CN104850935A - 一种以最小化支付为目标的移动群智感知激励方法 - Google Patents
一种以最小化支付为目标的移动群智感知激励方法 Download PDFInfo
- Publication number
- CN104850935A CN104850935A CN201510179384.2A CN201510179384A CN104850935A CN 104850935 A CN104850935 A CN 104850935A CN 201510179384 A CN201510179384 A CN 201510179384A CN 104850935 A CN104850935 A CN 104850935A
- Authority
- CN
- China
- Prior art keywords
- user
- limit
- weight
- platform
- summit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种以最小化支付为目标的移动群智感知激励方法,解决在移动群智感知应用中,在完成所有任务的前提下最小化支付问题,从而为雇佣方节约感知成本。本发明首先提出了一个基于时间窗口的群智感知反向拍卖模型,在所提的模型下提出了一个多项式时间激励算法,该算法包含初步选择和权重竞争两个阶段,在初步选择阶段利用最小费用最大流算法获得两组不相交的用户,在权重竞争阶段,使用图理论寻找可互相替代的用户组,根据带权重的费用选取最终入选用户,并计算每个用户的报酬。相比其他激励机制,本发明所述方法具有更低的总支付额,并且仍然是个人理性和防欺骗的。
Description
技术领域
本发明涉及一种以最小化支付为目标的移动群智感知激励方法,属于拍卖理论和移动互联网的交叉领域。
背景技术
随着移动互联网、嵌入式传感器等技术的发展,智能手机已经十分普及。利用普遍存在的智能手机用户感知和收集大规模的数据是一种新型的感知方式。移动群智感知由于其广泛的时空覆盖、低廉的成本、优秀的可扩展性以及普遍存在的应用场景而被认为是一种具有巨大潜力的新型数据感知和收集模式。目前已有一些项目基于移动群智感知实现了健康护理、智能交通、社交网络、环境监控等领域中的不同应用。
近年来,只能手机已经大规模普及。据IDC公司统计,2014年只能手机的出货量接近13亿部,比2013年增长了26.3%,同时预计2015年的出货量将超过14亿部。今天的智能手机已经建成了大量传感器,包括摄像头、亮度传感器、GPS、加速度计、数字罗盘、陀螺仪、麦克风和距离传感器等。群智感知利用普遍存在的智能手机完成大规模数据感知。相比传统的传感器网络,群智感知模式具有成本低、时空覆盖度高、感知透彻、扩展性好等优点。
目前有许多群智感知系统,应用领域包括健康医疗、社交网络、环境监控、交通路况、室内定位等。但目前的这些应用都是假设参与者能自愿地积极的参加数据感知,这往往不切实际。因为参与者需要消耗设备的能量、计算能力、存储空间、数据流量等完成群智感知任务,参与者需要得到一定数量的激励以抵消这些损失。群智感知应用的成功实施取决于参与者数量以及数据质量,没有激励上述两点都得不到保证。因此,激励机制的设计在群智感知应用中十分重要。
然而,激励机制的设计并不容易,因为单个参与者往往会采取策略行为,以最大化自身的效用,这将对选择参与者已经决定支付数额产生破坏。目前,群智感知的激励机制主要考虑最大化系统效用,不要求用户能完成发布的任务。这类方法不能保证数据的完整性,从而可能降低数据价值。本发明提供一种以最小化支付为目标的移动群智感知激励方法。
发明内容
本发明的目的是提供一种以最小化支付为目标的移动群智感知激励方法,解决在移动群智感知应用中,在完成所有任务的前提下最小化支付问题,从而为雇佣方节约感知成本。本发明相对于目前的激励方法,首次在时间窗口任务中解决最小化支付的问题。本发明首先提出了一个基于时间窗口的群智感知系统模型,在所提的系统模型下最小化总支付数额。接着本发明提出了一个多项式时间算法,该算法包含初步选择和权重竞争两个阶段,相比其他激励机制,本发明所述方法具有更低的总支付额,并且仍然是个人理性和防欺骗的。
本发明的技术解决方案是:
考虑一种移动群智感知系统包括一个平台和一群智能手机用户,平台处于云端。本发明所述一种以最小化支付为目标的移动群智感知激励方法是针对感知给定时间窗口(在本发明中以下称为需求时间窗口)内的连续数据的场景,在这种场景下平台需要收集一个时间窗口内的连续数据。每个智能手机用户提交一个可以完成感知任务的单个时间窗口(在本发明中以下称为用户时间窗口)。
本发明专利所述一种以最小化支付为目标的移动群智感知激励方法,其特征在于包含两个阶段:初步选择阶段和权重竞争阶段。初步选择阶段首先将用户关系用区间图表示,进而转化为流图,计算流为2的最小费用最大流问题,寻找到能覆盖需求时间窗口的两组不相交的用户;在权重竞争阶段首先在上述的两组不相交的用户中寻找可相互替代的用户组,根据用户数量分配权重进行带权竞争,胜者将属于最终用户集合,最后为每个入选者计算关键报酬。
