本发明属于群智感知技术领域，特别涉及一种基于逆向拍卖的移动群智感知网络中用户激励方法。
背景技术：
当前智能手机已经集成许多传感器,如GPS、加速度计、陀螺仪、麦克风、摄像头等,这些传感器可以共同监控人类活动和周边环境，使得人们可以随时随地感知和获取周围环境信息。利用普遍存在的智能手机用户感知和收集大规模的数据已经成为一种新型的感知方式。目前已有一些项目基于移动群智感知实现了环境监测、智能交通、行为监控、室内定位等领域中的不同应用。
移动群智感知应用的数据获取需要借助大量移动用户的终端进行数据收集，然而移动终端在数据收集的同时会造成时间、电量、流量等资源的消耗，在位置相关的感知应用中,用户在共享自身位置信息的同时,还有可能面临隐私泄露威胁。一般情况下,一个正常理性用户只有在回报激励的前提下,才会去提供感知或计算服务。因此,为了招募到足够的用户，需要设计合理的激励机制，提高用户参与感知活动的积极性，促使用户参与群智感知应用。
目前，移动群智感知激励机制的研究主要是通过不同的激励方式激励用户参与感知任务，激励方式主要可分为三大类：娱乐游戏、信誉值和报酬支付。其中娱乐游戏与信誉值属于非金钱的激励方式，娱乐游戏是指通过基于位置的游戏激励用户参与到移动群智感知任务中，此类机制的研究重点在于通过设置合适于感知任务的位置相关的娱乐游戏来丰富用户体验，例如手机游戏Ostereiersuche、Treasure等。信誉值是指用户通过执行感知任务得到一定的信誉值，用户可从中获得满足感(社会地位等)，平台也可以根据用户的信誉值选取质量高的用户执行感知任务。此类机制侧重于通过用户为维护自身的社会地位、利益等而带来的参与感知任务的积极性，以提高感知数据的质量。例如DWI机制、IRONMAN机制等。Reddy S和Estrin D等人指出采取金钱的激励机制，即基于报酬支付的激励机制，往往比非金钱的激励方式更能提高用户参与的兴趣。逆向拍卖作为常用的报酬支付方式，在不同的研究工作中用作基本模型来解决移动群智感知激励机制中的问题。群智感知平台为服务请求方，即买方，用户则为服务提供方，即卖方。
然而，由于人的自私性和随机性，使得基于逆向竞拍模型的移动群智感知激励方法的设计面临一定的挑战。
自私性造成的问题：多数参与者受到群智感知平台的支付激励而参与感知任务，在群智感知系统中，用户收益是影响用户参与的一个主要因素，即用户效用越高，其参与感知积极性越高。目前，为吸引更多的用户参与，研究人员提出了许多激励模型。例如，Yang Dejun等人在2012年的mobicom会议上提出了以用户为中心的激励模型Msensing，在对用户成本给予补偿的同时，其主要目的在于寻求最优的用户集合以达到平台效用最大化的目的，而用户的效用较低，导致用户参与积极性较低。Feng Zhenni等人提出TRAC机制，考虑任务与位置的相关性，以最小化平台成本为目的选择支付代价最小的用户作为赢标者。因此，目前机制的设计中，考虑的更多的是群智感知平台的效益最大化，这也是参与者积极性不高的原因。平台利用参与者之间的竞争关系来选择报价最低，支付代价最小的参与者子集作为赢标者。这样,以平台为中心的激励机制,没有优先考虑参与者的利益,并不能更加高效地激励参与者加入感知任务。设计以用户为中心的激励机制,以最大化用户效用为目标,会起到更好的激励作用。
