一种基于人工神经网络模型的任务定价分析方法及系统与流程

1.本发明公开一种基于人工神经网络模型的任务定价分析方法及系统，涉及机器学习技术领域。


背景技术：

2.随着现代信息科学与技术的飞速发展，更进一步推动了人工神经网络的研究。人工神经网络(artificial neural network，即ann)是由大量简单的基本元件——神经元互相连接，通过模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂神经网络模型。神经网络的优点是多输入多输出实现了数据的并行处理和自学能力。而bp网络是一种多层前馈神经网络，当一对学习样本提供给输入神经元后，神经元的激活值(该层神经元的输出值)从输入层经过各隐含层向输入层传播，在输入层的各神经元获得网络的输入响应，然后按照减少网络输入与实际输出样本之间误差的方向，从输入层反向经过各隐含层回到输入层，从而逐步修正各连接权值，这种算法称为“误差反向传播算法”，即bp算法。
3.在当今大数据时代，传统的产品铺货率调查弊端越来越显著，“拍照赚钱”这种智能手机和移动互联网下的自助式服务模式应运而生。用户通过app系统下载相应的应用软件，注册会员，领取需要拍照的任务并赚取相应酬金。这种方式为企业提供各种商业检查和信息搜集，且助力于o2o大潮中的数据采集和产品推广，相比于传统的市场调研方式可以大大节省调查成本，有效地保证了调查数据的真实性，因此app成为该平台运行的核心，而app中的任务定价又是核心要素，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。
4.故现提出一种基于人工神经网络模型的任务定价分析方法及系统，以解决上述问题。