本发明专利所述一种以最小化支付为目标的移动群智感知激励方法中,平台发布一个需求时间窗口W=[TS,TE],,其中Ts和TE分别为时间窗口的开始时间和结束时间,即平台请求从Ts到TE的感知数据;
本发明专利所述一种以最小化支付为目标的移动群智感知激励方法,每个用户i向平台提交一个标书Bi=([si,ei],bi),其中[si,ei]是用户i的用户时间窗口。bi是用户i完成该任务的报价,即用户i希望获得的报酬;
本发明专利所述一种以最小化支付为目标的移动群智感知激励方法,目标是最小化支付总额的,并且满足入选用户的用户时间窗口能够覆盖W。
本发明所述一种以最小化支付为目标的移动群智感知激励方法,平台和智能手机用户的交互过程体现为一个反向拍卖机制,步骤如下:
步骤201:平台发布一个时间窗口W=[TS,TE],其中Ts和TE分别为时间窗口的开始时间和结束时间,即平台请求从Ts到TE的感知数据;
步骤202:设智能手机用户集合为U={1,2,,...,n},每个用户向平台提交一个标书Bi=([si,ei],bi),其中[si,ei]是用户i能完成感知任务的用户时间窗口。每个标书都存在一个真实代价ci。si和ei可以是任何时间点。bi是用户i完成该任务的报价,即用户i希望获得的报酬;
步骤203:初步选择阶段。平台选择两个互不相交的用户子集S′1,S″1,使得所选用户的总的代价之和最小;
步骤204:权重竞争阶段。在S′1和S″1中寻找可相互替代的用户组,根据用户数量分配权重进行带权竞争,胜者将属于最终用户集合,为每个入选者计算关键报酬。
步骤205:平台通知最终入选用户;
步骤206:最终入选用户在自己提交的时间窗口内感知数据,将数据提交平台;
步骤207:平台为每个入选用户通过在线形式支付报酬。
在步骤202中,平台选择用户的问题形式化表示为
minΣi∈spi
其中pi为用户i的报酬。上述形式化问题的本质是:寻找一个用户的子集,使得子集中的用户的报酬之和最小,并且被选择用户的用户时间窗口能覆盖需求时间窗口。
在步骤203中,初步选择阶段的步骤如下:
步骤301:初始化集合S′1、S″1为空;
步骤302:将标书矢量B转化为区间图G′1(V′1,E′1,w),图中每个顶点vi对应一个用户i,顶点上的权重为该用户的报价bi,所有顶点的权重构成权重构成权重矢量w,如果用户时间窗口之间有重合,则在相应顶点之间形成一条边;
步骤303:将区间图G′1(V′1,E′1,w)转化为流图G″1(V″1,E″1,w,a,s,t);
步骤304:利用最小费用最大流算法找出流值为2的从顶点s到t的流,将产生的两条互不相交的路径存入A和A’;路径上的带权边对应的用户分别存入集合S′1和S″1,结束。
在步骤303中,将区间图转化为流图的步骤如下:
步骤30301:增加顶点s和t到区间图中。对于任何顶点vi∈V′1,如果有TS∈[si,ei],则增加一条边连接s和vi,同样地,如果有TE∈[si,ei]则增加一条边连接t和vi;
步骤30302:对于图中每条边(u,v),将其转化为两条有向边<u,v>和<v,u>,边上权重为w<u,v>=w<v,u>=0,设置相应的容量为a<u,v>=a<v,u>=1;
步骤30303:将图中每个带权顶点vi∈V′1转化为两个不带权的顶点v′1和v″1,增加边<u′i,v″1>,其边上权重为w<v′i,v″i>=bi,设置容量为a<v′i,v″1>=1.将vi的入边<u,vi>转化为<u,v′i>,将vi的出边<vi,u>转化为<v″i,u>,转化完成。
在步骤204中权重竞争阶段的步骤如下:
步骤401:初始化集合S2为空;
步骤402:取得只包含A and A’上顶点及相关联的边的子图G2(V2,E2,w,s,t);
步骤403:对于任意顶点v,定义Pre(v)为顶点所在路径的前趋顶点,定义Next(v)为顶点所在路径的后继顶点。对于子图上任意边<u,v>∈E2,u∈A,v∈A’,寻找是否存在对应的边<Pre(v),Next(u)>∈E2,如果存在则将顶点u,v,Pre(v)和Next(u)合并为顶点di;
步骤404:重复步骤403,直到求出所有的di;
步骤405:设s=d1,d2,…,dk+1=t为步骤404找到的所有合并顶点,这些顶点是路径A和A’的公共交点,并且将路径A和A’分割成了k个子路径。定义Ai为路径A上从di到di+1子路径,定义A′i为路径A’上从di到di+1子路径。
步骤406:定义函数c()为路径上权重的总和。对于子路径Ai∈A,如果 转步骤407,否则转步骤408;
步骤407:将子路径Ai上的每个用户j放入集合S2中,计算其支付报酬为
步骤408:将子路径A′i上的每个用户j放入集合S2中,计算其支付报酬为
