群智感知中确定和非确定轨迹下的车辆任务分配方法与流程

本发明涉及群智感知车辆任务分配领域，具体涉及在车辆确定性和不确定性轨迹下的车辆任务分配方法。

背景技术：

随着移动计算和云计算的发展，群智感知逐渐出现在人们的生活中。粗略地说，群智感知是指雇用一组移动用户来携带移动设备来执行大规模的感知任务。例如，cn201810851372-一种在群智感知系统中基于关键路段的感知节点选取方法，提供了选取合适的车辆作为感知节点的技术方案。本发明重点关注的是基于车辆的任务分配问题。尽管有些文献已经研究过了相关问题，但是本发明的内容与它还是有很多不同。在文献[1]中，它主要研究的是在基于确定性轨迹模式预算限制下的传感质量问题，希望在有限的预算下达到最高的传感质量。但是在很多情况下，用户轨迹并不是确定的，优选的方式是，用户能执行任务仅仅当用户确实经过此兴趣点，而不是为了执行任务而改变原有路线，因为特意前往兴趣点执行任务这无疑增大了用户执行任务的代价，也增加了整体资源的浪费。在文献[2]中，主要研究了在不确定轨迹时用户招募问题。但是并没有考虑到用户选择路线的规律性，在日常生活中，如下班回家，天气、日期、时间，这些都会影响用户路线的选择。cn201510179384-提出了一个基于时间窗口的群智感知反向拍卖模型，但是它招募的用户的轨迹是确定的，用户需要偏离惯例而前往兴趣点执行此任务，对用户的干扰性较大，本发明中考虑了用户轨迹的不确定，对用户的干扰性较少，因此成本相比会更低。cn201610141592-提出了一个反向拍卖框架和两个可选的激励框架，此专利中更偏重于设计真实的激励机制来刺激用户作为参与者，而本发明中主要偏重于不同轨迹模式下的任务分配方法设计。cn201711147543-中主要考虑了用户不足情况时激励用户前往人数稀少的地点，偏重于激励机制的设计，并且仅仅考虑一个用户执行一个任务，而本发明中提出的多个用户联合执行同一个任务这个策略更加的高效且经济。

参考文献：

[1]k.yi,r.du,l.li,q.chen,andg.kai,“fastparticipantrecruitmentalgorithmforlarge-scalevehicle-basedmobilecrowdsensing,”pervasive&mobilecomputing,vol.38,p.s1574119216303959,2017.

[2]m.xiao,j.wu,h.huang,l.huang,andc.hu,“deadline-sensitiveuserrecruitmentformobilecrowdsensingwithprobabilisticcollaboration,”inieeeinternationalconferenceonnetworkprotocols,2016.

[3]b.guo,l.yan,w.wu,z.yu,andh.qi,“activecrowd:aframeworkforoptimizedmulti-taskallocationinmobilecrowdsensingsystems,”ieeetransactionsonhuman-machinesystems,vol.47,no.3,pp.392–403,2017

[4]g.gao,m.xiao,w.jie,l.huang,andh.chang,“truthfulincentivemechanismfornondeterministiccrowdsensingwithvehicles,”ieeetransactionsonmobilecomputing,vol.pp,no.99,pp.1–1,2018.

技术实现要素：

根据上述的一些研究存在的缺陷，本发明提供在确定性与不确定轨迹下的车辆任务分配的技术方案。

本发明提供一种群智感知中确定和非确定轨迹下的车辆任务分配方法，用于确保所有任务执行，在确定性轨迹下，以最少代价选取车辆来完成任务，在不确定轨迹下，首先通过逻辑回归方式确定每个车辆轨迹的概率，然后利用半马尔可夫方式计算每辆车执行任务的概率，最后选取合适的车辆保证每个任务被执行的联合的概率大于概率阈值且代价最小；实现方式为，作为np-hard问题，采用基于贪婪选择的方式，对于给定的车辆集合v和给定的任务集合s，执行确定性轨迹任务分配过程或不确定性轨迹任务分配过程求取由最少代价的车辆集合执行任务集合s。

