基于压缩感知的移动群智感知任务分发机制

针对移动群智感知任务中区域全覆盖感知成本过高问题，提出基于压缩感知的移动群智感知任务分发（CS-TD）机制。首先提出了感知任务整体成本模型，该模型综合考虑了参与感知任务的节点个数、节点的感知次数与数据上传次数；然后基于成本模型，分析感知节点的日常移动轨迹，结合压缩感知数据采集技术，提出了一种基于感知节点轨迹的压缩感知采样方法；其次通过区域全覆盖最少节点（RCLN）算法，选出最佳节点集合，对节点进行任务分配，利用压缩感知技术恢复节点数据；最后在多次感知任务的迭代中对感知节点的可信程度进行评定，保证任务方案的最优性。对CS-TD分发模型进行多次实验验证，与已有的CrowdTasker算法相比，CS-TD算法平均成本降低了30%以上。CS-TD模型能有效降低感知节点的消耗，能在全覆盖感知任务中降低整体感知成本。     

栅矢混合的移动群智感知系统任务分发方法

针对Zoom中基于栅格任务地图的分发方法中冗余数据量大、不支持任务信息渐进传输等缺点,提出了一种栅矢混合的移动群智感知系统任务分发方法。该方法通过结合栅格数据和矢量数据的优势,有效降低了冗余数据量。此外还提出了使用道格拉斯普克算法或任务优先级条件对任务信息进行渐进传输的方法。实验结果表明,与原来Zoom中使用基于GIF格式的STIF格式作为任务信息载体的方式相比,该方法能有效降低任务分发过程中所使用的数据量。     

社交网络下的移动群智感知任务扩散

移动群智感知是智慧城市数字化建设的核心基础技术之一,是移动计算领域的热点研究课题.近年来,移动群智感知虽然已有许多代表性的研究成果,但从整体上看距离大规模的普及应用仍有不少距离,在实际推广应用中仍面临着用户参与度不高的问题.为此,引入社交网络IM (影响最大化)传播模型,考虑到现实情况下概率信息的缺失,通过在线学习的方式,在进行影响力活动的同时学习影响力概率,即根据用户反馈不断更新影响力模型信息,从而提出新的基于该模型的任务扩散方案.通过使用真实的社交网络数据集进行实验,结果表明提出的方法在传播范围方面比传统的IM方法更有效,为移动群智感知系统的实际推广应用做出贡献.     

面向移动群智感知的多任务分发算法

针对在移动群智感知中基于机会通信完成数据传输会消耗大量时间成本的问题,提出了一种基于中枢节点的多任务分发（HTA）算法。该算法利用节点在移动网络中社交关系属性不同的特点,通过中枢节点选择算法将部分节点作为中枢节点,并将其用于协助任务请求节点分发任务。在任务请求节点与中枢节点相遇时,同时给中枢节点本身和它的从属节点分配任务,并由中枢节点负责向从属节点分发任务与回收任务结果。基于The ONE模拟器进行实验,与在线任务分配（NTA）算法相比,HTA算法时间成本平均降低了24.9%,同时任务完成率平均提高150%。实验结果表明,HTA算法能够提高任务的完成速度,降低时间成本消耗。     

移动群智感知中面向任务需求的用户选择激励机制

现有的移动群智感知激励机制大多以平台为中心或是以用户为中心进行设计，缺乏对感知任务需求的多维考虑，从而无法切实地以任务为中心进行用户选择，导致无法满足任务需求的最大化和多样化。针对上述问题，提出一种面向任务需求的用户选择激励机制TRIM，这是一种以任务为中心的设计方法。首先，感知平台根据任务需求发布感知任务，并从任务类型、时空特性以及感知报酬等多维度构建任务向量以最大化满足任务需求，而感知用户则基于意愿偏好、个人贡献值以及期望报酬等属性构建用户向量，实现个性化选择感知任务参与响应；然后，通过引入高效且隐私保护的余弦相似度计算协议（PCSC），计算任务和用户的相似度并根据相似度高低进行用户匹配筛选得到目标用户集，更好地满足感知任务需求的同时保护用户隐私不泄露；最后，通过仿真实验表明，在感知任务和感知用户的匹配过程中，与采用Paillier加密协议的激励机制相比，TRIM缩短了指数级增量的计算时间开销，提高了计算效率；与采用直接余弦相似度计算协议的激励机制相比，TRIM保证了感知用户的隐私安全，达到了98%的匹配精确度。     

