CN104850935A

CN104850935A - 一种以最小化支付为目标的移动群智感知激励方法

Info

Publication number: CN104850935A
Application number: CN201510179384.2A
Authority: CN
Inventors: 徐佳; 卢蔚; 蒋凌云; 李涛; 徐小龙; 王海艳
Original assignee: Nanjing Post and Telecommunication University
Current assignee: Nanjing Post and Telecommunication University; Nanjing University of Posts and Telecommunications
Priority date: 2015-04-15
Filing date: 2015-04-15
Publication date: 2015-08-19
Anticipated expiration: 2035-04-15
Also published as: CN104850935B

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

一种以最小化支付为目标的移动群智感知激励方法

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＝[T_S，T_E]，，其中T_s和T_E分别为时间窗口的开始时间和结束时间，即平台请求从T_s到T_E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B_i＝([s_i，e_i]，bi)，其中[s_i，e_i]是用户i的用户时间窗口。b_i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＝[T_S，T_E]，其中T_s和T_E分别为时间窗口的开始时间和结束时间，即平台请求从T_s到T_E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B_i＝([s_i，e_i]，b_i)，其中[s_i，e_i]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c_i。s_i和e_i可以是任何时间点。b_i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

minΣ_i∈sp_i

s . t . W &SubsetEqual; U_{i &Element; S} [s_{i}, e_{i}]

其中p_i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v_i对应一个用户i，顶点上的权重为该用户的报价b_i，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v_i∈V′₁，如果有T_S∈[s_i，e_i]，则增加一条边连接s和v_i，同样地，如果有T_E∈[s_i，e_i]则增加一条边连接t和v_i；

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v_i∈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>＝b_i,设置容量为a<v′_i，v″₁>＝1.将v_i的入边<u，v_i>转化为<u，v′i>,将v_i的出边<v_i，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d_i；

步骤404：重复步骤403，直到求出所有的d_i；

步骤405：设s＝d₁,d₂,…,d_k+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A_i为路径A上从d_i到d_i+1子路径，定义A′_i为路径A’上从d_i到d_i+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A_i∈A，如果

\sqrt{| A_{i} |} \cdot c (A_{i}) \leq \sqrt{| A_{i}^{'} |} \cdot c (A_{i}^{'}),

转步骤407，否则转步骤408；

步骤407：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

p_{j} &LeftArrow; \sqrt{| A_{i}^{'} |} \cdot \frac{c (A_{i}^{'})}{\sqrt{| A_{i} |}} - c (A_{i}) + b_{j};

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

p_{j} &LeftArrow; \sqrt{| A_{i} |} \cdot \frac{c (A_{i})}{\sqrt{| A_{i}^{'} |}} - c (A_{i}^{'}) + b_{j};

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：minΣ_i∈sp_i。

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[s_i，e_i]。

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＝[T_S，T_E]，其中T_s和T_E分别为时间窗口的开始时间和结束时间，即平台请求从T_s到T_E的感知数据；每个用户i向平台提交一个标书B_i＝([s_i，e_i]，b_i)，其中[s_i，e_i]是用户i的用户时间窗口。b_i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B_i＝([s_i，e_i]，b_i)，其中[s_i，e_i]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c_i。s_i和e_i可以是任何时间点。b_i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205：平台通知最终入选用户；

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

minΣ_i∈sp_i

s . t . W &SubsetEqual; U_{i &Element; S} [s_{i}, e_{i}]

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)；

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v_i∈V′₁，如果有T_S∈[s_i，e_i]，则增加一条边连接s和v_i，同样地，如果有T_E∈[s_i，e_i]，则增加一条边连接t和v_i；

步骤30303：将图中每个带权顶点v_i∈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>＝b_i,设置容量为a<v′_i，v″_i>＝1.将v_i的入边<u，v_i>转化为<u，v′_i>,将v_i的出边<v_i，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404：重复步骤403，直到求出所有的d_i；

\sqrt{| A_{i} |} \cdot c (A_{i}) \leq \sqrt{| A_{i}^{'} |} \cdot c (A_{i}^{'}),

转步骤407，否则转步骤408；

p_{j} &LeftArrow; \sqrt{| A_{i}^{'} |} \cdot \frac{c (A_{i}^{'})}{\sqrt{| A_{i} |}} - c (A_{i}) + b_{j};

p_{j} &LeftArrow; \sqrt{| A_{i} |} \cdot \frac{c (A_{i})}{\sqrt{| A_{i}^{'} |}} - c (A_{i}^{'}) + b_{j};

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；

Claims

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B_i＝(s_i，e_i]，b_i)，其中[s_i，e_i]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c_i，s_i和e_i可以是任何时间点，b_i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；

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v_i∈V′₁，如果有T_S∈[s_i，e_i]，则增加一条边连接s和v_i，同样地，如果有T_E∈[s_i，e_i]，则增加一条边连接t和v_i；

步骤30303：将图中每个带权顶点v_i∈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>＝b_i,设置容量为a<v′_i，v′_i>＝1.将v_i的入边<u，v_i>转化为<u，v′_i>,将v_i的出边<v_i，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d_i；

步骤404：重复步骤403，直到求出所有的d_i；

步骤405：设s＝d₁,d₂,…,d_k+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A_i为路径A上从d_i到d_i+1子路径，定义A′_i为路径A’上从d_i到d_i+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A_i∈A，如果转步骤407，否则转步骤408；

p_{j} &LeftArrow; \sqrt{| A_{i}^{'} |} \cdot \frac{c (A_{i}^{'})}{\sqrt{| A_{i} |}} - c (A_{i}) + b_{j};

p_{j} &LeftArrow; \sqrt{| A_{i} |} \cdot \frac{c (A_{i})}{\sqrt{| A_{i}^{'} |}} - c (A_{i}^{'}) + b_{j};

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；