基于主成分多元回歸的APP 任務(wù)分派模型

苗艷麗 張志剛 西安財經(jīng)大學(xué) 信息學(xué)院

1 概述

傳統(tǒng)模式下，市場監(jiān)查調(diào)研等工作依賴于大量的專職人員，不僅耗時耗力還消耗大量的資源。隨著移動互聯(lián)網(wǎng)的發(fā)展，在越來越多的商業(yè)應(yīng)用中，消費(fèi)者的力量越來越突顯，逐漸形成“移動互聯(lián)網(wǎng)+眾包”的新模式?！芭恼召嶅X”就是“移動互聯(lián)網(wǎng)+眾包”的一種形式，用戶通過下載APP，注冊成為會員，從APP上領(lǐng)取并完成發(fā)布出來的拍照任務(wù)，從而賺取任務(wù)相應(yīng)的酬金。這不僅發(fā)揮了群眾的創(chuàng)造性和能動性，也為解決零售行業(yè)市場監(jiān)查調(diào)研等問題提供了一套專業(yè)、高效、低成本的解決方案?！叭蝿?wù)定價”是該模式的核心要素。如果定價過高，企業(yè)的成本就會加大，如果定價過低，任務(wù)就會無人問津，而導(dǎo)致商品檢查的失敗。在實(shí)際情況中，也會因?yàn)槿蝿?wù)位置是否集中，導(dǎo)致用戶是否選擇去完成。為此本文研究新模式下的任務(wù)定價與打包問題。

2 逐步多元回歸模型

首先，從已完成的任務(wù)與會員信息中隨機(jī)選擇200 個樣本，進(jìn)行整合處理，選取任務(wù)緯度、任務(wù)經(jīng)度、會員緯度、會員經(jīng)度、預(yù)定限額、信譽(yù)值六個因素做為自變量，對這些數(shù)據(jù)進(jìn)行KMO 檢驗(yàn)和Bartlett球形檢驗(yàn)，KMO 值為0.503 較接近1，Bartlett 球形檢驗(yàn)中的Sig.的值小于0.001，表明適合進(jìn)行因子分析[3]。在表1 的初始特征值中，最大的數(shù)值是1.79，后面依次1.534、 1.264，這3 個主成份能夠代表原始數(shù)據(jù)的大部分信息，具有較強(qiáng)的解釋力度。根據(jù)各個成分的累積方差貢獻(xiàn)率，可以得到前3 個主成份的特征值均大于1累積方差貢獻(xiàn)率達(dá)到76.468%，這說明前3 個主成份因子提供了原始數(shù)據(jù)的足夠信息，能夠很好的代替原始數(shù)據(jù)，因子分析結(jié)果是比較理想的。

表 1 解釋的總方差

再用初始因子載荷矩陣進(jìn)一步分析涵蓋的原始指標(biāo)具體包含哪些指標(biāo)，并將 3 個主成份用各個因子線性方式表示出來，如公式(1)、(2)、(3) 所示。

設(shè)逐步回歸方程為公式(4)。

選取隨機(jī)抽取的兩百行數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，借助SPSS 軟件對a1、a2、a3、a4的值進(jìn)行估計，R2=0.714 擬合效果達(dá)到預(yù)期要求。計算得到參數(shù)a1=1.732、 a2=1.253、 a3=-0.758、a4=0.356。所以，任務(wù)定價與會員GPS，任務(wù)GPS、信譽(yù)值和任務(wù)限定額數(shù)之間的關(guān)系為公式(5)。

3 層次分析模型

對于任務(wù)打包問題，考慮到多個任務(wù)間的集中性，選用層次聚類法，將最短距離法作為類間距離的標(biāo)準(zhǔn)方法，其中距離表示為任務(wù)之間的地理距離。模型將任務(wù)按照各自間相關(guān)性分為六類，即將屬性相同的任務(wù)打包在一塊，然后單獨(dú)作為一個“任務(wù)”發(fā)布出去。首先，做出不同定價下的任務(wù)完成率，可知不打包任務(wù)的完成率隨著任務(wù)定價的降低而降低。我們在收集到的已完成任務(wù)中隨機(jī)選取了20 組樣本，用來進(jìn)行聚類分析處理，結(jié)果將其分為六類任務(wù)，然后通過利用選取樣本和總體樣本的比例，來對整個樣本的任務(wù)類別分布進(jìn)行預(yù)測。利用MATLAB 得出其結(jié)果，在選取的樣本中，第一類到第六類任務(wù)占比分別是1/4，3/20，1/5，3/10，1/20，1/20。如果利用聚類分析將任務(wù)進(jìn)行分類 ，并按照任務(wù)的類別進(jìn)行打包處理，各類任務(wù)的完成率與原樣本任務(wù)完成率相比，有了明顯提高。

具體解決方案如下：首先，根據(jù)公式（5）計算得到各任務(wù)的定價，再將得到的數(shù)據(jù)進(jìn)行任務(wù)打包?？紤]到這是多個自變量影響一個因變量的情況，所以這之間的關(guān)系可以借鑒逐步回歸模型，建立模型(6)。

再結(jié)合打包策略，我們將任務(wù)分為六類，通過會員位置與任務(wù)位置的關(guān)系，取每類中會員預(yù)定任務(wù)限額和信譽(yù)值的平均值作為分類標(biāo)準(zhǔn)，確定不同類包中任務(wù)的個數(shù)及任務(wù)位置，如表9。給包編號，例如D1001 等，以便發(fā)布信息。

4 總結(jié)

本方案考慮了自變量之間的優(yōu)先級，將最優(yōu)因素篩選出來，有效地結(jié)合了主成分分析法與逐步回歸分析法對自變量之間進(jìn)行區(qū)分，引入新的主成分后，使模型更加簡潔有效。再基于樣本的相關(guān)性，對它們進(jìn)行了分類處理，這有利于增強(qiáng)、方便結(jié)果的準(zhǔn)確性和后續(xù)的優(yōu)化工作。通過分城市分析更具有針對性，可以制定出更適合的方案。本模型不僅適用于“拍照賺錢”APP，還可以廣泛應(yīng)用于其他勞務(wù)眾包平臺。