CN104657893A - 一种满足匹配约束的群智感知激励方法 - Google Patents

Abstract

本发明涉及群智感知领域，尤其涉及一种满足匹配约束的群智感知激励方法，包括：任务请求端发送感知任务集合到目标感知区域的用户端集合中的每个用户端；用户端接收到所述感知任务集合，判断所述感知任务集合中是否存在满足预设条件的感知任务，若是，则提交竞标数据，所述竞标数据包括由满足预设条件的感知任务组成的竞标任务子集；任务请求端接收到所有用户端的竞标数据，基于激励模型计算出每个感知任务中给任务请求端带来最大效益的中标用户端，并将所述感知任务分配给对应的中标用户端；所述中标用户端得到任务请求端的确认及分配的感知任务后，执行所述感知任务，并将感知结果发送给任务请求端，本发明能够使得群智感知应用主动分配感知任务给选择的用户端，从而获得更高的收益。

Description

一种满足匹配约束的群智感知激励方法

技术领域

本发明涉及群智感知领域，尤其涉及一种满足匹配约束的群智感知激励方法。

背景技术

群智感知是一种新兴的通过大量普通手机用户采集数据(比如图片、声音、位置等)，从而完成感知任务的问题解决方案，利用采集的感知数据，研究人员能够实现满足人们生活需求的多种多样的感知应用，包括交通监控，环境监控，基于位置的服务，以及室内定位等。实现群智感知依赖于大量的手机用户，以及手机感知与通信技术的提高。一方面，根据国际著名的数据统计公司IDC统计，2013年智能手机销量已达到十亿，这意味着有大量的手机用户成为潜在的感知人员。另一方面，当前的智能手机拥有强大的计算和通讯能力，并且集成了越来越多的传感器，成为用户与环境之间的多功能接口。只有这两方面的元素能够有效的结合起来，群智感知应用才能有效的运行，给人们生活带来便利。然而，在现实生活中，普通的手机用户在参与感知的过程中，会造成自身的资源消耗以及隐私泄露，因此他们不会自愿的参与感知。研究人员为此研究了有效的基于拍卖理论的激励机制来刺激用户参与感知。

早期的激励机制集中于线下模型，他们假设同步了大量的手机用户进行竞价，感知平台从中选择可以使效益最大化的一部分用户来参与感知，并付给这些参与感知的用户相应的报酬。然而感知应用在实际部署中，用户通常是在不同的时间进行竞价的，因此最近的研究工作中，研究人员设计了在线激励机制，使得感知平台能实时动态的接受用户的竞价，并且做出即时的判断，选择是否雇佣当前的竞价用户。然而这些在线激励机制还是限制了感知应用的选择能力，因此不利于感知应用的效益最大化。

发明内容

本发明的目的在于提出一种满足匹配约束的群智感知激励方法，能够使得群智感知应用主动分配感知任务给选择的用户端，从而获得更高的收益。

为达此目的，本发明采用以下技术方案：

一种满足匹配约束的群智感知激励方法，包括：

任务请求端发送感知任务集合到目标感知区域的用户端集合中的每个用户端；

用户端接收到所述感知任务集合，判断所述感知任务集合中是否存在满足预设条件的感知任务，若是，则提交竞标数据，所述竞标数据包括由满足预设条件的感知任务组成的竞标任务子集；

任务请求端接收到所有用户端的竞标数据，基于激励模型计算出每个感知任务中给任务请求端带来最大效益的中标用户端，并将所述感知任务分配给对应的中标用户端；

所述中标用户端得到任务请求端的确认及分配的感知任务后，执行所述感知任务，并将感知结果发送给任务请求端。

其中，所述激励模型的建立方法为：

建立用户端集合与感知任务集合之间的二分图G＝({U,Q},E)，其中，U＝{1,2,...,n}表示用户端集合，Q＝{1,2,...,m}表示感知任务集合，E是连接用户端和感知任务的边的集合，每条边e＝(i,j)∈E表示感知任务j满足用户端i的预设条件，i∈U，j∈Q；

通过寻找所述二分图中的一个匹配M∈E选择用户端并将合适的感知任务分配给所述用户端，得到用户端i∈U(M)的效益为：u_i＝p_i-c_i，其中U(M)为匹配M中的用户端节点，p_i为任务请求端支付给用户端i的报酬，c_i是用户端i完成一个感知任务的成本，任务请求端的效益公式：