随机性造成的问题：人的随机移动或突发状况使得用户在执行任务的过程中离开感知地点，导致任务未完成。Lee Juongsik等人为在最小化平台支付代价的同时保证较高的参与率，采用逆向拍卖机制，选取参与者中出价最低的作为赢家并支付，同时引入虚拟参与积分的概念，避免在竞价中屡次失败的参与者退出参与，相比于固定价格随机支付的方式，提出动态价格和虚拟参与积分的方法保证了参与率，并最小化支付代价，但未充分考虑赢家在执行任务的过程中中途退出的情况下，如何对其进行支付。Zhang Xiang等人依据群智感知平台的数量及用户竞标数量的不同，分别提出SS-Model(Single-requester Single-bid)，SM-Model(Single-requester Multiple-bid)和MM-Model(Multiple-requester Multiple-bid)三种激励模型，其中SM-Model是SS-Model的一般形式，MM-Model则考虑多个群智感知平台之间的竞争与多个用户之间的竞争的两种竞争方式，但三个激励模型未充分考虑赢标者在执行任务的过程中以随机概率退出感知的问题，均假设赢标者可完成赢得的感知任务，然而，上述假设是不实际的。
技术实现要素：
本发明旨在解决以上现有技术的问题。提出了一种基于逆向拍卖的移动群智感知网络中用户激励方法IMRAL(Incentive Method based on ReverseAuction for Location-aware Sensing)，在逆向拍卖框架下，综合考虑用户的自私性和随机性，在群智感知平台预算可行的前提下最大化用户效用以提高用户参与的积极性，并考虑用户在执行任务的过程中中途退出的情况下如何对用户进行支付以保证激励的真实性。本发明旨在通过以任务为中心的赢标者选择方法以及按时间比例分享规则支付方法，激励用户参与任务，提高用户参与感知的积极性和任务覆盖率的方法。本发明的技术方案如下：
一种基于逆向拍卖的移动群智感知网络中用户激励方法，其包括以下步骤：
群智感知平台发布若干个感知任务，若干个感知任务构成集合Γ＝{1,2,…,m}，m表示任务的个数，每个任务k∈Γ均有对应的属性，用一个四元组表示<sk,dk,tk,Vk>，其中sk表示任务开始时间，dk表示任务截止时间，从任务开始时间到任务截止时间的时间段为任务有效时间，tk为用户完成感知任务所需的时间，Vk表示任务的价值；
设对任务感兴趣的用户集合为U＝{1,2,…,n}，n表示对任务感兴趣的用户个数，用户i根据自身所在的位置上报任务竞价对Bi＝(Γi,bi)，其中用户上报的任务子集bi为用户竞价，即用户i愿意提供数据服务的逆向竞拍价格；
根据用户提交的任务竞价对，群智感知平台采用以任务为中心的用户选择方法选择用户子集作为任务的赢标者以最大化任务覆盖；
赢标者执行感知任务，提交感知数据至群智感知平台；
根据任务完成情况，群智感知平台支付pi给赢标者i。
进一步的，在所述步骤3)中，群智感知平台选择能最大化任务覆盖的用户子集作为任务的赢标者，设计一种以任务为中心的赢标者选择方法，最大化任务覆盖率，具体包括：
31)根据用户上报情况B＝∪i∈UBi，统计用户参与竞标的任务集合Γ'，每个任务k∈Γ'的竞标者集合Uk及竞标者数量nk；
32)初始化S＝Φ，Γ”＝Φ，Γ”表示被赢标者覆盖的任务集合；
33)对于每个任务k∈Γ'，执行步骤34)；
34)若nk＝1，则执行步骤35)，若nk＞1，则执行步骤36)；
35)计算bi/vi，其中bi为用户i的竞价，vi为用户i上报任务的总价值，若bi/vi≤1，则将用户i加入赢标集S作为任务k的执行者：S＝S∪{i}，执行步骤37)，否则执行33)；
36)对所有用户i∈Uk的bi/vi进行升序排序：b1/v1≤b2/v2≤…≤bL/vL，其中bL/vL表示任务k的所有竞标者中竞价与其上报任务的总价值的比值的最大值，b1/v1则为任务k的所有竞标者中竞价与其上报任务的总价值的比值的最小值若b1/v1≤1，则将该用户加入赢标集S作为任务k的执行者，执行步骤37)，否则执行33)；
