CN110400128B - 一种基于工人偏好感知的空间众包任务分配方法 - Google Patents

一种基于工人偏好感知的空间众包任务分配方法 Download PDF

Info

Publication number
CN110400128B
CN110400128B CN201910688352.3A CN201910688352A CN110400128B CN 110400128 B CN110400128 B CN 110400128B CN 201910688352 A CN201910688352 A CN 201910688352A CN 110400128 B CN110400128 B CN 110400128B
Authority
CN
China
Prior art keywords
task
worker
vertex
time
workers
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.)
Expired - Fee Related
Application number
CN201910688352.3A
Other languages
English (en)
Other versions
CN110400128A (zh
Inventor
郑凯
赵艳
李响
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Wanluo Data Technology Co ltd
University of Electronic Science and Technology of China
Original Assignee
Sichuan Wanluo Data Technology Co ltd
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Wanluo Data Technology Co ltd, University of Electronic Science and Technology of China filed Critical Sichuan Wanluo Data Technology Co ltd
Priority to CN201910688352.3A priority Critical patent/CN110400128B/zh
Publication of CN110400128A publication Critical patent/CN110400128A/zh
Application granted granted Critical
Publication of CN110400128B publication Critical patent/CN110400128B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/101—Collaborative creation, e.g. joint development of products or services

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种基于工人偏好感知的空间众包任务分配方法，首先用一个三维张量对不同工人在不同时间段对于不同类别的任务的偏好进行建模，利用工人的任务执行历史记录和两个上下文矩阵，采用基于历史数据的上下文感知张量分解算法来补充缺失的张量数据，获得工人在不同时间段对于不同类别任务的偏好值；然后在每个时刻设计了三种偏好感知的任务分配算法，针对同一个任务优先考虑偏好值大的工人，最终实现全局任务分配数量最大化。