$u\left(M\right)={\mathrm{\Σ}}_{j\∈Q\left(M\right)}{v}_j$

其中，Q(M)为匹配M中的感知任务节点，v_j为每一个完成的任务j∈Q能给任务请求端带来效益；

所述u(M)符合以下条件：

$\max u\left(M\right)s.t.\underset{i\∈U\left(M\right)}{\mathrm{\Σ}}{p}_i\≤B$

其中，B为任务请求端的预算。

其中，所述激励模型为即时模型或延时模型，其中，所述即时模型中，用户端到达时间和离开时间相同，所述延时模型中，用户在到达之后可以马上离开，也可以停留一段时间。

其中，所述即时模型的工作方法为：

步骤210、分阶段计算阈值，每个阶段的结束对应时刻为相应的，每个阶段的预算为其中，T为选择用户端的时间长度，计算阈值的时刻为1,2,...,log₂T,log₂T+1；

步骤220、当即时时间t≤T时，用户端i提交竞标数据，基于所述二分图判断所述竞标数据是否满足条件：其中，ρ是当前已中标用户端的每单位感知任务价值的阈值价格ρ＝B'/U(M')，v_j是能够分配给用户端i的任务；

步骤230、若满足条件，则选择所述用户端i为中标用户端，并将感知任务j分配给所述用户端i，并赋予其报酬ρ·v_j，将所述用户端i和所述感知任务j添加到匹配M中；

步骤240、更新阈值ρ，更新T'＝2T'，B'＝2B'，更新到下一时刻t＝t+1，返回步骤220。

其中，所述延时模型的工作方法为：

步骤310、分阶段计算阈值，每个阶段的结束对应时刻为相应的，每个阶段的预算为其中，T为选择用户端的时间长度，计算阈值的时刻为1,2,...,log₂T,log₂T+1；

步骤320、当即时时间t≤T时，将所有此时刻到来的用户端添加到活跃用户端集合O中，令O'＝O\U(M)；

步骤330、基于所述二分图判断O'中的每个用户端i所提交的竞标数据是否满足条件：其中，ρ是当前已中标用户端的每单位感知任务价值的阈值价格ρ＝B'/U(M')，v_j是能够分配给用户端i的任务；

步骤340、若满足条件，则选择所述用户端i为中标用户端，并将感知任务j分配给所述用户端i，并赋予其报酬ρ·v_j，将所述用户端i和所述感知任务j添加到匹配M中；

步骤350、从活跃用户端集合O中删除此时刻离开的用户端，并将所述离开的用户端添加到所述二分图中；

步骤360、更新阈值ρ，更新T'＝2T'，B'＝2B'，更新到下一时刻t＝t+1，返回步骤320。

其中，所述用户端i的真实参数为：θ_i＝{a_i,d_i,c_i,Q_i}，其中，a_i和d_i分别代表用户端i到达和离开的时间，c_i是用户端i完成一个任务的成本，Q_i是满足预设条件的感知任务组成的竞标任务子集；所述用户端i提交的竞标数据为：θ_i'＝{a_i',d_i',b_i,Q_i}，其中，a_i'和d_i'分别代表用户端i提交给任务请求端的到达时间和离开时间，b_i是用户端i的竞标价格。

其中，所述预设条件包括用户端所处的地理位置及用户端的运动轨迹的计划。

本发明的有益效果为：一种满足匹配约束的群智感知激励方法，包括：任务请求端发送感知任务集合到目标感知区域的用户端集合中的每个用户端；用户端接收到所述感知任务集合，判断所述感知任务集合中是否存在满足预设条件的感知任务，若是，则提交竞标数据，所述竞标数据包括由满足预设条件的感知任务组成的竞标任务子集；任务请求端接收到所有用户端的竞标数据，基于激励模型计算出每个感知任务中给任务请求端带来最大效益的中标用户端，并将所述感知任务分配给对应的中标用户端；所述中标用户端得到任务请求端的确认及分配的感知任务后，执行所述感知任务，并将感知结果发送给任务请求端，本发明能够使得群智感知应用主动分配感知任务给选择的用户端，从而获得更高的收益。

附图说明

图1是本发明实施例一提供的一种满足匹配约束的群智感知激励方法流程图。

图2是本发明实施例二提供的任务请求端预算与效益关系示意图。

图3是本发明实施例二提供的竞标任务子集大小与效益关系示意图。

图4是本发明实施例二提供的备选用户端子集大小与效益关系示意图。

图5是本发明实施例二提供的实际测试中预算与效益关系示意图。

具体实施方式

下面结合图1-图5并通过具体实施方式来进一步说明本发明的技术方案。

实施例一

图1是本发明实施例一提供的一种满足匹配约束的群智感知激励方法流程图。

一种满足匹配约束的群智感知激励方法，包括：

任务请求端发送感知任务集合到目标感知区域的用户端集合中的每个用户端；

用户端接收到所述感知任务集合，判断所述感知任务集合中是否存在满足预设条件的感知任务，若是，则提交竞标数据，所述竞标数据包括由满足预设条件的感知任务组成的竞标任务子集；

