CN105119987A - 一种车载网络的移动群智感知方法 - Google Patents

Abstract

一种车载网络的移动群智感知方法，涉及无线通信。包括：移动群智感知服务器向相关区域内的车辆发送征集感知报告的广播信息；收到征集消息的车辆根据自身的感知开销和传输信道状态，采用增强学习算法WoLF-PHC决定是否参与该项目，以及感知的精度；移动群智感知服务器收到车辆的感知报告后，对感知报告的准确度进行评估，并使用WoLF-PHC算法来确定付给车辆的报酬。通过调整给车辆的报酬，激励车辆参与感知任务，从而使服务器获得所需要的车载感知报告。

Description

一种车载网络的移动群智感知方法

技术领域

本发明涉及的是无线通信技术领域的方法，具体是涉及一种车载网络的移动群智感知方法，激励车辆上传车载传感器数据到移动群智感知服务器，使服务器既能得到准确的数据又能最大化自己的效益。

背景技术

随着无线通信技术和传感器技术的快速发展，电子移动设备呈现爆炸性增长，移动设备集成了越来越多的传感器以满足丰富的应用。如果能收集移动设备用户的传感器数据，整合、处理、分析这些数据将会有许多新用途，移动群智感知应运而生。

车辆是现代人出行必不可少的工具，在车辆上安装传感器早已不是什么新鲜事，如GPS、加速度传感器、视频监控器等，利用这些传感器可以收集车辆周围环境的信息。而这些传感器随着车辆的移动，覆盖范围广，因此车载传感器可以收集到大范围区域的信息。安装在车辆上的传感器与安装在其他移动设备(如手机、平板电脑)上的传感器相比，对存储容量和功率的限制较小，对传感器的类型、体积大小等也几乎没有限制，而且可能包含的用户隐私内容也较少。

移动群智感知技术结合车载网络产生了许多应用。如中国专利CN103236163提出了一种基于群智网络的交通拥堵规避系统；中国专利CN103278605提出一种利用车载装置CO₂sensormodule的大范围CO₂浓度监测方法；CarTel移动传感器计算系统利用安装在汽车上的特殊的传感器收集数据，在本地进行数据的初步处理后利用WiFi热点将数据上传到服务器，服务器通过进一步的处理数据可以测量交通堵塞状况，城市WiFi部署等(Hull,Bret,etal."CarTel:adistributedmobilesensorcomputingsystem."Proceedingsofthe4thinternationalconferenceonEmbeddednetworkedsensorsystems.ACM,2006.)；PotholePatrol系统利用车上的震动传感器和GPS传感器收集数据来评估路面状况(Eriksson,Jakob,etal."Thepotholepatrol:usingamobilesensornetworkforroadsurfacemonitoring."Proceedingsofthe6thinternationalconferenceonMobilesystems,applications,andservices.ACM,2008.)。

没有用户的参与，就没有数据来源，也就没有移动群智感知。很多移动群智感知应用的提出都假设用户自愿贡献传感器数据，但是，这些移动设备属于个人，而用户参与到移动群智感知中会消耗他们的电池，计算等资源，甚至会有泄露隐私的风险。因此，如何激励用户参与到群智感知中是一个亟待解决的问题。

直观上来说，如果参与到移动群智感知的用户能得到足够的报酬来弥补他们资源的消耗，用户可能就比较愿意参与到群智感知系统中。但是服务器该给用户多少报酬才能激励足够的用户参与到群智感知中来而又使自己的效益最大，用户该如何选择自己是否参与群智感知，以及感知的精度，使自己效益最大。这就构成了服务器与用户间的博弈，用强化学习技术可以为双方找到最佳策略。

发明内容

本发明的目的是提供在车载移动群智感知博弈中为车辆和服务器确定策略，既使服务器获得了所需的车载感知报告，又使双方的效益达到最大的一种车载网络的移动群智感知方法。

本发明包括以下步骤：

步骤1：移动群智感知服务器向相关区域内的m个车辆发送征集感知报告的环境信息；

步骤2：车辆根据自身的感知开销，传输信道状态h和服务器给的报酬范围决定感知精度x；

步骤3：初始化每个车辆的Q_i值矩阵；

步骤4：初始化服务器的Q_s值矩阵；

步骤5：车辆i观察目前所处的状态s_i，按策略π_i对每个感知精度的概率分布选择具有最大概率的感知精度x_i；

步骤6：服务器观察目前所处的状态s_s＝Χ＝[x_i]_0≤i≤m，根据策略π_s对每个价格的概率分布选择具有最大概率的价格y_i支付给车辆；

步骤7：服务器计算效益u_s：

$u_s=\mathrm{\β}\·\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i-\underset{i=1}{\overset{m}{\Σ}}{y}_i,$

