CN108171593A - 一种基于地点覆盖带预算的移动群智感知激励方法 - Google Patents

Abstract

本发明公开了一种基于地点覆盖带预算的移动群智感知激励方法。在该方法中，将平台的任务分配问题分为两步解决。第一步，平台根据智能手机用户的移动性，计算每个智能手机用户的预算。然后平台根据智能手机用户的报价和平台对智能手机用户的预算，通过带预算的反向拍卖算法为智能手机用户分配任务量；第二步，平台通过一种奖励手段，激励获胜智能手机用户到达人数稀少的地点，以此来达到均匀覆盖各个感知地点的目的。

Description

一种基于地点覆盖带预算的移动群智感知激励方法

技术领域

本发明属于互联网和算法博弈论的交叉领域，尤其涉及一种基于地点覆盖带预算的移动群智感知激励方法。

背景技术

移动群智感知具有广阔的时空覆盖，低成本，良好的可扩展性，广泛的应用场景等优点。作为一种新型的传感模式，移动群智感知可以应用在许多不同的领域，如医疗保健，社交网络，环境监测和交通等。

由于移动群智感知应用本身需要依赖大量普通用户参与，当用户在参与感知时会消耗自己的设备电量、计算、存储、通信等资源并且承担隐私泄露的威胁，然而大多数现有的移动群智感知系统是基于自愿的用户参与，它们缺乏有效的激励机制。群智感知服务真正依赖于用户数量和感知数据的质量。激励机制还有助于实现良好的服务质量。因为智能手机用户将采取策略行为以最大化自己的效用，所以在移动群智感知系统中设计能刺激智能手机用户的激励机制是具有挑战性的，智能手机用户的策略行为可能严重阻碍智能手机用户的潜在协作。因此，必须设计有效的激励机制，在保证数据的质量的同时，激励更多的智能手机用户参与到群智感知中。

众所周知，移动群智感知平台要采集的数据都具有多样性，必须从不同的地理位置采集的数据，因此平台需要选择一定数量的用户去完成数据采集。对于移动群智感知平台，如何吸引具有不同特征的智能手机用户是一个关键问题。在现实生活中，智能手机用户的特征差异主要通过他们的移动性和感知能力来体现。由于感知任务要求在一个较大的地理区域上进行，智能手机用户的地理位置和感知能力对数据质量有着很大的影响。所以需要激励智能手机用户的采集地点尽可能的均匀分布在各个位置。因此平台需要在任务量一定的条件下，尽可能保证地理位置覆盖。另一方面，平台需要给提交数据的手机用户提供相应的报酬。

本发明公开了一种基于地点覆盖带预算的移动群智感知激励方法。在该方法中，将平台的任务分配问题分为两步解决。第一步，平台根据智能手机用户的移动性，计算每个智能手机用户的预算。然后平台根据智能手机用户的报价和平台对智能手机用户的预算，通过带预算的反向拍卖算法为智能手机用户分配任务量；第二步，平台通过一种奖励手段，激励获胜智能手机用户到达人数稀少的地点，以此来达到均匀覆盖各个感知地点的目的。

对于第一步，采用了一个近似比为黄金比率的反向拍卖方法，它具有真实性与预算可行性；对于第二步，提出了动态分布式任务量分配算法，以帮助智能手机用户决定他们在各个地点上的任务量分配。在用户动态分配时长算法中，如果迭代次数足够多，最终会达到一种纳什均衡。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于地点覆盖带预算的移动群智感知激励方法。

本发明的技术解决方案是：

考虑一个移动感知平台与一批智能手机用户，云平台有一个大型任务需要在一片区域内的多个地点被完成。只有任务被完成，平台才能获得收益。这个任务需要被携带智能手机的用户完成，用户在采集数据时会消耗手机内存、电量等资源，平台需要为他们支付一定的报酬。用户有各自的特征，他们的初始所在地点、移动能力，以及采集数据的能力都不同，所以他们在报名的时候会给出不同的报价。平台为了节约成本，不会让所有用户都去采集数据，而是选择一批用户作为优胜者，每个优胜者杯分配一定的任务量并支付相应的报酬。用户在获得任务量后会选择不同的感知地点去执行这些任务。为了使已分配的任务量能在这些地点上均匀地覆盖，避免感知数据在空间上分配不均，平台会采取一种奖金激励措施，使用户在利益驱使下选择任务量不足的地点进行感知。