移动群智感知中基于任务质量的多任务分发参与者选择

任务分发作为移动群智感知领域的关键研究问题是目前的热点和难点,针对该领域中多任务分发条件下的参与者选择方法进行研究,根据参与者的历史任务完成情况,利用参与者累计信誉以及参与意愿构建参与者服务质量模型(QoS).在最大化QoS的基础上,采用启发式贪心算法解决参与者的选择问题.提出以任务为中心和以用户为中心的两种选择方案,在算法中引入距离约束因子、完整度约束因子以及信誉度约束因子,在保证任务完成质量的前提下,尽可能提升平台最终收益和参与者的收益.对两种算法的可行性和有效性进行评估,与现有的算法在选择出的参与者人数、移动距离以及数据质量等方面进行详细对比,分析各种因素对选择结果的影响.在实验过程中,建立阶跃型数据定价模型,对参与者上传的数据质量进行量化对比.实验结果表明,所提出的算法较现有的算法在服务质量方面取得了很好的效果.     

群智感知中基于时空关联性的用户激励机制

为在群智感知系统中实现有效的用户激励,提出基于显性与隐性时空关联的两种用户激励算法.将显性时空关联的用户激励问题转化为集合覆盖问题并利用贪心算法对其进行求解,同时结合显性时空关联算法和马尔科夫模型求解隐性时空关联的用户激励问题.在仿真数据和真实数据集上的实验结果表明,与传统最小化花费算法、最大化覆盖算法和最小化花费覆盖...     

群智感知任务分配中的用户类型转换问题研究

群智感知系统中用户所提交的感知数据并不一定是可靠的.因此,设计合理的激励机制以保证用户高质量地完成群智感知任务是群智感知研究中所面临的最主要挑战.然而,大多数现有研究并未充分考虑系统无法吸引足够高质量用户参与的情形.针对这一问题,文章研究如何通过设置额外的奖励机制,激励完成任务质量较低的用户更好地参与任务,从而转换为高...     

基于信誉模型的群智感知网络用户参与激励机制

随着集成了越来越多传感器的移动设备的普及和发展,移动群智感知网络正成为一个新的研究领域,而充足的用户(尤其是信誉好的用户)参与,是移动群智感知网络的基础。在对用户参与激励机制策略进行研究和分析的基础上,针对现有激励机制在用户选择的随机性、任务处理效率和预算控制方面的不足,提出一种基于信誉模型的用户参与激励机制。初始时设置用户的信誉值,在任务分配过程中选择信誉度高的用户来参与任务处理,并通过设置因子减小用户的花费代价,这样在提高任务处理效率的基础上有效地控制了预算开支。最后通过实验验证,与现有普遍应用的用户参与激励机制策略相比,基于信誉模型的用户参与激励机制在提高任务处理效率和控制预算方面有更好的效果。     

基于时空信息和任务流行度分析的移动群智感知任务推荐

现有移动群智感知任务推荐的共同缺点是：一方面,未充分考虑时空信息对工人偏好的影响,导致推荐准确性低;另一方面,忽略了任务流行度对推荐的影响,导致推荐覆盖率差。为解决这些问题,提出一种基于时空信息和任务流行度分析的移动群智感知任务推荐方法。充分利用工人执行记录中的相关信息（如工人执行任务的时间、位置）,准确预测工人对任务的偏好;基于工人声誉和任务执行情况分析任务流行度并设计任务流行度惩罚因子,提升推荐效果的覆盖率;结合工人偏好和流行度惩罚因子生成任务推荐列表。实验结果表明,与现有基线方法相比,所提出方法在推荐准确率上平均提升了3.5%,推荐覆盖率上平均提高了25%。     

移动群智感知系统中基于离散布谷鸟搜索算法的任务分配

针对移动群智感知系统中工人积极性低以及任务过期的问题,提出了基于初始成本和软时间窗的任务分配算法。对应的任务分配问题为NP-hard问题,不存在计算有效的最优算法,因此,基于离散布谷鸟搜索算法（DCSA）进行求解。首先,根据问题特征,分别设计了对应的全局搜索过程以及局部搜索过程。其次,根据任务与工人起始位置的距离以及时间窗大小,分析其优先级以便得到更好的解。最后,执行可行化操作,使各次任务分配均满足相关约束。仿真结果表明,与遗传算法和贪婪算法相比,基于DCSA的任务分配算法能够提升工人的参与积极性,解决任务过期的问题,并最终降低系统的总成本。     

移动群智感知中的空间任务分配机制

在移动群智感知的空间任务分配问题中用户与任务的空间距离直接影响完成任务所需的成本,而现有的研究在这方面却考虑不足,因此以最小化感知成本为目标设计了移动群智感知中的空间任务分配机制。首先,以感知成本最小为目标,基于遗传算法和贪心算法设计了一种高效的任务分配方法;其次,针对用户感知质量的随机性,基于用户的历史感知情况和当前任务的执行情况设计了用户感知质量的更新机制。为验证所提机制的效果,通过仿真实验与两种基准的任务分配方法作比较。实验结果表明,所提机制在感知总成本和用户执行任务所移动的总距离等方面均有更好的效果,因此该空间任务分配机制具有很好的应用前景。     