Description

一种基于工人偏好感知的空间众包任务分配方法
技术领域
本发明属于空间众包技术领域，具体涉及一种基于工人偏好感知的空间众包任务分配方法的设计。
背景技术
空间众包(Spatial Crowdsourcing，SC)是指将携带智能设备的人当作工人，让他们移动到特定的地点并完成空间任务，例如拍照、监控交通状况，以及报告当地的热点等。
现有对于空间众包的研究大多集中在任务分配。现有的任务分配研究往往侧重于任务完成总量最大化，工人执行任务的执行路径最优化，或是任务分配的多样性评分最大化。这些研究中都假设任务分配给工人以后，工人愿意执行这些任务。然而，在实际生活中，工人执行任务的意图和偏好不同往往会导致工人的行为不同。例如，如果两个工人对同一类任务的偏好不同，那么他们可能会有不同行为：一个可能由于因为热点受人欢迎而愿意接受报告该热点的任务，另一个却由于报告热点的任务的复杂性而拒绝接受该任务。实际上，如果工人对分配的任务不感兴趣，那么他不会真诚并及时地完成这些任务，这样就会无法保证任务完成的质量。因此，控制任务完成质量的关键在于如何从工人执行任务的情况中精确地捕获到工人对于任务的偏好。工人执行任务时，时间动态信息是一个很重要的因素，因为工人对于任务类型的偏好可能会随着时间的推移而改变。例如，在工人的午休时间，他可能很乐于接受报告商场促销活动的任务，但是在工作时间，工人可能却会坚决拒绝这个任务。因此，在空间任务分配中需要考虑工人偏好的时间动态，这样才能有效地提高空间任务分配的准确性。
现有的空间众包研究往往是从工人的刚完成的任务执行模式或工人的直接反馈来推测工人的偏好。然而，这些研究中没有有效地结合时间动态和工人的历史任务执行记录。工人的总体任务执行情况可能由他长期的兴趣决定。但是在某个时刻，工人暂时的偏好也会受到瞬间事件的影响，例如当时任务的发布和执行情况。此外，由于任务执行数据的稀疏性和冷启动问题(新工人或新任务没有历史执行记录)，以上方法都不能保证任务分配的合理性。在任务分配技术中，考虑基于时间动态的工人偏好是提高空间众包的任务分配质量的一个关键因素。
发明内容
本发明的目的是为了解决现有的空间众包技术无法保证任务分配的合理性，无法实现任务分配数量最大化的问题，提出了一种基于工人偏好感知的空间众包任务分配方法。
本发明的技术方案为：一种基于工人偏好感知的空间众包任务分配方法，包括以下步骤：
S1、采集工人最近和历史任务执行数据，并将其作为数据源。
S2、根据数据源中的数据，采用基于历史数据的上下文感知张量分解算法进行工人时间动态偏好建模，得到工人在不同时间段对于不同类别任务的偏好值。
S3、根据工人在不同时间段对于不同类别任务的偏好值，采用偏好感知任务分配算法对空间众包任务进行分配。
进一步地，步骤S2包括以下分步骤：
S21、根据数据源中的工人最近和历史任务执行数据构建工人-任务-时间张量X。
S22、根据数据源中的工人最近和历史任务执行数据分别构建时间-任务矩阵Y和任务-特征矩阵Z。
S23、协同利用时间-任务矩阵Y和任务-特征矩阵Z对工人-任务-时间张量X进行分解，填充工人-任务-时间张量X中的缺失值，得到工人在不同时间段对于不同类别任务的偏好值。
进一步地，步骤S21中构建的工人-任务-时间张量X具体为：
X＝Xr||Xh
其中Xr表示近期工人-任务-时间张量，且Xr∈RN×M×L，Xr中的条目Xr(i,j,k)＝e表示近期第i个工人对时隙k中第j个任务类别的偏好e，i＝1,2,...,N；j＝1,2,...,M；k＝1,2,...,L，N表示工人总数，M表示任务类别总数，L表示时隙总数；Xh表示历史工人-任务-时间张量，且Xh∈RN×M×L，Xh中的条目Xh(i,j,k)＝e表示历史第i个工人对时隙k中第j个任务类别的偏好e。
进一步地，步骤S22中构建的时间-任务矩阵Y具体为：
Y＝Yr||Yh
其中Yr表示近期时间-任务矩阵，且Yr∈RL×M，Yr中的条目Yr∈(k,j)表示近期在时隙k中已经执行类别j的任务的次数，Yh表示历史时间-任务矩阵，且Yh∈RL×M，Yh中的条目Yh∈(k,j)表示历史在时隙k中已经执行类别j的任务的次数。
步骤S22中构建的任务-特征矩阵Z∈RM×Q，Z中的条目Z∈(j,f)表示第j个任务类别的第f个特征，f＝1,2,...,Q，Q表示特征总数。
进一步地，步骤S23包括以下分步骤：
S231、利用tucker分解法对工人-任务-时间张量X进行分解：
X＝O×W×S×T
其中
Figure BDA0002147084950000031
和
Figure BDA0002147084950000032
分别表示工人、任务类别和时隙的低等级潜在因子矩阵，dW,dS,dT分别表示工人、任务类别和时隙的潜在因子维数，
Figure BDA0002147084950000033
为核心张量，其条目表示工人、任务类别和时隙三个低等级潜在因子之间的相互作用水平。
S232、利用tucker分解法对时间-任务矩阵Y进行分解：
Y＝TST
S233、利用tucker分解法对任务-特征矩阵Z进行分解：
Z＝SV
其中
Figure BDA0002147084950000036
表示任务特征的低等级潜在因子矩阵。
S234、基于分解后的分量矩阵O,W,S,T,V构建损失函数L(O,W,S,T,V)：
Figure BDA0002147084950000034
其中||·||表示Frobenius范数，λ1,λ2,λ3表示分解过程中不同部分的贡献参数。
S235、采用梯度下降算法最小化损失函数L(O,W,S,T,V)，并通过将分解后低等级潜在因子矩阵乘以张量Xrec＝O×W×S×T填充工人-任务-时间张量X中的缺失值，得到工人在不同时间段对于不同类别任务的偏好值。
进一步地，步骤S3包括以下分步骤：
A1、将每个工人wi映射为一个顶点vi，将每个任务sj映射为一个顶点
Figure BDA0002147084950000037
其中i＝1,2,...,|Wi|；j＝1,2,...,|Si|，Wi为工人集合，|Wi|表示工人集合中的工人总数，Si为任务集合，|Si|为任务集合中的任务总数。
A2、构建虚拟源顶点src，并将其映射为v0，构建虚拟目标顶点dst，并将其映射为
Figure BDA0002147084950000035
A3、连接源顶点v0到工人顶点vi的每条边(v0,vi)，设置每条边(v0,vi)的容量c(v0,vi)＝1，每条边(v0,vi)的成本w(v0,vi)＝0。
A4、连接任务顶点
Figure BDA0002147084950000041
到目标顶点
Figure BDA0002147084950000042
的每条边
Figure BDA0002147084950000043
设置每条边
Figure BDA0002147084950000044
的容量
Figure BDA0002147084950000045
每条边
Figure BDA0002147084950000046
的成本
Figure BDA0002147084950000047
其中max Wj表示第j个任务最多会被分配给的工人个数。
A5、若任务sj被分配给了工人wi，则添加一条从顶点vi到顶点
Figure BDA0002147084950000048
的边
Figure BDA0002147084950000049
设置边
Figure BDA00021470849500000410
的容量
Figure BDA00021470849500000411
边
Figure BDA00021470849500000412
的成本
Figure BDA00021470849500000413
其中
Figure BDA00021470849500000414
表示工人wi当前对类别为c的任务sj的偏好值。
A6、将所有顶点和边构成流网络图G，采用Ford-Fulkerson算法寻找流网络图G中的最大流量的路径，并用线性规划使得该路径成本最小，将该路径中的任务分配给对应的工人。
进一步地，步骤S3包括以下分步骤：
B1、将每个工人wi映射为一个顶点vi，将每个任务sj映射为一个顶点
Figure BDA00021470849500000415
其中i＝1,2,...,|Wi|；j＝1,2,...,|Si|，Wi为工人集合，|Wi|表示工人集合中的工人总数，Si为任务集合，|Si|为任务集合中的任务总数。
B2、构建虚拟源顶点src，并将其映射为v0，构建虚拟目标顶点dst，并将其映射为
Figure BDA00021470849500000416
B3、连接源顶点v0到工人顶点vi的每条边(v0,vi)，设置每条边(v0,vi)的容量c(v0,vi)＝1，每条边(v0,vi)的成本w(v0,vi)＝0。
B4、连接任务顶点
Figure BDA00021470849500000417
到目标顶点
Figure BDA00021470849500000418
的每条边
Figure BDA00021470849500000419
设置每条边
Figure BDA00021470849500000420
的容量
Figure BDA00021470849500000421
每条边
Figure BDA00021470849500000422
的成本
Figure BDA00021470849500000423
其中max Wj表示第j个任务最多会被分配给的工人个数。
B5、若任务sj被分配给了工人wi，则添加一条从顶点vi到顶点
Figure BDA00021470849500000424
的边
