本发明涉及互联网数据技术领域，特别涉及一种众包任务下发的方法及设备。
背景技术：
随着互联网技术的迅速发展，众包模式在快递、打车、货运等各个方面得到了广泛的应用。由于众包模式时将任务通过网络等途径发布给大众，由大众自主选择是否接受任务，导致任务的成单率受任务的质量影响较大。同时随着互联网的快速发展，宽带业务、智能家居装维业务等市场广泛。传统的宽带安装业务为“网格化”管理，装维工人负责固定区域的宽带装维等业务，由于缺乏竞争，区域装维质量受工人影响较大，且各个区域的宽带安装难度不同，现有的定价策略为按照业务品类固定定价，导致工人的薪酬水平未根据工作难度差异化，区域间工人薪酬相对不公平现象。
综上，现有众包平台对众包任务的定价方法，将众包任务按照任务品类固定定价导致工人薪酬相对不公平现象，且对众包任务的动态定价方法多针对上述众包任务的工单下发前的价格预测或调整，未考虑工单下发后的价格调理机制。
技术实现要素：
本发明提供一种众包任务下发的方法及设备，用以解决现有众包平台对众包任务定价时，将众包任务按照任务品类固定定价导致工人薪酬相对不公平现象，且对众包任务的动态定价方法多针对上述众包任务的工单下发前的价格预测或调整，未考虑工单下发后的价格调理机制的问题。
第一方面，本发明实施例提供的一种众包任务下发的方法，该方法包括：
确定触发任务定价时，通过预设会员接单价格预测模型，根据所述任务的价格影响因素，确定所述任务的发单价格；
将携带所述任务标识和所述任务的发单价格的订单发布到众包平台；
根据所述任务的订单在众包平台的接单情况，利用预设动态调价规则对所述订单中的任务的发单价格进行调整。
第二方面，本发明实施例提供的一种众包任务下发的设备，该设备包括：处理器和收发机，其中，所述处理器用于，利用所述收发机：
确定触发任务定价时，通过预设会员接单价格预测模型，根据所述任务的价格影响因素，确定所述任务的发单价格；
将携带所述任务标识和所述任务的发单价格的订单发布到众包平台；
根据所述任务的订单在众包平台的接单情况，利用预设动态调价规则对所述订单中的任务的发单价格进行调整。
第三方面，本发明实施例提供的一种众包任务下发的设备，该设备包括：至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行本发明第二方面所述设备的任一步骤。
第四方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现第一方面所述方法的步骤。
本发明提供的一种众包任务下发的方法及设备，与现有技术相比，具有以下有益效果：
1)本发明中通过预设会员接单价格预测模型，预测出任务的发单价格，相较于现有技术只根据业务品类对上述任务进行定价而言，其预测出的发单价格更能保证工人薪酬的相对公平；
2)相对于现有技术而言，本发明中在将携带任务的发单价格的订单发布到众包平台后，增加根据接单情况，对任务的发单价格进行动态调整的方法，提高了众包平台订单的成交率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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。
图1a为本发明实施例一提供的一种众包任务下发的方法示意图；
图1b为本发明实施例一提供的任务的价格影响因素的示意图；
图1c为本发明实施例一提供的建立预设会员接单价格预测模型的具体流程示意图；
图1d为本发明实施例一提供的一种众包任务下发的方法的具体步骤流程示意图；
图2a为本发明实施例二提供的一种众包任务下发的第一设备的示意图；
图2b为本发明实施例二提供的一种众包任务下发的第二设备的示意图；
图2c为本发明实施例二提供的一种众包任务下发的第三设备的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面对文中出现的一些词语进行解释：
1、本发明实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本发明实施例中术语“任务”指可以下发到众包平台的任务，如宽带安装任务、打车任务等。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
随着互联网技术的日益发展，众包模式被广泛的应用到各个行业，制定众包模式在不同场景下的动态定价策略对于众包模式的发展具有积极而深远的现实意义。但现有众包调价及定价方法的研究对象多为快递、打车等同种任务技术难度差别较小的任务，没有针对任务的难度进行量化的具体方法，不适用于技术要求较高的任务。本发明实施例提供了一种针对以宽带安装为例的技术要求高、时间敏感度低、耗时久、可同时接多单的众包类任务的动态定价方法，实现根据技术难度的差异化定价，提高薪酬相对的公平性，实现基于价格动态调整的装维工人抢单意愿调控，提高众包人员“跨网格”抢单的积极性，提高各区域成单率的目标。
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
针对上述场景，下面结合说明书附图对本发明实施例做进一步详细描述。
实施例一：
如图1a所示，本实施例提供一种众包任务下发的方法，具体包括以下步骤：
步骤101，确定触发任务定价时，通过预设会员接单价格预测模型，根据上述任务的价格影响因素，确定上述任务的发单价格；
上述预设会员接单价格预测模型用于预测众包平台的会员对众包平台上任务的预测接单价格，在实施中，根据上述众包平台的历史任务成交订单的数据，预先建立上述预设会员接单价格预测模型；
在实施中，通过预设会员接单价格预测模型，根据上述任务的价格影响因素，获得包含上述预设在线会员对上述任务的预测接单价格的价格预测结果集，如{p'1,p'2,…,p'j,p'w}，其中p1’、p2’、pj’、和pw’，分别为预设区域范围内的会员1、会员2、会员j和会员w对上述业务的预测接单价格；上述预设在线会员为上述任务所在预设区域范围内的所有在线会员；
