一种基于群智感知系统面向随机参与的群智感知激励方法与流程

本发明属于群智感知领域，涉及一种面向随机参与的群智感知激励方法，具体涉及一种基于群智感知系统面向随机参与且时空相关的群智感知异构激励方法。

背景技术：

随着智能移动设备的功能完善和普及应用、移动互联网技术的快速发展，人类社会已进入了群智感知时代。目前智能手机普遍自带丰富的传感器，包括麦克风、摄像头、gps、加速度计、陀螺仪等，通信能力、计算能力和感知能力都大大增强，使得每个携带者都能成为一个感知终端。可将普通用户的移动设备(手机、平板电脑等)作为基本感知单元，利用移动互联网进行有意识或无意识的协作，分配感知任务、收集感知数据，完成复杂的、复杂的社会感知任务。通过这些感知终端组建交互式的移动传感器网络，使得大众能够参与到收集、了解和分享他们周围环境状况的群智感知活动中来。与传统的、基于静态传感设施相比，移动设备具有可移动性，从而群智感知系统的传感网络具有更强的灵活性，且部署成本大大降低。

在典型的群智感知系统中，数据需求方会向云端平台提出数据需求，由云端平台负责发布感知任务，而移动用户则利用自己的移动设备来完成收集感知数据、完成已发布的感知任务。得益于移动设备的广泛普及应用和移动用户的移动性、灵活性，群智感知已经成为一种重要的数据收集方式，它尤其适用在以用户为中心的、位置相关的感知应用中，比如城市噪声污染情况监测、空气质量监测和交通道路状况实时监测等。

当移动用户参与感知任务、手机感知数据时，他们不仅花费了时间，也消耗了资源(如电池电量、流量数据)，因此群智感知系统缺少合适的激励时移动用户就不会自发的参与到感知任务中。除此以外，考虑到隐私泄露风险，一些对隐私很敏感的移动用户也不会参与群智感知。出于这些原因，许多许多的群智感知激励机制被设计出来，用来激励移动用户参与群智感知，并且提供高质、可靠的感知数据。这其中有一部分是基于博弈的激励机制，它们通过云端平台和移动用户之间的博弈，将感知任务分配给移动用户。另一部分激励机制提出了一些定价策略，通过调整感知任务的金钱报酬来调整移动用户的参与与选择。

群智感知系统的激励机制还需要经过各种不同的激励方式处理服务器平台和参与者双方在最大化各自收益时而面临的关键问题，这些关键问题主要包括参与度问题、数据质量问题、支付安全问题、效率能耗问题、隐私保护问题、实际应用问题和线上实施问题。此外，群智感知系统中的激励客体具有移动属性，且实际应用中感知任务具有时空相关的性质，这使激励问题变得更加复杂。例如，实际应用中参与者会在随机的时间与地点参与感知任务，并且其移动具有时空限制，同时对于时空敏感型的数据，感知数据来源的时空越广泛、越均匀，数据质量越高，因此参与者的随机性应该被考虑到，以求在随即参与者的时空限制内实现感知任务的高质量完成。虽然现有的部分激励机制考虑了在线用户模型，假设参与者是以随机顺序先后到达，即参与者不会出现部分同时到达的情况，但这样的假设在实际应用中也是不完全合理的。

因此，现存激励机制存在不足，急需一种面向随机参与且时空相关的群智感知系统激励机制。

技术实现要素：

为了解决上述技术问题，本发明提供了一种面向随机参与且时空相关的异构激励方法。

本发明所采用的技术方案是：一种基于群智感知系统面向随机参与的群智感知激励方法，其特征在于：所述群智感知系统包括控制平台及若干移动用户，所述方法具体包括以下步骤：

步骤1：控制平台根据感知任务相对热度，计算任务报酬；

步骤2：控制平台评估各感知任务的数据质量，根据单次测量的数据质量增量，计算感知任务所需测量次数，确定测量报酬递减步长，进一步计算下一次测量给参与者的报酬；

步骤3：控制平台发布任务信息，移动用户选择感知任务，执行测量并上传感知数据，控制平台将相应的报酬发给移动用户。

本发明具有如下优点：

1、与现存的固定参与者的激励机制不同，本发明适用于移动用户随机参与的现实场景，即移动用户在随机时间、地点参与群智感知，移动用户总数未知，同一时间可能存在多个移动用户参加；

