CN108197889A - 一种基于移动性预测的群智感知用户招募方法和系统 - Google Patents

Abstract

本发明公开一种基于移动性预测的群智感知用户招募方法和系统。所述方法包括：发送移动群智感知任务，所述移动群智感知任务包括预算、目标地点、任务开始的时间和任务结束的时间；获取多个移动用户的个人期望值，所述个人期望值表示移动用户按时到达所述目标地点的概率；根据所述个人期望值和数据上传方式确定成功概率，所述成功概率表示所述移动用户成功完成所述移动群智感知任务的概率；确定所述成功概率的最大值；确定所述成功概率的最大值对应的移动用户为招募对象。本发明的技术方案提高了移动群智感知应用及其用户招募模块的适用性。

Description

一种基于移动性预测的群智感知用户招募方法和系统

技术领域

本发明涉及移动群智感知技术领域，特别是涉及一种基于移动性预测的群智感知用户招募方法和系统。

背景技术

移动群智感知(Mobile Crowdsensing)是一种新型的以移动用户为中心的感知与计算范例，其主旨是利用大量移动人群所携带的便携设备，完成大规模的感知与计算任务。相较于传统的固定部署无线传感器网络，移动群智感知不仅从感知观测能力上有较大提高，更在可扩展性方面突破了原有的限制。近些年，以智能手机为代表的移动设备发展迅速，多种类的小型化传感器已嵌入移动设备，极大地提高了移动设备的感知能力。伴随着智能手机等移动设备的爆炸式普及，以及包括手持交换网络(Pocket Switched Networks)、车联网(Vehicular Ad hoc Network)等移动网络的快速发展，移动群智感知的优势越加明显，并且发展迅速，必将带领我们进入一个全新的发展时代。

利用移动群智感知技术，能够收集到大规模且精确化的感知数据，通过处理和分析感知数据，大量的新技术和应用纷纷出现。包括车联网环境下的交通拥堵预测与报警系统、利用用户移动设备感知空闲车位的城市智能停车项目、使用用户智能手机感知公共场所排队情况等多种令人兴奋的系统或应用，为人们日常生活提供了极大的便利。

目前，移动群智感知应用，尤其是用户招募模块还处于理论分析阶段，往往假设用户主动参与且能够提供有效的感知数据。然而实际情况下，大多数移动群智感知应用都对感知任务的执行时间和地点有较为严格的要求，且应用付给用户报酬也有一定预算限制。现有的移动群智感知应用及其用户招募模块不能很好地处理和解决这些问题。此外，当前的移动群智感知应用往往根据其自身特性，独立设计和实现用户招募模块，即应用独立招募用户并发布感知任务。这种模式对移动用户极不友好，极大地浪费了参与移动用户的资源，不符合移动群智感知的发展趋势，阻碍移动群智感知领域的发展。