步骤409:重复步骤406-步骤408,直到所有子路径都被计算过;
步骤410:对于任意用户i∈U\S2,将其支付数额设置为0;
步骤411:返回集合S2和向量p,集合S2即为入选的最终用户集合,向量p为每个用户的支付数额,结束。
本发明的有益效果是:一种以最小化支付为目标的移动群智感知激励方法,可用于移动群智感知系统中时间相关任务的用户激励,从而形成该类应用的市场化机制。相比其他激励方法,本发明所述方法能够在保证完成全部任务的前提下最小化总支付额,并且优化程度与理论最佳值的近似度在常数范围内。本发明具有以下显著的优点:
本发明所求出的最终入选用户一定是可行解,即最终入选用户的用户时间窗口一定能覆盖需求时间窗口。
计算时间复杂度低,该方法包括初步选择阶段和权重竞争阶段总的时间复杂度为O(n2),其中n为用户数,是一个完全多项式时间方法,具有很强的实际应用的价值。
该激励方法是个人理性的,即平台支付给每个入选用户的报酬数额一定大于等于该用户所需耗费的真实代价,因此对于吸引大量智能手机用户以及提高数据质量有积极作用;
该激励方法是防欺骗的,即使智能手机用户采取某种策略提高报价,也不是使得用户的效益变高,因此用户倾向于报自身的真实价格作为报价。防欺骗性对于防止市场垄断或者串通具有重要作用。
该激励方法与理论上最小支付值OPT相比,近似度在常数因子内。OPT仅在理论上存在,实际中无法计算得到,也没有多项式时间算法。
附图说明
图1是以最小化支付为目标的移动群智感知激励方法反向拍卖框架;
图2是以最小化支付为目标的移动群智感知激励方法反向拍卖流程图;
图3是本发明实施例中初步选择阶段流程图;
图4是本发明实施例中区间图转化为流图的流程图;
图5是本发明实施例中权重竞争阶段流程图。
具体实施方式
名词说明:
最终入选用户:由本发明权重竞争阶段选择出的最终用户,在本发明中用符号S2表示最终入选用户集合。最终入选用户将作为移动群智感知最终参与者,并且获得相应报酬。
总支付额:最终被选择用户获得的报酬总和,可形式化表示为:minΣi∈spi。
需求时间窗口:由平台发布的需要感知的时间区间,在本发明中表示为W
用户时间窗口:能完成感知任务的时间窗口,在本发明中用户i的时间窗口表示为[si,ei]。
下面结合附图详细说明本发明的优选实施例。
考虑一种移动群智感知系统包括一个平台和一群智能手机用户,平台处于云端。本发明所述一种以最小化支付为目标的移动群智感知激励方法是针对感知给定时间窗口(称为需求时间窗口)内的连续数据的场景,在这种场景下平台需要收集一个时间窗口内的连续数据。每个智能手机用户提交一个可以完成感知任务的单个时间窗口(称为用户时间窗口)。
本发明专利所述一种以最小化支付为目标的移动群智感知激励方法中,平台和用户之间的交互过程是基于一个反向拍卖框架,如图1所示。平台发布一个需求时间窗口W=[TS,TE],其中Ts和TE分别为时间窗口的开始时间和结束时间,即平台请求从Ts到TE的感知数据;每个用户i向平台提交一个标书Bi=([si,ei],bi),其中[si,ei]是用户i的用户时间窗口。bi是用户i完成该任务的报价,即用户i希望获得的报酬。系统平台通过初步选择和权重竞争计算出最终入选用户和相应的支付额,通知最终入选用户。最终入选用户完成各自感知任务,平台在收到感知数据后进行支付。
本发明专利所述一种以最小化支付为目标的移动群智感知激励方法,目标是最小化支付总额的,并且满足入选用户的用户时间窗口能够覆盖W。
本发明专利所述一种以最小化支付为目标的移动群智感知激励方法,其特征在于包含两个阶段:初步选择阶段和权重竞争阶段。初步选择阶段首先将用户关系用区间图表示,进而转化为流图,计算流为2的最小费用最大流问题,寻找到能覆盖需求时间窗口的两组不相交的用户;在权重竞争阶段首先在上述的两组不相交的用户中寻找可相互替代的用户组,根据用户数量分配权重进行带权竞争,胜者将属于最终用户集合,最后为每个入选者计算关键报酬。
本发明所述一种以最小化支付为目标的移动群智感知激励方法,总体上遵循反向拍卖流程,流程图如图2所示,步骤如下:
步骤201:平台发布一个时间窗口W=[TS,TE],其中Ts和TE分别为时间窗口的开始时间和结束时间,即平台请求从Ts到TE的感知数据;
步骤202:设智能手机用户集合为U={1,2,...,n},每个用户向平台提交一个标书Bi=([si,ei],bi),其中[si,ei]是用户i能完成感知任务的用户时间窗口。每个标书都存在一个真实代价ci。si和ei可以是任何时间点。bi是用户i完成该任务的报价,即用户i希望获得的报酬;
步骤203:初步选择阶段。平台选择两个互不相交的用户子集S′1,S″1,使得所选用户的总的代价之和最小;
步骤204:权重竞争阶段。在S′1和S″1中寻找可相互替代的用户组,根据用户数量分配权重进行带权竞争,胜者将属于最终用户集合,为每个入选者计算关键报酬。
步骤205:平台通知最终入选用户;
