题目请自主上网获取。
分析下思路。第一问，不同时空的出租车的“供求匹配”程度。
也就是说要选取的数据要有时间和地理两个维度。实体对象是出租车。关键的问题就是地点怎么选？ 选择的城市具备如下经济较发达，有大量数据可以研究，有一定“出行困难”（才有优化的必要）三点要求。
那么城市选了，具体地点呢？一般选有代表性的景区，车站，商业圈以及大学城。
接下来就要建模型了。 假设打车软件使用率为a.。那么实际需求(x)=打车量(z)/打车软件使用率(a). 满意程度(y)=x/出租车供应量(c)。t为等车时间
匹配程度(p)=k1y+k2y(系数可以由主成分分析得到)
那么怎么这个模型好呢？因为该模型是分析类模型，所以符合事实就是标准。
在对应平台上得到的数据，输入模型得到的匹配程度和平台给出的匹配程度是否相识，（可以会用到模糊处理）。
第二问分析打车平台推出的补贴方案是否改善了“出行难”
思路：补贴方案会对x,y,t三个因素产生影响，即可重新得到p,于之前P对比即可得到该方案是否对打车难有帮助。
以当初滴滴的补贴方案1为例（主打拼车）由孟德尔遗传算法得以得到拼车的概率，即导致需求量(x)变小。再带入模型1得到P
滴滴补贴方案2为例(鼓励私家车)即y增大（滴滴平台由平均接单时间与出租车数量时间的关系，即可得到变化之后的t，t减少）带入模型即可得到P。
第三问分析：“打车难”主要是因为司机“选单”。所以补贴方案要弥合不同单之间的收益。
对司机而言平均收益=（订单收入-成本）/订单消耗时间
那么补贴之后的评价收益=（订单收入-成本+补贴）/订单消耗时间
其中成本主要是载客油耗和空载油耗。
该模型优点是动态模型，最大程度上激发司机积极性