对上述任务所在预设区域范围不做过多限定，本领域的技术人员可根据实际需求设置，上述任务所在预设区域范围可以但不局限于包括：以上述任务所在的位置点为圆心，以10km为半径围成的圆的区域作为上述任务所在预设区域范围，或者，以上述任务所在的位置所属的城市作为上述任务所在预设区域范围，或者，以上述任务所在的位置所属的城市小区作为上述任务所在预设区域范围。
从上述价格预测结果集中按照价格从低到高的原则，选择价格最低的预测接单价格，确定为上述任务的发单价格。
如图1b所示，上述任务的价格影响因素可以但不局限于包括以下至少一种：
单个任务的特征；上述单个任务的特征指上述单个的众包任务自身影响任务的价格的因素的特征，上述单个任务的特征可以但不局限于包括以下至少一种：任务预约时间、任务种类、任务难度等级、任务位置。
任务区域的特征；上述任务区域的特征指上述同种类的众包任务经过聚类划分的任务区域里的众包任务的影响任务的价格的因素的特征，上述任务区域的特征可以但不局限于包括以下至少一种：任务区域的任务价格水平、任务区域的订单密度、任务区域的会员密度。
登录众包平台的会员的特征；上述登录众包平台的会员的特征指上述的登录众包平台的在线会员影响任务的价格的因素的特征，上述登录众包平台的会员的特征可以但不局限于包括以下至少一种：会员已接单数量、会员历史接单价格、会员历史接单区域、会员接单时间。
步骤102，将携带上述任务标识和上述任务的发单价格的订单发布到众包平台；
在实施中，根据上述任务的价格影响因素，确定上述任务的发单价格之后，还包括：
确定上述任务被接单时，将上述任务的成交工单信息中的接单价格作为任务价格，以及成交工单信息的任务的价格影响因素保存到上述预设会员接单价格预测模型的训练数据集，作为平台使用过程中，为了优化上述预设会员接单价格预测模型，对其进行训练时的训练数据。
步骤103，根据上述任务的订单在众包平台的接单情况，利用预设动态调价规则对上述订单中的任务的发单价格进行调整。
在实施中，确定上述任务超过预设时间周期未被接单时，则触发动态调价。
判断上述任务的订单是否达到预设推送轮数，若达到预设推送轮数，则转入系统派单流程；
若未达到预设推送轮数，判断上述任务的发单价格是否达到所在预设区域范围任务的价格预测结果集中的最高预测价格，若达到任务最高预测价格，则转入系统派单流程，若未达到任务最高预测价格，调整上述任务的发单价格得到上述任务新的发单价格。
在任务发布到众包平台的第一预设平台阶段，对上述任务的发单价格根据预设阶梯加价制，进行阶梯式加价得到新的发单价格；
在任务发布到众包平台的第二预设平台阶段，在每次对上述任务的发单价格进行调整时，依次选取上述价格预测结果集中最低的预测接单价格，作为上述任务的新的发单价格。
上述转入系统派单流程，可以理解为，由众包平台推送系统，根据一定的预设规则将上述任务的订单派送给预设区域范围内的合适的在线会员；上述一定的预设规则，可以但不局限于包括：按照距离优先选择，将上述订单派送给预设区域范围内距离上述任务位置最近的在线会员，或者，按照会员已接单数量，将上述订单派送给预设区域范围内接单数量最少的在线会员，或者，按照会员历史接单价格，将上述订单派送给预设区域范围内历史接单价格最低的在线会员等。
在本实施例中，在众包平台初期(即任务发布的第一预设平台阶段)，按照公式1对上述任务的发单价格进行调整：
公式1：p”r＝p'r p0
上述公式1中，pr”为调整后的发单价格，pr’为当前的发单价格，p0为上述预设阶梯加价值，本领域的技术人员可根据实际情况设置上述p0的值。
在众包平台成熟期(即任务发布的第二预设平台阶段)，按照公式2对上述任务的发单价格进行调整：
公式2：p”r＝min{{p'1,p'2,…,p'j,…p'w}-min{p'1,p'2,…,p'j,…p'w}}
上述公式2中，{p'1,p'2,…,p'j,…p'w}为预设会员接单价格预测模型，针对任务r进行会员接单价格预测的结果集。
在上述步骤101中，预设会员接单价格预测模型通过如下方式确定：
在实施中，上述预设会员接单价格预测模型通过如下方式确定：基于向量机模型，确定初始价格预测模型及对应的模型参数；将历史任务的价格影响因素及任务定价作为价格预测模型的训练数据集，对上述价格预测模型进行训练得到上述预设会员接单价格预测模型。
在进行上述预设会员接单价格预测模型训练之前，首先确定上述预设会员接单价格预测模型的输入量和输出量、样本集及测试集建立；
a)输入量的确定：
首先通过对众包平台派单过程进行分析，系统的整理出可能对众包平台上的会员对任务的接单价格造成影响的因素(上述任务的价格影响因素)，然后通过各因素与会员对任务的接单价格的相关性分析，根据相关性分析结果选择作为上述价格预测模型的输入量变量；
上述会员对任务的接单价格造成影响的因素可以但不局限于包括以下至少一种：
单个任务的特征；
任务区域的特征；
登录众包平台的会员的特征。
在本实施例中，从任务特征、区域特征、会员特征三个方面进行总结归纳，具体因素如图1b所示。
对于上述相关性分析的方法，可以但不限于包括图表相关性分析、协方差及协方差矩阵、相关系数、一元回归及多元回归、信息熵及互信息等；
为了说明过程，此处采用皮尔森相关系数作为该步骤的实例。
相关性计算的公式如下公式3和公式4所示：
公式3：
公式4：
在上述公式3和公式4中correl(x,y)为变量x、y的皮尔森相关系数，上述x为输入的任务的价格影响因素，上述y为输出的任务的接单价格，n为样本的数量，t为验证相关性的显著性而构建的t统计量。
在利用上述公式3和公式4进行相关性计算时，将t值的计算结果与t检验临界值表对照，判断t统计量是否超出临界值，若t统计量未超出临界值，则变量x、y显性相关，否则不相关。
b)输出量的确定：
将众包平台的会员对任务的预测接单价格作为上述价格预测模型的输出量变量。
c)样本集及测试集的建立：
根据上述相关性分析的变量筛选结果，按照筛选后的任务的价格影响因素为数据进行维度划分，收集特征数据样本，分别建立训练样本集{xi,yi},yi∈(0,1)及测试集{x'i,y'i}；
