CN111277646B

CN111277646B - 群智感知中基于关联关系和地理位置预测的任务分发方法

Info

Publication number: CN111277646B
Application number: CN202010058811.2A
Authority: CN
Inventors: 龙浩; 霍娜
Original assignee: Xuzhou College of Industrial Technology
Current assignee: Xuzhou College of Industrial Technology
Priority date: 2020-01-19
Filing date: 2020-01-19
Publication date: 2023-04-18
Anticipated expiration: 2040-01-19
Also published as: CN111277646A

Abstract

一种群智感知中基于关联关系和地理位置预测的任务分发方法，根据用户执行任务的历史记录，计算出感知地点集合P、用户状态转移概率矩阵Mt、用户地点活跃向量V，并初始化地点出现概率向量PA；选取出感知地点集合P中每个地点所对应的最佳管理者；对其他的用户，进行聚类操作；根据所设置的滑动窗口T及状态M下需要执行的感知任务，找出用户在该状态下形成的类簇CU；根据当前类簇CU中可用用户集每个用户的执行任务历史记录，获得每个用户状态M下概率分布PA；根据设定的概率阀值，选择用户进行任务分配。该算法能高质量地将任务信息分发给指定监测区域内能收集感知数据的移动用户，并能确保接受任务的用户有足够的能力去完成任务。

Description

群智感知中基于关联关系和地理位置预测的任务分发方法

技术领域

本发明涉及一种群智感知中基于关联关系和地理位置预测的任务分发方法。

背景技术

近年来，由于移动通信技术和感知技术的迅速发展，产生了大量移动智能感知设备，具有代表性的产品有智能手机、智能穿戴设备与车载传感器等，这些设备内部集成了许多高精度的传感器，使其拥有通信、计算、存储等强大的功能，从而满足了人们日常生活中一些需求。由于这些硬件设施越来越强大，产生了一种新型的感知模式—移动群智感知。移动群智感知是将传统的众包与动态感知相结合，其感知的基础是人们日常随身携带的智能设备，再利用移动互联网户之间有意或无意识的协作，从而产生了群智感知网络。群智感知网络将感知任务进行分发并收集感知数据，最后对感知数据进行处理与分析，通过这种方式来完成规模大、复杂度高的感知过程。

目前，移动群智感知已在城市环境监测、电力调度、公共交通、智能医疗等领域有了很多应用，这些应用将大量采集的感知数据上传至感知平台，但使用移动蜂窝网络进行上传将使传输成本增加。为了降低成本，将网络中的每个感知节点在原有的近距离通信基础上加入了“存储、携带、转发”机制来进行数据传递，这种数据传输方案依赖机会式网络通信方式，在通信过程中数据转移主要依赖感知用户节点之间的相遇。由于群智感知网络中用户节点的移动具有社会性，以及用户节点之间的相遇并不固定，造成采集到感知数据在传输阶段会耗费较长时间，无法及时上传至感知平台。同时，在群智感知中，感知用户之间在进行通信传输时存在随机性，仅依赖用户的移动性进行任务信息分发，很大程度上无法满足任务的完成条件，任务信息会被用户当做垃圾处理，造成有些任务无法扩散出去。对于感知用户之间通信的随机连接问题，移动节点行为位置预测不仅能够提高移动群智感知网络中数据的转发效率、减少任务扩散时间，同时还有助于充分利用系统中一些‘弱感知’节点，完成一些特殊的感知任务。

现有技术中的平台多只有任务发布与数据收集这两个功能，而且平台中的用户都是自行选择并决定要完成哪些任务，而不是感知平台结合某些需求与目标的不同来进行任务分配。同时，现有技术中的感知平台分发任务信息时，不会对用户进行筛选，而且采用类似泛洪的方式，对于恶意用户给出的感知数据会影响分析结果的可信度，同时，也会增加不必要的开销。再者，由于未考虑用户执行任务的效率，的任务能分发出去之后，还会存在一些接受任务的用户没有能力去完成任务，降低了分发的有效性。