本发明所述的一种基于地点覆盖带预算的移动群智感知激励方法将平台的任务分配问题分为两步解决。

第一步称为带预算的反向拍卖算法。本发明在用户提交报价时，获取他们在感知区域的历史停留信息，根据用户的历史信息为他们制定预算，然后根据他们的报价与对他们的预算，采用反向拍卖的方法为他们分配任务量与报酬，步骤如下：

步骤101：移动感知平台发布移动群智感知任务，任务数量为N，总预算为B，总的任务量为固定的且可任意划分，不妨设总的任务量为1，用L＝{i|i＝1，2，…，l}表示区域内的感知地点集合，平台发布的任务需要在这些地点里被完成；

步骤102：设用户集合为W＝{j|j＝1，2，…，w}，每个用户j∈W向移动感知平台提交一个报价bid_j；

步骤103：移动感知平台采集用户在感知地点集L的历史记录，用表示用户j的历史记录，表示用户j在过去一段时间内，在感知地点i出现过，否则同时计算所有用户在L内记录总量D＝{d¹，d²，…，d^l}，其中

步骤104：移动感知平台通过计算Frobenius范数||D-O_j||_F来描述个体历史停留时长与总时长之间的向量差，通过使得向量差分布在0到1之间，然后为用户制定预算其中

步骤105：根据用户的报价的大小对用户按照非递增顺序排序，设排序后的用户报价为bid₁，…，bid_w，对应的预算为B₁，…，B_w；

步骤106：找到第k个用户，k∈{1，2，…，w}满足其中是黄金比例；

步骤107：比较第k+1个用户的报价bid_k+1与的大小，如果则执行步骤108，否则执行步骤109；

步骤108：对于前k个用户，每个用户被分配的任务量为j∈{1，2，…，k}，其余用户被分配的任务量为0，执行步骤110；

步骤109：对于前k个用户，每个用户被分配的任务量为j∈{1，2，…，k}，第k+1个用户被分配的任务量为其余用户被分配的任务量为0；

步骤110：对于所有用户j∈{1，2，…，w}，移动感知平台为他们支付报酬，其中函数X_j为步骤107-步骤109定义的任务量分配规则，结束。

第二步称为动态分布式任务量分配算法。在获胜用户获得任务量后，移动感知平台为了使已分配的任务量能在这些地点上均匀地覆盖，避免感知数据在空间上分配不均，平台会采取一种奖金激励措施，使用户在利益驱使下选择任务量不足的地点进行感知，具体步骤如下：

步骤201：初始化计算器τ＝0，并设置一个上界τ^max，用表示在任意感知地点i∈L上分配的任务量，初始化为0，并向所有获胜用户公布，设置并公布每个感知地点的奖金rⁱ，rⁱ为一个预先定义的常数，每个地点的奖金可不相等；

步骤202：对每个获胜用户j，自由地将所分配的任务量分配到任意感知地点，然后将自己的分配策略上报给移动感知平台，其中表示用户j在地点i分配的任务量，且满足

步骤203：移动感知平台收到所有获胜用户上报的任务分配策略S＝(s₁，s₂，…，s_m)，将计算器τ加1，计算出各个感知地点i的并向所有获胜用户公布，对于每一个感知地点i的计算方法为

步骤204：对于每个获胜用户j，根据移动感知平台公布的调整自己的策略s_j，使得自己的奖励最大化并将策略s_j上报至移动感知平台，对于任意获胜用户j的奖励计算方法为：如果则在i地点获得的奖励为rⁱ，如果在i地点获得的奖励为则用户j的奖励为在所有地点上的奖励的总和；