上述训练样本集中的xi和测试集中的xi’均为任务的价格影响因素，上述训练样本集中的yi和测试集中的yi’均为上述任务的接单价格；
上述训练样本集用于上述价格预测模型的训练，包括选择的核函数的选择及模型参数；
上述测试集用于上述价格预测模型的验证，包括上述价格预测模型的预测精度及预测效率；
上述测试集中的数据的数据结构与上述训练样本集中保持一致，以便得到预测精确的价格预测模型。
(一)基于向量机模型，确定初始价格预测模型及对应的模型参数，包括：
1)基于向量机模型，选择一种核函数作为初始价格预测模型；
其中对于会员接单价格的预测，可采用的算法包括但不限于knn算法、人工神经网络算法、支持向量机算法等；
为了说明过程，采用支持向量机作为该步骤的实例。
支持向量机回归的基本思想是通过一个非线性映射φ将数据x映射到高维空间f，并在这个空间进行线性回归，如下公式5：
公式5：f(x)＝(ω·φ(x)) b
φ·rn→f，ω∈f
在上述公式5中，b是阈值，支持向量机的优化目标为结构风险最小化，引入r(ω)量化模型的结构风险：
r(ω)＝∑e(f(xi)-yi) λ||ω||2
最小化r(ω)后得到：ω＝∑(α-α*)φ(xi)
由此得到支持向量机的预测模型为：
f(x)＝∑(α-α*)(φ(xi)φ(x)) b
其中，令k(xi,x)＝φ(xi)φ(x)为模型的核函数。
2)按照预设模型参数生成方法，确定上述核函数对应的核参数作为上述初始价格预测模型对应的模型参数。
上述核函数k(xi，x)及核参数(模型参数)包括：多项式函数、rbf函数、sigmoid函数等；
可以但不局限于通过经验选择法、交叉验证法、重复抽样法等多种方法进行核函数的选取；
可以但不局限于通过下述方法选取上述核参数：交叉验证法、穷举法、梯度下降法、网格搜索法、遗传算法、粒子群算法等；
在本实施例中，以梯度下降法为例进行说明，首先根据经验选择法确定选定的核函数的一组核参数初始值，然后利用负梯度方向决定下一次迭代的新的搜索方向，使待优化的目标函数逐步减小，具体公式如下公式1：
公式6：xi 1＝xi-a*gi
上述公式6中，a为学习速率，可根据实际由技术人员设置一个较小的常数值；gi为梯度；xi 1和xi为上述核参数，其中xi为当前的核参数，xi 1为下一轮使用的核参数。
(二)将历史任务的价格影响因素及任务定价作为价格预测模型的训练数据集，包括：
1、获取上述众包平台上所有历史任务相关信息，上述历史任务的相关信息包括历史任务的价格影响因素及接单价格：
在实施中，可以将根据众包任务的特性划分任务的属性特征(即上述价格影响因素)，可以但不局限于包括任务种类、任务服务时长；
上述历史任务相关信息包括历史任务的工单信息数据，在实施中，可将上述历史任务的工单信息数据存入预设的数据库中；
2、根据上述历史任务相关信息，确定每个种类的任务在对应的每个任务区域的基准定价：
1)根据上述历史任务的任务种类将所有历史任务分类。
在实施中，可以以历史任务的服务市场作为衡量难度的指标，将上述历史任务的工单信息数据按照任务品类进行分类。
2)对同种类的所有历史任务的任务服务时长进行数据挖掘分析，得到上述同种类的所有历史任务的任务难度等级。
可以但不局限于利用k-means聚类分析法/人工神经网络，对同种类的所有历史任务的任务服务时长进行数据挖掘分析，对上述同种类的历史任务进行聚类，根据聚类结果将上述同种类的历史任务的任务难度划分为若干个等级。
3)根据上述同种类的所有历史任务的任务难度等级及接单价格，确定上述同种类的历史任务在对应的每个任务区域的基准定价。
上述历史任务的价格影响因素包括任务位置；
根据上述同种类的所有历史任务的任务难度等级和任务位置，对上述同种类的所有历史任务进行任务区域聚类，得到上述同种类的历史任务的任务区域；
分别对每个种类的历史任务对应的每个任务区域的任务的接单价格进行统计分析，确定每个种类的历史任务在对应的每个任务区域的基准价格。
在实施中，将任务难度加入到上述任务特性中，在同种类的所有历史任务中，基于任务位置及任务难度等级对历史任务的工单进行任务区域聚类，根据任务区域聚类结果将任务分区，并将分区的结果存入数据库。
上述进行任务区域聚类的方法可以但不局限于包括dbscan与k-means混合算法；
上述基于任务位置及任务难度等级对历史任务的工单进行任务区域聚类具体实现方式为：将小区作为基本单位，对聚类结果任务区域进行编号。
在实施中，基于任务难度分区的任务区域及历史任务的工单区域分布密度，进行每个种类的历史任务在对应的每个任务区域的基准价格的计算，在保证上述历史任务的工单的回报总预算不变的前提下，将上述每个任务区域的基准价格与每个区域的任务的平均服务时长进行映射，差异化计算出每个任务区域的基准价格；在本实施例中，假设划分任务区域为n个，第i个任务区域的月平均工单数量为mi，第i个区域内的任务平均服务时长为
公式7：
按任务区域的任务的基准价格从高到低的顺序排列，区域{1,2,…,n}的任务的基准定价为{p1,p2,…,pn}。在本实施例中，宽带业务由“网格式”无差别派单模式向众包模式派单模式转型的初始阶段以任务区域的任务的基准价格为初始的发单价格，结合发单后动态调价模块对工单价格进行动态调整。众包模式派单中后期，任务价格将由发单前动态调价与发单后动态调价两个模块组合实现。
3、将上述历史任务的价格影响因素及对应基准定价作为价格预测模型的训练数据集。
在本实施例中，基于历史任务的任务难度等级、任务与会员的距离、任务的区域密度、会员已接工单数等任务属性，筛选有效的数据集作为训练集，对众包会员接单价格进行预测模型的训练及预测。
(三)将历史任务的价格影响因素及任务定价作为价格预测模型的训练数据集，对上述价格预测模型进行训练得到上述预设会员接单价格预测模型；
1)将历史任务的价格影响因素及任务的接单价格作为价格预测模型的输入量，获取价格预测模型输出的会员对每个历史任务的预测接单价格；