任务请求端接收到所有用户端的竞标数据，基于激励模型计算出每个感知任务中给任务请求端带来最大效益的中标用户端，并将所述感知任务分配给对应的中标用户端；

所述中标用户端得到任务请求端的确认及分配的感知任务后，执行所述感知任务，并将感知结果发送给任务请求端。

在本实施例中，竞标数据还包括用户端的竞标价格，竞标价格是指用户端愿意参与完成一项感知任务所需要的最小价格。所述竞标任务子集即为用户感兴趣的任务子集，它依赖于用户端所处的地理位置以及其运动轨迹的计划。

本激励方法的目标要同时让任务请求端和用户端都满意。这可以通过效益函数来反应。任务请求端和用户端都需要获得他们的最大效益，从任务请求端的角度，用户端的竞标价格和所选感知任务子集是其计算效益的输入参数，通过评估计算可以从特定用户端那里获得的效益，来决定其是否接受该用户端的竞标以及付费；而从用户端的角度来说，他们也会评估计算其参与感知任务所能获得的效益来决定是否向系统平台竞标。

在本实施例中，所述激励模型的建立方法为：

建立用户端集合与感知任务集合之间的二分图G＝({U,Q},E)，其中，U＝{1,2,...,n}表示用户端集合，Q＝{1,2,...,m}表示感知任务集合，E是连接用户端和感知任务的边的集合，每条边e＝(i,j)∈E表示感知任务j满足用户端i的预设条件，i∈U，j∈Q；

通过寻找所述二分图中的一个匹配M∈E选择用户端并将合适的感知任务分配给所述用户端，得到用户端i∈U(M)的效益为：u_i＝p_i-c_i，其中U(M)为匹配M中的用户端节点，p_i为任务请求端支付给用户端i的报酬，c_i是用户端i完成一个感知任务的成本，任务请求端的效益公式：

$u\left(M\right)={\mathrm{\Σ}}_{j\∈Q\left(M\right)}{v}_j$

其中，Q(M)为匹配M中的感知任务节点，v_j为每一个完成的任务j∈Q能给任务请求端带来效益；

所述u(M)符合以下条件：

$\max u\left(M\right)s.t.\underset{i\∈U\left(M\right)}{\mathrm{\Σ}}{p}_i\≤B$

其中，B为任务请求端的预算。

在本实施例中，满足匹配约束的群智感知激励方法具有以下几个优点：

计算高效性：本发明所述的用户端为在线用户端，在线激励方法能够在多项式时间复杂度内完成。

个人理智性：用户端在完成感知任务时不会得到负效能。

任务获益性：任务请求端在完成感知任务时不会得到负效能。

竞价真实性：竞标的用户端无法通过提交一个与他的真实价值不相符合的竞标价格来提高其获得的效能。

用户公平性：当参与竞价的每个用户端在其竞价足够低时，都有机会被任务请求端(也即任务发布端)选中并分配其任务。

效益竞争性：在衡量一个在线激励机制在效益方面的性能时，我们将在线激励机制获得的效益与最优的线下激励机制比较，通常情况下，我们追求设计的在线激励机制与最优下线激励机制的效益比为常数。

在本实施例中，所述激励模型为即时模型或延时模型，其中，所述即时模型中，用户端到达时间和离开时间相同，所述延时模型中，用户在到达之后可以马上离开，也可以停留一段时间。

在本实施例中，所述即时模型的工作方法为：

步骤210、分阶段计算阈值，每个阶段的结束对应时刻为相应的，每个阶段的预算为其中，T为选择用户端的时间长度，计算阈值的时刻为1,2,...,log₂T,log₂T+1；

步骤220、当即时时间t≤T时，用户端i提交竞标数据，基于所述二分图判断所述竞标数据是否满足条件：其中，ρ是当前已中标用户端的每单位感知任务价值的阈值价格ρ＝B'/U(M')，v_j是能够分配给用户端i的任务；

步骤230、若满足条件，则选择所述用户端i为中标用户端，并将感知任务j分配给所述用户端i，并赋予其报酬ρ·v_j，将所述用户端i和所述感知任务j添加到匹配M中；

步骤240、更新阈值ρ，更新T'＝2T'，B'＝2B'，更新到下一时刻t＝t+1，返回步骤220。

在本实施例中，所述延时模型的工作方法为：

步骤310、分阶段计算阈值，每个阶段的结束对应时刻为相应的，每个阶段的预算为其中，T为选择用户端的时间长度，计算阈值的时刻为1,2,...,log₂T,log₂T+1；