步骤206:最终入选用户在自己提交的时间窗口内感知数据,将数据提交平台;
步骤207:平台为每个入选用户通过在线形式支付报酬。
在步骤202中,平台选择用户的问题形式化表示为
minΣi∈spi
其中pi为用户i的报酬。上述形式化问题的本质是:寻找一个用户的子集,使得子集中的用户的报酬之和最小,并且被选择用户的用户时间窗口能覆盖需求时间窗口。
在步骤203中,初步选择阶段的流程如图3所示,具体步骤如下:
步骤301:初始化集合S′1、S″1为空;
步骤302:将标书矢量B转化为区间图G′1(V′1,E′1,w),图中每个顶点vi对应一个用户i,顶点上的权重为该用户的报价bi,所有顶点的权重构成权重构成权重矢量w,如果用户时间窗口之间有重合,则在相应顶点之间形成一条边;
步骤303:将区间图G′1(V′1,E′1,w)转化为流图G″1(V″1,E″1,w,a,s,t);
步骤304:利用最小费用最大流算法找出流值为2的从顶点s到t的流,将产生的两条互不相交的路径存入A和A’;路径上的带权边对应的用户分别存入集合S′1和S″1,结束。
在步骤303中,将区间图转化为流图的流程如图4所示,具体步骤如下:
步骤30301:增加顶点s和t到区间图中。对于任何顶点vi∈V′1,如果有TS∈[si,ei],则增加一条边连接s和vi,同样地,如果有TE∈[si,ei],则增加一条边连接t和vi;
步骤30302:对于图中每条边(u,v),将其转化为两条有向边<u,v>和<v,u>,边上权重为w<u,v>=w<v,u>=0,设置相应的容量为a<u,v>=a<v,u>=1;
步骤30303:将图中每个带权顶点vi∈V′1转化为两个不带权的顶点v′1和v″i,增加边<v′i,v″i>,其边上权重为w<v′i,v″i>=bi,设置容量为a<v′i,v″i>=1.将vi的入边<u,vi>转化为<u,v′i>,将vi的出边<vi,u>转化为<v″i,u>,转化完成。
在步骤204中权重竞争阶段的流程如图5所示,具体步骤如下:
步骤401:初始化集合S2为空;
步骤402:取得只包含A and A’上顶点及相关联的边的子图G2(V2,E2,w,s,t);
步骤403:对于任意顶点v,定义Pre(v)为顶点所在路径的前趋顶点,定义Next(v)为顶点所在路径的后继顶点。对于子图上任意边<u,v>∈E2,u∈A,v∈A’,寻找是否存在对应的边<Pre(v),Next(u)>∈E2,如果存在则将顶点u,v,Pre(v)和Next(u)合并为顶点di;
步骤404:重复步骤403,直到求出所有的di;
步骤405:设s=d1,d2,…,dk+1=t为步骤404找到的所有合并顶点,这些顶点是路径A和A’的公共交点,并且将路径A和A’分割成了k个子路径。定义Ai为路径A上从di到di+1子路径,定义A′i为路径A’上从di到di+1子路径。
步骤406:定义函数c()为路径上权重的总和。对于子路径Ai∈A,如果 转步骤407,否则转步骤408;
步骤407:将子路径Ai上的每个用户j放入集合S2中,计算其支付报酬为
步骤408:将子路径A′i上的每个用户j放入集合S2中,计算其支付报酬为
步骤409:重复步骤406-步骤408,直到所有子路径都被计算过;
步骤410:对于任意用户i∈U\S2,将其支付数额设置为0;
步骤411:返回集合S2和向量p,集合S2即为入选的最终用户集合,向量p为每个用户的支付数额,结束。
Claims (4)
1.一种以最小化支付为目标的移动群智感知激励方法,其特征在于:
平台和智能手机用户的交互过程体现为一个反向拍卖机制,步骤如下:
步骤201:平台发布一个时间窗口W=[Ts,TE],其中Ts和TE分别为时间窗口的开始时间和结束时间,即平台请求从Ts到TE的感知数据;
步骤202:设智能手机用户集合为U={1,2,...,n},每个用户向平台提交一个标书Bi=(si,ei],bi),其中[si,ei]是用户i能完成感知任务的用户时间窗口,每个标书都存在一个真实代价ci,si和ei可以是任何时间点,bi是用户i完成该任务的报价,即用户i希望获得的报酬;
步骤203:初步选择阶段,平台选择两个互不相交的用户子集s′1,S″1,使得所选用户的总的代价之和最小;
步骤204:权重竞争阶段,在S′1和S″1中寻找可相互替代的用户组,根据用户数量分配权重进行带权竞争,胜者将属于最终用户集合,为每个入选者计算关键报酬;
步骤205:平台通知最终入选用户;
步骤206:最终入选用户在自己提交的时间窗口内感知数据,将数据提交平台;
步骤207:平台为每个入选用户通过在线形式支付报酬。
2.如权利要求1所述的方法,在步骤203中,初步选择阶段的步骤如下:
步骤301:初始化集合S′1、S″1为空;
步骤302:将标书矢量B转化为区间图G′1(V′1,E′1,w),图中每个顶点vi对应一个用户i,顶点上的权重为该用户的报价bi,所有顶点的权重构成权重构成权重矢量w,如果用户时间窗口之间有重合,则在相应顶点之间形成一条边;