2)利用相关性分析法根据上述历史任务的接单价格和预测接单价格，对上述当前价格预测模型进行训练。
在实施中，利用相关性分析法确定任一历史任务的预测接单价格与任务定价的相关性达到第一预设阈值时，或对上述当前价格预测模型进行训练的次数达到预设次数时，确定上述当前价格预测模型为预设会员接单价格预测模型。
上述相关性分析法，可以但不局限于包括以下至少一种：
图表相关性分析法、协方差及协方差矩阵法、相关系数法、一元回归法、多元回归法、信息熵法、互信息法。
当上述历史任务的接单价格和预测接单价格的相关性分析结果满足预设条件时，确定训练完成，将训练完成的价格预测模型及相应的模型参数作为预设会员接单价格预测模型；
当上述历史任务的接单价格和预测接单价格的相关性分析结果不满足预设条件时，判断训练数据集中的样本数据是否都已经过当前的价格预测模型训练，若训练数据集中的样本数据存在未被当前的价格预测模型训练的样本数据时，使用未被训练的样本数据继续对当前的价格预测模型进行训练；
若训练数据集中的样本数据都被当前的价格预测模型训练过时，可根据预设学习率对上述价格预测模型的模型参数进行调整，重新利用上述训练数据集中的样本数据训练上述价格预测模型；
当上述价格预测模型的模型参数的调整达到预设停止参数调整条件时，可以重新选择一个核函数和对应的核参数作为价格预测模型及模型参数，重新利用上述训练数据集中的样本数据训练重新选择的价格预测模型；上述预设停止参数调整条件可以但不局限于包括模型参数调整此处达到预设调整次数。
作为一种可选的实施方式，在初次得到预设会员接单价格预测模型后，可在满足模型优化条件时，重新利用更新的训练数据集对上述预设会员接单价格预测模型进行训练优化，以便达到更好的模型效果，使模型对会员对众包任务的预测接单价格的预测更精确；
对上述满足模型优化条件不做过多限定，本领域的技术人员可根据实际需求设置，如：当间隔固定时间段时，确定满足上述模型优化条件，或者，当训练完成的上述预设会员接单价格预测模型使用的次数达到预设使用次数时，确定满足上述模型优化条件。
如图1c，以下给出一个建立预设会员接单价格预测模型的具体流程：
步骤1101，收集历史任务相关信息；
步骤1102，对同种类的历史任务按照任务难度等级进行划分；
步骤1103，对同种类的历史任务根据任务难度和任务位置进行任务区域聚类；
步骤1104，对同种类的历史任务根据任务区域聚类结果划分任务区域；
步骤1105，对同种类的历史任务的每个任务区域内的历史任务的接单价格统计分析；
步骤1106，差异化计算出每个任务区域的基准价格，并将计算结果输入到步骤1108的训练数据集；
步骤1107，确定价格预测模型的输入量和输出量；
步骤1108，建立训练数据集(样本集及测试集)；
步骤1109，基于向量机模型，选择价格预测模型及对应的模型参数；
步骤1110，对训练数据进行规范化；
步骤1111，利用训练数据集数据，训练价格预测模型得到预设会员接单价格预测模型。
如图1d，以下给出一个一种众包任务下发的方法的具体步骤流程：
步骤1)获取任务r的价格影响因素；
步骤2)获取任务r所在预设区域范围内的所有在线会员信息；
步骤3)将任务r的价格影响因素输入预设会员接单价格预测模型，得到任务r所在预设区域范围内的价格预测结果集；
步骤4)从价格预测结果集选择最低的预测价格作为任务r的发单价格；
步骤5)向预设区域范围内的会员推送携带任务r的发单价格的订单；
步骤6)判断预设时间周期内，任务r是否被接单，若被接单进入步骤7，否则，进入步骤8；
步骤7)将任务r的成交工单数据存入到训练数据集；
步骤8)判断任务r的订单推送次数是否达到预设推送轮数，若达到进入步骤9，否则进入步骤10；
步骤9)停止调价，利用系统派单流程将任务r进行派单；
步骤10)判断上述任务的发单价格是否达到所在预设区域范围的价格预测结果集中的最高预测价格，若是，则进入步骤9，否则进入步骤11；
步骤11)判断众包平台是否处在平台初期，若是，进入步骤12，否则，进入步骤13；
步骤12)对任务r的发单价格根据预设阶梯加价值，进行阶梯式加价得到新的发单价格，并进入步骤5；
步骤13，按照平台成熟阶段调价规则进行调价得到新的发单价格，选取上述价格预测结果集中的预测接单价格，减去价格最低的预测接单价格的值的最小值，作为上述任务的新的发单价格，并进入步骤5；
本实施例提出的针对技术要求较高的业务提出差异化定价的方法，为任务定价由统一价走向差异化打下基础，为动态调价提供数据支持。针对平台发展的不同阶段，提出不同的动态调价模块，平台初期以收集数据及提高成单率为主要目标，之后则以优化调价模型，保持较高的成单率水平为主要目标。各个模块之间存在多条反馈通道，有利于优化调价模型，发单后调价机制使得动态调价模型可以时刻与市场需求接轨，利用会员对任务价格的需求反馈优化预测模型，提高成单率或保持较高成单率水平。
现有众包调价及定价方法的研究对象多为快递、打车等同种任务技术难度差别较小的任务，没有针对任务的难度进行量化的具体方法，不适用于技术要求较高的任务，本实施例的方法时，针对中报任务的任务特点，对同一种类的任务按照任务难度等级进行分类和任务区域的划分，为后期的差异化定价打下基础；
现有众包平台的动态定价方法中默认前提多为任务定价已呈现出符合市场规律的差异化，且有足够的有效数据支撑动态定价模型的建立，并未考虑到由固定价向差异化定价的转换问题即建模所需要有效数据的收集，而本实施例中，在众包平台所处的不同阶段，采取不同方式来收集价格预测模型建模及模型优化的数据，实现动态定价方法由固定价向差异化定价转化。
现有动态定价方法多针对众包任务的工单发布前的价格预测或调整，未考虑工单下发后的价格调理机制，而在本实施例中，在众包任务的工单发布后，结合会员对工单的响应情况、会员的情况以及平台所述阶段，对众包任务的发单价格进行动态调整；且现有众包任务动态调价方法的优化目标多为提高成单率，针对的众包任务多为时间敏感类众包任务，而本实施例提供的方法，不仅考虑时间敏感类众包任务，还考虑了对时间敏感度较低、任务耗时久、众包人员的接单量、任务区域的工单密度等因素，优化了众包任务动态调价的效果。