其中β是服务器从单位精度的感知报告中获得的收益，设置为常数；

步骤8：服务器根据公式：

$Q_s(s_s,y)\←(1-{\mathrm{\α}}_s)Q_s(s_s,y)+{\mathrm{\α}}_s(u_s+{\mathrm{\γ}}_s\underset{y^{\′}\∈B}{\max }{Q}_s({s_s}^{\′},y^{\′}))$

更新Q_s值，Q_s(s_s,y)是服务器在状态s_s下选择y时的Q_s值。s_s'是服务器的下一状态，假设服务器的下一状态与当前状态相同，y'是服务器在下一状态选择的行为；

步骤9：更新服务器的状态计数C_s(s_s)和平均策略

C_s(s_s)←C_s(s_s)+1,

${\stackrel{\‾}{\mathrm{\π}}}_s(s_s,y^{\′})\←{\stackrel{\‾}{\mathrm{\π}}}_s(s_s,y^{\′})+\frac{1}{C_s\left(s_s\right)}\left({\mathrm{\π}}_s\right(s_s,y^{\′})-{\stackrel{\‾}{\mathrm{\π}}}_s(s_s,y^{\′}\left)\right).$

步骤10：更新服务器的策略π_s：

π(s_s,y)←π(s_s,y)+Δsb，

其中，

${\mathrm{\δ}}_{sb}=min\left({\mathrm{\π}}_s\right(s_s,y),\frac{{\mathrm{\δ}}_s}{\left|B\right|-1}),$

步骤11：车辆收到服务器给的报酬后，计算即时效益：

$u_i=y_i-\frac{D_i\left(x_i\right)\·x_i}{log(1+h)},$

其中，D_i(x_i)为车辆i发送感知精度为x_i的报告时的单位能量消耗。h是当前信道状态；

步骤12：车辆根据公式：

$Q_i(s_i,x_i)\←(1-{\mathrm{\α}}_i)Q_i(s_i,x_i)+{\mathrm{\α}}_i(u_i+{\mathrm{\γ}}_i\underset{{x_i}^{\′}\∈A}{max}{Q}_i({s_i}^{\′},{x_i}^{\′}\left)\right)$

更新Q_i值，Q_i(s_i,x_i)是车辆在状态s_i下选择x_i时的Q_i值，s_i'为车辆的下一状态，假设车辆的下一状态与当前状态相同，x_i'是车辆在下一状态选择的行为；

步骤13：更新车辆的状态计数C_i(s_i)和平均策略

C_i(s_i)←C_i(s_i)+1,

${\stackrel{\‾}{\mathrm{\π}}}_i(s_i,{x_i}^{\′})\←{\stackrel{\‾}{\mathrm{\π}}}_i(s_i,{x_i}^{\′})+\frac{1}{C_i\left(s_i\right)}\left({\mathrm{\π}}_i\right(s_i,{x_i}^{\′})-{\stackrel{\‾}{\mathrm{\π}}}_i(s_i,{x_i}^{\′}\left)\right).$

步骤14：更新车辆的策略π_i(s_i)：

π_i(s_i,x_i)←π_i(s_i,x_i)+Δsa_i，

其中，

${\mathrm{\δ}}_{{\mathrm{sa}}_i}=min\left({\mathrm{\π}}_i\right(s_i,x_i),\frac{{\mathrm{\δ}}_i}{\left|A\right|-1}),$

步骤15：重复步骤5～14，直到满足|Q_i(s_i,x_i)-Q_i(s_i',x_i')|＜0.01,且|Q_s(s_s,y)-Q_s(s_s',y_s')|＜0.01，即Q_i(s_i,x_i)和Q_s(s_s,y)均收敛。

在步骤1中，所述服务器根据车辆的GPS定位系统确定车辆所在地区，服务器征集的信息是车辆周围的环境信息，根据车辆上安装的不同传感器设备，可以获取不同的环境信息；所述环境信息包括但不限于某个路段的交通状况、某片区域的空气质量状况、某条路的路面状况、给车辆的报酬范围等信息。