步骤303:将区间图G′1(V′1,E′1,w)转化为流图G″1(V″1,E″1,w,a,s,t);
步骤304:利用最小费用最大流算法找出流值为2的从顶点s到t的流,将产生的两条互不相交的路径存入A和A’;路径上的带权边对应的用户分别存入集合S′1和S″1,结束。
3.如权利要求2所述的方法,在步骤303中,将区间图转化为流图的步骤如下:
步骤30301:增加顶点s和t到区间图中,对于任何顶点vi∈V′1,如果有TS∈[si,ei],则增加一条边连接s和vi,同样地,如果有TE∈[si,ei],则增加一条边连接t和vi;
步骤30302:对于图中每条边(u,v),将其转化为两条有向边<u,v>和<v,u>,边上权重为w<u,v>=w<v,u>=0,设置相应的容量为a<u,v>=a<v,u>=1;
步骤30303:将图中每个带权顶点vi∈V′1转化为两个不带权的顶点v′i和v″i,增加边<v′i,v″i>,其边上权重为w<v′i,v″i>=bi,设置容量为a<v′i,v′i>=1.将vi的入边<u,vi>转化为<u,v′i>,将vi的出边<vi,u>转化为<v″i,u>,转化完成。
4.如权利要求1所述的方法,在步骤204中权重竞争阶段的步骤如下:
步骤401:初始化集合S2为空;
步骤402:取得只包含A and A’上顶点及相关联的边的子图H2(V2,E2,w,s,t);
步骤403:对于任意顶点v,定义Pre(v)为顶点所在路径的前趋顶点,定义Next(v)为顶点所在路径的后继顶点,对于子图上任意边<u,v>∈E2,u∈A,v∈A’,寻找是否存在对应的边<Pre(v),Next(u)>∈E2,如果存在则将顶点u,v,Pre(v)和Next(u)合并为顶点di;
步骤404:重复步骤403,直到求出所有的di;
步骤405:设s=d1,d2,…,dk+1=t为步骤404找到的所有合并顶点,这些顶点是路径A和A’的公共交点,并且将路径A和A’分割成了k个子路径,定义Ai为路径A上从di到di+1子路径,定义A′i为路径A’上从di到di+1子路径;
步骤406:定义函数c()为路径上权重的总和,对于子路径Ai∈A,如果转步骤407,否则转步骤408;
步骤407:将子路径Ai上的每个用户j放入集合S2中,计算其支付报酬为
步骤408:将子路径A′i上的每个用户j放入集合S2中,计算其支付报酬为
步骤409:重复步骤406-步骤408,直到所有子路径都被计算过;
步骤410:对于任意用户i∈U\S2,将其支付数额设置为0;
步骤411:返回集合S2和向量p,集合S2即为入选的最终用户集合,向量p为每个用户的支付数额,结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510179384.2A CN104850935B (zh) | 2015-04-15 | 2015-04-15 | 一种以最小化支付为目标的移动群智感知激励方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510179384.2A CN104850935B (zh) | 2015-04-15 | 2015-04-15 | 一种以最小化支付为目标的移动群智感知激励方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104850935A true CN104850935A (zh) | 2015-08-19 |
CN104850935B CN104850935B (zh) | 2018-08-24 |
Family
ID=53850567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510179384.2A Active CN104850935B (zh) | 2015-04-15 | 2015-04-15 | 一种以最小化支付为目标的移动群智感知激励方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104850935B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021861A (zh) * | 2016-05-09 | 2016-10-12 | 上海交通大学 | 一种激励方法 |
CN106485415A (zh) * | 2016-10-11 | 2017-03-08 | 安徽慧达通信网络科技股份有限公司 | 一种基于供需关系的带预算的移动群智感知激励方法 |
CN107248092A (zh) * | 2017-06-14 | 2017-10-13 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于供需关系的移动群智感知激励方法 |