Figure BDA00021470849500000425
设置边
Figure BDA0002147084950000051
的容量
Figure BDA0002147084950000052
边
Figure BDA0002147084950000053
的成本
Figure BDA0002147084950000054
其中
Figure BDA0002147084950000055
表示工人wi对任务sj的空间加权偏好值，其计算公式为。
Figure BDA0002147084950000056
其中
Figure BDA0002147084950000057
表示工人wi当前对类别为c的任务sj的偏好值，σ(w.l,s.l)表示工人空间偏好函数，其计算公式为：
Figure BDA0002147084950000058
其中d(w.l,s.l)表示工人当前所处地点w.l和任务发布地点s.l之间的欧式距离，w.r表示工人可达区域的半径。
B6、将所有顶点和边构成流网络图G，采用Ford-Fulkerson算法寻找流网络图G中的最大流量的路径，并用线性规划使得该路径成本最小，将该路径中的任务分配给对应的工人。
进一步地，步骤S3包括以下分步骤：
C1、将每个工人wi映射为一个顶点vi，将每个任务sj映射为一个顶点
Figure BDA0002147084950000059
其中i＝1,2,...,|Wi|；j＝1,2,...,|Si|，Wi为工人集合，|Wi|表示工人集合中的工人总数，Si为任务集合，|Si|为任务集合中的任务总数。
C2、构建虚拟源顶点src，并将其映射为v0，构建虚拟目标顶点dst，并将其映射为
Figure BDA00021470849500000510
C3、连接源顶点v0到工人顶点vi的每条边(v0,vi)，设置每条边(v0,vi)的容量c(v0,vi)＝1，每条边(v0,vi)的成本w(v0,vi)＝0。
C4、连接任务顶点
Figure BDA00021470849500000511
到目标顶点
Figure BDA00021470849500000512
的每条边
Figure BDA00021470849500000513
设置每条边
Figure BDA00021470849500000514
的容量
Figure BDA00021470849500000515
每条边
Figure BDA00021470849500000516
的成本
Figure BDA00021470849500000517
其中max Wj表示第j个任务最多会被分配给的工人个数，s.p表示当前任务的发布时间，s.φ表示当前任务的截止时间，ti表示随机时刻，s.p≤ti。
C5、若任务sj被分配给了工人wi，则添加一条从顶点vi到顶点
Figure BDA0002147084950000061
的边
Figure BDA0002147084950000062
设置边
Figure BDA0002147084950000063
的容量
Figure BDA0002147084950000064
边
Figure BDA0002147084950000065
的成本
Figure BDA0002147084950000066
其中
Figure BDA0002147084950000067
表示工人wi当前对类别为c的任务sj的偏好值。
C6、将所有顶点和边构成流网络图G，采用Ford-Fulkerson算法寻找流网络图G中的最大流量的路径，并用线性规划使得该路径成本最小，将该路径中的任务分配给对应的工人。
本发明的有益效果是：
(1)本发明在空间众包任务分配中考虑工人对任务的时间动态偏好，并基于该时间动态偏好对空间众包任务进行分配，使得每个时刻的任务分配数量最大化。
(2)本发明为了解决工人任务执行数据的稀疏性和冷启动问题，提出了一种工人时间动态偏好建模(Temporal Preferences Modeling，TPM)方法，并采用基于历史数据的上下文感知张量分解算法(Preference-aware Task Assignment，PTA)补充工人时间动态偏好模型中缺失的数据，以学习得到工人的时间动态偏好，最终得到的工人在不同时间段对于不同类别任务的偏好值更加准确。
(3)本发明提出了三种偏好感知任务分配算法对空间众包任务进行分配，分别考虑了工人对任务的偏好值、工人的旅行时间成本以及任务的截止时间，保证了任务分配的合理性，从而实现任务分配数量最大化。
附图说明
图1所示为本发明实施例提供的一种基于工人偏好感知的空间众包任务分配方法流程图。
图2所示为本发明实施例提供的工人时间动态偏好模型示意图。
图3所示为本发明实施例提供的流网络图。
图4所示为本发明实施例提供的历史数据大小的影响示意图。
图5所示为本发明实施例提供的任务有效时间的影响示意图。
图6所示为本发明实施例提供的工人可达半径的影响示意图。
图7所示为本发明实施例提供的任务数量对CPU开销和分配成功率的影响示意图。
图8所示为本发明实施例提供的任务数量对平均旅行成本和分配任务数量的影响示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
在描述本发明的具体实施例之前，首先对本发明中的一些名词进行定义，旨在使本发明的技术方案更加清楚。
定义1：空间任务。
空间任务可以表示为s＝<s.l,s.p,s.φ,s.c,s.max W>，其中s.l表示空间任务s的发布地点，可以用二维空间的一个点(x,y)描述，s.p表示空间任务s的发布时间，s.φ表示空间任务s的截止时间，s.max W表示在同一时刻允许同时执行任务s的工人数量的最大值，每一个任务s都会被标记为某个类别s.c(例如拍照、报告当地的热点等)。
为了简单起见，本发明实施例中假设每个任务的处理时间为0，这意味着一个工人可以在抵达当前任务地点之后直接去下一个任务地点。
定义2：工人。
工人是指携带移动设备并自愿执行空间任务的人，表示为w＝<w.l,w.r>，工人可以选择在线模式或者离线模式。当工人处于在线模式时，表示他已经准备好接受任务。每个在线的工人w都有一个其当前所处的地点w.l，并且该工人可达的区域是以w.l为中心，以w.r为半径的圆形区域，工人只能接受在该区域内的空间任务分配。
在本发明实施例所定义的模式中，每个工人在某个特定时刻只能处理一个任务，这在实际生活中是合理的。一旦服务器将一个任务分配给某个工人，该工人在完成被分配的任务前都会被认为处于正离线模式。
定义3：任务执行历史。
给定一个已经在某段时间内执行了n个任务的工人w，那么他的任务执行历史是一个任务集合
Figure BDA0002147084950000071
每个三元组
Figure BDA0002147084950000072
由所执行的任务si、工人的到达任务si的地点的时间
Figure BDA0002147084950000073
和离开时间
Figure BDA0002147084950000074
构成。
为了简洁，本发明实施例将
Figure BDA0002147084950000075
简单表示为Sw＝{s1,...,sn}。
定义4：基于频率的工人偏好。
给定一个任务类别c和工人w的任务执行历史，那么工人w在确定的时间段T内，对任务类别c的基于频率的偏好用
Figure BDA0002147084950000076
表示，该偏好通过工人在时间段T内执行的属于类别c的任务数量和其在时间段T内执行的任务的总数量的比率求得，即：
Figure BDA0002147084950000081
Figure BDA0002147084950000082
其中，NT(Sw)是工人w在确定的时间段T中执行任务的总数。
本发明实施例中，在无歧义的情况下，将工人偏好和基于频率的工人偏好统称为工人偏好。
定义5：空间任务分配实例集。
给定在时刻ti的在线工人集合为Wi＝{w1,w2,...}和可用任务集合Si＝{s1,s2,...}，定义Ai是在时刻ti的所有空间任务分配实例的集合。Ai由一系列二元组元素<w,s>组成，其中在满足所有工人和任务的限制条件后，空间任务s被分配给工人w，用|Ai|表示在时刻ti任务分配的数量。
问题定义：在空间众包(Spatial Crowdsourcing，SC)平台中，如果给定在当前时刻ti的在线工人集合为Wi，且可用任务和为Si，则问题是在考虑工人对任务的时间动态偏好的前提下，找出在时刻ti能够使任务分配数量(即|Ai|)最大化的对工人和任务进行分配的合理方案。
本发明实施例提供了一种基于工人偏好感知的空间众包任务分配方法，如图1所示，包括以下步骤S1～S3：
S1、采集工人最近和历史任务执行数据，并将其作为数据源。
S2、根据数据源中的数据，采用基于历史数据的上下文感知张量分解算法(History-based Context-aware Tensor Decomposition，HCTD)进行工人时间动态偏好建模(Temporal Preferences Modeling，TPM)，得到工人在不同时间段对于不同类别任务的偏好值。
TPM过程是基于工人最近和历史任务执行数据构建一个三维张量X，其中三维分别代表工人、任务类别和时间段(时隙)，其中每个条目是特定工作者对特定时间段中的特定任务类别的偏好。同时，TPM过程构建了两个上下文矩阵，一个是具有两个维度的时间-任务矩阵Y，分别代表时间段和任务类别，其中每个条目是在一个时间段中执行相应类别中的任务的次数；另一个是任务-特征矩阵Z，其值是从历史工人的配置文件中提取的。在上述两个矩阵的帮助下，张量X的缺失值可以由HCTD填充。然后可以推断出工人在当前时间内对所有类型任务的偏好，其原理是具有类似背景的工人可能有类似的偏好。上下文矩阵揭示了这种内在的相似性，并且具有比X更高的非零项比例，这可以有效地减少分解误差，提高推理准确度。
