一种基于工人忠诚度的空间众包任务分配方法组成比例

本发明专利技术公开了一种基于工人忠诚度的空间众包任务分配方法，包括建立忠诚度预测模型使用了三路Prophet算法预测工人的绩效数据，又使用熵权法进行加权得到每个工人的忠诚度，接着使用不同长度的历史数据预测得到工人的短期和长期忠诚度，最后通过全连接层动态输出得到每个工人的忠诚度，随后，根据忠诚度分数和任务奖励的最佳权值匹配算法和结合度递减算法的少数优先分配算法，提高了空间众包中任务分配的效率和有效性，并极大地提升了高忠诚度工人在空间众包问题中的体验，从而达到激励和鼓励工人的目的。鼓励工人的目的。鼓励工人的目的。

【技术实现步骤摘要】
一种基于工人忠诚度的空间众包任务分配方法


[0001]本专利技术涉及空间众包任务分配
，具体地讲，是涉及一种基于工人忠诚度的空间众包任务分配方法。

技术介绍

[0002]随着在线数字平台的快速发展，空间众包(SC)通过提供新的选择来执行城市规划、物流配送和交通出行，极大地改变了人们的生活方式。在SC中，任务发布者向SC服务器发布空间任务(例如，同城急送和食品订单配送)，将这些空间任务分配给在线工作者。接受任务后，工作人员将在截止日期前移动到指定位置以完成任务。一些研究调查了SC供应链的应用，并探索了各种任务分配方法。例如两种调度算法，贪婪调度(GD)和平衡调度(BD)，以实现车辆共享的高效车队管理。还有一项研究调查了任务分配期间泄露个人隐私的问题，并提出了一种深度强化学习和区块链授权的空间众包系统，该系统可以在各种软件定义的网络场景下获得高吞吐量、低开销和数据隐私。
[0003]然而，现有研究主要集中在工人和任务的时空可用性上。他们不考虑员工忠诚度，忠诚度反映了员工在SC服务提供商处的生产力和可靠性。这是包括SC平台在内的企业追求的最高目标之一。随着追求忠诚度作为一项战略业务目标的重要性日益凸显，用户/员工忠诚度的构建在营销文献和商业实践中越来越突出。考虑到SC平台需要大量员工来执行任务，员工忠诚度是SC平台中的一个关键因素，它确保了员工的高度持续参与和工作满意度。员工忠诚度决定了员工的绩效，高忠诚度将极大地激发员工的创造力，使员工能够充分发挥其潜在能力，创造更大的价值。员工忠诚度还可以降低平台的更换成本。当员工忠诚度降低时，员工会对其服务的平台不满意，从而导致员工流失。该平台将支付更高的成本，以填补工人离职的缺口。因此，在设计SC应用程序时，需要将员工忠诚度视为高优先级，以确保SC平台的稳定运行和员工的参与。最近的研究已经做出了许多努力来分析和计算用户忠诚度。例如，有一种机器学习方法来揭示用户忠诚行为与用户关系管理之间的关系，从而改善用户流失现象。有项研究开发出一个偏最小二乘结构方程模型(PLS
‑
SEM)，只需少量样本数据即可实现隐变量的多重建模。PLS
‑
SEM还可以从整体上分析各个指标的作用以及各个指标之间的关系。因此，它为客户忠诚度指标提供了准确的参考。
[0004]传统上，用户/员工忠诚度计算依赖于大量的业务数据，每个用户的数据都是海量的、多元的。但在SC供应链中，工人的数据是稀疏的、单变量的，不能很好地反映SC中工人的特点。其次，以往的研究仅基于员工现有的历史行为数据计算员工忠诚度，无法动态捕捉最新的员工忠诚度，而在SC供应链中，员工忠诚度变化很快，取决于员工的收入和对SC平台的满意度。总的来说，于数据的稀疏性、时空特征，以及在SC应用中缺乏明确的员工忠诚度定义和标准，上述仅总比分接概括个人历史行为的方法并不能代表员工未来的忠诚度，因此不能直接反映员工忠诚度并应用于预测SC中工人的忠诚度。