基于数据冗余控制的移动群智感知任务分配方法

移动群智感知系统中任务之间存在时空覆盖重叠性,这可能导致重复数据收集从而引发数据冗余问题,为此,提出了一种可同时控制任务内以及任务间数据冗余的任务分配方法。该方法首先提出基于长短期记忆（LSTM）神经网络的轨迹序列预测模型,对任务参与者进行细分时空单元的轨迹序列预测,然后根据轨迹预测结果提出最小化数据冗余的优化模型。通过最小化时空单元的数据冗余度来控制单个任务内的数据冗余问题,并通过让单个任务参与者在时空单元中的感知数据被最大化重复利用来控制多个任务之间时空覆盖重叠性带来的数据冗余。实验结果表明,提出的任务分配方法可以有效地减少任务内及任务间的数据冗余。     

基于蒙特卡罗贝叶斯推理的移动群智感知可靠任务分配机制

针对现有任务分配策略的不足,研究了在工人数量有限的移动群智感知系统中任务分配策略,借助社交网络来分配任务并获得高收益。首先,建立了社交网络的动态不确定环境,利用社交网络完成任务,传播任务。然后考虑到不同社交网络对任务的偏好不同,设置任务偏好度这一不确定指标,借助经济学风险价值的理论描述任务分配的可靠性。最后利用蒙特卡罗贝叶斯推理方法研究任务动态传播模型的复杂参数的高斯过程,设计基于知识梯度的采样算法选择蒙特卡罗采样点,从而实现高收益的任务分配方案。为了验证所提策略的性能,将其与四种基准的采样算法进行比较。实验结果表明,所提任务分配策略在提高收益方面是有效的。     

群智感知环境中基于GRU网络的用户位置预测模型

在感知区域内用户分布稀疏的情况下,提前预测用户的位置是群智感知系统提高任务完成率的关键。提出了一种基于门控循环单元的用户位置预测模型。首先,构建了群智感知系统模型,实现了基于位置的参与式感知应用。然后,将用户位置的数据集做归一化处理,并结合用户历史位置数据的多维度特征构建了门控循环单元结构。最后,利用车联网中实际轨迹数据集对模型进行训练,并采用Adam算法对基于门控循环单元的用户位置预测模型的性能参数进行了优化。仿真结果表明,相比于RNN模型和LSTM模型,所提模型的预测均方误差分别降低了22%和18%,且在处理序列数据方面具有可实施性强的优势。     

群智感知中基于云辅助的隐私信息保护机制

为实现对移动群智感知中隐私信息的保护,解决请求者在云端监听,请求者与诚实且好奇的云相互串通导致用户隐私信息泄露的问题,提出一种基于云辅助的隐私信息保护机制。通过对用户贡献的数据进行拆分重组,使敏感数据脱敏,利用同态加密对拆分后数据进行处理,防止隐私信息的泄露,使移动用户可以安全地参与感知过程,保护请求者的权益。模拟实验结果表明了所提方案是可行有效的。     

移动群智感知中基于联邦学习的参与者选择机制

移动群智感知的发展使得一些任务收集的数据量过大,需要在不接收参与者原始数据的情况下评估数据质量并进行参与者选择。针对这一问题,提出一种基于联邦学习的移动群智感知参与者选择机制。考虑参与者智能终端资源水平、所处交互状态构建参与者智能终端资源评价机制,提出基于线性回归和长短期记忆网络的智能终端资源预测模型。通过预训练测试模型,评估参与者提供的数据质量,结合历史任务完成情况建立参与者信誉评价模型,实现对参与者的动态评价选择。仿真实验结果表明,所提的参与者选择机制在任务完成质量、能量消耗、通信轮数及任务完成时间等多方面体现出较好的性能。     

面向依赖关系约束的移动群智感知任务协作

现有移动群智感知中,大多研究将每个任务作为独立个体进行处理,对任务间约束关系缺乏研究,为此,提出了基于感知质量优先级的在线任务协作方法（online task collaboration method based on sensing quality priority,TCSP）。该方法首先使用贪婪算法计算感知质量优先级,对全部任务进行筛选以保证任务完成率;然后将选出任务中存在时间先后或执行逻辑前后关系的多个子任务构建为任务协作图,并将其协作过程建模为有约束的马尔可夫决策过程,通过强化学习算法求出最优协作策略。实验结果表明,与现有基线方法相比,所提出的任务协作方法能够减少依赖任务的平均完成时间,有效降低平台的平均感知成本。