2、本发明适用于时空相关的群智感知，即感知任务和移动用户都有时空限制，应用范围更广、更普适；

3、本发明引入一种全新的定价机制，综合考虑了感知任务的相对热度和测量需求，提高了报酬激励的效果和效率；

4、相对于以往的激励方式，本发明提高了任务的完成率并尽可能的平衡了各感知任务的参与度。

附图说明

图1为本发明异实施例的层次结构图。

图2为本发明异实施例的异构激励机制与现存激励机制基于任务完成度的比较图。

图3为本发明异实施例的异构激励机制与现存激励机制基于任务测量方差的比较图。

图4为本发明异实施例的异构激励机制的三种贪心选择算法基于用户平均报酬的比较图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请见图1，本发明提供的一种基于群智感知系统面向随机参与的群智感知激励方法，群智感知系统包括控制平台及若干移动用户，方法具体包括以下步骤：

步骤1：控制平台根据感知任务相对热度，计算任务报酬；

感知任务相对热度的计算方法为：

其中，表示任务tj的相对热度，感知任务总数为m，表示在第j个任务tj规定执行的时间位置的移动用户的推断人数，从一日的总人数和预测的人数相对比例计算得来；

任务报酬的计算公式为：

其中，是第j个任务tj的报酬，b表示所有任务的总报酬。

步骤2：控制平台评估各感知任务的数据质量，根据单次测量的数据质量增量，计算感知任务所需测量次数，确定测量报酬递减步长，进一步计算下一次测量给参与者的报酬；

各感知任务的数据质量随测量次数增加而提高：

q(x)＝1-e^-cx；

其中，x是一个感知任务的测量次数，q(x)是任务的总体数据质量，c是控制总体数据质量增长速度的系数；

第x次测量增加的数据质量是基于以下公式：

δq(x)＝q(x)-q(x-1)＝e^-cx*(e^c-1)；

其中，q(x-1)表示第x-1次测量后的数据质量；

感知任务所需测量次数计算公式为：

ntj＝argxmin(δq(x+1)＜δqtr)；

其中，ntj是感知任务tj需要的测量次数，δqtr是预设的数据增量阈值；

测量报酬随测量次数增加而递减的步长计算公式为：

其中，是任务tj的报酬，rmin是最低报酬即每个任务最后一次测量的报酬；

测量报酬随测量次数增加而递减：

其中，是第x次测量感知任务tj所得的报酬。

步骤3：控制平台发布任务信息，移动用户选择感知任务，执行测量并上传感知数据，控制平台将相应的报酬发给移动用户。

移动用户选择感知任务，是基于贪心式选择算法，包括以下三种：

算法1：以距离为标准的贪心式任务选择机制，即每步都选择距离最近的可执行任务；

算法2：以收益为标准的贪心式任务选择机制，即每步都选择收益最大的可执行任务；

算法3：以收益/距离为标准的贪心式任务选择机制，即每步都选择收益与距离比值最大的任务。

请见图2，为本发明异实施例的异构激励机制与现存激励机制基于任务完成度的比较图，在感知任务数、参与者数、感知任务长度分别变化的情况下，异构激励机制的任务完成度均高于统一激励机制和基于竞争的激励机制。

请见图3，为本发明异实施例的异构激励机制与现存激励机制基于任务测量方差的比较图，在感知任务数、参与者数、感知任务长度分别变化的情况下，异构激励机制的任务测量方差均低于统一激励机制和基于竞争的激励机制，即任务完成的平衡度更高。

请见图4，为本发明异实施例的异构激励机制的三种贪心选择算法基于用户平均报酬的比较图,在感知任务数、参与者数、感知任务长度分别变化的情况下，三种贪心算法的效果十分接近，平均收益随着任务数增加、任务时间增长而上升，但任务时间长度的影响小于任务数量，参与者数量增多使得平均收益下降。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。