CN107316223A (zh) * | 2017-06-02 | 2017-11-03 | 南京邮电大学 | 一种面向多合作任务的多报价标书移动群智感知激励方法 |
CN107330754A (zh) * | 2017-06-02 | 2017-11-07 | 南京邮电大学 | 一种面向合作性任务的移动群智感知激励方法 |
CN107707530A (zh) * | 2017-09-12 | 2018-02-16 | 福建师范大学 | 一种移动群智感知的隐私保护方法及系统 |
CN108269129A (zh) * | 2018-01-23 | 2018-07-10 | 重庆邮电大学 | 一种基于逆向拍卖的移动群智感知网络中用户激励方法 |
CN108776863A (zh) * | 2018-05-25 | 2018-11-09 | 华南理工大学 | 一种基于用户基数最大化的群智感知激励方法 |
CN108876567A (zh) * | 2018-05-25 | 2018-11-23 | 华南理工大学 | 一种基于感知效用最大化的群智感知激励方法 |
CN109285032A (zh) * | 2018-08-30 | 2019-01-29 | 天津工业大学 | 一种激励机制对夜间的参与者进行额外的奖励算法 |
CN109347905A (zh) * | 2018-08-30 | 2019-02-15 | 天津工业大学 | 一种移动群智感知中的空间任务分配机制 |
CN109544261A (zh) * | 2018-09-29 | 2019-03-29 | 南京邮电大学 | 一种基于扩散和数据质量的群智感知激励方法 |
CN109587641A (zh) * | 2018-11-30 | 2019-04-05 | 武汉科技大学 | 移动智能设备中基于用户匹配的数据流量共享方法 |
CN109978353A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 一种面向位置可调整用户的大数据群智感知激励方法 |
CN110992121A (zh) * | 2019-10-22 | 2020-04-10 | 西安电子科技大学 | 群智感知中基于感知误差的感知任务信息分配系统及方法 |
CN112396224A (zh) * | 2020-11-13 | 2021-02-23 | 智邮开源通信研究院(北京)有限公司 | 基于轨迹的车辆招募方法、系统、设备及可读存储介质 |
CN114926088A (zh) * | 2022-06-14 | 2022-08-19 | 中南大学 | 基于路径依赖理论的群智感知激励方法、系统及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289766A (zh) * | 2011-07-29 | 2011-12-21 | 东北大学 | 一种基于连续双向拍卖机制的网格资源调度方法 |
CN103310349A (zh) * | 2013-06-14 | 2013-09-18 | 清华大学 | 一种基于在线激励机制的感知数据获取方法 |
CN103533502A (zh) * | 2013-10-15 | 2014-01-22 | 上海交通大学 | 一种群智感知系统中的防欺骗拍卖方法及系统 |
-
2015
- 2015-04-15 CN CN201510179384.2A patent/CN104850935B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289766A (zh) * | 2011-07-29 | 2011-12-21 | 东北大学 | 一种基于连续双向拍卖机制的网格资源调度方法 |
CN103310349A (zh) * | 2013-06-14 | 2013-09-18 | 清华大学 | 一种基于在线激励机制的感知数据获取方法 |
CN103533502A (zh) * | 2013-10-15 | 2014-01-22 | 上海交通大学 | 一种群智感知系统中的防欺骗拍卖方法及系统 |
Non-Patent Citations (2)
Title |
---|
ZHENNI FENG 等: "Towards Truthful Mechanisms for Mobile Crowdsourcing with Dynamic Smartphones", 《DISTRIBUTED COMPUTING SYSTEMS (ICDCS), 2014 IEEE 34TH INTERNATIONAL CONFERENCE ON》 * |
王慧贤: "社交网络媒体平台用户参与激励机制研究", 《中国博士学位论文全文数据库 社会科学Ⅱ辑》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021861A (zh) * | 2016-05-09 | 2016-10-12 | 上海交通大学 | 一种激励方法 |