发明内容

本发明的目的是提供一种基于移动性预测的群智感知用户招募方法和系统，用来提高移动群智感知应用及其用户招募模块的适用性。

为实现上述目的，本发明提供了如下方案：

本发明提供了一种基于移动性预测的群智感知用户招募方法，所述方法包括：

发送移动群智感知任务，所述移动群智感知任务包括预算、目标地点、任务开始的时间和任务结束的时间；

获取多个移动用户的个人期望值，所述个人期望值表示移动用户按时到达所述目标地点的概率；

根据所述个人期望值和数据上传方式确定成功概率，所述成功概率表示所述移动用户成功完成所述移动群智感知任务的概率；

确定所述成功概率的最大值；

确定所述成功概率的最大值对应的移动用户为招募对象。

可选的，所述个人期望值由所述移动用户的移动设备发送，所述个人期望值的具体计算方法为：

获取移动用户的个人时空轨迹信息；所述个人时空轨迹信息包括：兴趣点、进入所述兴趣点的时间和离开所述兴趣点的时间；

根据所述个人时空轨迹信息构建个人半马尔可夫移动性预测模型；

根据所述个人半马尔可夫移动性预测模型，移动用户当前位置、所述目标时间和所述目标地点，计算移动用户按时到达所述目标地点的概率。

可选的，所述个人半马尔可夫移动性预测模型包括：

其中，Z_u(i,j,T)表示移动用户在T时间内，由兴趣点i直接转移到兴趣点j的概率，S_u表示移动用户访问兴趣点序列，t_u表示移动用户访问兴趣点的访问时间。

可选的，所述个人半马尔可夫移动性预测模型还包括：

其中，Q_u(i,j,T)表示移动用户当前处于兴趣点i，T时刻后恰好处于兴趣点j的概率。

可选的，所述根据所述个人期望值和数据上传方式确定成功概率，具体包括：

当所述数据上传方式能够即时完成数据上传时，确定所述个人期望值为所述成功概率；

当所述数据上传方式必须延迟完成数据上传时，所述成功概率为所述个人期望值与成功完成数据上传的概率的乘积。

可选的，在确定所述成功概率的最大值对应的移动用户为招募对象之后，还包括：

更新已招募用户集和可负担用户集，当可负担用户集为空时，停止招募，所述可负担用户集表示当前预算能够负担的移动用户，所述招募对象从所述可负担用户集中产生。

本发明还提供了一种基于移动性预测的群智感知用户招募系统，所述系统包括：

移动群智感知任务发送模块，用于发送移动群智感知任务，所述移动群智感知任务包括预算、目标地点、任务开始的时间和任务结束的时间；

个人期望值获取模块，用于获取多个移动用户的个人期望值，所述个人期望值表示移动用户按时到达所述目标地点的概率；

成功概率确定模块，根据所述个人期望值和数据上传方式确定成功概率，所述成功概率表示所述移动用户成功完成所述移动群智感知任务的概率；

成功概率的最大值确定模块，用于确定所述成功概率的最大值；

招募对象确定模块，用于确定所述成功概率的最大值对应的移动用户为招募对象。

本发明还提供了另一种基于移动性预测的群智感知用户招募系统，所述系统包括：

应用接入端，用于向服务端发送感知任务需求和预算限制，获取感知数据；所述感知数据包括文本、图片、音频、视频和时空信息中的至少一种；

服务端，用于接收所述应用接入端发送的所述任务需求和所述预算限制，并向个人移动端发布任务并进行用户招募；

个人移动端，用于收集个人历史时空轨迹信息，构建个人半马尔可夫移动性预测模型。

可选的，所述应用接入端包括应用嵌入模块、任务感知模块和数据感知模块；所述服务端包括用户招募模块、数据处理模块和第一存储模块；所述个人移动端包括个人移动性预测模块和第二存储模块。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供的一种基于移动性预测的群智感知用户招募方法和系统，利用个人时空轨迹信息构建移动性预测模型，招募用户满足移动群智感知任务的时空需求和预算限制，且系统架构可扩展性极强，能够提供较好的隐私保护，具有极强的实用价值，对移动群智感知应用的普及和发展有较大的推动和广泛的市场前景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于移动性预测的群智感知用户招募方法的实施例的流程图；

图2为本发明实施例的场景示意图；

图3为本发明实施例的移动用户上传数据方式示意图；

图4为本发明基于移动性预测的群智感知用户招募系统的实施例1的结构图；

图5为本发明基于移动性预测的群智感知用户招募系统的实施例2的结构图；

图6为本发明实施例的系统架构图；

图7为本发明实施例的系统功能图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于移动性预测的群智感知用户招募方法和系统，用来提高现有移动群智感知应用及其用户招募模块的适用性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

在详细介绍本发明实施方式前，为使得普通技术人员能够更清楚地了解本发明实施例的目的、技术方案和有点，图2和图3展示了本发明实施例的场景示意图。

任务发起者希望从某些兴趣点获取时间敏感的感知数据，因而发布带有时空需求的移动群智感知任务。图2中3个移动用户在网络中进行移动，可能会在某些特定时间到达某个兴趣点，只有当用户在任务时限内到达任务兴趣点，即满足群智感知任务时空需求时，用户才可以收集感知数据并将其上传。可选地，图3展示了本发明实施例的移动用户上传数据方式示意图。考虑到感知任务的即时性需求和上传数据消耗较大等因素，本发明实施例中，移动用户可以使用蜂窝网络即时上传感知数据时，也可以使用街边WiFi等方式延迟上传感知数据。