发明内容

针对上述现有技术存在的问题，本发明提供一种群智感知中基于关联关系和地理位置预测的任务分发方法，该算法能高质量地将任务信息分发给指定监测区域内能收集感知数据的移动用户，并能确保接受任务的用户有足够的能力去完成任务，能便于实现高效的组织和协调任务的分发过程。

为了实现上述目的，本发明提供一种群智感知中基于关联关系和地理位置预测的任务分发方法，具体包括以下步骤：

步骤一：根据用户执行任务的历史记录，计算出感知地点集合P、用户状态转移概率矩阵Mt、用户地点活跃向量V，并初始化地点出现概率向量PA；

A1：根据感知系统用户执行任务的历史记录，由感知平台对各个用户执行任务的历史记录进行分析，统计出较高访问次数的地理位置的集合，再进行整合得到感知地点集合P；基于地点对应用场景进行Markov建模，通过Markov模型来描述感知平台中用户执行感知任务的应用场景；并将感知地点集合P中的地点m定义为Markov模型中的第m个状态，则状态空间可表示为{X₁，X₂，...，X_n}，X_n＝m表示在时间n对象处于状态m，其为一个数量有限并且取值为非负整数的向量集合；

A2：由感知平台将感知地点集合P中的用户执行任务的历史记录整理归类，并将这些记录按照时间条件约束进行离散化处理，再通过公式(1)计算出用户状态转移概率矩阵Mt；

式中，Value_ij表示用户u在地点i完成任务后再去地点j执行任务的情况下，在地点j执行任务所用的累计时间；Value表示用户u执行任务的总时间；

A3：由感知平台对感知系统中的用户集合U∈[u₁，u₂，...，u_n]中进行统计分析，得到每个用户的用户地点活跃向量V(u，i)，V(u，i)表示用户u在地点i处执行任务后，在下一个地点执行任务的总次数；

A4：通过公式(2)初始化用户在s时刻出现在地点集合P中的概率分布PA(s)；

PA(s)＝[PA₁(s)，PA₂(s)，...，PA_n(s)] (2)；

式中，PA₁(s)表示s时刻处于状态X₁的概率；

步骤二：选取出感知系统中感知地点集合P中每个地点所对应的最佳管理者；

B1：由感知平台结合用户集合U和每个用户的用户地点活跃向量V(u，i)形成一个横轴为地理位置、纵轴为用户的关联矩阵MH，关联矩阵MH中的MH_ij表示第i个用户在地点j处的活跃程度，即为V(i，j)的值；

B2：根据当前地点cp中的每个用户的V(u，i)的值MH_ij进行排序，选取MH_ij表最大的用户u作为当前地点cp的最佳管理者；依次选取出感知系统中感知地点集合P中每个地点所对应的最佳管理者，最佳管理者默认可以执行该地点的任务，最佳管理者比一般用户拥有更高的报酬，其责任是处理一般用户执行任务的反馈结果，当某用户执行任务失败，最佳管理者接收到结果反馈，可以选择性的将任务分发给与其相似度更高的用户来重新执行，当有新任务需要执行时，把可能出现该地理位置的用户筛选出来，进行任务分发，可提高任务分发高效性与完成任务的准确性；

步骤三：对最佳管理者以外的用户，进行聚类操作；对于最佳管理者以外的用户，由感知平台计算出每个用户与各个地点的最佳管理者的行为特征相似度，把用户间的特征相似度的大小作为用户间关联关系的度量，并按照行为特征相似度的大小顺序，对用户进行划分，将与最佳管理者相似度高的用户归为一类，即把行为特征相似的用户形成类簇CU，同一个类簇CU中的用户拥有高度相似的移动倾向；

步骤四：设定滑动窗口T，T为感知系统定义的一个有效时间长度，根据所设置的滑动窗口T及状态M下需要执行的感知任务，通过步骤三中的方法找出用户在该状态下形成的类簇CU；

步骤五：获取当前类簇CU中的可用用户集U{u₁，u₂，...，u_n}中每个用户的执行任务历史记录，根据设定滑动窗口T，算出每个用户u的阶数k，再根据用户执行任务记录算出在k阶内，每一阶所占的比重，并根据每一阶权重，进行加权Markov操作，获得每个用户状态M下概率分布PA；

步骤六：感知平台根据设定的概率阀值，选择推荐的用户进行任务分配。

作为一种优选，在步骤三中，行为特征相似度sim(p，q)通过如下方法进行计算；

首先，利用用户状态转移概率矩阵Mt计算两个用户p与q在同处于某个相同区域时转移特征的概率差异分布，具体通过公式(3)进行计算；

D_pq表示用户p相对于用户q之间的移动特征的差异性计算，同理可知，把上述表达式中符号p与q位置互换，就可以得到用户q与用户p之间的移动特征的差异性；根据相对熵的主要性质可知D_pq≠D_qp，需要单独计算两个用户彼此之间的差异值，用户p与用户q之间的差异应为两者之和；

其次，通过公式(4)计算出行为特征相似度sim(p，q)；

作为一种优选，在步骤五中，每个用户状态M下概率分布PA通过公式(5)进行计算；

X_m＝argMax{PA_m(s+1)} (5)。

作为一种优选，在步骤六中：如果最佳管理者执行任务失败，把最佳管理者转让给当前特征相似度最高的用户。

本申请中的方法利用移动用户行为的关联性并对行为关联的用户进行聚类，把行为相似度高的一组用户归为一类。然后把用户的聚类结果融入到改进的位置预测算法中，通过这两步的合并，提高了用户位置预测准确率，从而使其能够更好的适应MCS系统应用。本方法相比于传统的感知任务分发方法，精确度及效率都有较大的提高。

附图说明

图1是本发明的流程示意图；

图2是本发明中的管理者分发任务过程的示意图；

图3是本发明中管理者处理任务反馈结果的示意图；

图4是本发明对感知系统中历史记录中出的地理位置划分的示意图；

图5是本发明中感知地点集合中用户重叠区域计算的示意图；

图6是本发明中感知地点集合中整合后的地理位置集合示意图；

图7是本发明中活动窗口下用户有效历史记录的示意图；

图8是KMEANS算法处理同样数据集不同初始聚类中心获得不同的聚类结果的对比示意图。

具体实施方式

一、下面对申请所提出算法中涉及的一些概念进行定义和解释。设感知系统中存在若干历史任务记录，定义如下：

定义1，感知地点集合P：对感知系统中历史记录中出现的地点进行统计，记为集合L，这些位置信息繁杂，需要进行分类整合。

图4中，黑色大圆圈表示该地点的执行任务范围，地点O与地点N任务范围出现重合，设N、O地点的感知任务需要执行任务的用户集合分别为N₁、N₂，在重叠区域中，地点N、O实际执行感知任务的用户集合分别为NC₁、NC₂，这两个地点的用户覆盖率UCR(User CoverageRate)为：

{NC₁UNC₂}表示在地点N、O相交区域中实际执行感知任务的用户并集，{N₁ UN₂}表示在地点N、O可能执行感知任务用户集的并集。

如图5所示，当用户覆盖率(UCR)大于某个设定的阈值时，把两个地点的用户合并，进而可以增加这两个地点执行感知任务的人数。因为这在任务执行区域上有重叠部分，满足了任务执行的地理位置需求，所以N、O可以合并为一个地点。按照上述方法对感知系统中地点集合进行整合，整合后的地点集合如图6所示。

定义2，用户状态转移概率矩阵Mt：对整合划分后的N个地理位置，用户u的状态转移概率矩阵为Mt_ij；

其中Value_ij表示用户u在地点i完成任务后再去地点j执行任务的情况下，在地点j执行任务所用的累计时间，Value表示用户u执行任务的总时间。可见矩阵Mt可以直观反映出用户在感知系统中，用户更倾向于在哪个地理位置执行任务。

定义3，地点活跃向量V(u，i)：它是一个N维向量，表示用户u在地点i处执行任务后，在下一个地点执行任务的总次数。

定义4，用户在某时刻出现在各地点的概率PA(u，t)：它是一个N维向量，表示用户u在t时刻处出现在某个地点的概率。例如，PA(u，t)＝[v1，v2，...，vN]，v1表示用户u在t时刻出现在地理位置1处的概率。

二、Markov模型，

该模型描述了在时间离散与状态值有限情况下的随机过程。设状态空间{X_n：n＝0，1，2...}为一个数量有限并且取值为非负整数的向量集合，X_n＝m表示在时间n对象处于状态m，每当处于状态m时，存在一个固定的概率P_mj≥0，表示其下一刻处于状态j的概率大小。即：

P_mj＝P(X_n+1＝j|X_n＝m，X_n-1＝m_n-1，...，X₀＝m₀)＝P(X_n+1＝j|X_n＝m)；

对于所有状态m₀，m₁，m₂，...，m以及任何n≥0的时，上述随机过程称为离散时间马克夫链。任何未来状态X_n+1的分布独立于X₀，X₁，...，X_n-1，只取决于当前状态X_n。这种性质被称为马尔科夫状态独立性或者无记忆性。

用Markov模型来描述感知平台中用户执行感知任务这样的应用场景，由定义1可知，感知地点集合P，将地点m定义为Markov过程的第m个状态，则状态空间可表示为{X₁，X₂，...，X_n}。此情景下的移动模型便定义为{X，T}，其中T表示某个时间集合。在群智感知系统中，每次需要执行感知任务时，利用Markov模型对用户未来可能出现的位置进行预测，具体过程如下：

(1)准备阶段：对于感知地点集合P，将地点集合P中的用户执行任务记录整理归类，特别是将这些记录按照时间条件约束进行离散化处理，离散后的集合定义为：

{(t_j，X_i)|j∈{1，2，3...}；i∈{1，2，3，...，n}}；

可进一步获得到用户状态转移概率矩阵Mt，以及用户在各地点出现的概率向量PA。

(2)基于Markov链的预测过程：

由定义4可知用户地点出现概率向量为PA。设某用户在s时刻出现在地点集合P中的概率分布为PA(s)＝[PA₁(s)，PA₂(s)，...，PA_n(s)]，其中PA₁(s)表示s时刻处于状态X₁的概率，则由Markov定义可知，s+1时刻的分布为：

PA(s+1)＝PA(s)*M_t＝[PA₁(s+1)，PA₂(s+1)，...，PA_n(s+1)]；

基于Markov链，对用户的状态转移概率矩阵与地点出现概率向量PA进行预测，在s+1时刻处于X_m状态的最大后验概率为：X_m＝argMax{PA_m(s+1)}；

事实上，在位置预测中，未来可能出现的位置与当前所在的位置有关联，与过去的位置关系不大，可见，基于Markov模型预测结果很难令人满意。

(3)基于滑动窗口与变阶权重的Markov模型：

实际上，执行感知任务的用户未来出现的地点不仅依赖于当前位置，还应该与过去某时刻的状态有关。为了减小误差，可以对当前Markov模型进行高阶处理来提高预测的精度。但是，在对高阶Markov模型研究中，发现其阶数越高，则下一个状态与之前的多个状态有关，可以提高预测的精度，但会导致状态空间变大。在有限数据集中，会出现不完全覆盖所有状态的情况，使模型的覆盖率变小。

针对多阶Markov模型中k的阶数无法确定的问题，本申请提出一种自适应的变阶Markov预测算法(Adaptive variable order Markov prediction algorithm，简称为AVOM算法)，在状态A下执行感知任务时，根据当前可用用户集U{u₁，u₂，...，u_n}，获取每个用户的执行任务历史记录，算法具体步骤如下：

(1)在有效的滑动窗口中，计算用户在状态A下执行过感知任务的历史记录数据，出现V→M→N→B→A、C→D→E→A、G→F→C这样的记录，(滑动窗口大小即感知系统定义的一个有效时间长度)如图7：