在步骤2中，所述感知精度x可分为L+1个等级，表示为x∈A＝[a_j]_0≤j≤L，其中a_i＜a_j,假设有N+1个信道状态h，表示为h∈H＝[h_g]_0≤g≤N；所述服务器可选择的价格y有p+1种：y∈Β＝[b_k]_0≤k≤p，其中b_l＜b_k,

所述感知精度可根据文字描述的详细程度和图片的清晰程度来定感知精度，即感知报告的精度，所述感知报告可以是文字形式或图片形式；所述感知报告都附有位置标签，服务器根据不同的应用，有不同的选择报告的方法，可以在同一个地区内只选择一个精度最高的报告或选择所有收到的感知报告；

所述传输信道可设为动态信道。

在步骤3中，所述初始化每个车辆的Q_i值矩阵的具体方法可为：车辆i的状态s_i为服务器给的报酬，对于每个车辆的每一个可能状态s_i，对车辆的所有可选择动作分配一个对应的Q值，每个Q值初始赋值为0；初始化策略矩阵π_i和平均策略矩阵对每一个可选择的动作分配一个概率，所有动作的概率和为1，初始赋值其中|A|是可供车辆选择的感知精度个数；C_i(s_i)表示每个状态s_i出现的次数，初始化为0；设置学习因子和折扣因子α_i,γ_i∈(0,1]，两个学习速率δ_il＞δ_iw∈(0,1]。

在步骤4中，所述初始化服务器的Q_s值矩阵的具体方法可为：服务器的状态s_s为车辆上传的感知报告的精度，对于服务器的每一个可能状态s_s，对服务器的所有可选择动作分配一个对应的Q值，每个Q值初始赋值为0；初始化策略矩阵π_s和平均策略矩阵初始赋值为其中|B|是可供服务器选择的价格个数；初始化状态计数C_s(s_s)为0；设置学习因子和折扣因子α_s,γ_s∈(0,1]，两个学习速率δ_sl＞δ_sw∈(0,1]。

在步骤11中，所述即时效益若较好，则会提高车辆参与群智感知的积极性，即时效益若有较低甚至负的效益，则会打击车辆下一次参与的积极性。

本发明通过采用强化学习算法WoLF-PHC来决定服务器的定价和每个车辆的感知精度，使得服务器和车辆的效益达到最大。

本发明是为了实现无线信号覆盖和交通拥塞检测等多种基于位置的服务。该方法包括：移动群智感知服务器向相关区域内的车辆发送征集感知报告的广播信息；收到征集消息的车辆根据自身的感知开销和传输信道状态，采用增强学习算法WoLF-PHC决定是否参与该项目，以及感知的精度；移动群智感知服务器收到车辆的感知报告后，对感知报告的准确度进行评估，并使用WoLF-PHC算法来确定付给车辆的报酬。本发明通过调整给车辆的报酬，激励车辆参与感知任务，从而使服务器获得所需要的车载感知报告。

具体实施方式

为了能够更清楚地理解本发明的技术内容，特举以下实施例详细说明。

一种车载网络的移动群智感知方法包括以下步骤：

步骤1：移动群智感知服务器向相关区域内的m＝5个车辆发送征集感知报告的广播信息，如某个路段的交通状况，某片区域的空气质量状况，某条路的路面状况，以及给车辆的报酬范围等信息。

步骤2：车辆根据自身的感知开销，传输信道状态h和服务器给的报酬范围决定感知的精度。感知精度x分为11个等级，表示为A＝{0,0.1,0.2,...,1}，其中等级0代表不参与群智感知，等级1代表车辆发送的感知报告具有最高精度；假设有6个信道状态H＝{0,0.3,0.8,1,1.5,2}。服务器可选择的价格y∈Β＝{0,0.2,0.4,...,15}。

步骤3：初始化每个车辆的Q_i值矩阵：车辆i的状态s_i为服务器给的报酬，对于每个车辆的每一个可能状态s_i，对车辆的所有可选择动作分配一个对应的Q值，每个Q值初始赋值为0；初始化策略矩阵π_i和平均策略矩阵对每一个可选择的动作分配一个概率，所有动作的概率和为1，初始赋值C_i(s_i)表示每个状态s_i出现的次数，初始化为0；设置学习因子α_i＝0.7和折扣因子γ_i＝0.6，两个学习速率δ_il＝0.1，δ_iw＝0.05。