本发明提供了一种基于移动性预测的群智感知用户招募方法，具体公开了如下实施例。

实施例1

图1为本发明基于移动性预测的群智感知用户招募方法的实施例的流程图，如图1所示，所述群智感知用户招募方法包括：

步骤101，发送移动群智感知任务，所述移动群智感知任务包括预算、目标地点、任务开始的时间和任务结束的时间。

步骤102，获取多个移动用户的个人期望值，所述个人期望值表示移动用户按时到达所述目标地点的概率。

所述个人期望值由所述移动用户的移动设备发送，所述个人期望值的具体计算方法为：

获取移动用户的个人时空轨迹信息；所述个人时空轨迹信息包括：兴趣点、进入所述兴趣点的时间和离开所述兴趣点的时间；

根据所述个人时空轨迹信息构建个人半马尔可夫移动性预测模型；

根据所述个人半马尔可夫移动性预测模型，移动用户当前位置、所述目标时间和所述目标地点，计算移动用户按时到达所述目标地点的概率。

所述个人半马尔可夫移动性预测模型包括：

其中，Z_u(i,j,T)表示移动用户在T时间内，由兴趣点i直接转移到兴趣点j的概率，S_u表示移动用户访问兴趣点序列，t_u表示移动用户访问兴趣点的访问时间。

所述个人半马尔可夫移动性预测模型还包括：

其中，Q_u(i,j,T)表示移动用户当前处于兴趣点i，T时刻后恰好处于兴趣点j的概率。

步骤103，根据所述个人期望值和数据上传方式确定成功概率，所述成功概率表示所述移动用户成功完成所述移动群智感知任务的概率。所述根据所述个人期望值和数据上传方式确定成功概率，具体包括：

步骤1031，当所述数据上传方式能够即时完成数据上传时，确定所述个人期望值为所述成功概率；

步骤1032，当所述数据上传方式必须延迟完成数据上传时，所述成功概率为所述个人期望值与成功完成数据上传的概率的乘积。

可选的，在确定所述成功概率的最大值对应的移动用户为招募对象之后，还包括：

更新已招募用户集和可负担用户集，当可负担用户集为空时，停止招募，所述可负担用户集表示当前预算能够负担的移动用户，所述招募对象从所述可负担用户集中产生。

步骤104，确定所述成功概率的最大值。

步骤105，确定所述成功概率的最大值对应的移动用户为招募对象。

实施例2

实施例2提供了一种基于移动性预测的群智感知用户招募方法，具体包括：

(1)在准备阶段移动用户收集自身时空轨迹信息，并构建个人时空半马尔可夫移动性预测模型。时空轨迹为多个时空信息三元组<l,ts,te>的集合，其中，l代表兴趣点，ts和te代表进入和离开兴趣点的时间。根据时空信息集合，可根据统计获得半马尔可夫模型的第一个核心公式：

其中，Z_u(i,j,T)表示移动用户在T时间内，由兴趣点i直接转移到兴趣点j的概率，S_u表示移动用户访问兴趣点序列，表示移动用户访问兴趣点的访问时间显然，用户下一个访问的兴趣点同其当前所处兴趣点相关，因此，其概率P可通过统计历史时空信息集合获取。以此为基础，可得递归的第二个核心公式：

其中，Q_u(i,j,T)代表用户当前处于兴趣点i,T时刻后恰好处于兴趣点j的概率。显然，在T＝0时，用户不会移动，即仍旧停留在原兴趣点，可得Q_u(i,i,T)＝1和Q_u(i,j,0)＝0，即递归出口。在Q_u(i,j,T)中，考虑了中间兴趣点，即用户可由兴趣点i出发，先经过兴趣点k,最终到达兴趣点j。我们进一步考虑了用户停留在兴趣点的概率，表示在i＝j条件中。此外，在半马尔可夫模型中，兴趣点的转移状态不能忽略。为此，加入一个隐含额外兴趣点，该额外兴趣点表示转移状态，但并不参与概率计算。最终，通过两个核心公式构建半马尔可夫移动性预测模型，计算移动用户个人时空矩阵，形成个人移动性预测模型，以此为依据，进行时空相关的用户招募。

(2)当任务发起者发布感知任务时空需求和预算限制后，移动用户根据个人时空移动性预测模型计算个人期望贡献。对于移动感知应用来说，完成感知任务概率的期望即为贡献值。对于单独的感知任务，移动用户是相互独立的，因此可得完成该任务概率期望为

其中，P(u_j，s_i)为用户u_j能够完成感知任务s_i的概率。需要注意的是，完成感知任务不仅要求成功执行感知任务，且需要及时上传感知数据。如图3所示，本发明实施例中，移动用户可选择使用移动网络直接上传感知数据，也可选择使用街边WiFi等固定网络接入端上传感知数据。

如果使用移动网络直接上传感知数据，则只需考虑移动用户及时到达感知兴趣点，即满足感知任务时空需求即可。因此，用户完成感知任务的概率为

其中，是移动用户由其当前兴趣点j，在t时刻恰好移动到兴趣点i的概率，根据个人移动性预测模型计算；是用户成功执行该任务的概率，这一概率通常由用户设备、任务难度、历史记录等上下文信息估计而得，在理想状态下为1，也可根据具体情况取不同的值。