(2)在图7中，在有效滑动窗口T内，数据集合中某条位置记录序列为V→M→N→B→A，其中该记录序列中V状态不在有效滑动窗口T中，预测该用户的位置需要对标准的Markov模型进行4阶化处理。

(3)在图7中，用户历史记录中有2步、3步完成的情况，此时根据用户每一种情况下完成任务次数的权重来进行。

设某用户在s时刻出现在感知地点集合P中各地点的概率分布为PA，根据历史分布，s+m时刻的概率分布为：PA(s+m)＝PA(s+m-1)*M_t＝…＝PA(s)*(M_t)^m；

使用相关系数来表示权重，并对s+m之前的各步结果进行加权操作，如下式所示：

上式中，ξ_i表示s+m之前的每一步中所占的权重，且对于ξ_i如何计算可以根据用户历史记录，在多步操作中，根据每一步操作所占的比重来获得。例如，在感知地点集合有4个状态，滑动窗口为3的情况下，预测某用户出现在哪个状态的分布如下：表1基于加权的自适应k阶Markov chains分布

表2示例预测结果

注：p_ij(s+1)为s+1时刻用户从状态i转为状态j的概率。

由上表可知，用户s+3时刻最有可能出现在概率为argMax{PA_m(s+3)}所对应的状态。

三、基于地理位置管理者的聚类算法

1.1 KMANS聚类算法

在划分式聚类方法中，形成的类通常被看做拥有某种相似性质的成员集合。把有限个数据归到不同的类群中，主要依据这些数据点到给定聚类中心的距离决定，这类算法中常见的如KMEANS算法，该方法的思想是：从有限个数据集合中随机抽选k个数据对象作为k个类的初始中心，余下的数据对象按照它们与初始聚类中心的欧氏距离进行划分。然后再重新计算每个类聚类中心，不断递归这一过程，直到聚类中心的评价函数达到停止条件为止，评价函数的选择一般以类内误差平方为依据，如下公式所示：

式中，参数k定义为最终形成的类数量；O_i为类i中的数据；C_i为类i的中心，n_i为类i中数据的数量。

KMEANS算法具有简单易用、处理海量数据集等优点。但该算法也存在缺点，如每个类的初始中心是随机选取的，因此算法有可能会陷入局部最优解，或会导致聚类结果不一致，如图8。

1.2基于地理位置管理者的选择算法

在分析KMEANS算法的基础上，本申请提出一种最佳管理者选择算法(Optimalmanager selection algorithm，简称OMS)，该算法基于上述区域划分的方法，可以快速确定最佳聚类的个数，然后根据每个地点中用户活跃的度量指标，选出每个地点的管理者作为聚类中心，然后再进行聚类操作。该方法根据用户在每个地点的活跃程度，来动态改变每个地点管理者也就是聚类中心，计算出其他用户与每个地点管理者之间的相似度，再进行聚类，从而保证了每个地点所形成的类簇有着高度相似性。这样可以使不同类簇的聚类中心尽可能相互排斥，可保证类间的低相似性，而类间低相似与类内高相似也是对聚类结果好坏的一个评价指标。对于一个数据集，所形成的聚类个数一定，聚类中心也是固定的，保证了算法的稳定性。

首先，先根据提出的区域划分方法所选出感知地点集合P，从用户集合U∈[u₁，u₂，...u_n]中为感知地点集合P的每个地点选取最佳管理者，由定义3可知，可以根据历史记录得到每个用户的地点活跃向量V(u，i)。结合上述的用户集与所得到集合中每个用户的地点活跃向量，形成一个横轴为地理位置、纵轴为用户的关联矩阵MH，矩阵MH_ij表示第i个用户在地点j处的活跃程度，即为V(i，j)的值。OMS算法如下所示：

通过上述算法，在获取感知地点集合P中每个位置的管理者时，算法中有一个动态修复地点管理者重复的操作，该修复操作是一个递归过程，其结束条件是在已经遍历各个地点且管理者之间不出现冲突。由于是选取每个地点活跃程度最大的用户为该地点的管理者，在系统中会存在一个最优的结果，从而最大程度上协调各个管理者满足相应地点的活跃度指标。

1.3用户活跃度的相似性计算

获取用户在感知系统中执行任务的活跃度分布情况后，可利用相似性度量方法对用户之间的相似性进行量化计算。度量相似性有许多种方法，常见的有余弦相似性度量、皮尔逊相关性计算和Jaccard系数等方法。

(1)余弦相似性：余弦相似性是指两个向量之间产生的夹角并对该夹角进行余弦计算，把夹角的余弦值作为两个向量间差异的度量。假设用户p与q在感知系统中各地点活跃度分别用向量表示为与则这两个用户之间的相似程度计算如下：

(2)Peason相似性计算：Peason相似性也叫相关相似性，首先获取到两个向量中相同的数据集合，根据得到的数据集合再来计算这两个向量的相关性。假设J_pq为用户p与用户q共同执行过感知任务的地点集合，则这两个用户的Peason相似性如下：

其中V_pm或者V_qm表示用户p与用户q在m地点的活跃度，A_p与A_q表示用户p与用户q在地点集合中J_pq活跃度的平均值。

本申请对两个用户相似性度量采用基于相对熵的概念，利用用户状态转移概率矩阵计算两个用户在同处于某个相同区域时转移特征的概率差异分布，具体计算如下：

上式表示用户p相对于用户q之间的移动特征的差异性计算，同理可知，把上述表达式中符号p与q位置互换，就可以得到用户q与用户p之间的差异性。根据相对熵的主要性质可知D_pq≠D_qp，需要单独计算两个用户彼此之间的差异值，用户p与用户q之间的差异应为两者之和。即相似度为：

基于地理位置管理者的聚类算法首先是通过提出的最佳管理者选择算法，得到每个地理位置的最佳管理者，然后进行相似性度量计算，计算出每个用户与各个地点管理者的相似值，按照相似值的大小顺序，对用户进行划分。

四、一种群智感知中基于关联关系和地理位置预测的任务分发方法的提出：

将AVOM与用户相似度聚类算法进行融合，提出基于自适应的k阶Markov用户聚类位置预测的任务分上述基于Markov的预测算法发算法(Task distribution algorithmbased on adaptive k-order Markov user clustering position prediction，简称为TAKC算法)，具体包括以下步骤：

PA(s)＝[PA₁(s)，PA₂(s)，...，PA_n(s)] (2)；

式中，PA₁(s)表示s时刻处于状态X₁的概率；

在步骤三中，行为特征相似度sim(p，q)通过如下方法进行计算；

其次，通过公式(4)计算出行为特征相似度sim(p，q)；

在步骤五中，每个用户状态M下概率分布PA通过公式(5)进行计算；

X_m＝argMax{PA_m(s+1)} (5)。

在步骤六中：如果最佳管理者执行任务失败，把最佳管理者转让给当前特征相似度最高的用户。

由上述算法可知，选出地点M处中表现较为活跃的用户进行聚类操作，从行为上看，这一类用户更偏向于在地点M处执行任务。通过AVOM算法，对用户进行预测操作，由于自适应k阶Markov链模型会依据用户历史行为数据采用合适的阶数进行计算，此操作不但解决了低阶Markov chain模型带来的预测不确定性问题，而且也解决了高阶Markov链模型的空间复杂度过高的现象。从而保证在有限的数据集中，不会出现不能完全覆盖所有状态的情况。在自适应的k阶Markov操作完成后，可以获得在类簇CU中的每个用户将来某个时间内出现在地点M处的概率，由设置的概率阀值对用户进行任务分发。相比于一般的感知任务分发方法，精确度及效率都有较大的提高。

Claims

1.一种群智感知中基于关联关系和地理位置预测的任务分发方法，其特征在于，具体包括以下步骤：

A1:根据感知系统用户执行任务的历史记录，由感知平台对各个用户执行任务的历史记录进行分析，统计出较高访问次数的地理位置的集合，再进行整合得到感知地点集合P；基于地点对应用场景进行Markov建模，通过Markov模型来描述感知平台中用户执行感知任务的应用场景；并将感知地点集合P中的地点m定义为Markov模型中的第m个状态，则状态空间表示为{X₁,X₂,…,X_n}，X_n＝m表示在时间n对象处于状态m，其为一个数量有限并且取值为非负整数的向量集合；

