CN110072298B - 一种基于边缘计算的鲁棒移动群智感知算法 - Google Patents
一种基于边缘计算的鲁棒移动群智感知算法 Download PDFInfo
- Publication number
- CN110072298B CN110072298B CN201810051462.4A CN201810051462A CN110072298B CN 110072298 B CN110072298 B CN 110072298B CN 201810051462 A CN201810051462 A CN 201810051462A CN 110072298 B CN110072298 B CN 110072298B
- Authority
- CN
- China
- Prior art keywords
- sensing
- data
- participants
- platform
- task
- 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.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000007115 recruitment Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 238000013524 data verification Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 19
- 230000001953 sensory effect Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000012358 sourcing Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 6
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013502 data validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0611—Request for offers or quotes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/51—Discovery or management thereof, e.g. service location protocol [SLP] or web services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种应用在MCS（Mobile Crowd Sensing）传感任务场景，对任务参与者的招募、对信息有效性的判断、错误的检测与纠正等问题基于边缘计算的优化算法。本发明将平台效用表示为每个位置
的独立测量数据的对数函数（严格增加和凹陷），算法目的是在发挥预算约束下最大限度地扩大总效用。由于所提出的联合优化问题为非确定性多项式组合优化问题，不能在多项式时间内求解。因此我们设计了一个近似算法，大大降低了计算复杂度。本发明采用深度神经网络（DNN）来进行数据验证，从而增加预测数据的准确性。此外，本发明还采用数据冗余来提高传感质量，数据源附近检测到测量错误，大幅度从基站传输到传感平台的数据量，减少占用频带资源，降低时延。
Description
技术领域
本发明属于无线通信领域，具体涉及到一种应用在MCS(Mobile Crowd Sensing)传感任务场景中对任务参与者的招募、对信息有效性的判断、错误的检测与纠正问题基于边缘计算的优化算法，能够保证在有限的预算下，招募到更多的用户参与传感任务，获得更大的传感覆盖范围；能够在保证用户设备服务质量的基础上对上传数据进行处理，获得更高质量的数据，有效的解决如环境监测、数据预测等大数据、大资本、覆盖范围大的问题。
背景技术：
建立一个安全稳定的社会，需要对社会的各种信息例如交通情况、空气质量、自然灾害等，建立有效的监控。配置有感应器件的智能手机、平板电脑和可穿戴式电子产品的快速发展，是MCS技术得以发展的硬件支撑。
传统的检测方式，需要花费大量资本进行部署检测设备以及日常设备运营，消耗大量资金且工程庞大。相对于传统，MCS技术通过将感应任务分配到不同的智能电子设备，再结合人群的移动，可以获取全方位、全天候、高精度的数据。通过MCS技术，可以更经济高效解决大规模感知任务，对于环境监控的建立具有着重要的意义。
MCS技术的出现也引发了各种高级应用程序，如用于监控Wi-Fi，LTE或 3G的速度和覆盖范围服务的Sensorly和用于监测城市道路和交通条件的Nericell 等等。MCS技术有着广阔的市场和应用，推动着社会生产和生活方式的新一轮变革。
而在上传数据时，由于存在用户信息泄露的潜在可能性，设备有限电量与高耗电感应功能之间的矛盾，以及不确定的报酬，用户会不愿意参与数据感测。这样就需要有效的刺激机制来招募更多的用户参与上传数据。
而当涉及财务激励，自利的设备所有者可能会作弊，这会影响数据的真实性和有效性。因此，需要一个有效的激励机制，获得真实有效的数据，使MCS技术做出真正的贡献。
提高MCS传感精度的经典技术是增加数据冗余。然而，对于人口密度低的农村地区，并不总是能够在同一地点收集多个测量数据，或者从相邻感测节点进行多个测量。同时传统的MCS系统依靠中央服务器来处理所有的感官数据，这会导致大量的带宽资源被消耗以及高时延。这就需要采用深度学习与边缘计算结合的算法来保证数据的质量、提高数据上传速度和降低时延。