需要说明的是，本发明实施例中所列举的一种宽带任务在众包平台的下发的方法的方式只是举例说明，任何一种任务在众包平台下发的方法都适用于本发明实施例。
实施例二：
基于相同的发明构思，本发明实施例中还提供了一种众包任务下发的第一设备，如图2a所示，该第一设备包括：处理器201和收发机202，其中，上述处理器用于，利用上述收发机：
确定触发任务定价时，通过预设会员接单价格预测模型，根据上述任务的价格影响因素，确定上述任务的发单价格；
将携带上述任务标识和上述任务的发单价格的订单发布到众包平台；
根据上述任务的订单在众包平台的接单情况，利用预设动态调价规则对上述订单中的任务的发单价格进行调整。
在实施中，上述处理器通过如下方式确定上述预设会员接单价格预测模型：
基于向量机模型，确定初始价格预测模型及对应的模型参数；
将历史任务的价格影响因素及任务定价作为价格预测模型的训练数据集，对上述价格预测模型进行训练得到上述预设会员接单价格预测模型。
上述处理器具体用于：基于向量机模型，选择一种核函数作为初始价格预测模型；
按照预设模型参数生成方法，确定上述核函数对应的核参数作为上述初始价格预测模型对应的模型参数。
上述任务的价格影响因素包括以下至少一种：
单个任务的特征；
任务区域的特征；
登录众包平台的会员的特征。
上述单个任务的特征包括以下至少一种：
任务预约时间；
任务种类；
任务难度等级；
任务位置。
上述任务区域的特征包括以下至少一种：
任务区域的任务价格水平；
任务区域的订单密度；
任务区域的会员密度。
上述登录众包平台的会员的特征包括以下至少一种：
会员已接单数量；
会员历史接单价格；
会员历史接单区域；
会员接单时间；
会员位置。
上述处理器具体用于：获取上述众包平台上所有历史任务相关信息，上述历史任务的相关信息包括历史任务的价格影响因素及接单价格；
根据上述历史任务相关信息，确定每个种类的任务在对应的每个任务区域的基准定价；
将上述历史任务的价格影响因素及对应基准定价作为价格预测模型的训练数据集。
上述处理器具体用于：根据上述历史任务的任务种类将所有历史任务分类；
对同种类的所有历史任务的任务服务时长进行数据挖掘分析，得到上述同种类的所有历史任务的任务难度等级。
根据上述同种类的所有历史任务的任务难度等级及接单价格，确定上述同种类的历史任务在对应的每个任务区域的基准定价。
上述处理器具体用于：利用k-means聚类分析法/人工神经网络，对同种类的所有历史任务的任务服务时长进行数据挖掘分析。
上述处理器具体用于：根据上述同种类的所有历史任务的任务难度等级和任务位置，对上述同种类的所有历史任务进行任务区域聚类，得到上述同种类的历史任务的任务区域；
分别对每个种类的历史任务对应的每个任务区域的任务的接单价格进行统计分析，确定每个种类的历史任务在对应的每个任务区域的基准价格。
上述处理器具体用于：将历史任务的价格影响因素及任务定价作为价格预测模型的输入量，获取价格预测模型输出的会员对每个历史任务的预测接单价格；
利用相关性分析法根据上述历史任务的任务定价和预测接单价格，对上述当前价格预测模型进行训练。
上述处理器具体用于：利用相关性分析法确定任一历史任务的预测接单价格与任务定价的相关性达到第一预设阈值时，或对上述当前价格预测模型进行训练的次数达到预设次数时，确定上述当前价格预测模型为预设会员接单价格预测模型。
上述相关性分析法，包括以下至少一种：
图表相关性分析法；
协方差及协方差矩阵法；
相关系数法；
一元回归法；
多元回归法；
信息熵法；
互信息法。
上述处理器具体用于：通过预设会员接单价格预测模型，根据上述任务的价格影响因素，获得包含上述预设在线会员对上述任务的预测接单价格的价格预测结果集，上述预设在线会员为上述任务所在预设区域范围内的所有在线会员；
从上述价格预测结果集中按照价格从低到高的原则，选择价格最低的预测接单价格，确定为上述任务的发单价格。
上述处理器还用于：确定上述任务被接单时，将上述任务的成交工单信息中的接单价格作为任务价格，以及成交工单信息的任务的价格影响因素保存到上述预设会员接单价格预测模型的训练数据集。
上述处理器具体用于：确定上述任务超过预设时间周期未被接单时，则触发动态调价。
上述处理器具体用于：判断上述任务的订单是否达到预设发布次数，若达到预设推送轮数，则转入系统派单流程；
若未达到预设推送轮数，判断上述任务的发单价格是否达到所在预设区域范围的价格预测结果集中的最高预测价格，若达到最高预测价格，则转入系统派单流程，若未达到最高预测价格，调整上述任务的发单价格得到上述任务新的发单价格。
上述处理器具体用于：在第一预设平台阶段，对上述任务的发单价格根据预设阶梯加价值，进行阶梯式加价得到新的发单价格；
在第二预设平台阶段，在每次对上述任务的发单价格进行调整时，选取上述价格预测结果集中的预测接单价格，减去价格最低的预测接单价格的值的最小值，作为上述任务的新的发单价格。
如图2b，本实施例还提供一种众包任务下发的第二设备，该第二设备包括：至少一个处理单元203以及至少一个存储单元204，其中，上述存储单元存储有程序代码，当上述程序代码被上述处理单元执行时，使得上述处理单元执行本实施例所述第一设备的任一内容。由于该第二设备即是本实施例中的方法中的设备，并且该设备解决问题的原理与该方法相似，因此该设备的实施可以参见方法的实施，重复之处不再赘述。
如图2c，本实施例还提供一种众包任务下发的第三设备，该第三设备包括：
初始发单价格确定单元2001，用于确定触发任务定价时，通过预设会员接单价格预测模型，根据上述任务的价格影响因素，确定上述任务的发单价格；
订单发布单元2002，用于将携带上述任务标识和上述任务的发单价格的订单发布到众包平台；
动态调价单元2003，用于根据上述任务的订单在众包平台的接单情况，利用预设动态调价规则对上述订单中的任务的发单价格进行调整。
在实施中，还包括，预设会员接单价格预测模型构建单元2004，用于基于向量机模型，确定初始价格预测模型及对应的模型参数；将历史任务的价格影响因素及任务定价作为价格预测模型的训练数据集，对上述价格预测模型进行训练得到上述预设会员接单价格预测模型。
上述预设会员接单价格预测模型构建单元，用于基于向量机模型，选择一种核函数作为初始价格预测模型；
按照预设模型参数生成方法，确定上述核函数对应的核参数作为上述初始价格预测模型对应的模型参数。
上述任务的价格影响因素包括以下至少一种：
单个任务的特征；
任务区域的特征；
登录众包平台的会员的特征。
上述单个任务的特征包括以下至少一种：
任务预约时间；
任务种类；
任务难度等级；
任务位置。
上述任务区域的特征包括以下至少一种：
任务区域的任务价格水平；
任务区域的订单密度；
任务区域的会员密度。
上述登录众包平台的会员的特征包括以下至少一种：
会员已接单数量；
会员历史接单价格；
会员历史接单区域；
会员接单时间；
会员位置。
上述预设会员接单价格预测模型构建单元，用于获取上述众包平台上所有历史任务相关信息，上述历史任务的相关信息包括历史任务的价格影响因素及接单价格；
根据上述历史任务相关信息，确定每个种类的任务在对应的每个任务区域的基准定价；
将上述历史任务的价格影响因素及对应基准定价作为价格预测模型的训练数据集。
上述预设会员接单价格预测模型构建单元，用于根据上述历史任务的任务种类将所有历史任务分类；
对同种类的所有历史任务的任务服务时长进行数据挖掘分析，得到上述同种类的所有历史任务的任务难度等级。
根据上述同种类的所有历史任务的任务难度等级及接单价格，确定上述同种类的历史任务在对应的每个任务区域的基准定价。
上述预设会员接单价格预测模型构建单元，用于利用k-means聚类分析法/人工神经网络，对同种类的所有历史任务的任务服务时长进行数据挖掘分析。
上述预设会员接单价格预测模型构建单元，用于根据上述同种类的所有历史任务的任务难度等级和任务位置，对上述同种类的所有历史任务进行任务区域聚类，得到上述同种类的历史任务的任务区域；
分别对每个种类的历史任务对应的每个任务区域的任务的接单价格进行统计分析，确定每个种类的历史任务在对应的每个任务区域的基准价格。
上述预设会员接单价格预测模型构建单元，用于将历史任务的价格影响因素及任务定价作为价格预测模型的输入量，获取价格预测模型输出的会员对每个历史任务的预测接单价格；
利用相关性分析法根据上述历史任务的任务定价和预测接单价格，对上述当前价格预测模型进行训练。
上述预设会员接单价格预测模型构建单元，用于利用相关性分析法确定任一历史任务的预测接单价格与任务定价的相关性达到第一预设阈值时，或对上述当前价格预测模型进行训练的次数达到预设次数时，确定上述当前价格预测模型为预设会员接单价格预测模型。
上述相关性分析法，包括以下至少一种：
图表相关性分析法；
协方差及协方差矩阵法；
相关系数法；
一元回归法；
多元回归法；
信息熵法；
互信息法。
上述初始发单价格确定单元，用于通过预设会员接单价格预测模型，根据上述任务的价格影响因素，获得包含上述预设在线会员对上述任务的预测接单价格的价格预测结果集，上述预设在线会员为上述任务所在预设区域范围内的所有在线会员；
从上述价格预测结果集中按照价格从低到高的原则，选择价格最低的预测接单价格，确定为上述任务的发单价格。
上述订单发布单元，还用于确定上述任务被接单时，将上述任务的成交工单信息中的接单价格作为任务价格，以及成交工单信息的任务的价格影响因素保存到上述预设会员接单价格预测模型的训练数据集。
上述订单发布单元，用于确定上述任务超过预设时间周期未被接单时，则触发动态调价。
上述处动态调价单元，用于判断上述任务的订单是否达到预设发布次数，若达到预设推送轮数，则转入系统派单流程；
若未达到预设推送轮数，判断上述任务的发单价格是否达到所在预设区域范围的价格预测结果集中的最高预测价格，若达到最高预测价格，则转入系统派单流程，若未达到最高预测价格，调整上述任务的发单价格得到上述任务新的发单价格。
上述动态调价单元，用于在第一预设平台阶段，对上述任务的发单价格根据预设阶梯加价值，进行阶梯式加价得到新的发单价格；
在第二预设平台阶段，在每次对上述任务的发单价格进行调整时，选取上述价格预测结果集中的预测接单价格，减去价格最低的预测接单价格的值的最小值，作为上述任务的新的发单价格。
实施例三：
本发明实施例还提供一种计算机可读非易失性存储介质，包括程序代码，当所述程序代码在计算终端上运行时，所述程序代码用于使所述计算终端执行上述本发明实施例一的方法的步骤。
以上参照示出根据本申请实施例的方法、装置(系统)和/或计算机程序产品的框图和/或流程图描述本申请。应理解，可以通过计算机程序指令来实现框图和/或流程图示图的一个块以及框图和/或流程图示图的块的组合。可以将这些计算机程序指令提供给通用计算机、专用计算机的处理器和/或其它可编程数据处理装置，以产生机器，使得经由计算机处理器和/或其它可编程数据处理装置执行的指令创建用于实现框图和/或流程图块中所指定的功能/动作的方法。
相应地，还可以用硬件和/或软件(包括固件、驻留软件、微码等)来实施本申请。更进一步地，本申请可以采取计算机可使用或计算机可读存储介质上的计算机程序产品的形式，其具有在介质中实现的计算机可使用或计算机可读程序代码，以由指令执行系统来使用或结合指令执行系统而使用。在本申请上下文中，计算机可使用或计算机可读介质可以是任意介质，其可以包含、存储、通信、传输、或传送程序，以由指令执行系统、装置或设备使用，或结合指令执行系统、装置或设备使用。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
1.一种众包任务下发的方法，其特征在于，该方法包括：
确定触发任务定价时，通过预设会员接单价格预测模型，根据所述任务的价格影响因素，确定所述任务的发单价格；
将携带所述任务标识和所述任务的发单价格的订单发布到众包平台；
根据所述任务的订单在众包平台的接单情况，利用预设动态调价规则对所述订单中的任务的发单价格进行调整。