如果使用街边WiFi等固定网络接入端上传感知数据，需要在满足成功执行感知任务的基础上，进一步移动到固定网络接入端，并上传数据。用户在完成任务后，移动至街边WiFi等网络接入端，这一过程同样使用移动性预测模型进行预测，则用户及时移动到收集点的概率为：

其中，为用户成功上传数据的概率，由上下文信息估计得到，在理想状态下为1，也可根据具体情况取不同的值。需要注意的是，固定的收集点可以有多处，用户到达任一收集点即可上传数据，概率可由计算。W为街边Wifi等收集点的位置集合，可用W＝{w1,w2,…wn}表示，其中w1,…wn分别表示n个任务收集点的位置。最终，用户先到达任务兴趣点，再成功执行任务后，及时移动到任一收集点并上传数据，其概率可由公式如下公式计算：

(3)在进行用户招募时，执行迭代的用户招募算法。首先筛选预算限制下的可负担用户集合，然后在可负担用户集合中迭代进行用户招募。每轮迭代选取当前单位报酬下期望增益贡献最大的用户，其计算公式如下：

其中，表示该轮次招募用户u_i对所有感知任务的期望增益，相关期望和概率根据其上传方式等信息带入计算；c_i表示招募用户需付出的报酬；μ表示已招募用户集合。每轮招募结束后，更新已招募用户集合和可负担用户集合，当可负担用户集合为空时，表示应用预算已不足以支付招募任一用户，即结束招募过程。

本发明还提供了一种基于移动性预测的群智感知用户招募系统，下面通过两个实施例进行详细说明。

实施例1

图4为本发明基于移动性预测的群智感知用户招募系统的实施例1的结构图；如图4所示，所述系统包括：

移动群智感知任务发送模块401，用于发送移动群智感知任务，所述移动群智感知任务包括预算、目标地点、任务开始的时间和任务结束的时间；

个人期望值获取模块402，用于获取多个移动用户的个人期望值，所述个人期望值表示移动用户按时到达所述目标地点的概率；

成功概率确定模块403，根据所述个人期望值和数据上传方式确定成功概率，所述成功概率表示所述移动用户成功完成所述移动群智感知任务的概率；

成功概率的最大值确定模块404，用于确定所述成功概率的最大值；

招募对象确定模块405，用于确定所述成功概率的最大值对应的移动用户为招募对象。

实施例2

图5为本发明基于移动性预测的群智感知用户招募系统的实施例2的结构图；如图5所示，所述系统包括：

应用接入端501，用于向服务端发送感知任务需求和预算限制、获取感知数据；所述感知数据包括文本、图片、音频、视频和时空信息中的至少一种。所述应用接入端包括应用嵌入模块、任务感知模块和数据感知模块。

服务端502，用于接收所述应用接入端发送的所述任务需求和所述预算限制，并向个人移动端发布任务并进行用户招募。所述服务端包括用户招募模块、数据处理模块和第一存储模块。

个人移动端503，用于收集个人历史时空轨迹信息，构建个人半马尔可夫移动性预测模型。所述个人移动端包括个人移动性预测模块和第二存储模块。

应用接入端501具有极强的可扩展性，面向移动群智感知应用开放嵌入功能，且提供任务发布和管理功能，服务端502可由此接收感知任务时空需求和预算限制，并返回感知数据，所述感知数据包括图片、音频、视频、时空信息及其他描述信息。

服务端502首先接收应用接入端发送的任务需求，随后向个人移动端503发布任务并进行用户招募，其数据处理和存储模块为用户招募方法提供计算和存储能力，且支持对感知数据的处理功能；

个人移动端503独立负责收集个人历史时空轨迹信息，构建个人半马尔可夫移动性预测模型，数据的收集、处理和模型构建等功能均由本机实现，以保证隐私性。

图6为本发明实施例的系统架构图，本发明实施例的系统功能图如图7所示，请求者可以登录网页对感知任务进行发布和管理；服务器端可以将任务发布给用户，然后进行用户招募；在用户端，用户收集个人时空轨迹并构建移动性预测模型，在被招募后，执行感知任务并上传感知数据。其中，用户拥有主界面(1)，并且可以在界面(5)修改相关设置。当服务器向用户发布任务时，用户可以在任务界面(2)获取任务信息，当用户点击“加入”按钮时，用户期望完成任务的概率参数会返回给服务器，服务器端的用户招募策略会开始工作，并将用户完成任务时会得到的奖励金额发送给用户(3)。反之，则会向用户显示界面(4)。