发明内容：
本发明首先模拟了由数据请求者、提供传感数据的设备所有者、传感平台组成的MCS系统进行传感任务的场景，以预算约束下传感平台的效用、传感覆盖最大化为目标，提出了一种基于深度学习进行数据验证检错纠错的边缘计算算法 RMCS(Robust MobileCrowd Sensing)该算法能够有效地招募用户，扩大传感覆盖面积，使平台的效用达到最优，在提高数据质量的情况下，降低时延。具体过程如下：
1)图1为RMCS架构图，包括四个不同的平面：传感平面，分布式智能平面，集中调解平面，应用平面。数据平面由移动感应设备和涉及从移动感应设备向边缘计算服务器收集感应数据的网络元件组成。
分布式智能平面是一个可视化的平面，提供传感设备和集中式中介平面之间的计算，存储和通信资源。基于深度学习的数据验证和边缘处理功能在这个平面上实现。集中调解机包括：(i)传统的云计算数据中心，用于汇集来自分布式情报机的感官数据；(ii)感测参与者招募模块，其将感测任务分派到分布式智能平面；和(ii)保存历史传感数据的数据库服务器。应用平台包括一系列MCS应用，如周边环境监测系统，健康监测系统，智能交通系统等。通过集中控制平面与应用平面之间的标准应用程序接口(API)，应用程序可以发布其感知任务指定感兴趣的现象，目标地点和奖励参与者的总预算等。
2)为了能够有效地招募更多的用户，能够激励到机会性传感参与者对于 RMCS服务尤其是在人口密度低的农村是必不可少的。然而，由于奖励的不确定性，设备所有者有可能不愿参与执行传感任务。因此我们提出动态参与者招募策略，除了位于目标位置内部或附近的设备所有者，在一段时间后可能移动到目标位置的设备所有者也属于参与者。例如，在特定时间要通过目标地点的列车上的乘客可以被认为是潜在的参与者。如果得到很好的补偿，设备所有者甚至可以移动一段距离进行数据传感。
RMCS系统由多个利益相关者组成：(i)希望从移动设备收集感官数据的数据请求者；(ii)提供感官数据的设备所有者；(iii)作为第三方权力的传感平台，招募参与者进行传感任务。为了简单起见，我们只考虑一种类型的感测任务。参与者招聘总结如下：
步骤1：数据请求者通过指定感兴趣的现象，目标位置和奖励参与者的总预算，在平台上发布他们的任务描述。
步骤2：感知平台收到任务描述后，开始通过向潜在参与者发送通知来招募参与者。
步骤3：设备所有者然后要求感兴趣的位置并对感测成本进行投标，即他/ 她愿意接受的用于执行感测任务的最小金额。
步骤4：平台决定获奖者和相应奖励，详情请参见第三节。然后，平台与获奖者进行预约，表明感知地点，时间表和奖励金额。
步骤5：获胜者执行感测任务并将感测数据上传回平台。
步骤6：平台将所有感知数据汇总并报告给任务请求者。
在本文中，我们认为MCS系统和潜在参与者之间预先签订了指示感知位置，感知时间安排和金钱奖励数量的合同。这样的预合同不仅可以激励位于目标位置附近的设备所有者的参与，而且还可以激励在特定时间段之后到达目标位置的移动的参与者。
3)为了实现平台效用最优化，RMCS架构采用逆向维克瑞-克拉克-格罗夫斯(Vickrey-Clarke-Groves)拍卖机制，以保留价格(RVRP)进行货币奖励的确定。RVRP拍卖是一种多项目密封投标拍卖。设备所有者(即卖方)在不知道拍卖中其他人的出价的情况下提交指示其感知成本的出价。所有出价按升序排列。此外，具有相同价值的设备所有者根据它们到目标位置的距离以升序进一步分类。这背后的基本原理是，距离越长，参与者无法到达目标位置的可能性越高。
我们使用nl来表示将提供感官数据的获胜者的数量，而kl表示低于位置l的保留价格R的出价数量。预定价格是一个设计参数，代表每次参与的最大奖励金额。因此，以下条件必须适用于任何目标位置：
如果nl<kl，那么最低投标者nl是赢家，提供了感官数据的获胜者，没人可获得等于第(nl+1)个最高出价的奖励。如果nl＝kl，则所有提供感官数据的投标人可接收奖励R.在位置l提供感观数据而获得的奖励由pl(nl)表示如下：
假设每个设备拥有者i都有自己的感知成本vi，这是私人信息。设备拥有者i的收益ui取决于其竞标策略bi和其他策略。由于采用RVRP，无论其他用户出价如何，对于设备拥有者来说，如实地以他/她的感知成本(即bi＝vi)进行投标总是最佳的。
本发明将平台效用表示为每个位置l的独立测量数据的对数函数(严格增加和凹陷)。我们的问题是在发挥预算约束下最大限度地扩大总效用而制定的：
其中w是效用函数规模的参数，C是数据请求者的总预算。
联合优化问题是一个NP-难问题，不能在多项式时间内解出。我们设计了一个近似算法，算法1总结了所涉及的步骤。其计算复杂度为：
算法一如下：
输入：
输出：nl
当1≤l≤L，
当0≤nl≤kl，
根据
计算pl(nl)
结束循环；
结束循环；
当1≤l≤L，
nl＝0
结束循环；
当
ml＝0
mu＝0
当1≤l≤L，
如果Ul(nl+1)-Ul(nl)>mu，那么
ml＝l
mu＝Ul(nl+1)-Ul(nl)
结束循环
nml＝nml+1
结束循环
4)为了增加预测数据的准确性，本发明采用深度神经网络(DNN)来进行数据验证。DNN由输入层，多隐层和输出层组成。输入变量包括：(i)以时间为变量的数据，即多个在不同时间相同位置的感测报告；和(ii)以空间为变量的数据，即来自相邻传感节点的传感报告。然后根据其位置将所有时空数据序列分类成若干个子区域。DNN的培训包括两个阶段：预训练阶段和微调阶段。在预训练阶段，DNN中的节点参数在无监督的过程的情况下自我引导。微调阶段包括一个监督过程，它调整在训预训练阶段获得的参数值。最后，通过完成这两个阶段来获得预测值。