步骤4：初始化服务器的Q_s值矩阵：服务器的状态s_s为车辆上传的感知报告的精度，对于服务器的每一个可能状态s_s，对服务器的所有可选择动作分配一个对应的Q值，每个Q值初始赋值为0；初始化策略矩阵π_s和平均策略矩阵初始赋值为初始化状态计数C_s(s_s)为0；设置学习因子α_s＝0.7和折扣因子γ_s＝0.6，两个学习速率δ_sl＝0.1，δ_sw＝0.05。

步骤5：车辆i观察目前所处的状态s_i，按策略π_i对每个感知精度的概率分布选择具有最大概率的感知精度x_i。

步骤6：服务器观察目前所处的状态s_s＝Χ＝[x_i]_0≤i≤m，根据策略π_s对每个价格的概率分布选择具有最大概率的价格y_i支付给车辆。

步骤7：服务器计算效益u_s：

$u_s=\mathrm{\β}\·\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i-\underset{i=1}{\overset{m}{\Σ}}{y}_i,$

其中β＝10是服务器从单位精度的感知报告中获得的收益，设置为常数。

步骤8：服务器根据公式：

$Q_s(s_s,y)\←(1-{\mathrm{\α}}_s)Q_s(s_s,y)+{\mathrm{\α}}_s(u_s+{\mathrm{\γ}}_s\underset{y^{\′}\∈B}{max}{Q}_s({s_s}^{\′},y^{\′}\left)\right)$

更新Q_s值。Q_s(s_s,y)是服务器在状态s_s下选择y时的Q_s值。s_s'是服务器的下一状态，假设服务器的下一状态与当前状态相同。y'是服务器在下一状态选择的行为。

步骤9：更新服务器的状态计数C_s(s_s)和平均策略

C_s(s_s)←C_s(s_s)+1,

${\stackrel{\‾}{\mathrm{\π}}}_s(s_s,y^{\′})\←{\stackrel{\‾}{\mathrm{\π}}}_s(s_s,y^{\′})+\frac{1}{C_s\left(s_s\right)}\left({\mathrm{\π}}_s\right(s_s,y^{\′})-{\stackrel{\‾}{\mathrm{\π}}}_s(s_s,y^{\′}\left)\right).$

步骤10：更新服务器的策略π_s：

π(s_s,y)←π(s_s,y)+Δsb，

其中，

${\mathrm{\δ}}_{sb}=min\left({\mathrm{\π}}_s\right(s_s,y),\frac{{\mathrm{\δ}}_s}{\left|B\right|-1}),$

步骤11：车辆收到服务器给的报酬后，计算即时效益：

$u_i=y_i-\frac{D_i\left(x_i\right)\·x_i}{log(1+h)},$

其中，D_i＝[0,0.1,0.3,0.6,1,1.5,2.1,2.8,3.6,4.5,5.5]为车辆i发送感知精度为x_i的报告时的单位能量消耗。h是当前信道状态。

步骤12：车辆根据公式：

$Q_i(s_i,x_i)\←(1-{\mathrm{\α}}_i)Q_i(s_i,x_i)+{\mathrm{\α}}_i(u_i+{\mathrm{\γ}}_i\underset{{x_i}^{\′}\∈A}{max}{Q}_i({s_i}^{\′},{x_i}^{\′}\left)\right)$

更新Q_i值。Q_i(s_i,x_i)是车辆在状态s_i下选择x_i时的Q_i值。s_i'为车辆的下一状态，假设车辆的下一状态与当前状态相同。x_i'是车辆在下一状态选择的行为。

步骤13：更新车辆的状态计数C_i(s_i)和平均策略

C_i(s_i)←C_i(s_i)+1,

${\stackrel{\‾}{\mathrm{\π}}}_i(s_i,{x_i}^{\′})\←{\stackrel{\‾}{\mathrm{\π}}}_i(s_i,{x_i}^{\′})+\frac{1}{C_i\left(s_i\right)}\left({\mathrm{\π}}_i\right(s_i,{x_i}^{\′})-{\stackrel{\‾}{\mathrm{\π}}}_i(s_i,{x_i}^{\′}\left)\right).$

