題目請自主上網獲取。
分析下思路。第一問，不同時空的出租車的“供求匹配”程度。
也就是說要選取的數據要有時間和地理兩個維度。實體對象是出租車。關鍵的問題就是地點怎么選？ 選擇的城市具備如下經濟較發達，有大量數據可以研究，有一定“出行困難”（才有優化的必要）三點要求。
那么城市選了，具體地點呢？一般選有代表性的景區，車站，商業圈以及大學城。
接下來就要建模型了。 假設打車軟件使用率為a.。那么實際需求(x)=打車量(z)/打車軟件使用率(a). 滿意程度(y)=x/出租車供應量(c)。t為等車時間
匹配程度(p)=k1y+k2y(系數可以由主成分分析得到)
那么怎么這個模型好呢？因為該模型是分析類模型，所以符合事實就是標准。
在對應平台上得到的數據，輸入模型得到的匹配程度和平台給出的匹配程度是否相識，（可以會用到模糊處理）。
第二問分析打車平台推出的補貼方案是否改善了“出行難”
思路：補貼方案會對x,y,t三個因素產生影響，即可重新得到p,於之前P對比即可得到該方案是否對打車難有幫助。
以當初滴滴的補貼方案1為例（主打拼車）由孟德爾遺傳算法得以得到拼車的概率，即導致需求量(x)變小。再帶入模型1得到P
滴滴補貼方案2為例(鼓勵私家車)即y增大（滴滴平台由平均接單時間與出租車數量時間的關系，即可得到變化之后的t，t減少）帶入模型即可得到P。
第三問分析：“打車難”主要是因為司機“選單”。所以補貼方案要彌合不同單之間的收益。
對司機而言平均收益=（訂單收入-成本）/訂單消耗時間
那么補貼之后的評價收益=（訂單收入-成本+補貼）/訂單消耗時間
其中成本主要是載客油耗和空載油耗。
該模型優點是動態模型，最大程度上激發司機積極性