5)本发明采用数据冗余的方法提高传感质量。如图2所示，传统方式是将来自多个相邻传感器的原始数据传送到基站(BS)，然后BS将原始数据转发到 RMCS平台。图像或视频剪辑等原始数据可能较大，上传消耗大量带宽，造成较高的延迟。在发明中，如图3 所示，我们提出了一种基于边缘计算的RMCS系统框架。首先，原始数据(如图像或视频剪辑)将首先在边缘侧(即基站)进行处理和比较；然后，汇总的信息(例如，平均噪声水平，洪水水平等)将被上传到平台。通过这种方法，可以在数据源附近检测到测量错误，从基站传输到传感平台的数据量可以减少。
附图说明：
图1是RMCS架构图。
图2是传统传感任务执行方式的框架图
图3是本发明所提出的基于边缘计算的RMCS框架图。
图4是本发明所提出的RMCS在PM2.5指数预测的案例研究中的主要流程步骤。
图5是本发明提出的基于边缘计算的RMCS算法以及固定报酬算法在PM2.5指数预测的案例研究中，随着预算变化，实际总支付变化的对比。
图6是本发明提出的基于边缘计算的RMCS算法和固定报酬算法在预算对传感覆盖率的影响方面的性能对比。
图7是本发明提出的基于边缘计算的RMCS算法和固定报酬算法在预算对传感平台效用影响方面的性能对比。
具体实施方式
本发明的实施方式分为两个步骤，第一步为建立模型，第二步为算法的实施。其中，建立的模型如图1所示，它和发明内容中基于边缘计算的鲁棒移动群智感知介绍完全对应；而算法的实施过程由图3和图4给出。图3是所提发明的结构示意图，反映了数据的流动情况。本发明进行了大量的仿真以评估所提议的RMCS框架的性能。其中本节进行PM2.5浓度预测的案例研究，图4是基于深度学习进行检错纠错的数据预测任务，与发明内容中只考虑一种类型传感任务的算法步骤完全对应。
1)在PM2.5浓度预测的传感任务中，环境数据每小时从三个位置收集一次，包括过去空气质量，邻近区域空气质量和气象变化，包括温度，风向，风速等等。
由于空气质量受风速和风向的影响较大，应认真检查气象资料，提取气象变化与PM2.5浓度的内在逻辑关系。由于相邻地理区域的PM2.5值不会有很大差异，因此利用相邻区域空气质量的相似性来检测异常数据。因此，提出的方案探索环境数据的异构类型及其时空相关性，以实现有效的数据检测。对于检测到的异常数据，我们采用基于滚动窗口的平滑方法来消除不一致性。
2)本发明进行了大量的仿真。首先我们设置了三个目标地点，每个地点的潜在参与者数量是不同的，以获得参与者分配不平衡这一特性，使仿真不失一般性。区域1,2和3的用户数量分别是3,9和27。保留价格的价值为0.5，表示参与投标的平均值。我们重复每次模拟超过一万次，并将提出的方案与固定的奖励计划进行比较。图5显示了不同固定报酬情景下，预算对总支付的影响。首先，我们可以清楚地看到随着预算增加，实际总支付也在增加。但是，在这种情况下有一些差异。在我们设定的固定报酬是0.5的情况下，也就是用户的平均报价，如果预算低于0.5，则不会产生报酬。而当保留价格设置为0.1，低于大多数设备所有者的预计成本时，即使预算增加到0.5以上，设备所有者也不会参与感应活动。在三个默认的投标中，我们可以得到更高的固定奖励总额0.3。相比之下，我们的方案在实际总支付方面明显好于固定奖励方案，需支付给参加传感任务的用户的总费用少。另外，实际总支付的增长比其他的更为稳定。
图6显示了不同算法、不同固定报酬的情况下，预算对传感覆盖率的影响。同样，随着预算的增加，传感覆盖率也会增加。但是，每个场景都有一个有限的覆盖范围。原因是固定报酬只能满足部分设备所有者参与传感活动的报酬要求。因此固定奖励越高，最终的传感覆盖率就越高。当固定报酬为0.5时，在低预算下的情况下传感覆盖率甚至是0。如图6所示，相比于固定奖励算法，我们提出的方案可以用更少的预算，刺激更多的设备所有者参与到传感活动中，最终实现更高的传感覆盖率。
图7显示了随着预算的变化，传感平台效用的变化情况对比。传感平台效用随着预算的增加而增加。数值结果表明，该方案比其他方案具有更好的性能。原因在于传感平台可以获得更多关于用户的信息，因为它们都通过拍卖机制来揭示真实的个人感应成本。因此，通过设定合理的奖励，平台可以获得最大化的回报。
根据以上的案例研究可以看出，本发明提出的基于边缘计算的RMCS算法可以更经济的招募到更多的用户参与传感任务，可以增加数据传输速度，可以提高数据预测质量，对于建立起有效的社会监控有着重要的意义。
尽管为说明目的公开了本发明的具体实施和附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (1)
1.一种应用在移动群智感知MCS传感任务场景中对任务参与者的招募、对信息有效性的判断、错误的检测与纠正问题的基于边缘计算的优化方法，其特征在于：
考虑到奖励的不确定性设备所有者有可能不愿参与执行传感任务的情况，提出动态参与者招募策略；具体包括：除了位于目标位置内部或附近的设备所有者，在一段时间后可能移动到目标位置的设备所有者也属于参与者：
1)首先，鲁棒移动群智 感知框架RMCS系统由多个利益相关者组成：(i)希望从移动设备收集感官数据的数据请求者；(ii)提供感官数据的设备所有者；(iii)作为第三方权力的传感平台，招募参与者进行传感任务；为了简单起见，只考虑一种类型的感测任务；参与者招聘过程如下：
步骤1：数据请求者通过指定感兴趣的现象，目标位置和奖励参与者的总预算，在平台上发布他们的任务描述；
步骤2：感知平台收到任务描述后，开始通过向潜在参与者发送通知来招募参与者；
步骤3：设备所有者然后要求感兴趣的位置并对感测成本进行投标，即他/她愿意接受的用于执行感测任务的最小金额；