步骤14：更新车辆的策略π_i(s_i)：

π_i(s_i,x_i)←π_i(s_i,x_i)+Δsa_i，

其中，

${\mathrm{\δ}}_{{\mathrm{sa}}_i}=min\left({\mathrm{\π}}_i\right(s_i,x_i),\frac{{\mathrm{\δ}}_i}{\left|A\right|-1}),$

步骤15：重复步骤5～14，直到满足|Q_i(s_i,x_i)-Q_i(s_i',x_i')|＜0.01,且|Q_s(s_s,y)-Q_s(s_s',y_s')|＜0.01，即Q_i(s_i,x_i)和Q_s(s_s,y)均收敛。

Claims (10)

1.一种车载网络的移动群智感知方法，其特征在于包括以下步骤：

步骤1：移动群智感知服务器向相关区域内的m个车辆发送征集感知报告的环境信息；

步骤2：车辆根据自身的感知开销，传输信道状态h和服务器给的报酬范围决定感知精度x；

步骤3：初始化每个车辆的Q_i值矩阵；

步骤4：初始化服务器的Q_s值矩阵；

步骤5：车辆i观察目前所处的状态s_i，按策略π_i对每个感知精度的概率分布选择具有最大概率的感知精度x_i；

步骤6：服务器观察目前所处的状态s_s＝Χ＝[x_i]_0≤i≤m，根据策略π_s对每个价格的概率分布选择具有最大概率的价格y_i支付给车辆；

步骤7：服务器计算效益u_s：

$u_s=\mathrm{\β}\·\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{x}_i-\underset{i=1}{\overset{m}{\Σ}}{y}_i,$

其中β是服务器从单位精度的感知报告中获得的收益，设置为常数；

步骤8：服务器根据公式：

$Q_s(s_s,y)\←(1-{\mathrm{\α}}_s)Q_s(s_s,y)+{\mathrm{\α}}_s(u_s+{\mathrm{\γ}}_s\underset{y^{\′}\∈B}{max}{Q}_s({s_s}^{\′},y^{\′}\left)\right)$

更新Q_s值，Q_s(s_s,y)是服务器在状态s_s下选择y时的Q_s值，s_s'是服务器的下一状态，假设服务器的下一状态与当前状态相同，y'是服务器在下一状态选择的行为；

步骤9：更新服务器的状态计数C_s(s_s)和平均策略

C_s(s_s)←C_s(s_s)+1,

${\stackrel{\‾}{\mathrm{\π}}}_s(s_s,y^{\′})\←{\stackrel{\‾}{\mathrm{\π}}}_s(s_s,y^{\′})+\frac{1}{C_s\left(s_s\right)}\left({\mathrm{\π}}_s\right(s_s,y^{\′})-{\stackrel{\‾}{\mathrm{\π}}}_s(s_s,y^{\′}\left)\right).$

步骤10：更新服务器的策略π_s：

π(s_s,y)←π(s_s,y)+Δsb，

其中，

${\mathrm{\δ}}_{sb}=min\left({\mathrm{\π}}_s\right(s_s,y),\frac{{\mathrm{\δ}}_s}{\left|B\right|-1}),$

步骤11：车辆收到服务器给的报酬后，计算即时效益：

$u_i=y_i-\frac{D_i\left(x_i\right)\·x_i}{log(1+h)},$

其中，D_i(x_i)为车辆i发送感知精度为x_i的报告时的单位能量消耗，h是当前信道状态；

步骤12：车辆根据公式：

$Q_i(s_i,x_i)\←(1-{\mathrm{\α}}_i)Q_i(s_i,x_i)+{\mathrm{\α}}_i(u_i+{\mathrm{\γ}}_i\underset{{x_i}^{\′}\∈A}{max}{Q}_i({s_i}^{\′},{x_i}^{\′}\left)\right)$

更新Q_i值，Q_i(s_i,x_i)是车辆在状态s_i下选择x_i时的Q_i值，s_i'为车辆的下一状态，假设车辆的下一状态与当前状态相同，x_i'是车辆在下一状态选择的行为；