技术实现思路

[0005]针对上述现有技术中存在的上述问题，本专利技术提供一种基于工人忠诚度的空间众包任务分配方法，基于连续时间序列的历史数据在空间众包问题在红预测工人忠诚度，并基于工人忠诚度预测结果实现任务分配的最高总回报并减少计算时间。
[0006]为了实现上述目的，本专利技术采用的技术方案如下：
[0007]一种基于工人忠诚度的空间众包任务分配方法，包括以下步骤：
[0008]S10、根据作为连续时间序列数据的工人历史任务绩效数据，采用三路Prophet模型分别预测工人的三个绩效数据，该三个绩效数据为工人每日的任务完成数量、任务完成率和任务完成评价得分；
[0009]S20、采用熵权法评估预测得到的工人的三个绩效数据，并结合不同时间长度的工人历史任务绩效数据，获得工人的短期忠诚度和长期忠诚度；
[0010]S30、将短期忠诚度和长期忠诚度并联作为输入，通过一个全连接神经网络层，输出预测的工人忠诚度分数，获得工人忠诚度分数集；
[0011]S40、建立工人与任务的二部图，根据工人忠诚度分数和任务奖励确定边集权重，采用最佳权值匹配算法，利用一个递归地为工人寻找可匹配的任务的FindTask函数，将满足条件的任务分配给相应的工人，其中任务的满足条件为二部图中两个顶点相关联的边的权重与工人和任务的期望值之和的差值为零，工人和任务的期望值为与其关联的边中的最大权重值。
[0012]具体地，所述步骤S10中采用的Prophet模型表示为：
[0013]y(t)＝g(t)+s(t)+h(t)+∈
t
[0014]式中，t表示时间，以一天作为单位，g(t)表示对时间序列中的非周期性变化进行建模的趋势函数，s(t)表示周期性变化函数，h(t)表示假期影响函数，∈
t
为噪声项，表示模型无法拟合的任何特殊变化。
[0015]其中，所述趋势函数g(t)表示为：
[0016][0017]g(t)＝(k+a(t)
T
δ)t+(m+a(t)
Tγ
)
[0018]式中，k表示基本增长率，δ表示增长率的变化量，m表示偏移参数，a(t)为包含了所有变点的一般表达式，变点为与基本增长率k变化相对应的点，a
j
(t)表示对第j个变点的时间t
j
是否发生在时刻t之前的判断，γ表示使函数连续的参数；
[0019]所述周期性变化函数s(t)表示为：
[0020][0021]s(t)＝X(t)β
[0022]式中，X(t)表示基于傅里叶级数的周期性乘积模型，β～Normal(0,σ2)，服从正态分布；
[0023]所述假期影响函数h(t)表示为：
[0024]Z(t)＝[1(t∈D1),
…
,1(t∈D
L
)][0025]h(t)＝Z(t)κ
[0026]式中，D
i
,i＝1,2,
…
L表示记录重复的假期和重要事件的集合，L为指定时间段内假期和重要事件的数量，并为每个假期和重要事件分配一个参数κ
i
，κ～Normal(0,ν2)，服从正态分布。
[0027]具体地，所述步骤S20中根据工人每日的任务完成数量、任务完成率和任务完成评价得分这三个绩效数据，采用熵权法计算每个工人的权重的过程为：
[0028]设定每个工人w
i
都有一个特征集P{w
i
}＝{p
i1
,p
i2
,p
i3
}，其中p
ij
,j＝1,2,3分别表示工人的三个绩效数据；
[0029]采用公式对绩效数据进行归一化处理；
[0030]采用公式计算工人w
i
的第j个绩效数据的比重y
ij
，m表示工人总数；
[0031]采用公式计算第j个绩效数据的信息熵e
...