37)将任务k加入集合Γ”中：Γ”＝Γ”∪{k}；
38)返回赢标集S，被赢标集覆盖的任务集合Γ”，每一个任务k∈Γ”的b1/v1和bL/vL，结束。
进一步的，所述任务覆盖的定义为：若任务k的赢标者数量numk≥1，则表示该任务被覆盖，numk＝0代表任务无人执行，numk＝1代表有一人执行任务，numk≥2代表有两人以上执行任务；
进一步的，所述步骤5)中，根据赢标者的任务完成情况，对赢标者进行报酬支付，采取按时间比例分享规则的临界值支付方法对用户进行支付，用户在执行某一任务时，只有正常完成任务和在执行任务的过程中中途退出两种可能，正常完成任务的概率为p,则中途退出的概率为q＝1-p，服从伯努利分布，支付包括用户竞价bi与任务奖励Tk两部分。
进一步的，所述支付包括用户竞价bi与任务奖励Tk两部分，具体步骤如下：
51)初始化pi＝0；Γ”'＝Φ，Γ”'表示被用户完成的任务集合；
52)对于每一个任务k∈Γ”，执行步骤53)；
53)设Tk为任务k的任务奖励，若任务k被完成则有Tk＝Vk(bL/vL-b1/v1)，Γ”'＝Γ”'∪{k}，否则其中Δtk表示用户执行任务的时间；
54)计算vΓ”'表示被赢标者完成的任务的总价值；
55)对于每一个用户i∈S，执行步骤56)；
56)计算每一个赢标者的报酬其中x表示用户i执行的任务的个数；
57)计算若P＞vΓ”'，则执行步骤58)，否则执行59)；
58)S＝Φ,pi＝0；
59)返回pi，结束。
进一步的，还包括对用户平均效用、任务覆盖率、任务完成率和平台效用四个方面进行评价的步骤。
进一步的，所述用户平均效用：用户平均效用被定义为所有赢标者总效用与赢标者数量的比值，计算如下：其中|S|表示赢标者数量；
任务覆盖率：任务覆盖率其中cov表示被所有赢标用户覆盖的任务数，m表示总任务数；
任务完成率：任务完成率γ被定义为被所有赢标者完成的任务数com与总任务数m之比，计算如下：
平台效用：平台效用是评估激励方法时候预算可行的重要评估指标，其可根据公式2计算，具体定义如下：
群智感知平台的效用函数定义为被所有赢标者完成的任务的总价值v(s)与对所有赢标者的总支付的差值,
本发明的优点及有益效果如下：
本发明与现有技术相比，本发明提供了一种基于逆向拍卖的移动群智感知网络中用户激励方法。综合考虑用户的自私性和随机性，以最大化用户效用为目标提高用户参与感知积极性，并考虑因用户随机性导致的用户在执行任务的过程中以随机概率退出感知的情况。首先采用以任务为中心的用户选择方法最大化任务覆盖率，其次，在赢标者以随机概率退出感知的情况下，采用按时间比例分享规则对赢标用户进行支付以保证激励的真实性。同时还具有以下优点：
计算时间复杂度较低，该激励方法中以任务为中心的用户选择方法的时间复杂度为O(mn2)，按时间比例分享规则的支付方法的时间复杂度为O(mn)，其中n为用户数，m为任务数。是一个完全多项式时间方法，具有实际应用的价值。
该激励方法是个人理性的,即用户i的效用ui不小于零。当时，ui＝0；当i∈S时，ui＝pi-ci，其中而ci≤bi，Tk≥0，则有ui≥0。因此，该激励方法是个体理性的。
该激励方法对于平台来说是预算平衡的,即平台效用u0不小于零。当无用户入选赢标集时，u0＝0；当赢标集为非空集时，由步骤57)可知vΓ”'-P≥0。因此该激励方法是预算平衡的。
该激励方法是真实的。根据Myerson，从单调性和关键值两方面说明该激励方法的真实性。