本案例在手机、服务器等仿真平台测试通过，具有很强的实用意义。本发明的有益效果是：本发明基于移动性预测的群智感知用户招募系统利用个人时空轨迹信息构建移动性预测模型，招募用户满足移动群智感知任务的时空需求和预算限制，且系统架构可扩展性极强，能够提供较好的隐私保护，具有极强的实用价值，对移动群智感知应用的普及和发展有较大的推动和广泛的市场前景。

本发明提供的一种基于移动性预测的群智感知用户招募方法和系统，利用个人时空轨迹信息构建移动性预测模型，招募用户满足移动群智感知任务的时空需求和预算限制，且系统架构可扩展性极强，能够提供较好的隐私保护，具有极强的实用价值，对移动群智感知应用的普及和发展有较大的推动和广泛的市场前景。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种基于移动性预测的群智感知用户招募方法，其特征在于，所述方法包括：

发送移动群智感知任务，所述移动群智感知任务包括预算、目标地点、任务开始的时间和任务结束的时间；

获取多个移动用户的个人期望值，所述个人期望值表示移动用户按时到达所述目标地点的概率；

根据所述个人期望值和数据上传方式确定成功概率，所述成功概率表示所述移动用户成功完成所述移动群智感知任务的概率；

确定所述成功概率的最大值；

确定所述成功概率的最大值对应的移动用户为招募对象。

2.根据权利要求1所述的方法，其特征在于，所述个人期望值由所述移动用户的移动设备发送，所述个人期望值的具体计算方法为：

获取移动用户的个人时空轨迹信息，所述个人时空轨迹信息包括：兴趣点、进入所述兴趣点的时间和离开所述兴趣点的时间；

根据所述个人时空轨迹信息构建个人半马尔可夫移动性预测模型；

根据所述个人半马尔可夫移动性预测模型、移动用户当前位置、所述目标时间和所述目标地点，计算移动用户按时到达所述目标地点的概率。

3.根据权利要求2所述的方法，其特征在于，所述个人半马尔可夫移动性预测模型包括：

其中，Z_u(i,j,T)表示移动用户在T时间内，由兴趣点i直接转移到兴趣点j的概率，S_u表示移动用户访问兴趣点序列，t_u表示移动用户访问兴趣点的访问时间。

4.根据权利要求3所述的方法，其特征在于，所述个人半马尔可夫移动性预测模型还包括：

其中，Q_u(i,j,T)表示移动用户当前处于兴趣点i，T时刻后恰好处于兴趣点j的概率。

5.根据权利要求1所述的方法，其特征在于，所述根据所述个人期望值和数据上传方式确定成功概率，具体包括：

当所述数据上传方式能够即时完成数据上传时，确定所述个人期望值为所述成功概率；

当所述数据上传方式必须延迟完成数据上传时，所述成功概率为所述个人期望值与成功完成数据上传的概率的乘积。

6.根据权利要求1所述的方法，其特征在于，在确定所述成功概率的最大值对应的移动用户为招募对象之后，还包括：

更新已招募用户集和可负担用户集，当可负担用户集为空时，停止招募，所述可负担用户集表示当前预算能够负担的移动用户，所述招募对象从所述可负担用户集中产生。

7.一种基于移动性预测的群智感知用户招募系统，其特征在于，所述系统包括：

移动群智感知任务发送模块，用于发送移动群智感知任务，所述移动群智感知任务包括预算、目标地点、任务开始的时间和任务结束的时间；

个人期望值获取模块，用于获取多个移动用户的个人期望值，所述个人期望值表示移动用户按时到达所述目标地点的概率；

成功概率确定模块，根据所述个人期望值和数据上传方式确定成功概率，所述成功概率表示所述移动用户成功完成所述移动群智感知任务的概率；

成功概率的最大值确定模块，用于确定所述成功概率的最大值；

招募对象确定模块，用于确定所述成功概率的最大值对应的移动用户为招募对象。

8.一种基于移动性预测的群智感知用户招募系统，其特征在于，所述系统包括：

应用接入端，用于向服务端发送感知任务需求和预算限制，获取感知数据，所述感知数据包括文本、图片、音频、视频和时空信息中的至少一种；

服务端，用于接收所述应用接入端发送的所述任务需求和所述预算限制，并向个人移动端发布任务并进行用户招募；

个人移动端，用于收集个人历史时空轨迹信息，构建个人半马尔可夫移动性预测模型。

9.根据权利要求8所述的系统，其特征在于，所述应用接入端包括应用嵌入模块、任务感知模块和数据感知模块；所述服务端包括用户招募模块、数据处理模块和第一存储模块；所述个人移动端包括个人移动性预测模块和第二存储模块。