本发明属于任务分配,尤其涉及一种众包环境下的多阶段任务分配方法、系统、设备及介质。
背景技术:
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
2、时空任务分配是众包系统中关键的技术问题之一,其核心在于合理调度工人以完成任务,并在时效性和成本效益之间寻找平衡。发明人发现,传统的任务分配方法在实际应用中面临着一系列挑战,包括但不限于分配效率低、成本花销大等问题。为了解决这些挑战,本领域已经涌现出一些任务分配方法,但它们在应对动态变化的众包环境和复杂任务场景时仍显得不够灵活和智能。在传统众包系统中,任务分配通常是基于简单的规则和静态的信息进行的。这导致了分配效率低下的问题,特别是在处理任务点集合和工人群体动态变化的情况下,很难实现任务的最优分配。同时,考虑到众包系统中的工人分布广泛,任务的时空特性变得尤为显著,传统的分配方法难以很好地应对这一挑战。
技术实现思路
1、本发明为了解决上述问题,提供了一种众包环境下的多阶段任务分配方法、系统、设备及介质,所述方案基于轨迹预测,采用两阶段的任务分配过程,将离线指导与在线分配相结合,充分考虑实际工作场景的动态性,能够在较短时间内实现最大化的空间覆盖率。
2、根据本发明实施例的第一个方面,提供了一种众包环境下的多阶段任务分配方法,包括:
3、基于众包工人的历史运动轨迹,利用预先训练的基于深度学习的轨迹预测模型,对众包工人未来预设时间段的运行轨迹进行预测;
4、基于发布的众包任务以及众包工人的预测运行轨迹,通过匹配计算确定每个任务点的候选机会式工人集合;以及,以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择,获得众包任务对应的最佳工人,实现离线任务分配;
5、将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时,离线任务中未完成的众包任务基于地理位置进行打包,并基于打包后任务集中若干任务的中心位置,从剩余的未分配任务的工人中进行任务分配,实现在线任务分配。
6、进一步的,所述通过匹配计算确定每个任务点的候选机会式工人集合,具体为:基于发布的众包任务的任务点相关信息,以及众包工人在未来预设时间段内运行轨迹对应的轨迹点,利用geohash算法确定每个任务点对应的候选机会式工人集合。
7、进一步的,所述候选机会式工人的确定需满足如下约束:
8、候选机会式工人在在线任务分配执行前完成分配任务;以及候选机会式工人在众包任务的感知范围内。
9、进一步的,所述以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择,具体为:选择能单个完成多任务的候选工人,在保证最大化完成任务空间覆盖率的同时将招募机会式工人的预算的花销降到最低。
10、进一步的,所述将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时,离线任务中未完成众包任务基于地理位置进行打包,具体为:基于众包任务对应任务点的地理位置信息进行geohash编码,根据精度范围要求,确定编码长度,在指定半径范围内对其所覆盖范围半径内的任务进行打包,将其覆盖区域的geohash编码的中心位置作为打包后的任务的中心位置。
11、进一步的,所述离线任务分配的执行阶段为所述预设时间段内;所述在线任务分配的执行时刻为所述预设时间段结束前的预设时刻。
12、进一步的,所述基于深度学习的轨迹预测模型采用长短时记忆网络,以众包工人的历史运动轨迹为输入,获得预测的运行轨迹。
13、根据本发明实施例的第二个方面,提供了一种众包环境下的多阶段任务分配系统,包括:
14、轨迹预测单元,其用于基于众包工人的历史运动轨迹,利用预先训练的基于深度学习的轨迹预测模型,对众包工人未来预设时间段的运行轨迹进行预测;
15、离线任务分配,其用于基于发布的众包任务以及众包工人的预测运行轨迹,通过匹配计算确定每个任务点的候选机会式工人集合;以及,以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择,获得众包任务对应的最佳工人,实现离线任务分配;
16、在线任务分配,其用于将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时,离线任务中未完成的众包任务基于地理位置进行打包,并基于打包后任务集中若干任务的中心位置,从剩余的未分配任务的工人中进行任务分配,实现在线任务分配。
17、根据本发明实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的一种众包环境下的多阶段任务分配方法。
18、根据本发明实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的一种众包环境下的多阶段任务分配方法。
19、与现有技术相比,本发明的有益效果是:
20、(1)本发明提供了一种众包环境下的多阶段任务分配方法、系统、设备及介质,所述方案通过轨迹预测,能够最大效用的进行机会式工人的判断,同时,通过采用两阶段的任务分配过程,将离线指导与在线分配相结合,充分考虑实际工作场景的动态性;
21、(2)所述方案充分利用geohash算法、贪婪策略以及基于地理位置打包任务点的策略对任务分配过程进行优化,以获得最优的任务分配方案;通过上述优化策略的结合有效提高了分配效率,降低了成本花销,成功实现了最大化空间覆盖率的目标。
22、(3)离线阶段的工人预测解决了传统的冷启动问题,geohash编码的使用既起到一定的隐私保护作用,同时又解决了搜索效率的问题。
23、本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
1.一种众包环境下的多阶段任务分配方法,其特征在于,包括:
2.如权利要求1所述的一种众包环境下的多阶段任务分配方法,其特征在于,所述通过匹配计算确定每个任务点的候选机会式工人集合,具体为:基于发布的众包任务的任务点相关信息,以及众包工人在未来预设时间段内运行轨迹对应的轨迹点,利用geohash算法确定每个任务点对应的候选机会式工人集合。
3.如权利要求1所述的一种众包环境下的多阶段任务分配方法,其特征在于,所述候选机会式工人的确定需满足如下约束:
4.如权利要求1所述的一种众包环境下的多阶段任务分配方法,其特征在于,所述以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择,具体为:选择能单个完成多任务的候选工人,在保证最大化完成任务空间覆盖率的同时将招募机会式工人的预算的花销降到最低。
5.如权利要求1所述的一种众包环境下的多阶段任务分配方法,其特征在于,所述将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时,离线任务中未完成的众包任务基于地理位置进行打包,具体为:基于众包任务对应任务点的地理位置信息进行geohash编码,根据精度范围要求,确定编码长度,在指定半径范围内对其所覆盖范围半径内的任务进行打包,将其覆盖区域的geohash编码的中心位置作为打包后的任务的中心位置。
6.如权利要求1所述的一种众包环境下的多阶段任务分配方法,其特征在于,所述离线任务分配的执行阶段为所述预设时间段内;所述在线任务分配的执行时刻为所述预设时间段结束前的预设时刻。
7.如权利要求1所述的一种众包环境下的多阶段任务分配方法,其特征在于,所述基于深度学习的轨迹预测模型采用长短时记忆网络,以众包工人的历史运动轨迹为输入,获得预测的运行轨迹。
8.一种众包环境下的多阶段任务分配系统,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种众包环境下的多阶段任务分配方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种众包环境下的多阶段任务分配方法。