单调性：由于将bi/vi从小到大进行排序，若用户i以bi成为赢标者，当用户以bi'≤bi竞标时，由于vi不变，用户i同样可成为赢标者。
关键值：假设参与竞标任务k的用户数大于等于2，用户i以竞价bi成为赢标者，则其支付pi＝bi+Tk，如果用户i以大于pi的值作为竞标价，那么bi＞bi+Tk，则Tk＜0，因可得bL/vL＜b1/v1，那么用户i将不能赢得任务k，故若用户以大于pi的值作为竞标价将不会成为赢标者。
因此，该激励方法满足真实性，真实性对于防止市场垄断具有重要作用。
附图说明
图1是本发明提供优选实施例群智感知平台与用户的交互方法的执行流程；
图2是以任务为中心的用户选择算法的执行流程；
图3是按时间比例分享规则的报酬支付方法的执行流程；
图4是用户平均效用对比图；
图5是感知任务覆盖率的对比图；
图6是感知任务完成率的对比图；
图7是群智感知平台效用对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：一种基于逆向拍卖的移动群智感知网络中的用户激励方法，所述方法包括：移动群智感知平台与用户的交互方法，步骤如下：
1)群智感知平台发布感知任务集合Γ＝{1,2,…,m}，每个任务k∈Γ均有其对应的属性，用一个四元组表示<sk,dk,tk,Vk>。其中sk与dk分别表示任务开始时间与任务截止时间，从任务开始时间到任务截止时间的时间段为任务有效时间。tk为用户完成感知任务所需的时间，其值不大于任务的有效时间。Vk表示任务的价值，其为平台的私有信息，且感知任务与位置相关，即每个任务都需要在特定的地点才能完成。
2)设对任务感兴趣的用户集合为U＝{1,2,…,n}，用户i根据自身所在的位置上报任务竞价对Bi＝(Γi,bi)，其中用户上报的任务子集bi为用户竞价，即用户i愿意提供数据服务的逆向竞拍价格。
3)根据用户提交的任务竞价对，群智感知平台选择能最大化任务覆盖的用户子集作为任务的赢标者。
4)赢标者执行感知任务，提交感知数据至群智感知平台。
5)根据任务完成情况，群智感知平台支付pi给赢标者i。
用户参与任务的成本由提供服务造成的能量损耗，网络带宽资源消耗和潜在的隐私威胁等因素决定。用户i参与感知任务的成本为ci(ci≤bi)，其为用户的私有信息。
用户i效用函数定义如下：
pi为平台支付给赢标者i的报酬。
群智感知平台的效用函数定义为被所有赢标者完成的任务的总价值v(s)与对所有赢标者的总支付的差值,具体定义如下：
本发明旨在通过用户选择和报酬支付方法在平台预算可行的前提下优先最大化用户效用，激励用户参与，提高用户参与感知积极性，可表示为：
目标：条件：
其中B表示平台的支付预算，假设其任务预算B不超过被所有赢标者完成的任务的总价值v(s)。一个可行有效的激励方法需满足：
计算有效：计算有效的是指其运行结果能在多项式时间内输出。
个体理性：每个用户的效用是非负的。
预算平衡：群智感知平台的效用为非负值，即其总支付不大于赢标集完成的任务的总价值。
真实性：真实性是指，不管其他竞标者的竞价的情况下，对于任一用户而言，以其真实成本竞标为占优策略，即用户不能从偏离任务真实估值的竞价值中获得更多的效用。
前三个特性是保证竞拍可行的基本条件，真实性可消除用户对市场操纵的担忧，Myerson等人证明一个拍卖机制是真实的必须满足选择规则是单调的和赢标者的奖励值是关键值两个条件。单调性即如果用户以竞价bj成为赢标者，那么以bj'＜bj仍能成为赢标者。关键值指的是，如果竞标价bj高于报酬pj，那么其将不会成为赢标者。
本发明提出的基于逆向拍卖的移动群智感知网络中的用户激励方法的实现涉及用户选择问题和报酬支付问题。