2.如权利要求1所述的方法，其特征在于，所述预设会员接单价格预测模型通过如下方式确定：
基于向量机模型，确定初始价格预测模型及对应的模型参数；
将历史任务的价格影响因素及任务定价作为价格预测模型的训练数据集，对所述价格预测模型进行训练得到所述预设会员接单价格预测模型。
3.如权利要求2所述的方法，其特征在于，基于向量机模型，确定初始价格预测模型及对应的模型参数，包括：
基于向量机模型，选择一种核函数作为初始价格预测模型；
按照预设模型参数生成方法，确定所述核函数对应的核参数作为所述初始价格预测模型对应的模型参数。
4.如权利要求1或2所述的方法，其特征在于，所述任务的价格影响因素包括以下至少一种：
单个任务的特征；
任务区域的特征；
登录众包平台的会员的特征。
5.如权利要求4所述的方法，其特征在于，所述单个任务的特征包括以下至少一种：
任务预约时间；
任务种类；
任务难度等级；
任务位置。
6.如权利要求4所述的方法，其特征在于，所述任务区域的特征包括以下至少一种：
任务区域的任务价格水平；
任务区域的订单密度；
任务区域的会员密度。
7.如权利要求4所述的方法，其特征在于，所述登录众包平台的会员的特征包括以下至少一种：
会员已接单数量；
会员历史接单价格；
会员历史接单区域；
会员接单时间；
会员位置。
8.如权利要求2所述的方法，其特征在于，将历史任务的价格影响因素及任务定价作为价格预测模型的训练数据集，包括：
获取所述众包平台上所有历史任务相关信息，所述历史任务的相关信息包括历史任务的价格影响因素及接单价格；
根据所述历史任务相关信息，确定每个种类的任务在对应的每个任务区域的基准定价；
将所述历史任务的价格影响因素及对应基准定价作为价格预测模型的训练数据集。
9.如权利要求8所述的方法，其特征在于，所述历史任务的价格影响因素包括任务种类、任务服务时长，确定每个种类的任务在对应的每个任务区域的基准定价，包括：
根据所述历史任务的任务种类将所有历史任务分类；
对同种类的所有历史任务的任务服务时长进行数据挖掘分析，得到所述同种类的所有历史任务的任务难度等级；
根据所述同种类的所有历史任务的任务难度等级及接单价格，确定所述同种类的历史任务在对应的每个任务区域的基准定价。
10.如权利要求9所述的方法，其特征在于，对同种类的所有历史任务的任务服务时长进行数据挖掘分析，包括：
利用k-means聚类分析法/人工神经网络，对同种类的所有历史任务的任务服务时长进行数据挖掘分析。
11.如权利要求9所述的方法，其特征在于，所述历史任务的价格影响因素包括任务位置，根据所述同种类的所有历史任务的任务难度等级及接单价格，确定所述同种类的历史任务在对应的每个任务区域的基准定价，包括：
根据所述同种类的所有历史任务的任务难度等级和任务位置，对所述同种类的所有历史任务进行任务区域聚类，得到所述同种类的历史任务的任务区域；
分别对每个种类的历史任务对应的每个任务区域的任务的接单价格进行统计分析，确定每个种类的历史任务在对应的每个任务区域的基准价格。
12.如权利要求2所述的方法，其特征在于，将历史任务的价格影响因素及任务定价作为价格预测模型的训练数据集，对所述价格预测模型进行训练得到所述预设会员接单价格预测模型，包括：
将历史任务的价格影响因素及任务定价作为价格预测模型的输入量，获取价格预测模型输出的会员对每个历史任务的预测接单价格；
利用相关性分析法根据所述历史任务的任务定价和预测接单价格，对所述当前价格预测模型进行训练。
13.如权利要求12所述的方法，其特征在于，利用相关性分析法根据所述历史任务的任务定价和预测接单价格，对所述当前价格预测模型进行训练，包括：
利用相关性分析法确定任一历史任务的预测接单价格与任务定价的相关性达到第一预设阈值时，或对所述当前价格预测模型进行训练的次数达到预设次数时，确定所述当前价格预测模型为预设会员接单价格预测模型。
14.如权利要求12所述的方法，其特征在于，所述相关性分析法，包括以下至少一种：
图表相关性分析法；
协方差及协方差矩阵法；
相关系数法；
一元回归法；
多元回归法；
信息熵法；
互信息法。
15.如权利要求1所述的方法，其特征在于，确定触发任务定价时，通过预设会员接单价格预测模型，根据所述任务的价格影响因素，确定所述任务的发单价格，包括：
通过预设会员接单价格预测模型，根据所述任务的价格影响因素，获得包含所述预设在线会员对所述任务的预测接单价格的价格预测结果集，所述预设在线会员为所述任务所在预设区域范围内的所有在线会员；
从所述价格预测结果集中按照价格从低到高的原则，选择价格最低的预测接单价格，确定为所述任务的发单价格。
16.如权利要求1所述的方法，其特征在于，根据所述任务的价格影响因素，确定所述任务的发单价格之后，还包括：
确定所述任务被接单时，将所述任务的成交工单信息中的接单价格作为任务价格，以及成交工单信息的任务的价格影响因素保存到所述预设会员接单价格预测模型的训练数据集。
17.如权利要求1所述的方法，其特征在于，根据所述众包平台上所述订单的接单情况，利用预设动态调价规则对所述订单中的任务的发单价格进行调整，包括：
确定所述任务超过预设时间周期未被接单时，则触发动态调价。
18.如权利要求17所述的方法，其特征在于，触发动态调价，包括：
判断所述任务的订单是否达到预设发布次数，若达到预设推送轮数，则转入系统派单流程；
若未达到预设推送轮数，判断所述任务的发单价格是否达到所在预设区域范围的价格预测结果集中的最高预测价格，若达到最高预测价格，则转入系统派单流程，若未达到最高预测价格，调整所述任务的发单价格得到所述任务新的发单价格。
19.如权利要求18所述的方法，其特征在于，若未达到最高预测价格，调整所述任务的发单价格得到所述任务新的发单价格，包括：
在第一预设平台阶段，对所述任务的发单价格根据预设阶梯加价值，进行阶梯式加价得到新的发单价格；
在第二预设平台阶段，在每次对所述任务的发单价格进行调整时，选取所述价格预测结果集中最低的预测接单价格，作为所述任务的新的发单价格。