A2:由感知平台将感知地点集合P中的用户执行任务的历史记录整理归类，并将这些记录按照时间条件约束进行离散化处理，再通过公式(1)计算出用户状态转移概率矩阵Mt；

A3：由感知平台对感知系统中的用户集合U∈[u₁,u₂,…,u_n]中进行统计分析，得到每个用户的用户地点活跃向量V(u,i)，V(u,i)表示用户u在地点i处执行任务后，在下一个地点执行任务的总次数；

PA(s)＝[PA₁(s),PA₂(s),…,PA_n(s)] (2)；

式中，PA₁(s)表示s时刻处于状态X₁的概率；

B1：由感知平台结合用户集合U和每个用户的用户地点活跃向量V(u,i)形成一个横轴为地理位置、纵轴为用户的关联矩阵MH，关联矩阵MH中的MH_ij表示第i个用户在地点j处的活跃程度，为V(i,j)的值；

B2：根据当前地点cp中的每个用户的V(u,i)的值MH_ij进行排序，选取MH_ij表最大的用户u作为当前地点cp的最佳管理者；依次选取出感知系统中感知地点集合P中每个地点所对应的最佳管理者，最佳管理者默认执行该地点的任务，其责任是处理一般用户执行任务的反馈结果，当某用户执行任务失败，最佳管理者接收到结果反馈，选择性的将任务分发给与其相似度更高的用户来重新执行，当有新任务需要执行时，把可能出现该地理位置的用户筛选出来，进行任务分发；

步骤三：对最佳管理者以外的用户，进行聚类操作；对于最佳管理者以外的用户，由感知平台计算出每个用户与各个地点的最佳管理者的行为特征相似度，把用户间的特征相似度的大小作为用户间关联关系的度量，并按照行为特征相似度的大小顺序，对用户进行划分，将与最佳管理者相似度高的用户归为一类，把行为特征相似的用户形成类簇CU，同一个类簇CU中的用户拥有高度相似的移动倾向；

步骤四：设定滑动窗口T,T为感知系统定义的一个有效时间长度，根据所设置的滑动窗口T及状态M下需要执行的感知任务，通过步骤三中的方法找出用户在该状态下形成的类簇CU；

步骤五：获取当前类簇CU中的可用用户集U{u₁,u₂,…,u_n}中每个用户的执行任务历史记录，根据设定滑动窗口T，算出每个用户u的阶数k，再根据用户执行任务记录算出在k阶内，每一阶所占的比重，并根据每一阶权重，进行加权Markov操作，获得每个用户状态M下概率分布PA；

2.根据权利要求1所述的一种群智感知中基于关联关系和地理位置预测的任务分发方法，其特征在于，在步骤三中，行为特征相似度sim(p,q)通过如下方法进行计算；

D_pq表示用户p相对于用户q之间的移动特征的差异性计算，同理可知，把上述表达式中符号p与q位置互换，就可以得到用户q与用户p之间的移动特征的差异性；根据相对熵的主要性质可知D_pq≠D_qp,需要单独计算两个用户彼此之间的差异值，用户p与用户q之间的差异应为两者之和；

其次，通过公式(4)计算出行为特征相似度sim(p,q)；

3.根据权利要求1或2所述的一种群智感知中基于关联关系和地理位置预测的任务分发方法，其特征在于，在步骤五中，每个用户状态M下概率分布PA通过公式(5)进行计算；

X_m＝argMax{PA_m(s+1)}(5)。

4.根据权利要求3所述的一种群智感知中基于关联关系和地理位置预测的任务分发方法，其特征在于，在步骤六中，如果最佳管理者执行任务失败，把最佳管理者转让给当前特征相似度最高的用户。