在步骤3)中，设计一种以任务为中心的用户选择方法，返回赢标者集合S，最大化任务覆盖率。首先，证明满足最大化任务覆盖率的用户选择问题是NP难的，其次，结合感知数据的收集存在边际效用递减，设计一种低计算复杂度的有效的用户选择方法，即以任务为中心的用户选择方法。
定义1(任务覆盖)：若任务k的赢标者数量numk≥1，则表示该任务被覆盖，numk＝0代表任务无人执行，numk＝1代表有一人执行任务，numk≥2代表有两人以上执行任务。
定理1：用户选择问题是NP难的。
证明：加权多任务集覆盖问题(weightedmultiple set coverproblem,WMSCP)已被Yang Jian等人证明为NP难问题。而加权多任务覆盖问题可以在线性时间内归约到用户选择问题。因此，用户选择问题是NP难的。
当参加同一感知任务的用户的数量增加时，数据冗余所导致的边际效用递减会愈发严重。比如，当几部手机同时采集某个区域内的噪声时，一两部手机采集的数据足以估算出该区域内的噪声水平，让更多的手机进行采集并不能有效地提高估算出的噪声的准确度，反而会增加数据冗余，以及社会成本。感知任务价值一定，参与同一任务的用户越多，每个用户所能获得的报酬越少。因此，为提高用户效用和任务覆盖率，在用户选择阶段，提出以任务为中心的赢标者选择算法，以任意一个任务由一人执行的原则，选择竞价低且上报的任务总价值大的用户执行感知任务，提高用户效用，促进用户参与。
在步骤3)中，设计一种以任务为中心的用户选择方法，返回赢标者集合S，最大化任务覆盖率。首先，证明满足最大化任务覆盖率的用户选择问题是NP难的，其次，结合感知数据的收集存在边际效用递减，设计一种低计算复杂度的有效的用户选择方法，即以任务为中心的用户选择方法。以任务为中心的用户选择算法的执行流程如图2所示，步骤如下：
31)根据用户上报情况B＝∪i∈UBi，统计用户参与竞标的任务集合Γ'，每个任务k∈Γ'的竞标者集合Uk及竞标者数量nk；
32)初始化S＝Φ，Γ”＝Φ，Γ”表示被赢标者覆盖的任务集合；
33)对于每个任务k∈Γ'，执行步骤34)；
34)若nk＝1，则执行步骤35)，若nk＞1，则执行步骤36)；
35)计算bi/vi，其中bi为用户i的竞价，vi为用户i上报任务的总价值，若bi/vi≤1，则将用户i加入赢标集S作为任务k的执行者：S＝S∪{i}，执行步骤37)，否则执行33)；
36)对所有用户i∈Uk的bi/vi进行升序排序：b1/v1≤b2/v2≤…≤bL/vL，若b1/v1≤1，则将该用户加入赢标集S作为任务k的执行者，执行步骤37)，否则执行33)；
37)将任务k加入集合Γ”中：Γ”＝Γ”∪{k}；
38)返回赢标集S，被赢标集覆盖的任务集合Γ”，每一个任务k∈Γ”的b1/v1和bL/vL，结束。
在步骤5)中，根据赢标者的任务完成情况，对赢标者进行报酬支付。为保证激励方法的真实性，同时考虑用户感知过程中的随机退出情况，采取按时间比例分享规则的临界值支付方法对用户进行支付。用户在执行某一任务时，只有正常完成任务和在执行任务的过程中中途退出两种可能，正常完成任务的概率为p,则中途退出的概率为q＝1-p，服从伯努利分布。支付包括用户竞价bi与任务奖励Tk两部分，具体步骤如下：
51)初始化pi＝0；Γ”'＝Φ，Γ”'表示被用户完成的任务集合；
52)对于每一个任务k∈Γ”，执行步骤53)；
53)设Tk为任务k的任务奖励，若任务k被完成则有Tk＝Vk(bL/vL-b1/v1)，Γ”'＝Γ”'∪{k}，否则其中Δtk表示用户执行任务的时间；
54)计算vΓ”'表示被赢标者完成的任务的总价值；
55)对于每一个用户i∈S，执行步骤56)；