步骤S2包括以下分步骤S21～S23：
S21、根据数据源中的工人最近和历史任务执行数据构建工人-任务-时间张量X。
如图2所示，工人-任务-时间张量X＝Xr||Xh，其中Xr表示近期工人-任务-时间张量，且Xr∈RN×M×L，其由工人、任务类别和时隙三个维度组成，Xr中的条目Xr(i,j,k)＝e表示近期第i个工人对时隙k(例如，上午10:00-11:00)中第j个任务类别的偏好e，i＝1,2,...,N；j＝1,2,...,M；k＝1,2,...,L，N表示工人总数，M表示任务类别总数，L表示时隙总数。显然，张量Xr中存在缺失的条目，一旦从其他非零条目中推断出缺失的条目，我们就可以获得所有工人对所有L个时隙中的任何任务的偏好。
然而，由于在短时间内只有少数任务可以由个别工人执行，因此这个张量过大而且存在大量缺失的条目。仅仅根据自己的非零项分解Xr是不够精确的，因此本发明实施例引入另一个张量Xh，即历史工人-任务-时间张量，它是基于在较长时间段(例如一个月)内执行记录的历史任务，是由1到L的对应时隙聚合而成，其结构与图2中所示的Xr相同，Xh∈RN ×M×L，Xh中的条目Xh(i,j,k)＝e表示历史第i个工人对时隙k中第j个任务类别的偏好e。显然，Xh代表历史任务执行模式和工人的长期利益，它比Xr更密集。通过将Xr和Xh一起分解，可以大大减少补充Xr的误差。
S22、根据数据源中的工人最近和历史任务执行数据分别构建时间-任务矩阵Y和任务-特征矩阵Z。
如图2所示，时间-任务矩阵Y＝Yr||Yh，根据不同任务类别上的任务执行条件的分布捕获时间相关性，其中每行表示时隙，每列表示任务类别。Yr表示近期时间-任务矩阵，且Yr∈RL×M，Yr中的条目Yr∈(k,j)表示近期在时隙k中已经执行类别j的任务的次数，Yh表示历史时间-任务矩阵，且Yh∈RL×M，Yh中的条目Yh∈(k,j)表示历史在时隙k中已经执行类别j的任务的次数。本发明实施例中，Yr和Yh分别代表了在同一时间段内的最近和历史任务执行条件。因此，两行的相似性表示两个时隙之间任务执行流的相关性。工人可以在时隙tk和tg中执行一些类似的任务，因为这两个时隙共享类似的工人任务执行模式。例如，工人的任务执行行为在上午10:00-11:00和下午2:00-3:00可能是相似的，因为他可能会呆在工作场所并愿意执行一些简单的任务，这些任务不会影响他的正常职责。此外，由于Yr的条目是从所有工人中聚合出来的，因此可以帮助减少分解Xr的错误。Yh具有与Yr相同的结构，它存储了基于工作人员的长期任务执行历史在不同时隙中执行具有不同类别的任务的次数。
任务-特征矩阵Z∈RM×Q，Z中的条目Z∈(j,f)表示第j个任务类别的第f个特征，f＝1,2,...,Q，Q表示特征总数。Z∈(j,f)的值可以是一个实值，表示任务类别的特征权重。矩阵Z通过存储每个类别的任务特征来获取不同任务类别之间的相似性。可以根据不同的应用场景提取许多功能，例如任务流行度、任务难度、任务风险级别、技能要求以及从历史工人配置文件派生的统计信息。
S23、协同利用时间-任务矩阵Y和任务-特征矩阵Z对工人-任务-时间张量X进行分解，填充工人-任务-时间张量X中的缺失值，得到工人在不同时间段对于不同类别任务的偏好值。
由于本发明的目标是模拟所有工人的时间动态偏好，因此需要估计Xr的缺失条目。一个简单的解决方案是利用tucker分解模型，该模型通常应用于高阶主成分分析(Kolda和Bader 2009)。它基于张量的非零条目将张量分解为由几个矩阵相乘(或变换)的核心张量。但是，由于Xr过于稀疏，单独分解Xr无法获得足够准确的结果。例如，在数据集中使用为期一天的任务执行记录并将时间段设置为1小时时，只有0.15％的Xr条目不为零。
步骤S23包括以下分步骤S231～S235：
S231、利用tucker分解法对工人-任务-时间张量X进行分解：
X＝O×W×S×T
其中
Figure BDA0002147084950000101
和
Figure BDA0002147084950000102
分别表示工人、任务类别和时隙的低等级潜在因子矩阵，dW,dS,dT分别表示工人、任务类别和时隙的潜在因子维数，
Figure BDA0002147084950000103
为核心张量，其条目表示工人、任务类别和时隙三个低等级潜在因子之间的相互作用水平。
S232、利用tucker分解法对时间-任务矩阵Y∈R2L×M进行分解：
Y＝TST
S233、利用tucker分解法对任务-特征矩阵Z∈RM×Q进行分解：
Z＝SV
其中
Figure BDA0002147084950000111
表示任务特征的低等级潜在因子矩阵。可以看出张量X与矩阵Y共享矩阵T，与矩阵Z共享矩阵S，因此基于张量X和两个上下文矩阵Y和Z的知识即可分解X。
S234、基于分解后的分量矩阵O,W,S,T,V构建损失函数L(O,W,S,T,V)：
Figure BDA0002147084950000112
其中||·||表示Frobenius范数，λ1,λ2,λ3表示分解过程中不同部分的贡献参数，
Figure BDA0002147084950000113
是避免过拟合的惩罚规则化，损失函数L(O,W,S,T,V)用于控制误差。
S235、采用梯度下降算法最小化损失函数L(O,W,S,T,V)，并通过将分解后低等级潜在因子矩阵乘以张量Xrec＝O×W×S×T填充工人-任务-时间张量X中的缺失值，得到工人在不同时间段对于不同类别任务的偏好值。
S3、根据工人在不同时间段对于不同类别任务的偏好值，采用偏好感知任务分配算法对空间众包任务进行分配。
在实时场景中，工人和任务的到达具有动态性并且到达时空间众包(SpatialCrowdsourcing，SC)服务器响应需要具有及时性，这对于实现解决偏好感知任务分配(Preference-aware Task Assignment，PTA)问题的全局最优方案而言是一项重要挑战。由于无论何时，每个SC服务器都只知道局部的可分配任务和工人，而不是所有工人和任务的全局视图，所以在每个时刻，都将通过最大化当前分配，并且同时为更加偏好该任务的工人设置更高优先级的方式使得局部任务分配方案最优。
本发明实施例中提出了三种启发式方法来解决上述问题，包括基本偏好感知任务分配算法(Preference-aware Task Assignment，PTA)、空间加权偏好感知任务分配算法(Spatial-weighted Preference-aware Task Assignment，SPTA)和时间加权偏好感知任务分配算法(Temporal-weighted Preference-aware Task Assignment，TPTA)。下面以三个具体实施例对上述三种算法进行详细描述。
实施例1：
本发明实施例中采用基本偏好感知任务分配算法(Preference-aware TaskAssignment，PTA)，将工人的偏好作为任务分配的优先级，并且通过将偏好感知任务分配问题转化为最小成本最大流(Minimum Cost Maximum Flow，MCMF)问题，提出了一种基本解决方案。
在时刻ti，MCMF是基于流网络图表示的任务分配问题。其中，流网络图用G＝(V,E)表示，V是图中所有顶点的集合，而E是图中边的集合。具体而言，假设给定在时刻ti工人集合为Wi＝{w1,w2,...}，可分配任务的集合为Si＝{s1,s2,...}，那么顶点集合V和边集合E的大小分别为|Wi|+|Si|+2和|Wi|+|Si|+m，其中m是对于所有工人的可分配任务总数。在时刻ti，工人w(w∈Wi)的可分配任务用Ai w表示，那么Ai w应该满足以下三个条件：
Figure BDA0002147084950000123
(1)d(w.l,s.l)≤w.r；
(2)ti+t(w.l,s.l)≤s.p+s.φ；
(3)工人w还没有执行任务s。
其中，d(w.l,s.l)是给定的w.l和s.l之间的距离(例如欧氏距离)，而t(w.l,s.l)是从w.l到s.l的行驶时间。本发明实施例中为了简单起见，假设所有工人都具有相同的行驶速度，那么两个地点之间的行驶时间成本就可以用它们之间的欧式距离评估，即t(w.l,s.l)＝d(w.l,s.l)。然而，本发明并不依赖于这个假设而且能够解决工人的行驶速度不同的情况。|Ai w|表示工人w的可分配任务的数量，这样就能通过对所有工人的可分配任务数量求和来得到m的值，即
Figure BDA0002147084950000125
基于上述理论，如图3所示，步骤S3包括以下分步骤A1～A6：
A1、将每个工人wi映射为一个顶点vi，将每个任务sj映射为一个顶点
Figure BDA0002147084950000127
其中i＝1,2,...,|Wi|；j＝1,2,...,|Si|，Wi为工人集合，|Wi|表示工人集合中的工人总数，Si为任务集合，|Si|为任务集合中的任务总数。
A2、构建虚拟源顶点src，并将其映射为v0，构建虚拟目标顶点dst，并将其映射为
Figure BDA0002147084950000126
A3、连接源顶点v0到工人顶点vi的每条边(v0,vi)，设置每条边(v0,vi)的容量c(v0,vi)＝1，每条边(v0,vi)的成本w(v0,vi)＝0。
由于每个工人在当前时刻只能执行一个任务，所以本发明实施例中将每条边(v0,vi)的容量都设置为1。