步骤320、当即时时间t≤T时，将所有此时刻到来的用户端添加到活跃用户端集合O中，令O'＝O\U(M)；

步骤330、基于所述二分图判断O'中的每个用户端i所提交的竞标数据是否满足条件：其中，ρ是当前已中标用户端的每单位感知任务价值的阈值价格ρ＝B'/U(M')，v_j是能够分配给用户端i的任务；

步骤340、若满足条件，则选择所述用户端i为中标用户端，并将感知任务j分配给所述用户端i，并赋予其报酬ρ·v_j，将所述用户端i和所述感知任务j添加到匹配M中；

步骤350、从活跃用户端集合O中删除此时刻离开的用户端，并将所述离开的用户端添加到所述二分图中；

步骤360、更新阈值ρ，更新T'＝2T'，B'＝2B'，更新到下一时刻t＝t+1，返回步骤320。

在本实施例中，所述用户端i的真实参数为：θ_i＝{a_i,d_i,c_i,Q_i}，其中，a_i和d_i分别代表用户端i到达和离开的时间，c_i是用户端i完成一个任务的成本，Q_i是满足预设条件的感知任务组成的竞标任务子集；所述用户端i提交的竞标数据为：θ_i'＝{a_i',d_i',b_i,Q_i}，其中，a_i'和d_i'分别代表用户端i提交给任务请求端的到达时间和离开时间，b_i是用户端i的竞标价格。

实施例二

如图2所示，MECH-Z表示即时模型，MECH-G表示延时模型，为了验证这两种模型的性能，本实施例采用HEURISTIC算法和UNIFORM算法来进行比较。

UNIFORM是一个线下机制，即该机制提前知道全部用户端的竞价数据。UNIFORM利用预算限制下的最大匹配算法来分配任务，它与理论最优的线下匹配算法的效益比为1/3，因此可以作为本发明激励方法的效益的上界。

HEURISTIC是一个在线激励机制，它首先观测先到达的一部分用户端的竞价数据，并计算这些竞价的均值作为阈值；在接下来见到的用户方案中，只要用户的竞价比这个阈值小，并且有可以分配的任务，就选取该用户，并分配任务和报酬。HEURISTIC可以作为本发明激励方法所能获取效益的下限。

图2展示了在仿真中任务发布端的预算与其所能获得效益的关系。四个机制都有相同的趋势，随着预算越多，所获效益越大。MECH-Z和MECH-G都比HEURISTIC表现的好，并且与上界UNIFORM的性能差距比理论值要小。

图3展示了仿真中每个用户端所选择的竞标任务子集大小与效益之间的关系。我们通过控制二分图中感知任务与用户端的连接边的概率来控制竞标任务子集大小。概率越大，用户端的竞标任务子集越大。图中显示随着用户端竞标任务子集的增大，MECH-Z和MECH-G与上限机制UNIFORM一致，效益有增大趋势，而下限机制HEURISTIC的效益则没有明显变化。

图4展示了仿真中备选用户端子集大小与效益的关系。随着备选用户端子集的增大，四个机制的效益都有缓慢增加的趋势。

图5展示了一个实际数据测试中任务发布端的预算与效益之间的关系。测试数据集为格瓦拉社交网站上用户的位置记录。从图中可以看到，在实际测试中，四个机制的性能表现与图1中的仿真的表现一致。

以上所述仅为本发明的具体实施方式，这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方法，这些方式都将落入本发明的保护范围之内。

Claims (7)

1.一种满足匹配约束的群智感知激励方法，其特征在于，包括：

步骤110、任务请求端发送感知任务集合到目标感知区域的用户端集合中的每个用户端；

步骤120、用户端接收到所述感知任务集合，判断所述感知任务集合中是否存在满足预设条件的感知任务，若是，则提交竞标数据，所述竞标数据包括由满足预设条件的感知任务组成的竞标任务子集；

步骤130、任务请求端接收到所有用户端的竞标数据，基于激励模型计算出每个感知任务中给任务请求端带来最大效益的中标用户端，并将所述感知任务分配给对应的中标用户端；

步骤140、所述中标用户端得到任务请求端的确认及分配的感知任务后，执行所述感知任务，并将感知结果发送给任务请求端。

2.根据权利要求1所述的一种满足匹配约束的群智感知激励方法，其特征在于，所述激励模型的建立方法为：

建立用户端集合与感知任务集合之间的二分图G＝({U,Q},E)，其中，U＝{1,2,...,n}表示用户端集合，Q＝{1,2,...,m}表示感知任务集合，E是连接用户端和感知任务的边的集合，每条边e＝(i,j)∈E表示感知任务j满足用户端i的预设条件，i∈U，j∈Q；