技术实现要素：

5.本发明针对现有技术的问题，提供一种基于人工神经网络模型的任务定价分析方法及系统，所采用的技术方案为：一种基于人工神经网络模型的任务定价分析方法，所述的方法基于bp神经网络模型解决注册会员的数量密集地区中的任务完成情况，通过公式(1-1)对数据模拟仿真以及相关性检测，并提供分析模型结果及在任务方圆0.1经纬度范围内会员坐标与任务的分布规律。
6.所述任务完成情况具体包括：
7.利用bp神经网络模型计算在任务附近的会员的数量；
8.利用bp神经网络模型计算在任务附近的会员的信誉值之和；
9.利用bp神经网络模型计算在任务的定价价格。
10.所述模拟仿真具体包括：
11.利用matlab仿真模拟；
12.利用神经网络模型对数据进行模拟。
13.所述相关性检测具体为挖掘经纬度和会员位置关系。
14.一种基于人工神经网络模型的任务定价分析方法系统，所述的系统具体包括：
15.任务处理模块：基于bp神经网络模型解决注册会员的数量密集地区中的任务完成情况；
16.仿真分析模块：通过公式(1-1)对数据模拟仿真以及相关性检测，并提供分析模型结果及在任务方圆0.1经纬度范围内会员坐标与任务的分布规律。
17.所述任务处理模块的任务完成情况具体包括：
18.利用bp神经网络模型计算在任务附近的会员的数量；
19.利用bp神经网络模型计算在任务附近的会员的信誉值之和；
20.利用bp神经网络模型计算在任务的定价价格。
21.所述任务处理模块的模拟仿真具体包括：
22.利用matlab仿真模拟；
23.利用神经网络模型对数据进行模拟。
24.所述仿真分析模块的相关性检测具体为挖掘经纬度和会员位置关系。
25.本发明的有益效果为：本发明方法运用bp神经网络模型可以充分利用会员与任务的定价及分布关系，可以获取到模型预测的任务定价的重点信息，确保了模型的可操作性，使算法更接近于实际应用；
26.应用公式(1-1)对模拟对象进行仿真及相关性检测，通过分析拟合数据的变化趋势以及散点图的拟合程度，能够使结果更加清晰、直观；
27.在算法应用上，通过对模型的推导方法以符合本项目的模型要求，使建立的模型具有很强的鲁棒性。
附图说明
28.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
29.图1是本发明方法实施例的流程图；图2是本发明方法实施例中会员与任务的坐标分布图；图3是本发明方法实施例中神经网络预测结果图；图4是本发明方法实施例中matlab相关系数检测图。
具体实施方式
30.下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
31.实施例一：
32.本发明研究人流密集时任务的定价规律，综合考虑会员与任务的分布、会员信誉值等因素，希望可以设置任务方圆经纬度范围，并进行数据拟合，再将拟合结果与定价数据相比较，判断拟合度从而得出结论；流程图如图1所示；本发明提供的技术方法实现如下：
33.一种基于人工神经网络模型的任务定价分析方法，所述的方法基于bp神经网络模型解决注册会员的数量密集地区中的任务完成情况，通过公式(1-1)对数据模拟仿真以及相关性检测，并提供分析模型结果及在任务方圆0.1经纬度范围内会员坐标与任务的分布规律；
34.进一步的，所述任务完成情况具体包括：
35.利用bp神经网络模型计算在任务附近的会员的数量；
36.利用bp神经网络模型计算在任务附近的会员的信誉值之和；
37.利用bp神经网络模型计算在任务的定价价格；
38.进一步的，所述模拟仿真具体包括：
39.利用matlab仿真模拟；
40.利用神经网络模型对数据进行模拟；
41.进一步的，所述相关性检测具体为挖掘经纬度和会员位置关系；
42.本发明遍历第i项任务到第j名会员之间的距离dis
(i,j)
，并通过会员与任务的分布，经过任务方圆的经纬度范围内的会员数amni和会员的信誉值之和ambi，将得到的amni和ambi两个数组作为神经网络的输入，将任务的价格作为神经网络的输出，建立起二输入，一个隐含层，单输出的bp神经网络模型
43.发现第j名会员的开始接受任务时间mtj和接受任务限额mnj共同受会员的信誉值mbj影响，即mbj＝f(mtj,mnj)，本项目考虑到这两个因素对定价的影响并不直接，为了简化模型，不考虑mtj和mnj，本项目有理由假设任务的定价与任务附近的会员数量及会员的信誉mbj存在着密切联系；
44.本项目设置任务方圆0.1经纬度范围内的会员作为模拟对象，进行数据拟合仿真，会员与任务坐标分布的拟合价格曲面函数关系式如公式(1-1)所示：
[0045][0046]
其中simy为任务标价，x1为第i项任务附近0.1经纬度范围内会员个数，x2为第i项任务附近0.1经纬度范围内会员信誉总和(x1，x2可通过坐标变换转化为经纬度)；
[0047]
本项目通过公式(1-1)的实用性对训练结果进行了验证分析，通过对数据的训练以及反复迭代，将训练次数epochs设定为1000，系统的学习速率设置为0.2，训练目标的最小误差设置为0.00001，会员与任务坐标分布图以及预测结果分别如图2、图3所示；
[0048]
图中灰色点为数据源app中对各项任务的实际定价情况，黑点为根据设置任务方圆0.1经纬度范围内的会员数量以及会员信誉值、任务分布状况，通过神经网络的训练综合预测出的任务定价情况，彩色曲面为黑点的分布拟合曲面；根据图像呈现结果，通过模型预测的任务定价与数据源app的任务定价重叠度很高；
[0049]
本发明研究上述bp神经网络算法基于公式(1-1)得出的结果进行数据相关性检测，如图4所示；
[0050]
图4中，四张图片分别为训练相关系数，验证相关系数，测试相关系数，以及总相关系数，取值r均在0.8左右(越接近1相关度越高)，说明结果具有很高的相关度，进一步的印证本项目的可行性；
[0051]
本发明方法运用bp神经网络模型可以充分利用会员与任务的定价及分布关系，可以获取到模型预测的任务定价的重点信息，确保了模型的可操作性，使算法更接近于实际应用；
[0052]
应用公式(1-1)对模拟对象进行仿真及相关性检测，通过分析拟合数据的变化趋势以及散点图的拟合程度，能够使结果更加清晰、直观；
[0053]
在算法应用上，通过对模型的推导方法以符合本项目的模型要求，使建立的模型具有很强的鲁棒性。
[0054]
实施例二：
[0055]
一种基于人工神经网络模型的任务定价分析方法系统，所述的系统具体包括：
[0056]
任务处理模块：基于bp神经网络模型解决注册会员的数量密集地区中的任务完成情况；
[0057]
仿真分析模块：通过公式(1-1)对数据模拟仿真以及相关性检测，并提供分析模型结果及在任务方圆0.1经纬度范围内会员坐标与任务的分布规律；
[0058]
进一步的，所述任务处理模块的任务完成情况具体包括：
[0059]
利用bp神经网络模型计算在任务附近的会员的数量；
[0060]
利用bp神经网络模型计算在任务附近的会员的信誉值之和；
[0061]
利用bp神经网络模型计算在任务的定价价格；
[0062]
进一步的，所述任务处理模块的模拟仿真具体包括：
[0063]
利用matlab仿真模拟；
[0064]
利用神经网络模型对数据进行模拟；
[0065]
再进一步的，所述仿真分析模块的相关性检测具体为挖掘经纬度和会员位置关系。
[0066]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。