20.一种众包任务下发的设备，其特征在于，该设备包括：处理器和收发机，其中，所述处理器用于，利用所述收发机：
确定触发任务定价时，通过预设会员接单价格预测模型，根据所述任务的价格影响因素，确定所述任务的发单价格；
将携带所述任务标识和所述任务的发单价格的订单发布到众包平台；
根据所述任务的订单在众包平台的接单情况，利用预设动态调价规则对所述订单中的任务的发单价格进行调整。
21.如权利要求20所述的设备，其特征在于，所述处理器通过如下方式确定所述预设会员接单价格预测模型：
基于向量机模型，确定初始价格预测模型及对应的模型参数；
将历史任务的价格影响因素及任务定价作为价格预测模型的训练数据集，对所述价格预测模型进行训练得到所述预设会员接单价格预测模型。
22.如权利要求21所述的设备，其特征在于，所述处理器具体用于：
基于向量机模型，选择一种核函数作为初始价格预测模型；
按照预设模型参数生成方法，确定所述核函数对应的核参数作为所述初始价格预测模型对应的模型参数。
23.如权利要求20或21所述的设备，其特征在于，所述任务的价格影响因素包括以下至少一种：
单个任务的特征；
任务区域的特征；
登录众包平台的会员的特征。
24.如权利要求23所述的设备，其特征在于，所述单个任务的特征包括以下至少一种：
任务预约时间；
任务种类；
任务难度等级；
任务位置。
25.如权利要求23所述的设备，其特征在于，所述任务区域的特征包括以下至少一种：
任务区域的任务价格水平；
任务区域的订单密度；
任务区域的会员密度。
26.如权利要求23所述的设备，其特征在于，所述登录众包平台的会员的特征包括以下至少一种：
会员已接单数量；
会员历史接单价格；
会员历史接单区域；
会员接单时间；
会员位置。
27.如权利要求21所述的设备，其特征在于，所述处理器具体用于：
获取所述众包平台上所有历史任务相关信息，所述历史任务的相关信息包括历史任务的价格影响因素及接单价格；
根据所述历史任务相关信息，确定每个种类的任务在对应的每个任务区域的基准定价；
将所述历史任务的价格影响因素及对应基准定价作为价格预测模型的训练数据集。
28.如权利要求27所述的设备，其特征在于，所述处理器具体用于：
根据所述历史任务的任务种类将所有历史任务分类；
对同种类的所有历史任务的任务服务时长进行数据挖掘分析，得到所述同种类的所有历史任务的任务难度等级；
根据所述同种类的所有历史任务的任务难度等级及接单价格，确定所述同种类的历史任务在对应的每个任务区域的基准定价。
29.如权利要求28所述的设备，其特征在于，所述处理器具体用于：利用k-means聚类分析法/人工神经网络，对同种类的所有历史任务的任务服务时长进行数据挖掘分析。
30.如权利要求28所述的设备，其特征在于，所述处理器具体用于：根据所述同种类的所有历史任务的任务难度等级和任务位置，对所述同种类的所有历史任务进行任务区域聚类，得到所述同种类的历史任务的任务区域；
分别对每个种类的历史任务对应的每个任务区域的任务的接单价格进行统计分析，确定每个种类的历史任务在对应的每个任务区域的基准价格。
31.如权利要求21所述的设备，其特征在于，所述处理器具体用于：将历史任务的价格影响因素及任务定价作为价格预测模型的输入量，获取价格预测模型输出的会员对每个历史任务的预测接单价格；
利用相关性分析法根据所述历史任务的任务定价和预测接单价格，对所述当前价格预测模型进行训练。
32.如权利要求31所述的设备，其特征在于，所述处理器具体用于：利用相关性分析法确定任一历史任务的预测接单价格与任务定价的相关性达到第一预设阈值时，或对所述当前价格预测模型进行训练的次数达到预设次数时，确定所述当前价格预测模型为预设会员接单价格预测模型。
33.如权利要求31所述的设备，其特征在于，所述相关性分析法，包括以下至少一种：
图表相关性分析法；
协方差及协方差矩阵法；
相关系数法；
一元回归法；
多元回归法；
信息熵法；
互信息法。
34.如权利要求20所述的设备，其特征在于，所述处理器具体用于：通过预设会员接单价格预测模型，根据所述任务的价格影响因素，获得包含所述预设在线会员对所述任务的预测接单价格的价格预测结果集，所述预设在线会员为所述任务所在预设区域范围内的所有在线会员；
从所述价格预测结果集中按照价格从低到高的原则，选择价格最低的预测接单价格，确定为所述任务的发单价格。
35.如权利要求20所述的设备，其特征在于，所述处理器还用于：
确定所述任务被接单时，将所述任务的成交工单信息中的接单价格作为任务价格，以及成交工单信息的任务的价格影响因素保存到所述预设会员接单价格预测模型的训练数据集。
36.如权利要求20所述的设备，其特征在于，所述处理器具体用于：确定所述任务超过预设时间周期未被接单时，则触发动态调价。
37.如权利要求36所述的设备，其特征在于，所述处理器具体用于：判断所述任务的订单是否达到预设发布次数，若达到预设推送轮数，则转入系统派单流程；
若未达到预设推送轮数，判断所述任务的发单价格是否达到所在预设区域范围的价格预测结果集中的最高预测价格，若达到最高预测价格，则转入系统派单流程，若未达到最高预测价格，调整所述任务的发单价格得到所述任务新的发单价格。
38.如权利要求37所述的设备，其特征在于，所述处理器具体用于：
在第一预设平台阶段，对所述任务的发单价格根据预设阶梯加价值，进行阶梯式加价得到新的发单价格；
在第二预设平台阶段，在每次对所述任务的发单价格进行调整时，选取所述价格预测结果集中最低的预测接单价格，作为所述任务的新的发单价格。
39.一种众包任务下发的设备，其特征在于，该设备包括：至少一个处理单元以及至少一个存储单元，其中，所述存储单元存储有程序代码，当所述程序代码被所述处理单元执行时，使得所述处理单元执行权利要求20～38任一所述设备的步骤。
40.一种计算机可存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～19任一所述方法的步骤。
技术总结