基于工人偏好的任务分配方法、系统、装置、存储介质

本发明属于资源或任务分配，具体涉及基于工人偏好的任务分配方法、系统、装置、存储介质。

背景技术：

1、随着智能设备和互联网的发展，移动人群感知作为一种新兴的感知众包形式被提出。移动人群感知是将普通用户的移动设备作为基本的感知单元，通过网络通信形成群智感知网络，从而实现感知任务与感知数据收集，完成大规模、复杂的社会感知任务。

2、任务分配是移动人群感知研究中的关键问题，通常，感知平台将任务分配给相应的工人，工人来完成平台发布的任务，同时平台支付一定费用来给工人，作为完成任务的回报。一般来说，任务可以通过不同的属性来描述，比如任务的时间敏感度、任务的奖励、位置等。根据对时间的要求不同，可以将任务分为时间敏感任务和时间容忍任务，对于时间敏感性任务需要即时响应并完成。在实际的应用场景中，任务和工人通常是动态随机的。

3、目前，任务分配方案中，没有考虑工人的偏好问题，只考虑距离和时间会降低工人满意度，不能满足工人的意愿，进而影响服务质量；另外，对于时间敏感任务，由于存在任务排队拥挤，从而导致任务分配不合理，决策成本增加。

技术实现思路

1、本发明提供一种基于工人偏好的任务分配方法、系统、装置、存储介质。

2、本发明的技术方案如下：

3、本发明提供了一种基于工人偏好的任务分配方法，包括以下步骤：

4、s1：采集工人和任务的属性，工人的属性，包括：工人的任务完成情况、工人的设备、工人声望值；任务的属性，包括：完成任务所需的时间、完成任务所需的设备、完成任务所需的预算、完成任务所需的位置；

5、s2：基于采集的工人和任务的属性，挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性，并对相似性分别设置相应的权重后，进行加权，预测工人偏好；

6、s3：基于工人偏好预测结果，若为新工人，则将工人偏好预测结果作为新工人和任务进行匹配的参考特征；若不是新工人，则结合工人历史任务执行的属性，获得每个任务相对应属性的最大收益，若最大收益大于收益阈值，则基于最大收益的任务工人对，对工人和任务进行匹配；若最大收益不大于收益阈值，则重复执行s3，直至最大收益大于收益阈值，则基于最大收益的任务工人对，对工人和任务进行匹配；

7、s4：对工人和任务的匹配结果进行验证，若匹配结果符合服务质量要求，则存储至工人历史执行任务中；

8、若匹配结果不符合服务质量要求，则不存储至工人历史执行任务中；

9、所述s3中的对工人和任务进行匹配时，若存在时间敏感任务，则进行优先匹配；

10、基于时间敏感任务，若工人和任务位置之间的距离大于距离阈值，则增加距离调度所产生的成本激励，执行s3，重新进行匹配；

11、若重新进行匹配未成功，则进行梯度式激励，执行s3，继续重新匹配；

12、若任务匹配时间大于预设时间，则根据任务属性指定工人执行，并增加工人完成任务的奖励。本发明所述s3中的对工人和任务进行匹配时，

13、基于工人偏好预测结果，结合工人历史任务执行的属性，计算收益，任务按照收益从高到低排列于工人的任务候选列表中；

14、若存在时间敏感任务，则进行优先匹配；

15、若存在相同时间下的时间敏感任务，则匹配至具有相同执行任务属性的不同的工人；

16、若工人对时间敏感任务执行意愿低，则提高完成时间敏感任务的奖励，并增加执行时间敏感任务的工人的声望值。

17、本发明所述s4中的服务质量，具体为，

18、根据工人完成任务的能力、时间变换函数和工人执行任务的意愿，计算服务质量；若服务质量大于所设阈值时，则工人和任务的匹配结果符合服务质量要求。

19、本发明所述s3中的对工人和任务进行匹配时，

20、同一工人在同一时间段可匹配多个具有相同属性的任务，

21、若同一工人在同一时间段匹配的多个具有相同属性的任务的数量超过工人的最大执行任务负荷，则根据工人偏好预测结果，删除任务候选列表中偏好值低的任务；

22、若偏好值低的任务被删除任务候选列表，则匹配至具有相同执行任务属性的工人；

23、若任务被删除任务候选列表的次数大于预设次数，则重新执行s1、s2；

24、若工人执行任务量达到任务数量阈值，则提高工人完成任务的奖励和声望值。

25、本发明所述s3中的对工人和任务进行匹配时，

26、对于具有相同执行任务属性的工人，根据工人声望值，任务进入工人的任务候选列表；

27、若工人的声望值低于声望阈值，则匹配经梯度激励、或增加报酬奖励后仍未被分配的任务。

28、本发明所述s2中工人和任务的属性，被表示为特征向量，分别计算不同属性的特征向量间的余弦值，设置相应的权重，获得工人的任务偏好分数。

29、本发明所述s3中的对工人和任务进行匹配时，

30、基于获得的工人的任务偏好分数，获得每个任务相应的特征向量的置信上界，并选择置信上界最高的任务分配给工人。

31、本发明还提供了一种基于工人偏好的任务分配系统，包括：

32、采集模块：用于采集工人和任务的属性，工人的属性，包括：工人的任务完成情况、工人的设备、工人声望值；任务的属性，包括：完成任务所需的时间、完成任务所需的设备、完成任务所需的预算、完成任务所需的位置；

33、属性挖掘模块：基于采集的工人和任务的属性，挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性，并对相似性分别设置相应的权重后，进行加权，预测工人偏好；

34、匹配模块：基于工人偏好预测结果，若为新工人，则将工人偏好预测结果作为新工人和任务进行匹配的参考特征；若不是新工人，则结合工人历史任务执行的属性，获得每个任务相对应属性的最大收益，若最大收益大于收益阈值，则基于最大收益的任务工人对，对工人和任务进行匹配；若最大收益不大于收益阈值，则重复执行s3，直至最大收益大于收益阈值，则基于最大收益的任务工人对，对工人和任务进行匹配；

35、所述对工人和任务进行匹配时，若存在时间敏感任务，则进行优先匹配；

36、基于时间敏感任务，若工人和任务位置之间的距离大于距离阈值，则增加距离调度所产生的成本激励，执行s3，重新进行匹配；

37、若重新进行匹配未成功，则进行梯度式激励，执行s3，继续重新匹配；

38、若任务匹配时间大于预设时间，则根据任务属性指定工人执行，并增加工人完成任务的奖励；验证模块：对工人和任务的匹配结果进行验证，若匹配结果符合服务质量要求，则存储至工人历史执行任务中；若匹配结果不符合服务质量要求，则不存储至工人历史执行任务中。

39、本发明还提供了一种基于工人偏好的任务分配装置，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现所述的一种基于工人偏好的任务分配方法。

40、本发明还提供了一种基于工人偏好的任务分配存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现所述的一种基于工人偏好的任务分配方法。

41、有益效果

42、本发明通过挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性，预测工人偏好，以提高工人的满意度，保证任务的服务质量，从而满足多方需求的任务分配结果，实现各方利益最大化；

43、本发明在工人和任务匹配时，对时间敏感任务进行优先匹配，避免了时间敏感任务出现排队拥挤的情况，从而保证合理高效的分配，提高任务的服务质量；

44、本发明针对冷启动阶段，将工人偏好预测结果作为新工人和任务进行匹配的参考特征，从而解决冷启动阶段的成本问题和服务质量下降的问题；

45、本发明针对未匹配成功的任务工人对，采用梯度式激励的方式，能够提高任务的完成率，同时节约平台的激励成本。