CN106021861B (zh) * | 2016-05-09 | 2018-08-24 | 上海交通大学 | 一种群智感知系统的激励方法 |
CN106485415A (zh) * | 2016-10-11 | 2017-03-08 | 安徽慧达通信网络科技股份有限公司 | 一种基于供需关系的带预算的移动群智感知激励方法 |
CN106485415B (zh) * | 2016-10-11 | 2019-09-03 | 安徽慧达通信网络科技股份有限公司 | 一种基于供需关系的带预算的移动群智感知激励方法 |
CN107316223A (zh) * | 2017-06-02 | 2017-11-03 | 南京邮电大学 | 一种面向多合作任务的多报价标书移动群智感知激励方法 |
CN107330754A (zh) * | 2017-06-02 | 2017-11-07 | 南京邮电大学 | 一种面向合作性任务的移动群智感知激励方法 |
CN107316223B (zh) * | 2017-06-02 | 2020-12-18 | 南京邮电大学 | 一种面向多合作任务的多报价标书移动群智感知激励方法 |
CN107330754B (zh) * | 2017-06-02 | 2020-12-18 | 南京邮电大学 | 一种面向合作性任务的移动群智感知激励方法 |
CN107248092A (zh) * | 2017-06-14 | 2017-10-13 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于供需关系的移动群智感知激励方法 |
CN107707530A (zh) * | 2017-09-12 | 2018-02-16 | 福建师范大学 | 一种移动群智感知的隐私保护方法及系统 |
CN107707530B (zh) * | 2017-09-12 | 2020-07-31 | 福建师范大学 | 一种移动群智感知的隐私保护方法及系统 |
CN108269129B (zh) * | 2018-01-23 | 2022-02-08 | 重庆邮电大学 | 一种基于逆向拍卖的移动群智感知网络中用户激励方法 |
CN108269129A (zh) * | 2018-01-23 | 2018-07-10 | 重庆邮电大学 | 一种基于逆向拍卖的移动群智感知网络中用户激励方法 |
CN108876567A (zh) * | 2018-05-25 | 2018-11-23 | 华南理工大学 | 一种基于感知效用最大化的群智感知激励方法 |
CN108776863A (zh) * | 2018-05-25 | 2018-11-09 | 华南理工大学 | 一种基于用户基数最大化的群智感知激励方法 |
CN108776863B (zh) * | 2018-05-25 | 2021-08-06 | 华南理工大学 | 一种基于用户基数最大化的群智感知激励方法 |
CN108876567B (zh) * | 2018-05-25 | 2021-09-21 | 华南理工大学 | 一种基于感知效用最大化的群智感知激励方法 |
CN109285032A (zh) * | 2018-08-30 | 2019-01-29 | 天津工业大学 | 一种激励机制对夜间的参与者进行额外的奖励算法 |
CN109347905A (zh) * | 2018-08-30 | 2019-02-15 | 天津工业大学 | 一种移动群智感知中的空间任务分配机制 |
CN109544261A (zh) * | 2018-09-29 | 2019-03-29 | 南京邮电大学 | 一种基于扩散和数据质量的群智感知激励方法 |
CN109587641A (zh) * | 2018-11-30 | 2019-04-05 | 武汉科技大学 | 移动智能设备中基于用户匹配的数据流量共享方法 |
CN109587641B (zh) * | 2018-11-30 | 2020-11-03 | 武汉科技大学 | 移动智能设备中基于用户匹配的数据流量共享方法 |
CN109978353A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 一种面向位置可调整用户的大数据群智感知激励方法 |
CN109978353B (zh) * | 2019-03-14 | 2021-07-27 | 南京邮电大学 | 一种面向位置可调整用户的大数据群智感知激励方法 |
CN110992121A (zh) * | 2019-10-22 | 2020-04-10 | 西安电子科技大学 | 群智感知中基于感知误差的感知任务信息分配系统及方法 |
CN110992121B (zh) * | 2019-10-22 | 2024-03-22 | 西安电子科技大学 | 群智感知中基于感知误差的感知任务信息分配系统及方法 |
CN112396224A (zh) * | 2020-11-13 | 2021-02-23 | 智邮开源通信研究院(北京)有限公司 | 基于轨迹的车辆招募方法、系统、设备及可读存储介质 |
CN114926088A (zh) * | 2022-06-14 | 2022-08-19 | 中南大学 | 基于路径依赖理论的群智感知激励方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104850935B (zh) | 2018-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104850935A (zh) | 一种以最小化支付为目标的移动群智感知激励方法 | |
CN104899760B (zh) | 一种时间相关移动群智感知系统中的激励方法 | |
He et al. | An exchange market approach to mobile crowdsensing: pricing, task allocation, and walrasian equilibrium | |
CN104657133B (zh) | 移动群智感知中一种用于单时间窗口任务的激励方法 | |
CN104881800B (zh) | 一种基于移动群智感知的激励机制实现方法 | |
CN110189174A (zh) | 一种基于数据质量感知的移动群智感知激励方法 | |
CN111932318B (zh) | 区域划分方法、装置、电子设备及计算机可读存储介质 | |
CN105787788A (zh) | 带预算的连续时间区间覆盖移动群智感知激励框架 | |
CN113361387A (zh) | 人脸图像融合方法及装置、存储介质及电子设备 | |
Wang et al. | Global Energy Interconnection: an innovative solution for implementing the Paris Agreement—the significance and pathway of integrating GEI into global climate governance | |
CN105282246A (zh) | 基于拍卖机制的感知任务分配的方法 | |
CN107316223B (zh) | 一种面向多合作任务的多报价标书移动群智感知激励方法 | |
CN103353865A (zh) | 一种基于位置的易货电子交易商品推荐方法 | |
CN103064918A (zh) | 一种基于社会推荐网络和机制设计的专家寻找方法和系统 | |
CN107688964A (zh) | 一种用于大规模众包任务扩散的激励方法 | |
CN107330754B (zh) | 一种面向合作性任务的移动群智感知激励方法 | |
CN107248092A (zh) | 一种基于供需关系的移动群智感知激励方法 | |
Jiang et al. | Combinatorial double auction for resource allocation with differential privacy in edge computing | |
Fan et al. | A layout optimization approach to urban park green spaces based on accessibility evaluation: a case study of the central area in Wuxi city | |
CN113218414B (zh) | 路线规划方法、装置及电子设备 | |
Donnet et al. | Developing a Queensland (Australia) aviation network strategy: Lessons from three international contexts | |
CN113032694A (zh) | 基于场景的查询方法及装置、存储介质、计算机设备 | |
CN111931107B (zh) | 数字公民体系构建方法、系统及存储介质 | |
Kusuma et al. | Lao People's Democratic Republic's Dependency on China's Infrastructure Assistance | |
CN107609836A (zh) | 一种基于线性概率的大规模众包任务扩散方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |