本发明涉及群智感知领域,具体涉及一种基于用户基数最大化的群智感知激励方法。
背景技术
近年来,各类基于移动群智感知(mobilecrowdsensing,mcs)的新兴应用在各方面影响着人们的生活。移动群智感知采用正常的智能手机用户收集各种信息(如位置、声音、视频、图像等),以便使研究人员能够实现各种传感应用,方便人们的生活,如交通监控、污染监测和社交网络。为了确保这些应用能够提供高质量服务,其关键因素在于智能手机用户的充分参与。然而,对于mcs应用程序,执行感知任务可能会对正常的智能手机用户造成多方面的损失。例如,完成传感任务可能消耗大量的电池电量和额外的数据传输成本。收集的感官数据也可以显示用户的私人信息。因此,必须向用户提供足够的激励,使用户愿意贡献他们的感知资源,最后使得mcs应用程序可以提供高质量的传感服务。
在最新的研究中,许多研究人员做了大量工作,设计了各种激励机制来激励用户参与,保障mcs应用程序可以提供高质量的传感服务。而在这些传统的方法中,大多假设用户与整个感知区域的同质成本相关联,并在此基础上提出了多种效益优化模型。设计基于反向拍卖的提供奖励激励机制是一个很有前途的方法来激励用户参与。而mcs的现有工作大多假定在感知区域有一个全局效益函数来优化平台,这种优化忽略了不同区域的用户可能具有异质性成本的问题。在这种情况下,如果采用传统的机制,试图招募一组用户根据单位边际贡献方面的目标函数,招募的用户在不同地区之间可能有高度的不均衡分布。在这些地区缺乏收集的数据限制了mcs应用程序的总体服务质量,即使其他区域可以接收足够的数据。
因此考虑到智能手机用户在感知区域有异质性成本,例如,不同地区的用户有不同的成本分布,传统的机制可能会产生感知漏洞,并在某些地区招募到的用户是不足够的,从而导致服务质量不理想。在新的情况下,传统的方法已经不适用了,所以急需设计出新的激励机制来解决这种情况。
技术实现要素:
本发明的目的是针对现有技术的不足,提供了一种基于用户基数最大化的群智感知激励方法,所述方法提出了一种激励机制,能够在预算约束的条件下,在用户成本分布不均的地区,招募尽可能多的用户参与到感知任务中来,从而提高感知服务的整体质量。
本发明的目的可以通过如下技术方案实现:
一种基于用户基数最大化的群智感知激励方法,所述方法包括以下步骤:
s1、任务请求端将由请求的服务内容与预算构成的感知任务集合发送给感知服务平台,等待请求回应;
s2、感知服务平台将收到的感知任务集合发送到目标感知区域的用户端集合中的每一个用户端;
s3、用户端接收到发布的感知任务集合,判断在所述感知任务集合中是否存在自身满足条件的感知任务,如若存在,则向感知服务平台提交自己的竞标数据;
s4、感知服务平台接收到所有用户端的竞标数据,基于激励模型计算出每个感知任务在预算限制下能招募的最多人数,并将所述感知任务分配给对应的中标用户端;
s5、感知服务平台整合收到的感知结果并检验结果,然后返回结果给任务请求端,并支付报酬给中标用户。
进一步地,考虑一个感知任务,该感知任务包含l个感兴趣的感知区域,第l个感知区域与一系列候选用户rl相关联,其中l=1、2……l,所有候选用户集合
其中,|·|表示所选用户集合的用户基数或数量,
进一步地,所述感知服务平台的目标函数基于均分预算基数最大化机制(even-budgetcardinalitymaximization,ebcm)进行求解,具体过程如下:
1)将预算平均分配给每个感兴趣的感知区域对应候选用户rl;
2)按照每个感兴趣的感知区域对应候选用户rl的竞价nl进行升序排列,在每个感兴趣的感知区域中选择最大的kl个用户,使得
3)该机制返回覆盖集的数量是minl∈[l]kl,选定用户的报酬阈值设置为
进一步地,所述感知服务平台的目标函数基于最小基数最大化机制(min-cardinalitymaximization,mcm)进行求解,具体过程如下:
1)将预算平均分配给每个感兴趣的感知区域对应候选用户rl;
2)按照每个感兴趣的感知区域对应候选用户rl的竞价nl进行升序排列,在每个感兴趣的感知区域中选择最大的kl个用户,使得
3)该机制返回覆盖集的数量是minl∈[l]kl,选定用户的报酬阈值设置为
4)减去过招募用户的报酬并将其添加到欠招募的感兴趣的感知区域中,用更新过的欠招募的感兴趣的感知区域招募更多的用户;
5)重复以上步骤,直到所有感兴趣的感知区域中招募的用户数量相当。
本发明与现有技术相比,具有如下优点和有益效果:
本发明提供的基于用户基数最大化的群智感知激励方法,能够在感知区域存在异质性成本的情况下,在保证预算限制的条件下,在各个感兴趣区域招募尽可能多的用户,从而提高感知服务的质量。
附图说明
图1为本发明实施例一种基于用户基数最大化的群智感知激励方法的流程图。
图2为本发明实施例在用户成本正态分布下,mcm、ebcm和cgreedy三种算法的平均招募用户数性能比较图。
图3为本发明实施例在用户成本正态分布下,mcm、ebcm和cgreedy三种算法的覆盖集性能比较图。
图4为本发明实施例在用户成本均匀分布下,mcm、ebcm和cgreedy三种算法的平均招募用户数性能比较图。
图5为本发明实施例在用户成本均匀分布下,mcm、ebcm和cgreedy三种算法的覆盖集性能比较图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种基于用户基数最大化的群智感知激励方法,所述方法的流程图如图1所示,包括以下步骤:
s1、任务请求端将由请求的服务内容与预算构成的感知任务集合发送给感知服务平台,等待请求回应;
s2、感知服务平台将收到的感知任务集合发送到目标感知区域的用户端集合中的每一个用户端;
s3、用户端接收到发布的感知任务集合,判断在所述感知任务集合中是否存在自身满足条件的感知任务,如若存在,则向感知服务平台提交自己的竞标数据;
s4、感知服务平台接收到所有用户端的竞标数据,基于激励模型计算出每个感知任务在预算限制下能招募的最多人数,并将所述感知任务分配给对应的中标用户端;
s5、感知服务平台整合收到的感知结果并检验结果,然后返回结果给任务请求端,并支付报酬给中标用户。
具体地,考虑一个感知任务,该感知任务包含l个感兴趣的感知区域,第l个感知区域与一系列候选用户rl相关联,其中l=1、2……l,所有候选用户集合
其中,|·|表示所选用户集合的用户基数或数量,
其中,所述感知服务平台的目标函数基于均分预算基数最大化机制(even-budgetcardinalitymaximization,ebcm)进行求解,具体过程如下:
1)将预算平均分配给每个感兴趣的感知区域对应候选用户rl;
2)按照每个感兴趣的感知区域对应候选用户rl的竞价nl进行升序排列,在每个感兴趣的感知区域中选择最大的kl个用户,使得
3)该机制返回覆盖集的数量是minl∈[l]kl,选定用户的报酬阈值设置为
另外,所述感知服务平台的目标函数还能够基于最小基数最大化机制(min-cardinalitymaximization,mcm)进行求解,具体过程如下:
1)将预算平均分配给每个感兴趣的感知区域对应候选用户rl;
2)按照每个感兴趣的感知区域对应候选用户rl的竞价nl进行升序排列,在每个感兴趣的感知区域中选择最大的kl个用户,使得
3)该机制返回覆盖集的数量是minl∈[l]kl,选定用户的报酬阈值设置为
4)减去过招募用户的报酬并将其添加到欠招募的感兴趣的感知区域中,用更新过的欠招募的感兴趣的感知区域招募更多的用户;
5)重复以上步骤,直到所有感兴趣的感知区域中招募的用户数量相当。
在算法中所用到用户选择和报酬方案的设计,确保机制的结果是个体合理性和预算可行性。从直觉上来看ebcm具有多项式时间复杂度。我们从以下两个方面来说明ebcm是真实的:
·考虑到预算和一系列上升的竞价,支付报酬方案是真实的;
·给定特定roi(感兴趣的感知区域,regionofinterest)的竞价用户,报酬仅受来自相同roi的用户的影响。
接下来通过下面的引理总结ebcm近似比性能:
引理1与最佳解决方案相比,ebcm的近似比为2
证明:按照上述机制对竞价进行排序,然后第i个覆盖集用cvi表示,由第i次所有roi里最小的竞价组成,即
接下来我们用反证法来证明ebcm的近似比为2。
假设返回的覆盖集的数量小于最优数k*的一半。由此得出结论
然而,因为我们对每个roi的竞价进行的升序排序,所有我们有:
我们注意到
于是:
结合以上两个不等式,能得出结论
我们用以下的定理1可总结出ebcm的性质
定理1ebcm在计算上是有效的,是个体合理的,预算是可行的,真实的和近似比为2。
在本实施例中,所述mcm机制的工作方法为:
mcm的主要思想是重新分配预算,将过招募的roi预算再分配给欠招募的roi。
首先,我们平均分配预算b,然后运行mcm获得一组潜在的招聘用户。接着减去的过招募用户的报酬并将其添加到欠招募的roi中。我们用更新过的欠招募的roi招募更多的用户。持续运行程序,知道所有的roi中招募的用户数量相当。
接下来我们分析mcm的性质。我们注意到在预算重新分配的过程中,我们没有超出原来的预算b。因此mcm是预算可行的。因为mcm尝试提高由ebcm返回的招聘覆盖集的数量,其近似比上限为2。
其他性质通过几个引理得到。
引理2mcm在计算上是高效率的。
证明:假设我们有n个用户和l个roi,ebcm算法花费的时间复杂度是o(ln2),排序花费的时间复杂度是o(l2)。在while循环中,条件测试数量由o(nl)限定,while循环中最昂贵的操作是搜索,它的时间复杂度是o(l)。因此,mcm的总运行时间是o(ln2)的复杂度。
引理3mcm是个体合理的。
证明:对于选定的用户有两种情况。
·在过招募的roirl中。对于一个被选择的用户i,报酬为
·在欠招募的roirl中。对于一个被选择的用户i,报酬为
引理4mcm是真实的。
证明:mcm中有两种报酬方案。
·在过招募的roirl中。当运用ebcm选择符合要求的用户时,我们已经证明,报酬方案是真实的。在预算转移的过程中,被选则的列表的后端用户被排除在最后一组中标用户之外。然而,这种操作并不干扰单调分配规则,而报酬的阈值与开始一样具有相同的性质。因此,对于过招募的roi中的用户,该机制是真实的。
·在欠招募的roirl中。根据mcm,预算再分配的过程是确定性的。在该机制的最后,定义πj为序列π1,π2,…,πl中的一个元素,使得
我们用以下的定理2可总结出mcm的性质
定理2mcm在计算上是有效的,是个体合理的,预算是可行的,真实的和近似比为2的。
图4和图5展示出了用户成本服从均匀分布并具有不同预算时,不同算法的性能。可见覆盖率和平均招聘用户数随着给定预算的增加而增加。
图5可以看出,mcm获得的覆盖集数是最大的。具体来说,mcm的结果平均比cgreedy好321%。结果表明,该机制能够有效地利用预算,提高整体服务质量,而不是像传统机制那样只考虑整个地区最经济的用户。mcm的结果平均比ebcm好15%,这意味着预算转移操作在充分利用预算方面是有效的。
图4比较了几种算法的被招募用户的平均数量,三种算法的性能相当,其中cgreedy略优于其他两种算法。这表明,传统的机制cgreedy招募尽可能多的用户是有效的,但招募用户在不同的roi中呈高度不平衡的分布,一些roi收到很少中标用户从而导致服务质量低。
图2和图3描绘了当用户成本服从正态分布时的性能趋势。从图3可以看出,mcm的覆盖集数平均分别比为cgreedy和ebcm高124%和28%,可以看出,正态分布条件下,cgreedy达到更好的结果,这是因为低成本的用户比均匀分布的用户少,然而,该机制还比cgreedy要好得多。
对于一般的情况下,可以从图2看到,平均招募用户数mcm比cgreedy略差,所以cgreedy具有选择最经济用户的能力,但是,从整体服务质量的角度来看,寻找最经济的用户显然是不够的。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。