而且，所述确定性轨迹任务分配过程包括以下步骤，

step1，初始化集合φ为空，转至step2；

step2，计算在集合v中却不在集合φ中的每个车辆vi的单位代价边际效用δ(vi,φ)，转至step3；

step3，选择使得δ(vi,φ)最大的车辆，将该车辆加入到集合φ中，vi执行相应的任务集合sⁱ，如果集合φ中的车辆能够执行所有任务，则转至step4，否则，转至step3。

step4，返回车辆集合φ，结束。

而且，定义效用函数f(φ)表示在集合φ中的所有车辆能够执行的不重复任务的个数，所述单位代价边际效用，表示在单位代价下新加入的车辆vi能够做的新的任务个数，vi∈v。

而且，所述不确定性轨迹任务分配过程包括以下步骤，

step1，初始化集合φ为空，转至step2；

step2，计算在集合v中却不在集合φ中的每个车辆vi的单位代价概率边际效用δg(vi,φ)，转至step3；

step3，选择使得δg(vi,φ)最大的车辆，将该车辆加入到集合φ中，如果所有任务都被分配完毕而且每个任务执行的概率不小于概率阈值β，则转至step4，否则，转至step3

step4，返回车辆集合φ，结束。

而且，定义效用函数g(φ)表示在集合φ中的车辆执行所有任务的总有效概率，所述单位代价概率边际效用表示在单位代价下新加入的车辆vi对执行任务增加的概率值，vi∈v。

和现有技术相比，本发明的区别和相应优点在于：在本发明中，本发明关注具有确定性和非确定性轨迹的基于车辆的人群感知的最小代价任务分配问题，能够节约资源，支持实现高效地路网交通状态监测。

现在大多的群智感知研究的是参与式传感[3]，即确定车辆的轨迹或者车辆因要执行任务而特意前往兴趣点，虽然这能够确保任务被执行，但是无疑增大了因距离产生的代价。很少研究有考虑到轨迹的动态性，即机会参与式传感。在本发明中，考虑了轨迹的动态性，根据车辆的历史轨迹数据，分析车辆轨迹规律，计算车辆在当前环境下路线选择的概率，而已存在很多文献例如文献[2]都忽视了这一点。在本发明中，考虑任务是时空敏感的，任务必须在特定地点和特定时间段内执行，本发明使用半马尔科夫技术研究任务被执行的概率，而现有的有些论文例如文献[4]默认车辆如果概率选择走某一条路线，则这条路线上的所有任务被执行的概率都是一样的，没有考虑任务的时间属性。

附图说明

图1为本发明实施例在不确定性轨迹模式下车辆联合概率执行任务示例说明图。

图2为本发明实施例确定性轨迹任务分配过程对应示例说明图。

图3为本发明实施例使用逻辑回归对路线进行分类的图

图4为本发明实施例不确定性轨迹任务分配过程对应示例说明图。

图5为本发明实施例在确定性轨迹模式下，车辆个数对总代价影响实验结果示意图。

图6为本发明实施例在确定性轨迹模式下，任务个数对总代价影响实验结果示意图。

图7为本发明实施例在确定性轨迹模式下，车辆个数对效用值影响实验结果示意图。

图8为本发明实施例在确定性轨迹模式下，任务个数对效用值影响实验结果示意图。

图9为本发明实施例在不确定性轨迹模式下，车辆个数对总代价的影响实验结果示意图。

图10为本发明实施例在不确定性轨迹模式下，任务个数对总代价的影响实验结果示意图。

图11为本发明实施例在不确定性轨迹模式下，概率阈值β对总代价的影响实验结果示意图。

图12为本发明实施例在不确定性轨迹模式下，车辆个数对效用值影响实验结果示意图。

具体实施方式

以下结合附图和实施例详细说明本发明的技术方案。

基于车辆的群智感知(vcs)是群智感知中的一个特例，任务分配是其中的一个基本而重要的问题。本发明中，研究了基于车辆的群智感知的最低代价任务分配(mcta)问题。vcs平台希望以最低代价招募一些车辆来完成给定的时空任务。由于车辆轨迹是动态的，本发明将mcta问题分为两个子问题：确定性轨迹(d-mcta)问题和非确定性轨迹(n-mcta)问题。对于d-mcta问题，本发明提出了d-mcta问题是np-hard问题，提出了一种相应的d-mcta方法来解决这个问题。对于n-mcta问题，首先，通过逻辑回归方法确定每个车辆轨迹的概率。然后，利用半马尔可夫方法计算每辆车执行任务的概率。此外，提出了n-mcta方法，并给出了理论分析。最后，进行了广泛的仿真，表明本发明提出的方法的性能优于其他方法。

对于确定性轨迹，车辆的轨迹是预先确定的，并且可以完成的任务是已知的。在这种情况下，任务请求者只需要招募合适的车辆来完成所有任务。然而，在许多情况下，由于实际车辆轨迹的不确定性，如图1所示，每个车辆(vehicle)通常在特定时间段有若干个可能的路线(possibletrajectory)可以选择，例如，在通勤的高峰时段，车辆可以根据交通条件或天气等选择不同的路线。每辆车概率选择某一条路线，该路线可能具有多个可执行的时空任务，如果在任务被执行的预期时间内车辆可以沿着路线到达兴趣点(poiwithtime)，则车辆可以相应地执行该任务。一旦雇用车辆，这个车辆会概率执行可能执行的所有任务。为了确保传感质量，该任务请求者将要求以大于特定概率阈值的概率执行每个任务，即可能要求多个车辆联合执行同一个任务，并且希望执行所有任务的代价最小。

本发明需要解决的问题是确定性与不确定性轨迹下的最小代价的车辆任务分配问题。在确定性轨迹下，希望用最小的代价去完成所有的任务，而且为了激励车辆用户，每个被选取的车辆会完成它的路线上所有能被执行的任务。这就会存在多个用户可能会执行一个任务的情况了。这无疑是不需要的，为了减少这种情况的发生，本发明在每次迭代选择车辆时，选择能够执行新任务个数与代价比值最高的车辆。不确定性轨迹模式下，本发明希望每个任务被执行的概率不小于概率阈值β，来确保任务被执行的质量。当β一定时，本发明希望选取车辆所花费的代价越小。当β增加时，代价可能会不变，那是因为所选取的车辆执行任务的质量最开始已经远大于阈值β。

实施例中，在确定性与不确定轨迹下的任务分配的方法，包括确定性轨迹任务分配方法和不确定性轨迹任务分配方法。其中，对于确定性轨迹，每次选择执行新任务个数与代价比值最高的车辆来完成任务，直到所有任务都被执行。对于不确定性轨迹，首先通过车辆历史数据使用逻辑回归方法来确定车辆行走路线的概率，其次，使用半马尔科夫方法来计算任务被执行的概率，最后使用不确定轨迹任务分配方法贪婪选择最优的车辆来完成所有任务，保证任务执行质量，使得总代价最小。

为了更加清晰的描述这个问题，用公式将其表示出来，为此有以下定义：

对于给定的车辆集合v＝{v1，v2，...，vn}，其中n为车辆数量，和给定的任务集合s＝{s1，s2，...，sm}，m为任务数量，每个车辆vi可以参与的任务集合sⁱ表示为其中，有l个任务，设每个sj任务需要在位置lj并且这个时间段被执行，每个车辆vi会根据所做的任务给出自己的代价ci。c(φ)表示的是请求者招募车辆集合所需要花费的费用。其中分别是任务sj希望被执行的开始时间和结束时间。

在确定轨迹模式下，每个车辆能够执行的任务是已知的，概率为1，|s|表示为希望被执行的任务个数，即任务集合s的任务个数，本发明提出希望所有的车辆能够执行所有的任务。所以确定轨迹任务分配问题可以表示为：

条件为

其中，表示的是集合φ中的车辆能执行的任务，即s¹∩s²...s^|ф|，|φ|是集合φ中的车辆数目。

在不确定性轨迹模式下，车辆vi可能有k条路线可以选择，被定义为ri，车辆走编号为k的路线rk概率为k＝1，2，...，k模式下，在这条路线上能够在特定时间段内执行任务sj的概率为任务sj被vi成功执行的概率为p^ij。

任务sj被执行的联合概率为

其中，(1-p^ij)表示车辆vi不能成功执行任务sj的概率，表示在集合φ中的所有车辆不能执行任务sj的概率。

所以不确定轨迹任务分配问题可以表示为：

条件为

其中，β为概率阈值。

一：确定性轨迹d-mcta问题

首先证明确定性轨迹模式下任务分配问题是一个np-hard问题，通过一个特殊的假设，每个车辆完成任务提交的代价ci都为1，这个问题就转化为了由最少数量的多个任务子集覆盖任务集合s，这个问题是经典的np-hard问题，所以该问题是np-hard问题。

定义效用函数f(φ)，表示的意思为在集合φ中的所有车辆能够执行的不重复任务的个数，能被写成：

单位代价边际效用：表示在单位代价下新加入的车辆vi(vi∈v)能够做的新的任务个数，可以表示为δ(vi，φ)，被定义为：

为了解决确定性轨迹任务分配的问题，本发明采用的贪心的确定性轨迹任务分配方案，包括以下步骤，

具体步骤如下：

step1，初始化集合φ为空，转至step2；

step2，计算在集合v中却不在集合φ中的每个车辆vi的单位代价边际效用δ(vi，φ)，转至step3；

step3，选择使得δ(vi，φ)最大的车辆，将该车辆加入到集合φ中，vi执行相应的任务集合sⁱ。如果集合φ中的车辆能够执行所有任务，即所有任务被分配完毕，则转至step4，否则，转至step3。

step4，返回车辆集合φ，结束。

定理一：f(φ)是递增的，而且

证明：当所选择的车辆集合为空时，相应的这个集合能够完成的任务个数也为0，所以

考虑两个车辆集合φ1和φ2，存在一个车辆集合φ3，使得即f(φ)是递增函数。

定理二：f(φ)是子模函数。

证明：对于任何两个车辆集合φ1和φ2，选取一个车辆vk，因此，f(φ)是子模函数。

因此，本发明可知f(φ)在2^v上是拟阵函数。

同理可证c(φ)在2^v上是拟阵函数。

本发明采用的用于解决在确定性轨迹任务分配的技术方案具有以下特点：

最优比为ln(γ)，通过转化为msc/sc问题以及公式推导进行证明。

二：不确定性轨迹n-mcta问题

使用逻辑回归对车辆选择的路线进行预测，求取车辆选择路线的概率假设车辆vi有k条可选择路线，根据该车辆的历史轨迹，我们有未知分布的观察数据点(xi，yi)，xi表示为与车辆vi轨迹选择相关的特征向量，yi为选择的路线编号。在这个分布中的每一个数据点(xi，yi)是相互独立的数据。比如，假设特征向量为月份、时间点、温度，当条件为一月、6点、温度为5度时，车辆会选择路线1，即其中一个数据点为(1，6.5，5)，1)。如图3所示，表明月份、时间点、温度等对车辆路线选择的影响。

逻辑回归预测了车辆vi选择路线k的概率，但在车辆沿着路线k行驶过程中，到达兴趣点的时间是不确定的，我们使用来表示在内到达地点lj执行任务sj的概率。通过使用半马尔可夫过程模型，解决状态之间的时间相关转移概率，求出

为了更好地解决不确定性轨迹n-mcta问题，我们提出概率效用函数g(φ)。

定义：效用函数g(φ)为在集合φ中的车辆执行所有任务的总有效概率，可以被写成：

其中，为了更好地分析近似比，δ为一个常数，并且变量

根据任务请求者设定的传感质量阈值β，根据如果则任务sj被执行的有效概率为β，反之，有效概率为

定义：单位代价概率边际效用：表示在单位代价下新加入的车辆vi(vi∈v)对执行任务增加的概率值，可以表示为δg(vi，φ)，被定义为：

为了解决不确定轨迹的任务分配问题，通过贪心的不确定性轨迹任务分配方法分配任务，本发明采用的贪心的不确定性轨迹任务分配方案技术方案，包括以下步骤，

具体步骤如下：

step1，初始化集合φ为空，转至step2；

step2，计算在集合v中却不在集合φ中的每个车辆vi的δg(vi，φ)，转至step3；

step3，选择使得δg(vi，φ)最大的车辆，将该车辆加入到集合φ中，vi被分配概率执行任务集合sⁱ。如果集合φ中的车辆能够保证所有任务都被执行而且每个任务执行的概率不小于β，则任务分配完毕，则转至step4，否则，转至step3；

step4，返回车辆集合ф，结束。

定理三：g(ф)是递增的，而且

证明：当所选择的的车辆集合为空时相应的这个集合不包含任何任务，所以已知两个车辆集合，因为所以g(ф2)≥g(ф1)，即g(ф)是递增函数

定理四：g(ф)是子模函数。

证明：对于任何两个车辆集合ф1和ф2，g(ф1)+g(ф2)≥g(ф1∩ф2)+g(φ1∪φ1)。

本发明采用的不确定轨迹的任务分配部署技术方案具有以下特点：

不确定轨迹的任务分配的最优比为通过把问题转化为msc/sc问题以及公式推导进行证明。

首先根据图示对方法1进行说明：

如图2所示，在系统中有三辆车v＝{v1，v2，v3}愿意参加任务，有四个任务s＝{s1，s2，s3，s4}要被执行，车辆v1能够执行任务s¹＝{s1，s2}，车辆v2能够执行任务s²＝{s2，s3，s4}，车辆v3能够执行任务s³＝{s3，s4}，每辆车会有一个报价c1、c2、c3。

首先，

在第一次迭代中，分别计算因为v1能够最大化选择v1将v1加入到集合φ中，φ＝{v1}。能够被执行的任务为{s1，s2}；

在第二次迭代中，分别计算因为v3能够最大化选择v3，将v3加入到集合φ中，φ＝{v1，v3}，能够被执行的任务为{s1，s2，s3，s4}，所有任务都有司机执行。返回车辆集合φ。

接着根据图示对方法2进行说明：

如图4所示，本发明使用一个例子来说明。在系统中有三辆车v＝{v1，v2，v3}愿意参加任务，有四个任务s＝{s1，s2，s3，s4}要被执行，车辆v1能执行任务s¹＝{s1，s2}的概率分别为为1、1/3，车辆v2执行任务s²＝{s2，s3，s4}的概率分别为1/2、1/2、1/3，车辆v3执行任务s³＝{s3，s4}的概率分别为1/2、1/2，每辆车会有一个报价c1、c2、c3。概率阈值β为2/3，δ＝45，mβδ＝120。

首先，

第一轮：分别计算因为v1能够最大化选择v1，将v11加入到集合φ中，dφ＝{v1}，g(φ)＝45；

在第二次迭代中，分别计算因为v2能够最大化选择v2，将v2加入到集合φ中，φ＝{v1，v2}，g(φ)＝97.5；

在第三次迭代中，计算因为v3能够最大化选择v3，将v3加入到集合φ中，φ＝{v1，v2，v3}，任务s1、s2、s3、s4被执行的概率都达到阈值β。g(ф)＝120.结束迭代，返回车辆集合φ。

具体实施时，可采用计算机软件技术实现流程的自动运行。运行流程的装置也应当在本发明的保护范围内。

为便于实施参考起见，提供实施例的应用实例如下：

实例是以模拟数据运行得到相应的结果。为了分析方法1和方法2的性能，为此一些参照方法被提出用以和方法1以及方法2进行比较，这里将方法1记作d-mcta，将方法2记作n-mcta。

对于方法一，2个参照方法以不同的思路被提出：

随机分配方法(d-rada)：在每次迭代中随机的选择一个车辆，不断地重复这个过程直至所有任务被执行。

最大任务分配方法(d-maxt)：每次选择能够执行任务个数最大的车辆，直到所有的任务都被执行。

模拟实验将重点关注给任务分配，车辆、任务、代价、效用比这四者之间的关系。如果车辆数目一定，分别研究车辆数目与代价和效用比之间的关系。如果任务数目一定，分别研究任务数目与代价和效用比之间的关系。

参照方法d-rada的结果是不可预测的，结果可能好也可能差，具有随机性，需要多次实验取平均值作为最终的结果，这可以作为评判其他方法优劣性的重要指标。参照方法d-maxt的思路与方法1的思路十分相似，区别在于n-maxt方法考虑的是执行任务的个数，会导致被重复执行的任务个数增多。所以方法1的效用比更高。

如图5,6,7,8所示，本发明研究了车辆和任务数量对总数的影响选取代价。当任务数量(m＝30)保持不变，本发明评估了车辆数量n对总代价的影响。在这三种方法中，本发明可以看出d-mcta方法的总体代价是最低的，因为本发明还在确保完成任务的同时考虑代价。然后，当车辆数量(n＝100)保持不变时，本发明评估任务数量m对总代价的影响。在d-mcta方法中，随着车辆数量的增加，代价值变小。这是因为本发明可以选择代价较低的车辆来完成任务。为了更好地突出d-mcta方法的性能。本发明引入有效比率的概念，其被定义为任务总数|s|与每个被招募的车辆执行的任务数量之和的比率。本发明研究了车辆数量和任务对有效比率的影响。当任务数量(m＝30)保持不变时，本发明逐渐将车辆数量从100增加到400，并且有效比率随着车辆数量的增加而增加。因为在每次迭代时，d-mcta方法贪婪地选择能够执行具有最大数量的未覆盖任务的车辆到被招募的车辆集合，f(φ)被最大化。然后，本发明还考虑了任务数量对有效比率的影响，虽然d-maxt方法的d-maxt方法效率高于d-mcta方法，但d-maxt招募车辆的代价无疑更高。

对于方法二，2个参照方法以不同的思路被提出：

随机分配方法(n-rada)：在每次迭代中随机的选择一个车辆，不断地重复这个过程直至所有任务被执行。

最大任务分配方法(n-maxt)：每次选择能够执行任务概率总和最大的车辆，直到所有的任务都被执行。

模拟实验将重点关注给任务分配，车辆、任务、β、成本代价、效用比这四者之间的关系。如果车辆数目和β一定，分别研究车辆数目与代价和效用比之间的关系。如果任务数目和β一定，研究任务数目与代价之间的关系。如果任务数目和车辆数目一定，研究β与代价之间的关系。

如图9,10,11,12所示，本发明现在研究n-mcta方法的性能，并与随机方法和n-maxp方法进行比较。本发明研究了车辆数量n对总代价的影响。当m和β保持不变，并且车辆数量从100增加到300时，本发明可以得出总代价逐渐降低。通过n-mcta方法选择的车辆的总代价最低。因为n-mcta基于确保任务执行的概率选择具有最低代价的车辆，所以代价将更低并且性能将优于其他两个方法。当车辆数量n和β保持不变时，需要执行的任务数量增加，系统需要招募更多车辆以满足需求。在这三种方法中，n-mcta方法是最优的。每个任务请求者希望执行任务的概率可以达到某个阈值β。当m和n保持不变时，随着概率阈值β逐渐增加，随机方法受影响最大，而n-mcta方法影响最小。因为当车辆自身执行任务的概率已经相对较大时，阈值的增加对总代价几乎没有影响。在招募车辆时，在许多情况下，车辆组执行任务的概率将大于β。因此，在此提出基于概率的有效比率，其被定义为任务的概率和g(φ)与的有效比率。当m和β保持不变时，随着车辆数量的增加，车辆的有效比率逐渐增加。由于车辆数量增加，

可选择车辆的数量增加，并且由n-mcta方法选择的车辆执行任务的概率更接近概率阈值，并且有效比率增加。

本文中所描述的具体实施例仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。