A4、连接任务顶点
Figure BDA0002147084950000131
到目标顶点
Figure BDA0002147084950000132
的每条边
Figure BDA0002147084950000133
设置每条边
Figure BDA0002147084950000134
的容量
Figure BDA0002147084950000135
每条边
Figure BDA0002147084950000136
的成本
Figure BDA0002147084950000137
其中max Wj表示第j个任务最多会被分配给的工人个数。
A5、若任务sj被分配给了工人wi，则添加一条从顶点vi到顶点
Figure BDA0002147084950000138
的边
Figure BDA0002147084950000139
设置边
Figure BDA00021470849500001310
的容量
Figure BDA00021470849500001311
边
Figure BDA00021470849500001312
的成本
Figure BDA00021470849500001313
其中
Figure BDA00021470849500001314
表示工人wi当前对类别为c的任务sj的偏好值。
A6、将所有顶点和边构成流网络图G，此时任务分配问题就被转化为一个在从源顶点src到源顶点dst的流网络图G中的MCMF问题，即使得图G中的流量(即路径通过所有边的容量之和)最大的同时需要成本最小。本发明实施例采用Ford-Fulkerson算法寻找流网络图G中的最大流量的路径，并用线性规划使得该路径成本最小，将该路径中的任务分配给对应的工人。
实施例2：
本发明实施例中采用空间加权偏好感知任务分配算法(Spatial-weightedPreference-aware Task Assignment，SPTA)，步骤S3包括以下分步骤B1～B6：
B1、将每个工人wi映射为一个顶点vi，将每个任务sj映射为一个顶点
Figure BDA00021470849500001315
其中i＝1,2,...,|Wi|；j＝1,2,...,|Si|，Wi为工人集合，|Wi|表示工人集合中的工人总数，Si为任务集合，|Si|为任务集合中的任务总数。
B2、构建虚拟源顶点src，并将其映射为v0，构建虚拟目标顶点dst，并将其映射为
Figure BDA00021470849500001316
B3、连接源顶点v0到工人顶点vi的每条边(v0,vi)，设置每条边(v0,vi)的容量c(v0,vi)＝1，每条边(v0,vi)的成本w(v0,vi)＝0。
B4、连接任务顶点
Figure BDA00021470849500001317
到目标顶点
Figure BDA00021470849500001318
的每条边
Figure BDA00021470849500001319
设置每条边
Figure BDA00021470849500001320
的容量
Figure BDA00021470849500001321
每条边
Figure BDA00021470849500001322
的成本
Figure BDA0002147084950000141
其中max Wj表示第j个任务最多会被分配给的工人个数。
B5、若任务sj被分配给了工人wi，则添加一条从顶点vi到顶点
Figure BDA0002147084950000142
的边
Figure BDA0002147084950000143
设置边
Figure BDA0002147084950000144
的容量
Figure BDA0002147084950000145
边
Figure BDA0002147084950000146
的成本
Figure BDA0002147084950000147
其中
Figure BDA0002147084950000148
表示工人wi对任务sj的空间加权偏好值，其计算公式为。
Figure BDA0002147084950000149
其中
Figure BDA00021470849500001410
表示工人wi当前对类别为c的任务sj的偏好值，σ(w.l,s.l)表示考虑工人和空间任务接近程度的基础上设置的工人空间偏好函数，其计算公式为：
Figure BDA00021470849500001411
其中d(w.l,s.l)表示工人当前所处地点w.l和任务发布地点s.l之间的欧式距离，w.r表示工人可达区域的半径。
空间众包(Spatial Crowdsourcing，SC)中有一个重要的问题就是工人必须亲自走到任务所在的地理位置才能执行任务，但是实施例1中的PTA算法并没有考虑工人和其指定任务之间的行驶时间成本。因此本发明实施例用工人w和空间任务s之间的欧氏距离d(w.l,s.l)衡量工人的行驶时间成本。实际上，工人更容易接受距离自己较近的任务，这一事实的启发下，本发明实施例验证了在同一时刻ti时工人的偏好给更近的任务赋予更高的优先级，即空间加权偏好值
Figure BDA00021470849500001412
B6、将所有顶点和边构成流网络图G，此时任务分配问题就被转化为一个在从源顶点src到源顶点dst的流网络图G中的MCMF问题，即使得图G中的流量(即路径通过所有边的容量之和)最大的同时需要成本最小。本发明实施例采用Ford-Fulkerson算法寻找流网络图G中的最大流量的路径，并用线性规划使得该路径成本最小，将该路径中的任务分配给对应的工人。
实施例3：
本发明实施例采用时间加权偏好感知任务分配算法(Temporal-weightedPreference-aware Task Assignment，TPTA)，步骤S3包括以下分步骤C1～C6：
C1、将每个工人wi映射为一个顶点vi，将每个任务sj映射为一个顶点
Figure BDA00021470849500001413
其中i＝1,2,...,|Wi|；j＝1,2,...,|Si|，Wi为工人集合，|Wi|表示工人集合中的工人总数，Si为任务集合，|Si|为任务集合中的任务总数。
C2、构建虚拟源顶点src，并将其映射为v0，构建虚拟目标顶点dst，并将其映射为
Figure BDA0002147084950000151
C3、连接源顶点v0到工人顶点vi的每条边(v0,vi)，设置每条边(v0,vi)的容量c(v0,vi)＝1，每条边(v0,vi)的成本w(v0,vi)＝0。
C4、连接任务顶点
Figure BDA0002147084950000152
到目标顶点
Figure BDA0002147084950000153
的每条边
Figure BDA0002147084950000154
设置每条边
Figure BDA0002147084950000155
的容量
Figure BDA0002147084950000156
每条边
Figure BDA0002147084950000157
的成本
Figure BDA0002147084950000158
其中max Wj表示第j个任务最多会被分配给的工人个数，s.p表示当前任务的发布时间，s.φ表示当前任务的截止时间，ti表示随机时刻，s.p≤ti。
任务的截止日期越晚，该任务就越有可能会更晚才被执行，反之亦然。据此，本发明实施例考虑了时间紧迫性来决定处理任务的顺序。分配任务时，更接近截止日期的任务应该比其他任务的优先级更高。因此，本发明实施例定义在时刻ti的任务s的优先级等于其剩余时间和有效时间的比值，即
Figure BDA0002147084950000159
并将其作为每条边
Figure BDA00021470849500001510
的成本。
C5、若任务sj被分配给了工人wi，则添加一条从顶点vi到顶点
Figure BDA00021470849500001511
的边
Figure BDA00021470849500001512
设置边
Figure BDA00021470849500001513
的容量
Figure BDA00021470849500001514
边
Figure BDA00021470849500001515
的成本
Figure BDA00021470849500001516
其中
Figure BDA00021470849500001517
表示工人wi当前对类别为c的任务sj的偏好值。
C6、将所有顶点和边构成流网络图G，此时任务分配问题就被转化为一个在从源顶点src到源顶点dst的流网络图G中的MCMF问题，即使得图G中的流量(即路径通过所有边的容量之和)最大的同时需要成本最小。本发明实施例采用Ford-Fulkerson算法寻找流网络图G中的最大流量的路径，并用线性规划使得该路径成本最小，将该路径中的任务分配给对应的工人。
下面通过具体实验例对本发明的效果作进一步描述。
本实验例使用twitter签到数据集来模拟本发明实施例中的问题，这是评估空间众包平台的常见做法。由于原始Twitter数据集不包含地点的类别信息，因此需要借助其API从Foursquare中提取与每个地点相关联的类别信息。最终产生的数据集提供了2010年9月至2011年1月期间的美国签到数据，其中不包含阿拉斯加和夏威夷两地。数据集共计62462个地点和61412位用户。