步骤205：如果τ＜τ^max，重复执行步骤203-步骤204；如果τ≥τ^max，结束。

有益效果

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、考虑多个具有不同移动性的手机用户，去完成一个与位置有关的大型任务，本发明会在任务量约束的条件下，促使用户在各个感知地点感知数据。

2、本发明将任务量的分配与任务量在各个地点的分配过程分离，感知平台只负责任务量的分配，获胜的手机用户自行决定数据的采集地点。

3、根据手机用户的历史行为为他们制定预算，然后使用反向拍卖的方法，根据他们的报价与平台对他们的预算，为他们分配合适的任务量与支付相应的报酬，并且这个算法是个人理性，预算可行和真实的。

4、为用户的任务地点分配提供了一种动态参与者选择策略，用户在有限步内，通过动态将自己拥有的任务量分配到各个地点，以获得自身最大收益，所有用户的分配方案最终会达到一个均衡状态。

附图说明

图1是本发明中带预算的反向拍卖算法的流程；

图2是本发明中动态分布式任务量分配算法的流程；

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明所述的一种基于地点覆盖带预算的移动群智感知激励方法将平台的任务分配问题分为两步解决。

第一步称为带预算的反向拍卖算法。本发明在用户提交报价时，获取他们在感知区域的历史停留信息，根据用户的历史信息为他们制定预算，然后根据他们的报价与对他们的预算，采用反向拍卖的方法为他们分配任务量与报酬，流程如图1所示，步骤如下：

步骤101：移动感知平台发布移动群智感知任务，任务数量为N，总预算为B，总的任务量为固定的且可任意划分，不妨设总的任务量为1，用L＝{i|i＝1，2，…，l表示区域内的感知地点集合，平台发布的任务需要在这些地点里被完成；

步骤102：设用户集合为W＝{j|j＝1，2，…，w}，每个用户j∈W向移动感知平台提交一个报价bid_j；

步骤103：移动感知平台采集用户在感知地点集L的历史记录，用表示用户j的历史记录，表示用户j在过去一段时间内，在感知地点i出现过，否则同时计算所有用户在L内记录总量D＝{d¹，d²，…，d^l}，其中

步骤104：移动感知平台通过计算Frobenius范数||D-O_j||_F来描述个体历史停留时长与总时长之间的向量差，通过使得向量差分布在0到1之间，然后为用户制定预算其中

步骤105：根据用户的报价的大小对用户按照非递增顺序排序，设排序后的用户报价为bid₁，…，bid_w，对应的预算为B₁，…，B_w；

步骤106：找到第k个用户，k∈{1，2，…，w}满足其中是黄金比例；

步骤107：比较第k+1个用户的报价bid_k+1与的大小，如果则执行步骤108，否则执行步骤109；

步骤108：对于前k个用户，每个用户被分配的任务量为其余用户被分配的任务量为0，执行步骤110；

步骤109：对于前k个用户，每个用户被分配的任务量为 第k+1个用户被分配的任务量为其余用户被分配的任务量为0；

步骤110：对于所有用户j∈{1，2，…，w}，移动感知平台为他们支付报酬，其中函数X_j为步骤107-步骤109定义的任务量分配规则，结束。

第二步称为动态分布式任务量分配算法。在获胜用户获得任务量后，移动感知平台为了使已分配的任务量能在这些地点上均匀地覆盖，避免感知数据在空间上分配不均，平台会采取一种奖金激励措施，使用户在利益驱使下选择任务量不足的地点进行感知，流程如图2所示，步骤如下：

步骤201：初始化计算器τ＝0，并设置一个上界τ^max，用表示在任意感知地点i∈L上分配的任务量，初始化为0，并向所有获胜用户公布，设置并公布每个感知地点的奖金rⁱ，rⁱ为一个预先定义的常数，每个地点的奖金可不相等；

