4.4问题2的模型建立与求解

通过问题一中分析任务没有被完成的原因可以得知，任务没有被完成的原因并不是因为地点过于偏远，周围没有会员，事实刚好相反，任务没有被完成的区域大多集中在会员密度比较高的城市中心，以深圳最为明显。我们希望重新设计定价方案使得那些没有被完成的任务能够获得更高的价格，但是针对那些已经被完成的任务，就不需要再对价格进行增幅。

我们开始将地区的因素纳入到任务的定价之中，以一个地区的任务完成率来表示，

定义为这个地区中完成的任务数目除以没有被完成的任务数目。

根据这个模型，我们得到的新的任务定价在附件之中，通过与原来任务定价的对比可以得到，新的任务定价使得深圳市中心的任务定价得到了提升，鼓励了会员完成任务的积极性，佛山市和广州市中心的价格也得到了一定程度的提升，于此同时，那些任务完成率比较高的地区的价格并没有得到什么提升，一定程度上节省了成本。

4.5问题3的模型建立与求解

问题3要求将任务联合在一起打包发布，于是采用聚类算法将集中在一起的任务打包发布出去。在进行聚类划分之前我们需要考察一下将任务分成几类，单独观测图像很难观察出来，于是我们统计了会员的任务限额的情况，如图x，可知68%的会员的限额低于5，如果每个任务包的容量过大，那么很容易导致大多数任务包无法被会员领取，大大降低任务完成度。

在对任务进行了划分之后，我们开始研究任务的定价方案，参考问题一的模型，我们假定 p只与 此背包中任务的个数 和 周围满足任务限额要求的会员密度有关 , 而且这种关系在一定的范围内有确定的解析表达式 , 我们想找出这个函数关系 f .

由于实行了任务联合在一起打包发布的方法，能够缩减任务的总量且任务定价较为合理，能有效解决用户争抢的情况，且由于任务发布量减少，会员一次性获得的任务量提高，能有效促进会员完成任务的积极性，一定程度上提高了任务完成度。

4.6问题4的模型建立与求解

我们通过将附件三中的任务坐标标注在地图中并且以黄色来显示，我们发现这次的任务集中在三个区域，广州市市区天河区海珠区和白云区，深圳宝安区和深圳的龙岗区。

通过查阅资料可以得知深圳市得宝安区和龙岗区是深圳市的经济欠发达地区，但是广州市的任务分布在天河区海珠区和白云区是广州市的经济发达地区，且分布位置比较集中，导致用户会争相选择，所以我们要给这些区域定价的话，我们就可以使用我们的模型三，将这些任务联合在一起打包发布，并计算出任务的定价。

经多次试验，我们将2066个任务分成500个聚落，聚落内任务量如表x，

模型效果的评价：由于附件三中的新任务向比较之前的任务更加密集分布，采取任务打包的方式会取得比之前的任务更加良好的效果，任务的完成度会大大增加,且会避免争抢任务的现象。

五．模型评价，改进与推广

5.1模型评价

我们在分析会员信息时去掉了信用值极低的会员，排除了他们对任务完成情况的影响，使模型更加简洁。通过参考已有的任务信息和完成情况来建立新的定价模型，我们的定价模型能够很好的适应经济发展情况不同的各个地区，实现个性化的定价。

但是对于一个从未发布过任务，缺少任务数据和经验的区域，无法制定出适合当地实际情况的定价方案。因此我们的模型局限性较大。同时我们忽略了会员完成任务的主观因素和完成任务过程中的不可抗因素的干扰，但基于实际情况考虑，这样会产生一些误差。

5.2 模型改进

面对一个从未发布过任务的区域所带来的数据缺少问题，我们考虑的改进策略是在任务发布前通过网络调查问卷来调查当地的经济发展水平，当地居民收入水平，对完成任务积极性的高低以及潜在的会员数量等数据，从而帮助我们预测出是否在该地区对定价方案进行调整。

同时，我们通过查阅资料，发现借鉴uber公司的动态定价策略可以完善模型，即新的额的定价在不同时间会根据人们的需求而呈现上升趋势，从而有助于进一步提高任务的被完成概率。

5.3模型推广

现实之中很多的商品或者服务都是动态定价的，比如菜市场的蔬菜，商场里的东西，酒店的宾馆，这些商品或者服务的定价会随时间的改变，人们的需求及价格预期值的改变而改变。我们的模型经过简单的修改即可以给出很好的建议。   

分享让更多人看到