在实验中，假设用户是空间众包系统的工人，因为在不同地点签到的用户可能是在这些地点附近执行空间任务的最佳候选者，并且他们的位置最接近这些签到地点。此外，将时间片段的粒度设为10min(例如10:00am-10:10am)，在此期间任务请求和可用的工人将被打包输入到系统中。假设在一个时间片段签到的所有用户都是该时间片段的在线工人，对于每个签到地点，分别使用其位置和当天最早签到时间作为任务的位置和发布时间。相应地，签到点的类别被视为任务的类别，提取10种签到类别来模拟任务类别。在一个地点签到相当于接受任务。另外，将每个任务的max W设置为一天内相应地点的签到次数，旅行费用根据工人所在地点到任务分配地点之间的欧式距离来计算。表1总结了本实验例中使用的所有参数的默认值。任务分配实验中，运行算法超过一天中的四小时(即10:00am-12:00am)并报告了平均结果。所有算法均在Intel Core i5-2400CPU@3.10GHZ 8GB内存的机器上实现。
表1实验参数
参数 默认值
历史数据时间跨度 4周
任务有效时间 1h
工人可达半径距离 5km
任务数量 2000
(1)时间动态偏好建模(Temporal Preferences Modeling，TPM)性能。
本实验例中首先评估工人时间动态偏好建模阶段的性能及其对后续任务分配的影响。设置1小时为一个时间段并使用超过x周的签到数据(x＝1，2，3，4，默认为4)作为历史数据，使用前一天的签到记录作为最近的数据。张量分解中损失函数的参数(λ1，λ2，λ3)设置为0.01。
为了评估工人对任务偏好的准确率，采用广泛使用的评价标准，平方均值误差(RMSE)和平均绝对误差(MAE)。从张量Xr中随机删除20％的非零项，这将被用于测试集来估计推断值，剩余的80％用于训练集。本实验例引入了一个基准算法，即AVF(Average ValueFilling)算法，该算法使用张量X所属的相应时间段的所有非零项的均值来填充缺失值。此外，本实验例研究了多种历史张量的分布和上下文矩阵用于补充缺失值的方法，具体如下：
(a)AVF：均值填充方法。
(b)TD：张量分解算法，基于其自身非零项分解张量Xr来填充缺失项。
(c)TD+H：张量分解算法，通过分解带有历史数据的张量来填充缺失项。
(d)TD+H+Y+Z(HCTD)：张量分解算法，通过分解带有历史数据，时间和任务上下文的张量来填充缺失值。
表2时间动态偏好建模不同算法的性能
方法 AME RMSE
AVF 0.2979 0.3384
TD 0.2671 0.3056
TD+H 0.2129 0.2406
TD+H+Y+Z(HCTD) 0.2054 0.2344
表2显示了评估结果，其中AVF性能最差，HCFD性能最优，其次是TD+H和TD。这表明本发明的方法HCTD可以通过考虑历史数据，时间特征和不同任务类别之间的相关性，能更准确的估计工人偏好。
(2)历史数据的大小h的影响。
通过改变历史数据的大小来进一步评估时间优先建模的性能及其对后续任务分配的影响。特别地，对于偏好估计的准确性，比较了四种不同算法(包括AVF，TD，TD+H，HCTD)的RMSE值。另外，本实验例比较了三种不同任务分配算法(包括基于HCTD的任务分配算法HCTD-TA，基于AVF的任务分配算法AVF-TA和MCTA算法)的任务分配成功率，通过将任务非配问题转化为不考虑工人偏好的最大流问题。当一个空间众包服务器在特定的时间片段分配任务s给工人w时，如果在工人相应时间段T的任务执行列表中存在一个任务和分配任务具有相同类别，则认为任务分配成功。此外本实验例引入分配成功率(ASR)，即在一个时间片段中给所有工人成功分配的任务占据所有任务的比率来评价任务分配的准确性。
如图4所示，除TD算法外所有算法准确率随历史数据时间的时间跨度增加而逐渐增加。TD算法估测准确率不受历史数据影响因为它仅仅分解不带历史数据的张量Xr。AVF算法性能最差。此外，HCFD性能优于TD和TD+H，这验证了历史张量和上下文矩阵的贡献是有效的。就图4中的任务分配成功率而言，MCTA算法保持不变，因为它不考虑历史数据推断的工人偏好。另外，HCTD-TA的任务分配成功率随h变大而提升，由于工人偏好估计的准确率提升，并且针对所有h值它的表现都优于基准算法，这证实了本发明提出算法的优越性。
下面根据HCTD生成的工人时间动态偏好评估本发明实施例1～3中三种不同的任务分配算法：PTA，SPTA和TPTA算法。本实验例使用两个标准来比较三个算法：1)CPU开销，在时间片段中发现任务分配的CPU时间成本；2)ASR：分配成功率。
(3)任务有效时间
Figure BDA0002147084950000181
的影响。
首先研究任务有效时间
Figure BDA0002147084950000182
的影响。如图5所示，对于CPU开销所有方法具有相似的性能。这是因为这些方法都采用最大流最小成本(MFMC)算法，只需改变流网络图中边的权重，这不会影响计算复杂度。另一个注意点是所有方法的CPU成本几乎与
Figure BDA0002147084950000183
线性增加，因为当
Figure BDA0002147084950000184
变长时，时间片段中可用任务数量增加，这反过来导致MFMC的流网络图中的更多边被检索。所有方法的ASR值随着
Figure BDA0002147084950000185
的增加而增加，因为当
Figure BDA0002147084950000186
变长时，工人有更多机会被分配感兴趣的任务。SPTA和TPTA的表现比TPA差，因为它们分别考虑了工人的旅行费用和任务的到期时间，这削弱了工人偏好对任务分配的影响，导致更不准确的任务分配。
(4)工人可达半径r的影响。
本实验例中将工人可达半径距离从5公里变为20公里来研究r的影响。从图6可以看出，当r增长时，所有方法的CPU开销都有类似的增长趋势。这背后的原因是所有方法都应用MFMC算法，并且更多具有更远可达距离的工人通常具有更多可用任务分配，这导致MFMC流网络图具有更多的边。如图6所示，随着r增大，三种方法分配成功率呈增长趋势，这和任务有效时间影响原因相似，即工人可达区域越大，空间众包服务端将会有更多机会为工人分配他们感兴趣的任务。
(5)任务数量|S|的影响。
为了研究提出算法的扩展性，本实验例在一天的四小时(10:00am-2:00pm)从原始数据集中随机选择500-2500个任务来生成5个数据集。除了CPU成本和分配成功率外，还比较三种方法的另外两个指标：1)所有任务分配的平均旅行成本；2)分配任务的总数。正如预期所示，尽管CPU开销随|S|增加而增加，然而本发明提出的算法在提高任务分配成功率方面表现良好，如图7所示。
图8显示了所有算法的平均旅行成本降低，因为分配的任务更接近任务密集区域中的工作者的概率更高。此外，SPTA以惊人的幅度(高达42％)优于PTA和TPTA，这证明了空间(旅行成本)启发式的有效性。如图8所示，当存在更多任务时，所有方法的分配自然会增加。该图还说明了TPTA与PTA和SPTA相比在任务分配数量(高达40％)方面的优越性，这源于应用时间启发式算法。此外，随着任务数量的增加，时间启发式的影响将变得更加显著。其背后的原因时随着任务数量增加，更多任务即将到期，因此优先处理即将到期的任务将变得更加有效。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种基于工人偏好感知的空间众包任务分配方法，其特征在于，包括以下步骤：
S1、采集工人最近和历史任务执行数据，并将其作为数据源；
S2、根据数据源中的数据，采用基于历史数据的上下文感知张量分解算法进行工人时间动态偏好建模，得到工人在不同时间段对于不同类别任务的偏好值；
S3、根据工人在不同时间段对于不同类别任务的偏好值，采用偏好感知任务分配算法对空间众包任务进行分配；
所述步骤S2包括以下分步骤：
S21、根据数据源中的工人最近和历史任务执行数据构建工人-任务-时间张量X；
S22、根据数据源中的工人最近和历史任务执行数据分别构建时间-任务矩阵Y和任务-特征矩阵Z；
S23、协同利用时间-任务矩阵Y和任务-特征矩阵Z对工人-任务-时间张量X进行分解，填充工人-任务-时间张量X中的缺失值，得到工人在不同时间段对于不同类别任务的偏好值。
2.根据权利要求1所述的空间众包任务分配方法，其特征在于，所述步骤S21中构建的工人-任务-时间张量X具体为：
X＝Xr||Xh
其中Xr表示近期工人-任务-时间张量，且Xr∈RN×M×L，Xr中的条目Xr(i,j,k)＝e表示近期第i个工人对时隙k中第j个任务类别的偏好e，i＝1,2,...,N；j＝1,2,...,M；k＝1,2,...,L，N表示工人总数，M表示任务类别总数，L表示时隙总数；Xh表示历史工人-任务-时间张量，且Xh∈RN×M×L，Xh中的条目Xh(i,j,k)＝e表示历史第i个工人对时隙k中第j个任务类别的偏好e。
3.根据权利要求2所述的空间众包任务分配方法，其特征在于，所述步骤S22中构建的时间-任务矩阵Y具体为：
Y＝Yr||Yh
其中Yr表示近期时间-任务矩阵，且Yr∈RL×M，Yr中的条目Yr∈(k,j)表示近期在时隙k中已经执行类别j的任务的次数，Yh表示历史时间-任务矩阵，且Yh∈RL×M，Yh中的条目Yh∈(k,j)表示历史在时隙k中已经执行类别j的任务的次数；
所述步骤S22中构建的任务-特征矩阵Z∈RM×Q，Z中的条目Z∈(j,f)表示第j个任务类别的第f个特征，f＝1,2,...,Q，Q表示特征总数。
4.根据权利要求3所述的空间众包任务分配方法，其特征在于，所述步骤S23包括以下分步骤：
S231、利用tucker分解法对工人-任务-时间张量X进行分解：
X＝O×W×S×T
其中
Figure FDA0002435835750000021
和
Figure FDA0002435835750000022
分别表示工人、任务类别和时隙的低等级潜在因子矩阵，dW,dS,dT分别表示工人、任务类别和时隙的潜在因子维数，
Figure FDA0002435835750000023
为核心张量，其条目表示工人、任务类别和时隙三个低等级潜在因子之间的相互作用水平；
S232、利用tucker分解法对时间-任务矩阵Y进行分解：
Y＝TST
S233、利用tucker分解法对任务-特征矩阵Z进行分解：
Z＝SV
其中
Figure FDA0002435835750000026
表示任务特征的低等级潜在因子矩阵；
S234、基于分解后的分量矩阵O,W,S,T,V构建损失函数L(O,W,S,T,V)：
Figure FDA0002435835750000024
其中||·||表示Frobenius范数，λ1,λ2,λ3表示分解过程中不同部分的贡献参数；
S235、采用梯度下降算法最小化损失函数L(O,W,S,T,V)，并通过将分解后低等级潜在因子矩阵乘以张量Xrec＝O×W×S×T填充工人-任务-时间张量X中的缺失值，得到工人在不同时间段对于不同类别任务的偏好值。
5.根据权利要求1所述的空间众包任务分配方法，其特征在于，所述步骤S3包括以下分步骤：
A1、将每个工人wi映射为一个顶点vi，将每个任务sj映射为一个顶点
Figure FDA0002435835750000025
其中i＝1,2,...,|Wi|；j＝1,2,...,|Si|，Wi为工人集合，|Wi|表示工人集合中的工人总数，Si为任务集合，|Si|为任务集合中的任务总数；
A2、构建虚拟源顶点src，并将其映射为v0，构建虚拟目标顶点dst，并将其映射为
Figure FDA0002435835750000031
A3、连接源顶点v0到工人顶点vi的每条边(v0,vi)，设置每条边(v0,vi)的容量c(v0,vi)＝1，每条边(v0,vi)的成本w(v0,vi)＝0；
A4、连接任务顶点
Figure FDA0002435835750000032
到目标顶点
Figure FDA0002435835750000033
的每条边
Figure FDA0002435835750000034
设置每条边
Figure FDA0002435835750000035
的容量
Figure FDA0002435835750000036
每条边
Figure FDA0002435835750000037
的成本
Figure FDA0002435835750000038
其中max Wj表示第j个任务最多会被分配给的工人个数；
A5、若任务sj被分配给了工人wi，则添加一条从顶点vi到顶点
Figure FDA0002435835750000039
的边
Figure FDA00024358357500000310
设置边
Figure FDA00024358357500000311
的容量
Figure FDA00024358357500000312
边
Figure FDA00024358357500000313
的成本
Figure FDA00024358357500000314
其中
Figure FDA00024358357500000315
表示工人wi当前对类别为c的任务sj的偏好值；
A6、将所有顶点和边构成流网络图G，采用Ford-Fulkerson算法寻找流网络图G中的最大流量的路径，并用线性规划使得该路径成本最小，将该路径中的任务分配给对应的工人。
6.根据权利要求1所述的空间众包任务分配方法，其特征在于，所述步骤S3包括以下分步骤：
B1、将每个工人wi映射为一个顶点vi，将每个任务sj映射为一个顶点
Figure FDA00024358357500000316
其中i＝1,2,...,|Wi|；j＝1,2,...,|Si|，Wi为工人集合，|Wi|表示工人集合中的工人总数，Si为任务集合，|Si|为任务集合中的任务总数；
B2、构建虚拟源顶点src，并将其映射为v0，构建虚拟目标顶点dst，并将其映射为
Figure FDA00024358357500000317
B3、连接源顶点v0到工人顶点vi的每条边(v0,vi)，设置每条边(v0,vi)的容量c(v0,vi)＝1，每条边(v0,vi)的成本w(v0,vi)＝0；
B4、连接任务顶点
Figure FDA00024358357500000318
到目标顶点
Figure FDA00024358357500000319
的每条边
Figure FDA00024358357500000320
设置每条边
Figure FDA0002435835750000041
的容量
Figure FDA0002435835750000042
每条边
Figure FDA0002435835750000043
的成本
Figure FDA0002435835750000044
其中max Wj表示第j个任务最多会被分配给的工人个数；
B5、若任务sj被分配给了工人wi，则添加一条从顶点vi到顶点
Figure FDA0002435835750000045
的边
Figure FDA0002435835750000046
设置边
Figure FDA0002435835750000047
的容量
Figure FDA0002435835750000048
边
Figure FDA0002435835750000049
的成本
Figure FDA00024358357500000410
其中
Figure FDA00024358357500000411
表示工人wi对任务sj的空间加权偏好值，其计算公式为：
Figure FDA00024358357500000412
其中
Figure FDA00024358357500000413
表示工人wi当前对类别为c的任务sj的偏好值，σ(w.l,s.l)表示工人空间偏好函数，其计算公式为：
Figure FDA00024358357500000414
其中d(w.l,s.l)表示工人当前所处地点w.l和任务发布地点s.l之间的欧式距离，w.r表示工人可达区域的半径；
B6、将所有顶点和边构成流网络图G，采用Ford-Fulkerson算法寻找流网络图G中的最大流量的路径，并用线性规划使得该路径成本最小，将该路径中的任务分配给对应的工人。
7.根据权利要求1所述的空间众包任务分配方法，其特征在于，所述步骤S3包括以下分步骤：
C1、将每个工人wi映射为一个顶点vi，将每个任务sj映射为一个顶点
Figure FDA00024358357500000415
其中i＝1,2,...,|Wi|；j＝1,2,...,|Si|，Wi为工人集合，|Wi|表示工人集合中的工人总数，Si为任务集合，|Si|为任务集合中的任务总数；
C2、构建虚拟源顶点src，并将其映射为v0，构建虚拟目标顶点dst，并将其映射为
Figure FDA00024358357500000416
C3、连接源顶点v0到工人顶点vi的每条边(v0,vi)，设置每条边(v0,vi)的容量c(v0,vi)＝1，每条边(v0,vi)的成本w(v0,vi)＝0；
C4、连接任务顶点
Figure FDA00024358357500000417
到目标顶点
Figure FDA00024358357500000418
的每条边
Figure FDA00024358357500000419
设置每条边
Figure FDA0002435835750000051
的容量
Figure FDA0002435835750000052
每条边
Figure FDA0002435835750000053
的成本
Figure FDA0002435835750000054
其中max Wj表示第j个任务最多会被分配给的工人个数，s.p表示当前任务的发布时间，s.φ表示当前任务的截止时间，ti表示随机时刻，s.p≤ti；
C5、若任务sj被分配给了工人wi，则添加一条从顶点vi到顶点
Figure FDA0002435835750000055
的边
Figure FDA0002435835750000056
设置边
Figure FDA0002435835750000057
的容量
Figure FDA0002435835750000058
边
Figure FDA0002435835750000059
的成本
Figure FDA00024358357500000510
其中
Figure FDA00024358357500000511
表示工人wi当前对类别为c的任务sj的偏好值；
C6、将所有顶点和边构成流网络图G，采用Ford-Fulkerson算法寻找流网络图G中的最大流量的路径，并用线性规划使得该路径成本最小，将该路径中的任务分配给对应的工人。
CN201910688352.3A 2019-07-29 2019-07-29 一种基于工人偏好感知的空间众包任务分配方法 Expired - Fee Related CN110400128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910688352.3A CN110400128B (zh) 2019-07-29 2019-07-29 一种基于工人偏好感知的空间众包任务分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910688352.3A CN110400128B (zh) 2019-07-29 2019-07-29 一种基于工人偏好感知的空间众包任务分配方法

Publications (2)

Publication Number Publication Date
CN110400128A CN110400128A (zh) 2019-11-01
CN110400128B true CN110400128B (zh) 2020-06-23

Family

ID=68326398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910688352.3A Expired - Fee Related CN110400128B (zh) 2019-07-29 2019-07-29 一种基于工人偏好感知的空间众包任务分配方法

Country Status (1)

Country Link
CN (1) CN110400128B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027838B (zh) * 2019-12-04 2024-03-26 杨剑峰 一种众包任务推送方法、装置、设备及其存储介质
CN111311115B (zh) * 2020-03-12 2021-04-23 电子科技大学 一种基于空间众包社交影响偏好的组任务分配方法
CN113806028A (zh) * 2020-06-16 2021-12-17 阿里巴巴集团控股有限公司 一种空间众包任务分配方法及系统、计算机可读存储介质
CN112819210B (zh) * 2021-01-20 2023-01-13 杭州电子科技大学 空间众包中工人可拒绝下的在线单点任务分配方法
CN114372680A (zh) * 2021-12-23 2022-04-19 电子科技大学(深圳)高等研究院 一种基于工人流失预测的空间众包任务分配方法
CN114020650B (zh) * 2022-01-10 2022-04-12 广东拓思软件科学园有限公司 众测任务分配方法、装置、电子设备及存储介质
CN114519510A (zh) * 2022-01-27 2022-05-20 电子科技大学(深圳)高等研究院 一种基于互信息和偏好感知的空间众包任务分配方法
CN115694877B (zh) * 2022-08-30 2023-08-15 电子科技大学长三角研究院(衢州) 一种基于联邦偏好学习的空间众包任务分配方法
CN117422266B (zh) * 2023-11-01 2024-04-30 烟台大学 基于工人偏好的任务分配方法、系统、装置、存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130018838A1 (en) * 2011-07-14 2013-01-17 Parnaby Tracey J System and Method for Social Influence Credentialing within a Sentiment Sharing Community
CN106155469A (zh) * 2015-04-17 2016-11-23 大陆汽车投资（上海）有限公司 基于用户偏好或习惯的动态用户界面显示方法
CN106203893A (zh) * 2016-09-09 2016-12-07 扬州大学 一种众包环境下的基于遗传算法的任务分配方法
CN107958317B (zh) * 2016-10-17 2021-12-14 腾讯科技（深圳）有限公司 一种众包项目中选取众包参与人的方法和装置
CN108596501A (zh) * 2018-04-28 2018-09-28 华东师范大学 基于技能图的任务分配方法、装置、介质、设备及系统

Also Published As

Publication number Publication date
CN110400128A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN110400128B (zh) 一种基于工人偏好感知的空间众包任务分配方法
CN113811915B (zh) 用于在线共享出行平台的统一订单派发和车队管理
Shahidinejad et al. Resource provisioning using workload clustering in cloud computing environment: a hybrid approach
US10810486B2 (en) Neural network computing systems for predicting vehicle requests
US20210398431A1 (en) System and method for ride order dispatching
Kaur et al. Deep‐Q learning‐based heterogeneous earliest finish time scheduling algorithm for scientific workflows in cloud
US20240339036A1 (en) Dispatching provider devices utilizing multi-outcome transportation-value metrics and dynamic provider device modes
Hu et al. Incentive-aware autonomous client participation in federated learning
Pettet et al. Hierarchical planning for resource allocation in emergency response systems
US20220044569A1 (en) Dispatching provider devices utilizing multi-outcome transportation-value metrics and dynamic provider device modes
Tao et al. Task allocation for mobile crowdsensing with deep reinforcement learning
Wang et al. Data‐driven driver dispatching system with allocation constraints and operational risk management for a ride‐sharing platform
Xia et al. A predict-then-optimize couriers allocation framework for emergency last-mile logistics
Jiang et al. A reinforcement learning-based incentive mechanism for task allocation under spatiotemporal crowdsensing
Ren et al. Efficient Cross Dynamic Task Assignment in Spatial Crowdsourcing
Liang et al. Multiple service model refreshments in digital twin-empowered edge computing
Castagna et al. Demand-responsive rebalancing zone generation for reinforcement learning-based on-demand mobility
Patman et al. Data-driven edge computing resource scheduling for protest crowds incident management
Yu et al. Risk-averse flexible policy on ambulance allocation in humanitarian operations under uncertainty
Yang et al. Exploring deep reinforcement learning for task dispatching in autonomous on-demand services
Wang et al. When Crowdsensing Meets Smart Cities: A Comprehensive Survey and New Perspectives
Yuan et al. Reinforcement learning from optimization proxy for ride-hailing vehicle relocation
Zhang et al. Learned Unmanned Vehicle Scheduling for Large-Scale Urban Logistics
Jiang et al. Adaptive dynamic programming for multi-driver order dispatching at large-scale
Yang et al. A novel demand dispatching model for autonomous on-demand services

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200623