步骤202：对每个获胜用户j，自由地将所分配的任务量分配到任意感知地点，然后将自己的分配策略上报给移动感知平台，其中表示用户j在地点i分配的任务量，且满足

步骤203：移动感知平台收到所有获胜用户上报的任务分配策略S＝(s₁，s₂，…，s_m，将计算器τ加1，计算出各个感知地点i的并向所有获胜用户公布，对于每一个感知地点i的计算方法为

步骤204：对于每个获胜用户j，根据移动感知平台公布的调整自己的策略s_j，使得自己的奖励最大化并将策略s_j上报至移动感知平台，对于任意获胜用户j的奖励计算方法为：如果则在i地点获得的奖励为rⁱ，如果在i地点获得的奖励为则用户j的奖励为在所有地点上的奖励的总和；

步骤205：如果τ＜τ^max，重复执行步骤203-步骤204；如果τ≥τ^max，结束。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于地点覆盖带预算的移动群智感知激励方法，其特征在于，包含带预算的反向拍卖算法和个动态分布式任务量分配算法，所述带预算的反向拍卖算法步骤如下：

步骤101：移动感知平台发布移动群智感知任务，任务数量为N，总预算为B，总的任务量为固定的且可任意划分，设总的任务量为1，用L＝{i|i＝1，2，…，l}表示区域内的感知地点集合，平台发布的任务需要在这些地点里被完成；

步骤102：设用户集合为W＝{j|j＝1，2，…，w}，每个用户j∈W向移动感知平台提交一个报价bid_j；

步骤103：移动感知平台采集用户在感知地点集L的历史记录，用表示用户j的历史记录，表示用户j在过去一段时间内，在感知地点i出现过，否则同时计算所有用户在L内记录总量D＝{d¹，d²，...，d^l}，其中

步骤104：移动感知平台通过计算Frobenius范数||D-O_j||_F来描述个体历史停留时长与总时长之间的向量差，通过使得向量差分布在0到1之间，然后为用户制定预算其中

步骤105：根据用户的报价的大小对用户按照非递增顺序排序，设排序后的用户报价为bid₁，…，bid_w，对应的预算为B₁，…，B_w；

步骤106：找到第k个用户，k∈{1，2，…，w}满足其中是黄金比例；

步骤107：比较第k+1个用户的报价bid_k+1与的大小，如果则执行步骤108，否则执行步骤109；

步骤108：对于前k个用户，每个用户被分配的任务量为其余用户被分配的任务量为0，执行步骤110；

步骤109：对于前k个用户，每个用户被分配的任务量为第k+1个用户被分配的任务量为其余用户被分配的任务量为0；

步骤110：对于所有用户j∈{1，2，…，w}，移动感知平台为他们支付报酬，其中函数X_j为步骤107-步骤109定义的任务量分配规则，结束；

所述的动态分布式任务量分配算法步骤如下：

步骤201：初始化计算器τ＝0，并设置一个上界τ^max，用表示在任意感知地点i∈L上分配的任务量，初始化为0，并向所有获胜用户公布，设置并公布每个感知地点的奖金rⁱ，rⁱ为一个预先定义的常数，每个地点的奖金不相等；

步骤202：对每个获胜用户j，自由地将所分配的任务量分配到任意感知地点，然后将自己的分配策略上报给移动感知平台，其中表示用户j在地点i分配的任务量，且满足

步骤203：移动感知平台收到所有获胜用户上报的任务分配策略S＝(s₁，s₂，…，s_m)，将计算器τ加1，计算出各个感知地点i的并向所有获胜用户公布，对于每一个感知地点i的计算方法为

步骤204：对于每个获胜用户j，根据移动感知平台公布的调整自己的策略s_j，使得自己的奖励最大化并将策略s_j上报至移动感知平台，对于任意获胜用户j的奖励计算方法为：如果则在i地点获得的奖励为rⁱ，如果在i地点获得的奖励为则用户j的奖励为在所有地点上的奖励的总和；

步骤205：如果τ＜τ^max，重复执行步骤203-步骤204；如果τ≥τ^max，结束。