122.56614113.9808660A000222.68621113.940565.50A000322.57651113.957265.51A000422.56484114.2446750A000522.55889113.950765.50A000622.559114.2413750使用E*c
5、el求得任务经纬度和任务标价平均值后，分别除以所有该工程数据，得到如下局部结果：表二 一处理后数据任务任务gps 纬度任务gps经度任务标价任务执行情况A00010.9818819961.0039047610.954989604 0A00020.9871060931.003549710.9477548340A00030.982333191.0036965580.9477548341A00040.9818253691.0062276441.0852154590A00050.9815663431.0036395260.9477548340A00060.9815711871.0061989861.0
6、852154590平均值22.98254238119.537538569.1107784.3.2主成分分析回归模型4.3.2.1 完成情况*4分析首先我们利用Matlab软件求出任务gps维度*1，任务gps经度*2，任务标价*3的相关系数矩阵r和矩阵的特征值则大,特征向量n，特征值奉献率表3 *1，*2，*3相关系数矩阵*1*2*3*11.0000-0.52060.0855*2-0.52061.0000-0.0597*30.0855-0.05971.0000相关系数矩阵的三个特征值依次为nameda1.54010.98110.4787特征向量0.6969,-0.6924,0.1868 -0.
7、1069,0.1573,0.9817 0.7091,0.7042，-0.0357各个特征值的奉献率51.337632.704415.9581前两个特征值的和所占比例累积奉献率到达：51.3376+32.7044，由此略去第三个成分。保存前两个成分特征值对应的两个特征方程为：Z1=*1+*2+*3Z2=*1+*2+*3对1处理后的数据直接做线性回归得经历回归方程得：y=-20.056232+10.673738*1+8.624116*2+1.383294*3作主成分回归分析，得到回归方程Y=【0.1580,0.1672】【z1，z2】化成标准化变量的回归方程为Y=0.0922-0.08310.19
8、36*1 *2 *3恢复到原始的自变量，得到主成分回归方程：y=7.246556+4.192986*1-12.250940*2+1.436457*3由上可得，任务完成情况的好坏与维度和任务标价成正比关系，与经度成反比关系，且经纬度*1,*2 前的系数明显大于定价*3前的系数，由此，经度越高，维度越低的任务完成情况越好，定价将略微影响任务的完成情况，定价越高完成情况越好4.3.2.2任务标价*3分析与完成情况分析相仿求出相关系数矩阵r与矩阵的特征值则大表4 *1，*2，*4相关系数矩阵r*1*2*4*11.0000-0.52060.2202*2-0.52061.0000-0.0749*40.22
9、02-0.07491.0000特征值1.59500.94670.4583特征向量0.6876-0.64390.3356-0.0935 0.37980.92030.72000.6642-0.2009各个特征值的奉献率53.166031.557715.2763前两个特征值的和所占比例累积奉献率到达：53.1660+31.5577，由此略去第三个成分。保存前两个成分特征值对应的两个特征方程为：Z1=*1+*2+*3Z2=*1+*2+*3对1处理后的数据直接做线性回归得经历回归方程y=1.449027+0.160356*1-0.625815*2+0.026279*3作主成分回归分析，得到回归方程Y=0
10、.1037 0.1650z1 z2化成标准化变量的回归方程为Y=0.0559 -0.00410.1867 *1 *2 *3恢复到原始的自变量，得到主成分回归方程y=0.723047+0.342375*1-0.081159*2+0.025162*3 由上可得，任务的定价与维度和任务标价成正比关系，与经度成反比关系，且经纬度*1,*2 前的系数明显大于任务的完成情况*4前的系数，由此，经度越高，维度越低的任务定价越高，任务的完成情况略微影响任务定价。4.3.2.3模型的初步检验由以上两个主成分回归分析方程可得，高定价的情况下，任务的完成情况较好。我们做出任务完成和任务未完成的标价与地理位置任务gp
11、s经纬度散点图：图3 标价与地理位置散点图任务完成图4标价与地理位置散点图任务未完成其中在高标价段，任务完成的个数明显较未完成的个数多，由此可见主成分回归方程可信度较高。由上可得任务定价规律：在经度高，的地区，定价较高；在经度低，维度高的地区，定价较低。未完成的原因：与定价规律相似，在经度高，维度低的地区，完成度较高；在经度低，维度高的地区，完成度较低。结合定价规律可得，未完成的原因是由于在该地区的定价稍微偏低引起的。 5. 问题2的模型建立、求解5.1 问题分析与求解为一中的工程设计新的任务定价方案，并和原方案进展比较。由第一问可得任务定价与任务完成情况之间关系不大，但两者都与任务的经纬度有
12、关也就是与任务的地理位置有关，当任务地理位置的纬度高经度低时，任务的完成度和任务的定价都较高，这种安排很不合理。由此我们得出新的任务定价方案，在纬度高经度低时任务完成度情况好，降低定价；在纬度底经度高时任务完情况不好，提高定价。该方案的与原方案比较（1） 完成情况不好的地方通过提高定价，刺激该地区人群尽力完成任务（2） 完成情况好的地方通过降低定价，舒缓该地区的竞争。（3） 通过降低完成情况较好的地方的任务定价，可同时降低公司总的支出金额需要付给用户的总金额如下计算原方案和新方案公司的支出金额：方案的总支出金额=任务定价*任务完成情况详细计算可见支撑材料fujian1.*ls原方案Q1=sei
13、gema*3*4=36446新方案：我们将维度大于平均值，经度小于平均值的地区任务提高5元，把维度小于平均值，经度大于平均值的地区任务定价降低5元，而后计算支出总金额Q2=(11)7298.5+(10)5943+(00)5173.5+(01)10631=29046Q20fprintf(+%f*%d,hg1(i),i-1);elsefprintf(%f*%d,hg1(i),i-1)endendfprintf(n)r=corrcoef(*0)*d=zscore(*0);yd=zscore(y0)vecl,lamda,rate=pcacov(r)f=repmat(sign(sum(vecl),siz
14、e(vecl,1),1);vec2=vecl.*fcontr=cumsum(rate)df=*d*vec2;num=input(请选项主成分的个数：)hg21=df(:,1:num)ydhg22=vec2(:,1:num)*hg21hg23=mean(y0)-std(y0)*mean(*0)./std(*0)*hg22,std(y0)*hg22./std(*0)fprintf(y=%f,hg23(1);fori=2:nifhg23(i)0fprintf(+%f*%d,hg23(i),i-1)elsefprintf(%f*%d,hg23(i),i-1);endendfprintf(n)rmse1
15、=sqrt(sum(hg1(1)+*0*hg1(2:end)-y0).2)/(m-n)rmse2=sqrt(sum(hg23(1)+*0*hg23(2:end)-y0).2)/(m-num)附录2 问题3任务分类打包a0=load(fenlei,t*t);a=a0;b0=a(:,1:27);dd0=a(:,28:end);b,ps=mapstd(b0);dd=mapstd(apply,dd0,ps);group=ones(20,1);2*one(7,1);s=svmtrain(b,group)sv_inde*=s.SupportVectorIndicesbeta=s.Alphabb=s.Biasmean_and_std_trans=s.ScaleDatacheck=svmclassify(s,b)err_rate=1-sum(group=check)/length(group)solution=svmclassify(s,dd)附录3附录4. z.