步骤13：更新车辆的状态计数C_i(s_i)和平均策略

C_i(s_i)←C_i(s_i)+1,

${\stackrel{\‾}{\mathrm{\π}}}_i(s_i,{x_i}^{\′})\←{\stackrel{\‾}{\mathrm{\π}}}_i(s_i,{x_i}^{\′})+\frac{1}{C_i\left(s_i\right)}\left({\mathrm{\π}}_i\right(s_i,{x_i}^{\′})-{\stackrel{\‾}{\mathrm{\π}}}_i(s_i,{x_i}^{\′}\left)\right).$

步骤14：更新车辆的策略π_i(s_i)：

π_i(s_i,x_i)←π_i(s_i,x_i)+Δsa_i，

其中，

${\mathrm{\δ}}_{{\mathrm{sa}}_i}=min\left({\mathrm{\π}}_i\right(s_i,x_i),\frac{{\mathrm{\δ}}_i}{\left|A\right|-1}),$

步骤15：重复步骤5～14，直到满足|Q_i(s_i,x_i)-Q_i(s_i',x_i')|＜0.01,且|Q_s(s_s,y)-Q_s(s_s',y_s')|＜0.01，即Q_i(s_i,x_i)和Q_s(s_s,y)均收敛。

2.如权利要求1所述一种车载网络的移动群智感知方法，其特征在于在步骤1中，所述服务器根据车辆的GPS定位系统确定车辆所在地区，服务器征集的信息是车辆周围的环境信息，根据车辆上安装的不同传感器设备，可以获取不同的环境信息。

3.如权利要求1所述一种车载网络的移动群智感知方法，其特征在于在步骤1中，所述环境信息包括但不限于某个路段的交通状况、某片区域的空气质量状况、某条路的路面状况、给车辆的报酬范围等信息。

4.如权利要求1所述一种车载网络的移动群智感知方法，其特征在于在步骤2中，所述感知精度x分为L+1个等级，表示为x∈A＝[a_j]_0≤j≤L，其中a_i＜a_j,假设有N+1个信道状态h，表示为h∈H＝[h_g]_0≤g≤N。

5.如权利要求1所述一种车载网络的移动群智感知方法，其特征在于在步骤2中，所述服务器选择的价格y有p+1种：y∈Β＝[b_k]_0≤k≤p，其中b_l＜b_k,

6.如权利要求1所述一种车载网络的移动群智感知方法，其特征在于在步骤2中，所述感知精度是根据文字描述的详细程度和图片的清晰程度来定感知精度，即感知报告的精度，所述感知报告是文字形式或图片形式；所述感知报告都附有位置标签，服务器根据不同的应用，有不同的选择报告的方法，可以在同一个地区内只选择一个精度最高的报告或选择所有收到的感知报告。

7.如权利要求1所述一种车载网络的移动群智感知方法，其特征在于在步骤2中，所述传输信道设为动态信道。

8.如权利要求1所述一种车载网络的移动群智感知方法，其特征在于在步骤3中，所述初始化每个车辆的Q_i值矩阵的具体方法为：车辆i的状态s_i为服务器给的报酬，对于每个车辆的每一个可能状态s_i，对车辆的所有可选择动作分配一个对应的Q值，每个Q值初始赋值为0；初始化策略矩阵π_i和平均策略矩阵对每一个可选择的动作分配一个概率，所有动作的概率和为1，初始赋值其中|A|是可供车辆选择的感知精度个数；C_i(s_i)表示每个状态s_i出现的次数，初始化为0；设置学习因子和折扣因子α_i,γ_i∈(0,1]，两个学习速率δ_il＞δ_iw∈(0,1]。

9.如权利要求1所述一种车载网络的移动群智感知方法，其特征在于在步骤4中，所述初始化服务器的Q_s值矩阵的具体方法为：服务器的状态s_s为车辆上传的感知报告的精度，对于服务器的每一个可能状态s_s，对服务器的所有可选择动作分配一个对应的Q值，每个Q值初始赋值为0；初始化策略矩阵π_s和平均策略矩阵初始赋值为其中|B|是可供服务器选择的价格个数；初始化状态计数C_s(s_s)为0；设置学习因子和折扣因子α_s,γ_s∈(0,1]，两个学习速率δ_sl＞δ_sw∈(0,1]。

10.如权利要求1所述一种车载网络的移动群智感知方法，其特征在于在步骤11中，所述即时效益若较好，则会提高车辆参与群智感知的积极性，即时效益若有较低甚至负的效益，则会打击车辆下一次参与的积极性。