步骤4：平台决定获奖者和相应奖励；然后，平台与获奖者进行预约，表明感知地点，时间表和奖励金额；
步骤5：获胜者执行感测任务；
2)由于RMCS系统和潜在参与者之间预先签订了指示感知位置，感知时间安排和金钱奖励数量的合同；这样的预合同不仅可以激励位于目标位置附近的设备所有者的参与，而且还可以激励在特定时间段之后到达目标位置的移动的参与者；
其中，RMCS系统采用逆向维克瑞-克拉克-格罗夫斯拍卖机制，以保留价格RVRP进行货币奖励的确定；
考虑到数据存在误差，提出采用深度神经网络DNN来进行数据验证；其中，DNN由输入层，多隐层和输出层组成；输入变量包括：(i)以时间为变量的数据，即多个在不同时间相同位置的感测报告；和(ii)以空间为变量的数据，即来自相邻传感节点的传感报告；然后根据其位置将所有时空数据序列分类成若干个子区域；DNN的培训包括两个阶段：预训练阶段和微调阶段；在预训练阶段，DNN中的节点参数在无监督的过程的情况下自我引导；微调阶段包括一个监督过程，它调整在预训练阶段获得的参数值；最后，通过完成这两个阶段来获得预测值；
考虑到传感参与者所在地点、设备的差异，采用数据冗余的方法提高传感质量；具体包括：以边缘计算作为算法基础；首先，原始数据将首先在边缘侧进行处理和比较；然后，汇总的信息将被上传到平台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810051462.4A CN110072298B (zh) | 2018-01-19 | 2018-01-19 | 一种基于边缘计算的鲁棒移动群智感知算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810051462.4A CN110072298B (zh) | 2018-01-19 | 2018-01-19 | 一种基于边缘计算的鲁棒移动群智感知算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110072298A CN110072298A (zh) | 2019-07-30 |
| CN110072298B true CN110072298B (zh) | 2021-12-31 |
Family
ID=67364537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810051462.4A Active CN110072298B (zh) | 2018-01-19 | 2018-01-19 | 一种基于边缘计算的鲁棒移动群智感知算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110072298B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111459657B (zh) * | 2020-03-09 | 2023-03-31 | 重庆邮电大学 | 一种基于边缘协助的数据质量感知的任务分配方法 |
| CN112948116B (zh) * | 2021-03-05 | 2023-06-13 | 电子科技大学 | 一种基于在线激励的边缘计算合作计算资源分配方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657133A (zh) * | 2015-01-28 | 2015-05-27 | 南京邮电大学 | 移动群智感知中一种用于单时间窗口任务的激励方法 |
| CN104809526A (zh) * | 2015-05-07 | 2015-07-29 | 上海交通大学 | 冗余数据效用最大化方法 |
| CN105022835A (zh) * | 2015-08-14 | 2015-11-04 | 武汉大学 | 一种群智感知大数据公共安全识别方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10111031B2 (en) * | 2016-01-22 | 2018-10-23 | The United States Of America As Represented By The Secretary Of The Air Force | Object detection and tracking system |
-
2018
- 2018-01-19 CN CN201810051462.4A patent/CN110072298B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657133A (zh) * | 2015-01-28 | 2015-05-27 | 南京邮电大学 | 移动群智感知中一种用于单时间窗口任务的激励方法 |
| CN104809526A (zh) * | 2015-05-07 | 2015-07-29 | 上海交通大学 | 冗余数据效用最大化方法 |
| CN105022835A (zh) * | 2015-08-14 | 2015-11-04 | 武汉大学 | 一种群智感知大数据公共安全识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| "移动边缘计算在车联网中的应用";李佐昭等;《现代电信科技》;20170630;第47卷(第3期);第3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110072298A (zh) | 2019-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kong et al. | Mobile crowdsourcing in smart cities: Technologies, applications, and future challenges | |