【技术保护点】

【技术特征摘要】
1.一种基于工人忠诚度的空间众包任务分配方法，其特征在于，包括以下步骤：S10、根据作为连续时间序列数据的工人历史任务绩效数据，采用三路Prophet模型分别预测工人的三个绩效数据，该三个绩效数据为工人每日的任务完成数量、任务完成率和任务完成评价得分；S20、采用熵权法评估预测得到的工人的三个绩效数据，并结合不同时间长度的工人历史任务绩效数据，获得工人的短期忠诚度和长期忠诚度；S30、将短期忠诚度和长期忠诚度并联作为输入，通过一个全连接神经网络层，输出预测的工人忠诚度分数，获得工人忠诚度分数集；S40、建立工人与任务的二部图，根据工人忠诚度分数和任务奖励确定边集权重，采用最佳权值匹配算法，利用一个递归地为工人寻找可匹配的任务的FindTask函数，将满足条件的任务分配给相应的工人，其中任务的满足条件为二部图中两个顶点相关联的边的权重与工人和任务的期望值之和的差值为零，工人和任务的期望值为与其关联的边中的最大权重值。2.根据权利要求1所述的基于工人忠诚度的空间众包任务分配方法，其特征在于，所述步骤S10中采用的Prophet模型表示为：y(t)＝g(t)+s(t)+h(t)+∈
t
式中，t表示时间，以一天作为单位，g(t)表示对时间序列中的非周期性变化进行建模的趋势函数，s(t)表示周期性变化函数，h(t)表示假期影响函数，∈
t
为噪声项，表示模型无法拟合的任何特殊变化。3.根据权利要求2所述的基于工人忠诚度的空间众包任务分配方法，其特征在于，所述趋势函数g(t)表示为：为：式中，k表示基本增长率，δ表示增长率的变化量，m表示偏移参数，a(t)为包含了所有变点的一般表达式，变点为与基本增长率k变化相对应的点，a
j
(t)表示对第j个变点的时间t
j
是否发生在时刻t之前的判断，γ表示使函数连续的参数；所述周期性变化函数s(t)表示为：s(t)＝X(t)β式中，X(t)表示基于傅里叶级数的周期性乘积模型，β～Normal(0,σ2)，服从正态分布；所述假期影响函数h(t)表示为：Z(t)＝[1(t∈D1),
…
,1(t∈D
L
)]h(t)＝Z(t)κ式中，D
i
,i＝1,2,
…
L表示记录重复的假期和重要事件的集合，L为指定时间段内假期和重要事件的数量，并为每个假期和重要事件分配一个参数κ
i
，κ～Normal(0,ν2)，服从正态分
布。4.根据权利要求3所述的基于工人忠诚度的空间众包任务分配方法，其特征在于，所述步骤S20中根据工人每日的任务完成数量、任务完成率和任务完成评价得分这三个绩效数据，采用熵权法计算每个工人的权重的过程为：设定每个工人w
i
都有一个特征集P{w
i
}＝{p
i1
,p
i2
,p
i3
}，其中p
ij
,j＝1,2,3分别表示工人的三个绩效数据；采用公式对绩效数据进行归一化处理；采用公式计算工人w
i
的第j个绩效数据的比重y
ij
，m表示工人总数；采用公式计算第j个绩效数据的信息熵e
j
；采用公式计算第j个绩效数据的相应权重k
j
；然后将比重和权重进行乘积，通过一个比例系数，得到单个工人的忠诚度数据；将Prophet模型的输入配置为预设的短期时间长度的工人历史任务绩效数据，获得各工人的短期忠诚度l
s
，将Prophet模型的输入配置为预设的长期时间长度的工人历史任务绩效数据，获得各工人的长期忠诚度l
l
。5.根据权利要求4所述的基于工人忠诚度的空间众包任...

【专利技术属性】
技术研发人员：郑凯，苏涵，赵艳，赖庭浩，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：