56)计算每一个赢标者的报酬其中x表示用户i执行的任务的个数；
57)计算若P＞vΓ”'，则执行步骤58)，否则执行59)；
58)S＝Φ,pi＝0；
59)返回pi，结束。
为说明该激励方法的可行性与有效性，研究在相同实验条件下，本说明提出的激励方法IMRAL与TRAC(truthful auction for location-aware collaborative sensing in mobile crowdsourcing)及IMC-SS(incentive mechanism for crowdsourcing in the single-requester single-bid-model)在用户平均效用、任务覆盖率、任务完成率和平台效用四个方面的性能。
用户平均效用：用户平均效用被定义为所有赢标者总效用与赢标者数量的比值，计算如下：其中|S|表示赢标者数量。
任务覆盖率：任务覆盖率其中cov表示被所有赢标用户覆盖的任务数，m表示总任务数。
任务完成率：任务完成率γ被定义为被所有赢标者完成的任务数com与总任务数m之比，计算如下：
平台效用：平台效用是评估激励方法时候预算可行的重要评估指标，其可根据公式2进行计算。
首先初始化相关参数，并假设用户在执行任务的过程中退出感知的概率为0.2，若用户退出感知任务k，则假设其Δtk/tk在0到1之间服从均匀分布，且最多允许用户上报的任务数为5。具体参数设置如表1所示。
表1实验参数设置
由于多数参与者受到群智感知平台的支付激励而参与感知任务，则在群智感知系统中用户收益是影响用户参与的一个重要因素，用户效用越高，其参与感知任务的积极性越高。另一方面，用户的积极性越高，任务被接受的可能性就越大，也就是任务覆盖率越高，同时任务覆盖率还与用户选择方法和报酬支付方法等因素有关。因此，为便于比较，可通过用户平均效用和任务覆盖率这两个指标来说明用户参与感知任务的积极性。
用户平均效用如图4所示。图4显示了本说明提出的激励方法IMRAL和TRAC、IMC-SS的用户平均效用对比。相较于TRAC和IMC-SS而言，TRAC机制与IMC-SS机制的报酬支付只与其竞价和任务数相关，由于本说明提出的激励方法中任务支付Tk的累加作用，用户可得到相对较高的任务补偿，提高了用户参与感知任务的意愿程度。图5显示了三种激励方法下任务覆盖率的情况。从图中可以看出，IMC-SS下的的任务覆盖率略低于IMRAL下的任务覆盖率。结合用户效用和任务覆盖情况，综合可得，相比TRAC和IMC-SS机制，IMRAL下用户的积极性较高。
如图6所示，图6是感知任务完成率的对比图。TRAC和IMC-SS两种机制均假设任务覆盖即任务完成，因此其任务完成率与其任务覆盖率变化趋势相同，而IMRAL考虑因用户的随机性，导致用户在执行任务的过程中中途退出，造成感知任务未被完成的情况。由此可看出，用户的随机性将会降低感知任务完成率。
图7是群智感知平台效用的对比图。从图7(a)中可以看出，在用户数一定，随着任务数的增加，IMRAL和IMC-SS下的平台效用增加，并且，相比于IMC-SS，IMRAL平台效用较低。在图7(b)中，三种激励方法的平台效用为先增加后趋于稳定，是由于随着用户数的增长，任务完成率增加，当任务集饱和后，平台效用不再增加。由此可看出用户的随机性将会降低群智感知平台的效用。
对于本领域研究人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，研究人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。