通过寻找所述二分图中的一个匹配M∈E选择用户端并将合适的感知任务分配给所述用户端，得到用户端i∈U(M)的效益为：u_i＝p_i-c_i，其中U(M)为匹配M中的用户端节点，p_i为任务请求端支付给用户端i的报酬，c_i是用户端i完成一个感知任务的成本，任务请求端的效益公式：

u(M)＝∑_j∈Q(M)v_j

其中，Q(M)为匹配M中的感知任务节点，v_j为每一个完成的任务j∈Q能给任务请求端带来效益；

所述u(M)符合以下条件：

$\begin{array}{cccc}\max & u\left(M\right)& s.t.& \underset{i\∈U\left(M\right)}{\mathrm{\Σ}}{p}_i\≤B\end{array}$

其中，B为任务请求端的预算。

3.根据权利要求2所述的一种满足匹配约束的群智感知激励方法，其特征在于，所述激励模型为即时模型或延时模型，其中，所述即时模型中，用户端到达时间和离开时间相同，所述延时模型中，用户在到达之后可以马上离开，也可以停留一段时间。

4.根据权利要求3所述的一种满足匹配约束的群智感知激励方法，其特征在于，所述即时模型的工作方法为：

步骤210、分阶段计算阈值，每个阶段的结束对应时刻为相应的，每个阶段的预算为其中，T为选择用户端的时间长度，计算阈值的时刻为1,2,...,log₂T,log₂T+1；

步骤220、当即时时间t≤T时，用户端i提交竞标数据，基于所述二分图判断所述竞标数据是否满足条件：b_i≤ρ·v_j≤B'-∑_i'∈U(M)p_i'，其中，ρ是当前已中标用户端的每单位感知任务价值的阈值价格ρ＝B'/U(M')，v_j是能够分配给用户端i的任务；

步骤230、若满足条件，则选择所述用户端i为中标用户端，并将感知任务j分配给所述用户端i，并赋予其报酬ρ·v_j，将所述用户端i和所述感知任务j添加到匹配M中；

步骤240、更新阈值ρ，更新T'＝2T'，B'＝2B'，更新到下一时刻t＝t+1，返回步骤220。

5.根据权利要求3所述的一种满足匹配约束的群智感知激励方法，其特征在于，所述延时模型的工作方法为：

步骤310、分阶段计算阈值，每个阶段的结束对应时刻为相应的，每个阶段的预算为其中，T为选择用户端的时间长度，计算阈值的时刻为1,2,...,log₂T,log₂T+1；

步骤320、当即时时间t≤T时，将所有此时刻到来的用户端添加到活跃用户端集合O中，令O'＝O\U(M)；

步骤330、基于所述二分图判断O'中的每个用户端i所提交的竞标数据是否满足条件：b_i≤ρ·v_j≤B'-∑_i'∈U(M)p_i'，其中，ρ是当前已中标用户端的每单位感知任务价值的阈值价格ρ＝B'/U(M')，v_j是能够分配给用户端i的任务；

步骤340、若满足条件，则选择所述用户端i为中标用户端，并将感知任务j分配给所述用户端i，并赋予其报酬ρ·v_j，将所述用户端i和所述感知任务j添加到匹配M中；

步骤350、从活跃用户端集合O中删除此时刻离开的用户端，并将所述离开的用户端添加到所述二分图中；

步骤360、更新阈值ρ，更新T'＝2T'，B'＝2B'，更新到下一时刻t＝t+1，返回步骤320。

6.根据权利要求3所述的一种满足匹配约束的群智感知激励方法，其特征在于，所述用户端i的真实参数为：θ_i＝{a_i,d_i,c_i,Q_i}，其中，a_i和d_i分别代表用户端i到达和离开的时间，c_i是用户端i完成一个任务的成本，Q_i是满足预设条件的感知任务组成的竞标任务子集；所述用户端i提交的竞标数据为：θ′_i＝{a′_i,d′_i,b_i,Q_i}，其中，a′_i和d′_i分别代表用户端i提交给任务请求端的到达时间和离开时间，b_i是用户端i的竞标价格。

7.根据权利要求1所述的一种满足匹配约束的群智感知激励方法，其特征在于，所述预设条件包括用户端所处的地理位置及用户端的运动轨迹的计划。