| Dong et al. | QoE-ensured price competition model for emerging mobile networks | |
| Liao et al. | Digital twin consensus for blockchain-enabled intelligent transportation systems in smart cities | |
| Zhou et al. | A truthful online mechanism for location-aware tasks in mobile crowd sensing | |
| Qi et al. | High-quality model aggregation for blockchain-based federated learning via reputation-motivated task participation | |
| Liu et al. | A logistic based cellular automata model for continuous urban growth simulation: A case study of the Gold Coast City, Australia | |
| CN113992676B (zh) | 端边云架构和完全信息下分层联邦学习的激励方法及系统 | |
| Jeong et al. | Integrating buildings into a rural landscape using a multi-criteria spatial decision analysis in GIS-enabled web environment | |
| CN106973392B (zh) | 群智感知中基于区域覆盖的一种激励方法 | |
| CN109377218B (zh) | 一种遏制虚假感知攻击的方法、服务器及移动终端 | |
| CN110072298B (zh) | 一种基于边缘计算的鲁棒移动群智感知算法 | |
| CN109784741A (zh) | 一种基于信誉预测的移动群智感知系统奖励分发方法 | |
| Lu et al. | Worker recruitment with cost and time constraints in mobile crowd sensing | |
| Ray et al. | A survey of mobile crowdsensing and crowdsourcing strategies for smart mobile device users | |
| Lin et al. | A novel Latency-Guaranteed based Resource Double Auction for market-oriented edge computing | |
| Jia et al. | An incentive mechanism in expert-decision-based crowdsensing networks | |
| Wu et al. | Bilateral satisfaction aware participant selection with MEC for mobile crowd sensing | |
| Yang et al. | A decentralized trust inference approach with intelligence to improve data collection quality for mobile crowd sensing | |
| Ren et al. | Quality utilization aware based data gathering for vehicular communication networks | |
| Tang et al. | A Semi-supervised Sensing Rate Learning based CMAB scheme to combat COVID-19 by trustful data collection in the crowd | |
| CN116095721A (zh) | 一种融合感知通信的移动群智网络契约激励方法及系统 | |
| Tham et al. | A spatio-temporal incentive scheme with consumer demand awareness for participatory sensing | |
| CN116228316A (zh) | 投放选址的确定方法、装置、电子设备及可读存储介质 | |
| CN112131524A (zh) | 一种用于群智感知系统的在线激励机制方法 | |
| Liwang et al. | Long-Term or Temporary? Hybrid Worker Recruitment for Mobile Crowd Sensing and Computing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |