CN104899760A - 一种时间相关移动群智感知系统中的激励方法 - Google Patents

Abstract

本发明提供一种时间相关移动群智感知系统中的激励方法，针对时间窗口任务的群智感知系统，设计了一种用户激励方法。该方法包含一个方向拍卖流程和两个阶段：用户选择阶段和支付决策阶段。在用户选择阶段采用贪心算法解决最小化社会代价用户选择问题，其近似度为ln|W|+1，其中W为平台感知时间窗口的长度；在支付决策阶段计算每个入选用户的关键报酬。该方法包括用户选择阶段和支付决策阶段总的时间复杂度为O(n³﹒max|R|)，其中n为用户数，|R|为用户标书中所含的时间窗口数。该激励方法具有个人理性、防欺骗的良好性质，并且可以产生较好的近似解。

Description

一种时间相关移动群智感知系统中的激励方法

技术领域

本发明涉及移动群智感知中一种时间相关移动群智感知系统中的激励方法，属于无线传感器网络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。

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地点相关型的任务，即任务分散在不同的地理位置。但却忽略了时间相关型的任务，更没有发现存在针对该类任务类型的激励方法。本发明提供一种时间相关移动群智感知系统中的激励方法。

发明内容

本发明的目的是提供移动群智感知中一种用于时间相关任务的激励方法，解决在时间相关类型的群智感知中选择用户和计算支付数额的问题。本发明相对于目前的激励方法，首次解决了多个时间窗口任务这种新的群智感知应用场景的激励机制设计问题。本发明首先提出了该应用场景的系统模型，在所提的系统模型 下最小化社会代价。接着本发明提出了一个贪心算法用于选择参与者，在决定每个被选择用户的报酬时遵守关键报酬的原则，从而使得本方法具有防欺骗性。本发明所述一种时间相关移动群智感知系统中的激励方法是能高效运行的、个人理性的、防欺骗的以及与最优方法相比既有良好的近似度。

本发明的技术解决方案是：

考虑一个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。本发明所述一种时间相关移动群智感知系统中的激励方法是针对感知给定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。每个智能手机用户可以提交一个或多个可以完成感知任务的时间窗口。

本发明专利所述一种时间相关移动群智感知系统中的激励方法包含一个反向拍卖流程和两个阶段：用户选择阶段和支付决策阶段。用户选择阶段采用贪心方法解决最小社会代价用户选择问题。在支付决策阶段计算每个被选择用户的关键报酬。首次对多时间窗口的移动群智感知系统的进行激励机制的设计。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。

该方法每个用户向平台提交一个标书B_i＝(R_i,b_i)，该标书是一个二元组，其中是用户i能完成感知任务的时间窗口集合。每个标书都存在一个真实代价c_i。b_i是用户i完成任务R_i的报价，即用户i希望获得的报酬。

该激励方法是最小化社会代价的，即最小化入选用户的真实代价之和，每个用户对只能存在一个报价，并且满足入选用户的时间窗口能够覆盖W。

本发明所述一种时间相关移动群智感知系统中的激励方法中，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＝(R_i,b_i)，其中是用户i能完成感知任务的时间窗 口集合。每个标书都存在一个真实代价c_i。b_i是用户i完成任务R_i的报价，即用户i希望获得的报酬；

步骤203：用户选择阶段。平台选择用户的子集，使得所选用户的社会代价之和最小，并且所提交的时间窗口可以覆盖W，选择结束后并选择结果告知入选用户；

步骤204：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205：支付决策阶段。平台为每个入选用户计算关键报酬。并通过在线形式支付。

在步骤203中，平台选择用户的问题形式化表示为

minΣ_i∈Sc_i

$s.t.W\⊆U_{i\∈S,j\∈\{1,\mathrm{...},k\}}\[s_i^j,e_i^j\]$

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代价之和最小，并且被选择用户的时间窗口需覆盖整个感知时间窗口。

在步骤203中，平台选择用户时，进入用户选择阶段，采用贪心算法解决最小社会代价用户选择问题。用户选择阶段的步骤如下：

步骤301：初始化时间窗口W'＝W，被选择用户S为空；

步骤302：当W'不为空，执行步骤303-步骤305，否则执行步骤306；

步骤303：在集合U-S中，寻找最小的有效平均代价其中b_h为用户h的报价，v_h(W')为有效覆盖， $v_h\left(W^{\′}\right)=W^{\′}\∩(U_{\∀j\∈\{1,\mathrm{...},k\}}\[s_h^j,e_h^j\]);$

步骤304：更新W'＝W'-v_h(W')；

步骤305：将用户h并入集合S中：S＝S∪{h}；

步骤306：结束，返回集合S；

经过用户选择阶段后，集合S就是平台所选择的用户子集。

在步骤205中支付决策阶段的步骤如下：

步骤401：对于集合U中的每个用户i，置支付报酬数额p_i＝0；

步骤402：检查是否每个S中的用户都已经计算出报酬，如果没有，执行步骤403-步骤408，否则执行步骤409；

步骤403：置U'＝U\{i},τ＝φ,ω'＝W；

步骤404：检查是否ω'≠φ，如果是执行步骤405-步骤408，否则执行步骤402；

步骤405：在集合U-τ中，寻找最小的有效平均代价其中b_h为用户h的报价，v'_h(W')为有效覆盖， $v_h^{\′}\left(W^{\′}\right)=W^{\′}\∩(U_{\∀j\∈\{1,\mathrm{...},k\}}\[s_{i_h}^j,f_{i_h}^j\]);$

步骤406：令 $p_i=max\{p_i,\frac{v_i^{\′}\left({\mathrm{\ω}}^{\′}\right)}{v_h^{\′}\left({\mathrm{\ω}}^{\′}\right)}{b}_h\};$

步骤407：将用户h并入集合τ中：τ←τ∪{i}；

步骤408：更新ω'←ω'-v'_h(ω')；

步骤409：输出报酬数额矢量P，结束支付决策阶段。

本发明的有益效果是：一种时间相关移动群智感知系统中的激励方法，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。本发明具有以下显著的优点：

计算时间复杂度低，该方法包括用户选择阶段和支付决策阶段总的时间复杂度为O(n³·max|R|)，其中n为用户数，|R|为用户标书中所含的时间窗口数。是一个完全多项式时间方法，具有实际应用的价值。

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。

该激励方法在用户选择阶段采用贪心算法解决最小化社会代价用户选择问题，其近似度为ln|W|+1，其中W为平台感知时间窗口的长度。

附图说明

图1是单时间窗口移动群智感知系统应用场景；

图2是基于单时间窗口任务的移动群智感知反向拍卖框架；

图3是基于单时间窗口任务的移动群智感知反向拍卖流程；

图4是本发明实施例中用户选择阶段流程图；

图5是本发明实施例中支付决策阶段流程图。

具体实施方式

名词说明： 

被选择用户：由本发明用户选择阶段选择出的作为移动群智感知最终参与者。

社会代价：被选择用户的真实代价之和，可形式化表示为：Σ_i∈Sc_i。

感知时间窗口：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R_i＝[s_i,e_i]。

用户时间窗口的最小社会代价：能够覆盖感知时间左端点到该用户时间窗口右端点的最小社会代价，在本发明中用户i的时间窗口最小社会代价表示为F(i)。

下面结合附图详细说明本发明的优选实施例。

考虑一个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。本发明所述一种时间相关移动群智感知系统中的激励方法是针对感知给定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。每个智能手机用户可以提交一个或多个可以完成感知任务的时间窗口。图1是时间相关移动群智感知系统应用场景的部分例子。

本发明专利所述一种时间相关移动群智感知系统中的激励方法包含一个反向拍卖流程和两个阶段：用户选择阶段和支付决策阶段。用户选择阶段采用贪心方法解决最小社会代价用户选择问题。在支付决策阶段计算每个被选择用户的关键报酬。

本发明所述一种时间相关移动群智感知系统中的激励方法中，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。反向拍卖框架如图2所示，实施流程如图3所示，具体步骤如下：

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＝(R_i,b_i)，其中是用户i能完成感知任务的时间窗口集合。每个标书都存在一个真实代价c_i。b_i是用户i完成任务R_i的报价，即用户i希望获得的报酬；

步骤203：用户选择阶段。平台选择用户的子集，使得所选用户的社会代价之和最小，并且所提交的时间窗口可以覆盖W，选择结束后并选择结果告知入选用户；

步骤204：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205：支付决策阶段。平台为每个入选用户计算关键报酬。并通过在线形式支付。

在步骤203中，平台选择用户的问题形式化表示为

minΣ_i∈Sc_i

$s.t.W\⊆U_{i\∈S,j\∈\{1,\mathrm{...},k\}}\[s_i^j,e_i^j\]$

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代价之和最小，并且被选择用户的时间窗口需覆盖整个感知时间窗口。

在步骤203中，平台选择用户时，进入用户选择阶段，采用贪心算法解决最 小社会代价用户选择问题。用户选择阶段的流程如图4所示，具体步骤如下：

步骤301：初始化时间窗口W'＝W，被选择用户S为空；

步骤302：当W'不为空，执行步骤303-步骤305，否则执行步骤306；

步骤303：在集合U-S中，寻找最小的有效平均代价其中b_h为用户h的报价，v_h(W')为有效覆盖， $v_h\left(W^{\′}\right)=W^{\′}\∩(U_{\∀j\∈\{1,\mathrm{...},k\}}\[s_h^j,e_h^j\]);$

步骤304：更新W'＝W'-v_h(W')；

步骤305：将用户h并入集合S中：S＝S∪{h}；

步骤306：结束，返回集合S；

经过用户选择阶段后，集合S就是平台所选择的用户子集。

在步骤205中支付决策阶段的流程如图5所示，具体实施步骤如下：

步骤401：对于集合U中的每个用户i，置支付报酬数额p_i＝0；

步骤402：检查是否每个S中的用户都已经计算出报酬，如果没有，执行步骤403-步骤408，否则执行步骤409；

步骤403：置U'＝U\{i},τ＝φ,ω'＝W；

步骤404：检查是否ω'≠φ，如果是执行步骤405-步骤408，否则执行步骤402；

步骤405：在集合U-τ中，寻找最小的有效平均代价其中b_h为用户h的报价，v'_h(W')为有效覆盖， $v_h^{\′}\left(W^{\′}\right)=W^{\′}\∩(U_{\∀j\∈\{1,\mathrm{...},k\}}\[s_{i_h}^j,f_{i_h}^j\]);$

步骤406：令 $p_i=max\{p_i,\frac{v_i^{\′}\left({\mathrm{\ω}}^{\′}\right)}{v_h^{\′}\left({\mathrm{\ω}}^{\′}\right)}{b}_h\};$

步骤407：将用户h并入集合中：τ←τ∪{i}；

步骤408：更新ω'←ω'-v'_h(ω')；

步骤409：输出报酬数额矢量P，结束支付决策阶段。

Claims (5)

1.一种时间相关移动群智感知系统中的激励方法，其特征在于：

包含一个反向拍卖流程和两个阶段：用户选择阶段和支付决策阶段。

2.如权利要求1所述的方法，反向拍卖流程步骤如下

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＝(R_i，b_i)，其中是用户i能完成感知任务的时间窗口集合；每个标书都存在一个真实代价c_i，b_i是用户i完成任务R_i的报价，即用户i希望获得的报酬；

步骤203：用户选择阶段，平台选择用户的子集使得所选用户的社会代价之和最小，并且所提交的时间窗口可以覆盖W，选择结束后并选择结果告知入选用户；

步骤204：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205：支付决策阶段，平台为每个入选用户计算关键报酬，并通过在线形式支付。

3.如权利要求1或2所述的方法，在步骤203中，平台选择用户的问题形式化表示为

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代价之和最小，并且被选择用户的时间窗口需覆盖整个感知时间窗口。

4.如权利要求1或2所述的方法，在步骤203中，平台选择用户时，进入用户选择阶段，采用贪心算法解决最小社会代价用户选择问题,，用户选择阶段的步骤如下：

步骤301：初始化时间窗口W'＝W，被选择用户S为空；

步骤302：当W'不为空，执行步骤303-步骤305，否则执行步骤306；

步骤303：在集合U-S中，寻找最小的有效平均代价其中b_h为用户h的报价，v_h(W')为有效覆盖，

步骤304：更新W'＝W'-v_h(W')；

步骤305：将用户h并入集合S中：

步骤306：结束，返回集合S；

经过用户选择阶段后，集合S就是平台所选择的用户子集。

5.如权利要求1或2所述的方法，在步骤205中支付决策阶段的步骤如下：

步骤401：对于集合U中的每个用户i，置支付报酬数额p_i＝0；

步骤402：检查是否每个S中的用户都已经计算出报酬，如果没有，执行步骤403-步骤408，否则执行步骤409；

步骤403：置U'＝U\{i},τ＝φ,ω'＝W；

步骤404：检查是否ω'≠φ，如果是执行步骤405-步骤408，否则执行步骤402；

步骤405：在集合U-τ中，寻找最小的有效平均代价其中b_h为用户h的报价,v'_h(W')为有效覆盖，

步骤406：令

步骤407：将用户h并入集合中：

步骤408：更新ω'←ω'-v'_h(ω')；

步骤409：输出报酬数额矢量P，结束支付决策阶段。