CN112950251A - 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 - Google Patents
一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 Download PDFInfo
- Publication number
- CN112950251A CN112950251A CN202011644202.1A CN202011644202A CN112950251A CN 112950251 A CN112950251 A CN 112950251A CN 202011644202 A CN202011644202 A CN 202011644202A CN 112950251 A CN112950251 A CN 112950251A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- platform
- task
- reputation
- winner
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000002441 reversible effect Effects 0.000 title claims abstract description 18
- 230000005284 excitation Effects 0.000 title abstract description 6
- 230000008447 perception Effects 0.000 claims abstract description 47
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002860 competitive effect Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000000670 limiting effect Effects 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012358 sourcing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法,以在有限的预算下激励参与者参与感知系统并高质量地完成感知任务。本激励机制的核心为:基于车辆行驶轨迹、感知成本和任务价值建立系统效益最大化模型;根据车辆提供的数据质量和参与率构建车辆信誉评估及更新机制,并设置虚拟积分以提高高信誉车辆的获胜概率;结合金钱奖励和非金钱奖励两种奖励形式设计报酬支付算法,计算支付给不同车辆的报酬,然后通过信誉评估机制对获胜者提供的数据质量进行评估,更新车辆信誉值,为下一轮拍卖提供决策依据。本发明能够降低激励成本,并使系统中的车辆保持参与积极性和高质量数据贡献行为。
Description
技术领域
本发明涉及群智感知与智能交通技术领域,具体涉及一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法。
背景技术
移动群智感知通过感知网络将感知任务发布给系统中具有信息采集设备的个人或团队,利用个体的移动设备进行数据的收集,完成感知任务的数据采集、处理和分析。车辆群智感知是将装载有多种传感器的汽车作为基本的感知单元。车辆作为收集、存储、计算和共享大量传感器数据的理想平台,更适用于大规模路网运行状态感知,如流密速、占有率等与交通安全与效率要素相关的数据获取,可以高效便捷的感知路网状态,对数据进行收集、处理、分析及应用,快速完成感知任务。
激励机制是感知平台通过一定的方式,刺激移动个体积极参与感知系统中,对感知任务数据的收集和质量把控起着积极的作用。对于城市范围内的感知系统,为了高质量地完成任务,感知平台需要雇佣大量的参与者并为其支付报酬。如何在有限的预算下激励参与者参与感知系统并高质量地完成感知任务是城市交通群智感知系统的关键问题。
近年来,对于激励方法的研究已成为群智感知的热点研究方向。合适的激励机制能够保障有足够多的用户愿意参与到群智感知系统,从而为数据质量提供保障。同时,与激励机制相关的一个问题是目前缺乏有效的定价方案。若采用传统的统一定价方案,对于参与者来说是不公平的,会在一定程度上打击优质参与者的热情甚至使其退出感知系统。另外,现有研究常常将任务分配及车辆调度与激励机制分割开来,而实际感知中,用户调度方案的好坏将直接影响平台感知任务的完成质量和用户获得的收益,因此分配调度与激励机制是需要协同考虑的。
发明内容
针对上述现有技术中的不足,本发明目的在于提供一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法,结合金钱奖励和虚拟积分奖励的混合奖励形式,在有限的预算范围内最大化系统效益。
为实现上述目的,本发明采用如下技术方案:
一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法,包括以下步骤:
S1:根据车辆群智感知场景进行数学建模,建立包括车辆成本和报酬、感知任务的时间与空间要求以及平台预算的模型;
S2:结合感知任务的时空要求、车辆的位置信息、系统的利润与预算约束,设计系统收益与车辆收益以及约束下的目标函数;
S3:选择获胜车辆执行感知任务,根据候选车辆上报的价格、车辆的信誉、预计对平台贡献等选择获胜者;
S4:选择出最终的获胜者后,通知获胜者,获胜者开始执行感知任务并上传数据,数据上传完成后,平台根据报酬支付算法对用户进行奖励;
S5:平台通过信誉评估机制对获胜者提供的数据质量进行评估,更新车辆信誉值,为下一轮拍卖提供决策依据。
进一步地,所述步骤S1中,车辆群智感知场景主要包括以下三个部分:
(1)群智感知平台发布包含特定时间与空间要求的感知任务;
(2)候选车辆上报竞标信息,平台对车辆的竞价信息进行收集;
(3)平台使用包含优胜者选择部分和报酬计算部分的激励机制,选择执行任务的优胜者并计算需要支付给优胜者的报酬;
进一步的,所述步骤S2中,对于车辆群智感知系统存在以下三个优化目标:
(1)优化目标1:任务价值直接影响平台的利润,因而要尽可能多的实现重要任务的感知,最大化平台收益;
(2)优化目标2:最小化执行感知任务的总代价,满足总支出最小;
(3)优化目标3:最小化执行任务的车辆数量,减小数据冗余;
基于上述优化目标,建立车辆群智感知系统效益最大化目标函数为:
其中,f代表总效益,取值介于0,1之间。yi表示任务tx完成情况,任务ti能够被完成时yi为1,否则yi为0。xj表示车辆vj执行任务的情况,当车辆被选中执行任意感知任务时,xj为1,否则xj为0。第一个限制条件表示感知平台的任务支出不能大于任务收益;第二个条件限制了每辆车最多可执行的子任务个数为l。第三个限制条件表示车辆在任务区域行驶的时间满足任务时间窗要求。α表示利润所占比重,β表示车辆数量所占比重,α+β=1,0<ε<1。
其中,β1和β2表示单位价值成本和虚拟积分所占权重,β1+β2=1。
获胜者的选择包括两个阶段。在第一阶段,选择所有提交了信息资料且其信誉值超过阈值的车辆,这些信誉达标的车辆进入候选组。在第二阶段中,先使用贪婪方法根据优胜者的整体表现得分来不断选择优胜者,直到预算用尽或所有任务完成为止。可以分为以下步骤:
步骤S32:计算候选集合中车辆的总体性能得分,将车辆性能得分由小到大进行排序。候选车辆的性能得分越低,被选择称为优胜者的可能性越大;
步骤S34:每次拍卖后,平台根据当前的任务范围动态调整下一次拍卖的最高可接受价格umax。
进一步地,所述步骤S4中,考虑报酬支付算法的两种情景。当预算不足时,必须保证支付金额不小于中标者的竞标价格,以维护平台的信誉。如果预算足够,平台将启动动态奖励池。使用关键支付的概念来提出支付确定算法。优胜者的关键付款包括固定付款和奖励付款。固定支付等于用户的竞标价格,奖励支付取决于用户信誉。
进一步地,所述步骤S5中,平台通过基于参与者表现的车辆信誉更新方法控制拍卖过程,使更多车辆积极参与到感知系统。该机制通过参与者上传数据的质量、参与系统的次数、参与行为表现来评估车辆信誉值。
为了使参与者在感知系统中保持积极性,将参与者的参与率与车辆声誉相结合,即将用户参与率作为衡量用户信誉的第二个因素。参与率越高,分数越高,采用分级累加制,对车辆信誉进行更新。
本发明的上述方案至少有如下的有益效果:
1、提出基于车辆信誉的反向组合拍卖激励机制,机制包含优胜者选择部分和报酬计算。通过设置虚拟积分来提高具有高信誉车辆的获胜概率,有助于高信誉用户在系统留存;将数据质量和参与率作为车辆信誉衡量指标,使车辆保持参与积极性和高质量数据贡献行为。
2、通过构建车辆群智感知场景,分析了感知平台和车辆双方效益,建立系统效益最大化模型。通过对于实施例的仿真,验证了基于车辆信誉的反向组合拍卖激励机制的单次和长期可信性,以及本激励机制在提高感知任务完成率、车辆参与水平、平台预算控制和数据质量控制等方面的优越性。
附图说明
图1为本发明方法中车辆群智感知场景示意图;
图2为基于车辆信誉的反向组合拍卖激励机制示意图;
图3为算法设计流程图。
具体实施方式
以下结合附图和实施例对本发明技术方案进行具体的说明。
S1:根据以车辆为基础的群智感知场景进行数学建模,建立包括车辆成本和报酬、感知任务的时间与空间要求以及平台预算的模型,如图1所示。
车辆群智感知场景主要包括以下三个部分:
(4)群智感知平台发布包含特定时间与空间要求的感知任务;
(5)候选车辆上报竞标信息,平台对车辆的竞价信息进行收集;
(6)平台使用包含优胜者选择部分和报酬计算部分的激励机制选择执行任务的优胜者并计算需要支付给优胜者的报酬,如图2所示。
在车辆群智感知系统中,主要是感知平台、感知任务和车辆三要素之间的博弈。假设感知平台预算为B,T={t1,t2,...,tn}为感知任务集合。由于车辆高速移动性,允许车辆申请执行多个感知任务。在感知过程中,车辆需要在指定的任务地点进行感知数据的收集,考虑车辆的成本来源于两部分,即感知成本和移动成本。感知成本是指在收集和上传感知数据时消耗的电量、流量等,移动成本是指车辆移动到任务地点进行感知所花费的时间、油量等。本方法仅探讨车辆基于自身通勤需要,在原行驶轨迹上执行感知任务,并不需要特意前往目的地,因此仅考虑感知成本由于车辆类型不同,所以其真实流量损耗、电量损耗平台无法得知,车辆在收到任务要求后根据自身参与意愿提供竞价信息包括时间[tarrive,tleave]、申请任务集合以及竞价感知平台需要设置获胜者选择规则和支付规则,进行参与者竞价的选择以及参与者支付报酬的确定。
S2:结合感知任务的时空要求、车辆的位置信息、系统的利润与预算约束,设计系统收益与车辆收益以及约束下的目标函数。
假设有m个愿意参与感知任务的车辆V={v1,v2,...,vm},只要车辆被选中执行感知任务,就可以获得相应报酬为R={r1,r2,...,rm}。群智感知任务有n个,T={t1,t2,...,tn},任务完成后可以获得的收益是B={b1,b2,...,bn}。vij为取值为0或1的二进制变量,vij=1表示车辆vi具有感知任务的子任务pj的数据信息,否则vij=0。用S(vi)={vij|vij=1,1≤j≤h}表示车辆的目标集合,车辆vj的行驶时间用表示。各子任务的单位价值等于各任务的平均价值叠加值,即考虑系统预算及任务要求,车辆群智感知系统存在以下优化目标:
(1)优化目标1:任务价值直接影响平台的利润,因而要尽可能多的实现重要任务的感知,最大化平台收益。
(2)优化目标2:最小化执行感知任务的总代价,满足总支出最小。
其中,xj表示车辆vj执行任务的情况,当车辆被选中执行任意感知任务时,xj为1,否则xj为0。
(3)优化目标3:最小化执行任务的车辆数量,减小数据冗余。
基于上述优化目标,建立的车辆群智感知系统效益最大化模型为:
其中,f代表总效益,取值介于0,1之间。第一个限制条件表示感知平台的任务支出不能大于任务收益;第二个条件限制了每辆车最多可执行的子任务个数为l。第三个限制条件表示车辆在任务区域行驶的时间满足任务时间窗要求。α表示利润所占比重,β表示车辆数量所占比重,α+β=1,0<ε<1。
S3:选择执行感知任务的车辆作为获胜者,根据候选车辆上传的价格、车辆的信誉、预计对平台贡献等选择获胜者。
获胜者确定问题是NP难题,为了确保激励机制的真实性,选择规则必须满足单调性,因此本发明方法基于车辆性能得分来确定平台的获胜者。每个获胜者都是根据总体性能得分反复选择的,该得分包括车辆对平台的贡献和虚拟奖励积分 表示在第h轮拍卖中车辆的总体性能得分。
其中,β1和β2表示单位价值成本和虚拟积分所占权重,β1+β2=1。
获胜者的选择包括两个阶段。在第一阶段,选择所有提交了其信息资料且其信誉值超过阈值的车辆,这些信誉达标的车辆进入候选组。在第二阶段中,先使用贪婪方法根据优胜者的整体表现得分来不断选择优胜者,直到预算用尽或所有任务完成为止,算法设计流程图如图3所示。
首先预设某一信誉阈值threshold,平台从所有参与者中选择信誉值超过阈值threshold的车辆vi进入候选集合New-V。然后计算候选集合中车辆的总体性能得分,将车辆性能得分由小到大进行排序。候选车辆的性能得分越低,被选择称为优胜者的可能性越大。判断候选者的出价是否在可接受的价格范围umax之内,当出价高于阈值,从候选集合中删除参与者,然后按照升序向后寻找次优满足价格约束的候选车辆vi。每次拍卖后,平台根据当前的任务范围动态调整下一次拍卖的最高可接受价格umax。表1为获胜者选择算法的伪代码。
表1算法伪代码
S4:选择出最终的获胜者后,通知获胜者,获胜者开始执行感知任务并上传数据,数据上传完成后,平台根据报酬支付算法对用户进行奖励;
本发明方法考虑报酬支付算法的两种情景。当预算不足时,必须保证支付金额不小于中标者的竞标价格,以维护平台的信誉。如果预算足够,平台将启动动态奖励池,支付金额与参与者的信誉相关。参与者拥有较高的声誉,则意味着该参与者在之前的拍卖中具有良好的参与表现,并且各项数据指标基本上满足感知平台的要求。对于既有出色表现又有很高历史声誉的优胜者,理应获得比其竞标价格更高的奖励。使用关键支付的概念来提出支付确定算法。优胜者的关键付款包括固定付款和奖励付款。固定支付等于用户的竞标价格,奖励支付取决于用户信誉。参与者报酬计算方法为:
预算状态与参与者竞价相关,系统判断预算状态依据仍有未分配任务时平台剩余预算是否能够支付候选车辆集合中拥有最大竞标价的车辆。当且仅当平台的预算充足且车辆在当前拍卖中上传的数据质量达到要求时,获奖者才能获得额外的奖励。
考虑到参与者重复竞标失败而退出系统和平台预算不足以支付额外奖励的情况这两种情景,采用动态奖励用于对高信誉持续落选用户进行奖励。即高信誉落选用户会获得虚拟积分奖励。累积虚拟积分达到上限时,会启动奖励池进行积分奖励兑换。
S5:平台通过信誉评估机制对获胜者提供的数据质量进行评估,更新车辆信誉值,为下一轮拍卖提供决策依据。
假设所有提交出价信息资料的参与者都遵循其声明的轨迹,平台通过基于参与者表现的车辆信誉更新方法控制拍卖过程,使更多车辆积极参与到感知系统。该机制通过参与者上传数据的质量、参与系统的次数、参与行为表现来评估车辆信誉值。数据质量由数据完整性和数据实时性加权计算求得。
(1)数据完整性:
车辆上传的轨迹数据是离散的,因此本文用车辆实际收集的数据量与按任务要求上传频率应收集的数据量之差的比值来衡量完整性,计算公式如下:
其中N′表示应收集的数据量大小。
(2)数据实时性:
通常,数据实时性是指可以在规定时间内将数据提供到平台的数量。
其中,Ndelay代表延迟的数据量,Ntotal是总数据。
数据质量的评估函数N1(vi)为:
其中,η1,η2是数据质量的边界。σ1,σ2是相应的声誉奖励分数,σ1>σ2>0。当数据质量低于下限η1时,将大幅扣除参与者的声誉得分,σ3<0。
为了使参与者在感知系统中保持积极性,将参与者的参与率与车辆声誉相结合,即将用户参与率作为衡量用户信誉的第二个因素。参与率是当前参与次数与拍卖总次数之比。用户参与次数决定系统的灵活度和能动性,积极的参与将赋予平台更多的选择权,从而能够以优越的性价比、良好的数据质量完成感知任务。参与率的激励函数N2(vi)采取的评价方式为:参与率较低时,不会扣除声誉分数。参与率越高,分数越高,采用分级累加制,信誉更新的公式为:
为了让本领域技术人员进一步了解本发明所提出的激励方法,下面结合具体实施例作详细说明。
实施例:
本实施例详细阐述了本发明所述一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法的实例,对该方法的有效性进行验证。
仿真的参数设置如表2所示。为了证明激励机制的长期有效性,在每个实验中模拟了500次拍卖。在本实施例中,为了消除真实估值对激励机制的影响,基于高斯分布,均匀分布和指数分布三个分布来设置参与者的真实成本,并对结果进行比较和分析。
表2仿真参数设置
在感知系统中,每个用户都有自己的价值感知,因此设置了不同的最小期望奖励系数以衡量参与行为。参与者将根据其奖励和声誉来调整收集数据的精确性。作为一个理性的参与者,当其信誉值下降时,为了确保将来获胜的可能性,参与者将努力提高他们的数据质量并保持较高的参与率。
为了更真实地模拟参与者的行为,本实施例制定了价格调整规则:获胜者在下一轮将有一半的可能性将价格提高10%或保留原始价格。落选用户在参加下一轮比赛时会将价格降低10%,所有参与者的竞标价格均不得低于其感知成本。
通过本实施例的仿真,可以发现随着拍卖次数的增加,本发明的激励机制可以选择高质量的车辆执行感知任务,提高任务覆盖度。随着任务数量的增加,平台需要选择更多的参与者来执行感知任务,因此总支出随之增加。本实施例比较了基于反向拍卖(RA)和基于车辆信誉的反向组合拍卖(RBRCA)的平均激励成本。RA通过top-k算法选择获胜者,根据最高性价比进行筛选,不考虑信誉、虚拟积分的影响。当实际成本呈指数分布,且平台预算为400时,与RA相比,RBRCA可以将激励成本降低57.6%,63.3%,42.9%和27.2%,以保持相同甚至更高的任务覆盖率,表明本发明的激励机制能够降低激励成本,提高参与公平性。同时模拟系统中存在恶意参与者,恶意参与者始终提供低数据质量,不会根据外界判定打分更改自己提供数据的方式,RBRCA算法中提供高质量数据的车辆获胜概率普遍较大,表明本发明的激励机制可以提高城市交通群智感知系统的数据质量。
Claims (6)
1.一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法,其特征在于,其包括以下步骤:
S1:根据车辆群智感知场景进行数学建模,建立包括车辆成本和报酬、感知任务的时间与空间要求以及平台预算的模型;
S2:结合感知任务的时空要求、车辆的位置信息、系统的利润与预算约束,设计系统收益与车辆收益以及约束下的目标函数;
S3:选择获胜车辆执行感知任务,根据候选车辆上报的价格、车辆的信誉、预计对平台贡献等选择获胜者;
S4:选择出最终的获胜者后,通知获胜者,获胜者开始执行感知任务并上传数据,数据上传完成后,平台根据报酬支付算法对用户进行奖励;
S5:平台通过信誉评估机制对获胜者提供的数据质量进行评估,更新车辆信誉值,为下一轮拍卖提供决策依据。
2.根据权利要求1所述的一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法,其特征在于,所述步骤S1中,车辆群智感知场景主要包括以下三个部分:
(1)群智感知平台发布包含特定时间与空间要求的感知任务;
(2)候选车辆上报竞标信息,平台对车辆的竞价信息进行收集;
(3)平台使用包含优胜者选择部分和报酬计算部分的激励机制,选择执行任务的优胜者并计算需要支付给优胜者的报酬。
3.根据权利要求2所述的一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法,其特征在于,所述步骤S2中,对于车辆群智感知系统存在以下三个优化目标:
(1)优化目标1:任务价值直接影响平台的利润,因而要尽可能多的实现重要任务的感知,最大化平台收益;
(2)优化目标2:最小化执行感知任务的总代价,满足总支出最小;
(3)优化目标3:最小化执行任务的车辆数量,减小数据冗余;
基于上述优化目标,建立车辆群智感知系统效益最大化目标函数为:
其中,f代表总效益,取值介于0,1之间。yi表示任务ti完成情况,任务ti能够被完成时yi为1,否则yi为0。xj表示车辆vj执行任务的情况,当车辆被选中执行任意感知任务时,xj为1,否则xj为0。第一个限制条件表示感知平台的任务支出不能大于任务收益;第二个条件限制了每辆车最多可执行的子任务个数为l。第三个限制条件表示车辆在任务区域行驶的时间满足任务时间窗要求。α表示利润所占比重,β表示车辆数量所占比重,α+β=1,0<ε<1。
4.根据权利要求3所述的一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法,其特征在于,所述步骤S3中,基于车辆性能得分来确定平台的获胜者。该得分包括车辆对平台的贡献和虚拟奖励积分 表示在第h轮拍卖中车辆的总体性能得分。
其中,β1和β2表示单位价值成本和虚拟积分所占权重,β1+β2=1。
获胜者的选择包括两个阶段。在第一阶段,选择所有提交了信息资料且其信誉值超过阈值的车辆,这些信誉达标的车辆进入候选组。在第二阶段中,先使用贪婪方法根据优胜者的整体表现得分来不断选择优胜者,直到预算用尽或所有任务完成为止。可以分为以下步骤:
步骤S32:计算候选集合中车辆的总体性能得分,将车辆性能得分由小到大进行排序。候选车辆的性能得分越低,被选择称为优胜者的可能性越大;
步骤S34:每次拍卖后,平台根据当前的任务范围动态调整下一次拍卖的最高可接受价格umax。
5.根据权利要求4所述的一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法,其特征在于,所述步骤S4中,考虑报酬支付算法的两种情景。当预算不足时,必须保证支付金额不小于中标者的竞标价格,以维护平台的信誉。如果预算足够,平台将启动动态奖励池。使用关键支付的概念来提出支付确定算法。优胜者的关键付款包括固定付款和奖励付款。固定支付等于用户的竞标价格,奖励支付取决于用户信誉。
6.根据权利要求5所述的一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法,其特征在于,所述步骤S5中,平台通过基于参与者表现的车辆信誉更新方法控制拍卖过程,使更多车辆积极参与到感知系统。该机制通过参与者上传数据的质量、参与系统的次数、参与行为表现来评估车辆信誉值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011644202.1A CN112950251B (zh) | 2021-05-11 | 2021-05-11 | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011644202.1A CN112950251B (zh) | 2021-05-11 | 2021-05-11 | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950251A true CN112950251A (zh) | 2021-06-11 |
CN112950251B CN112950251B (zh) | 2024-01-26 |
Family
ID=76234994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011644202.1A Active CN112950251B (zh) | 2021-05-11 | 2021-05-11 | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950251B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379286A (zh) * | 2021-06-25 | 2021-09-10 | 华南理工大学 | 一种高精地图众包中基于参与者贡献的反向拍卖方法 |
CN113503869A (zh) * | 2021-06-25 | 2021-10-15 | 华南理工大学 | 一种基于区域感知度的高精地图众包车辆选择方法 |
CN113645564A (zh) * | 2021-07-05 | 2021-11-12 | 南京邮电大学 | 一种面向室内位置信息群体众筹的混合激励方法 |
CN113903171A (zh) * | 2021-09-27 | 2022-01-07 | 北京航空航天大学 | 一种基于高速路网时空特性的车辆群智感知节点优化方法 |
CN114429080A (zh) * | 2021-12-31 | 2022-05-03 | 暨南大学 | 一种车联网群智感知中提高数据可用性的激励方法 |
CN114493810A (zh) * | 2022-04-14 | 2022-05-13 | 成都信息工程大学 | 物联网数据处理方法、装置及介质 |
CN114564535A (zh) * | 2021-11-03 | 2022-05-31 | 北京邮电大学 | 基于联盟链的群智感知场景下分布式激励方法 |
CN115330095A (zh) * | 2022-10-14 | 2022-11-11 | 青岛慧拓智能机器有限公司 | 矿车调度模型训练方法、装置、芯片、终端、设备及介质 |
CN116301045A (zh) * | 2023-03-21 | 2023-06-23 | 大连海事大学 | 一种面向时空约束网络的无人机数据采集任务分配方法 |
CN118450404A (zh) * | 2024-07-02 | 2024-08-06 | 北京邮电大学 | 一种合同激励的异构数据传输方法与装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140279133A1 (en) * | 2013-03-12 | 2014-09-18 | Xerox Corporation | Fault tolerant combinatorial auctions for tasks having time and precedence constraints with bonuses and penalties |
CN107301509A (zh) * | 2017-06-23 | 2017-10-27 | 武汉大学 | 一种基于群智感知系统面向随机参与的群智感知激励方法 |
CN108364190A (zh) * | 2018-01-08 | 2018-08-03 | 东南大学 | 结合信誉更新的移动群智感知在线激励方法 |
CN109242533A (zh) * | 2018-08-04 | 2019-01-18 | 福州大学 | 基于拍卖理论的车联网群智感知用户的在线激励方法 |
CN111464620A (zh) * | 2020-03-30 | 2020-07-28 | 南京邮电大学 | 一种边缘辅助移动群智感知真值发现系统及其激励方法 |
CN112738728A (zh) * | 2020-12-25 | 2021-04-30 | 北京航空航天大学 | 大范围城市路网下基于时空可信度的群智感知节点选择方法 |
-
2021
- 2021-05-11 CN CN202011644202.1A patent/CN112950251B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140279133A1 (en) * | 2013-03-12 | 2014-09-18 | Xerox Corporation | Fault tolerant combinatorial auctions for tasks having time and precedence constraints with bonuses and penalties |
CN107301509A (zh) * | 2017-06-23 | 2017-10-27 | 武汉大学 | 一种基于群智感知系统面向随机参与的群智感知激励方法 |
CN108364190A (zh) * | 2018-01-08 | 2018-08-03 | 东南大学 | 结合信誉更新的移动群智感知在线激励方法 |
CN109242533A (zh) * | 2018-08-04 | 2019-01-18 | 福州大学 | 基于拍卖理论的车联网群智感知用户的在线激励方法 |
CN111464620A (zh) * | 2020-03-30 | 2020-07-28 | 南京邮电大学 | 一种边缘辅助移动群智感知真值发现系统及其激励方法 |
CN112738728A (zh) * | 2020-12-25 | 2021-04-30 | 北京航空航天大学 | 大范围城市路网下基于时空可信度的群智感知节点选择方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379286A (zh) * | 2021-06-25 | 2021-09-10 | 华南理工大学 | 一种高精地图众包中基于参与者贡献的反向拍卖方法 |
CN113503869A (zh) * | 2021-06-25 | 2021-10-15 | 华南理工大学 | 一种基于区域感知度的高精地图众包车辆选择方法 |
CN113503869B (zh) * | 2021-06-25 | 2023-06-20 | 华南理工大学 | 一种基于区域感知度的高精地图众包车辆选择方法 |
CN113645564A (zh) * | 2021-07-05 | 2021-11-12 | 南京邮电大学 | 一种面向室内位置信息群体众筹的混合激励方法 |
CN113903171A (zh) * | 2021-09-27 | 2022-01-07 | 北京航空航天大学 | 一种基于高速路网时空特性的车辆群智感知节点优化方法 |
CN113903171B (zh) * | 2021-09-27 | 2022-07-15 | 北京航空航天大学 | 一种基于高速路网时空特性的车辆群智感知节点优化方法 |
CN114564535A (zh) * | 2021-11-03 | 2022-05-31 | 北京邮电大学 | 基于联盟链的群智感知场景下分布式激励方法 |
CN114429080A (zh) * | 2021-12-31 | 2022-05-03 | 暨南大学 | 一种车联网群智感知中提高数据可用性的激励方法 |
CN114493810B (zh) * | 2022-04-14 | 2022-07-05 | 成都信息工程大学 | 物联网数据处理方法、装置及介质 |
CN114493810A (zh) * | 2022-04-14 | 2022-05-13 | 成都信息工程大学 | 物联网数据处理方法、装置及介质 |
CN115330095A (zh) * | 2022-10-14 | 2022-11-11 | 青岛慧拓智能机器有限公司 | 矿车调度模型训练方法、装置、芯片、终端、设备及介质 |
CN115330095B (zh) * | 2022-10-14 | 2023-07-07 | 青岛慧拓智能机器有限公司 | 矿车调度模型训练方法、装置、芯片、终端、设备及介质 |
CN116301045A (zh) * | 2023-03-21 | 2023-06-23 | 大连海事大学 | 一种面向时空约束网络的无人机数据采集任务分配方法 |
CN116301045B (zh) * | 2023-03-21 | 2024-04-12 | 大连海事大学 | 一种面向时空约束网络的无人机数据采集任务分配方法 |
CN118450404A (zh) * | 2024-07-02 | 2024-08-06 | 北京邮电大学 | 一种合同激励的异构数据传输方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112950251B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112950251B (zh) | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 | |
CN108364190B (zh) | 结合信誉更新的移动群智感知在线激励方法 | |
CN107784561A (zh) | 一种移动众包系统中在线激励机制的实现方法 | |
CN111461500B (zh) | 一种基于动态电子围栏和强化学习的共享单车系统潮汐现象控制方法 | |
CN115358831A (zh) | 基于多智能体强化学习算法在联邦学习下的用户竞价方法及装置 | |
CN109242533A (zh) | 基于拍卖理论的车联网群智感知用户的在线激励方法 | |
CN113672846A (zh) | 网约车调度方法、装置、电子设备及存储介质 | |
CN113919944A (zh) | 基于强化学习算法与时间序列模型的股票交易方法及系统 | |
CN112766677A (zh) | 基于模糊综合评价法的住宅区电动汽车充电需求的建模方法及充电系统 | |
CN117669993B (zh) | 一种渐进式充电设施规划方法、装置、终端及存储介质 | |
CN106682934A (zh) | 一种购电竞价策略 | |
CN113326979A (zh) | 基于改进蚁群算法的区域景点双程路线多目标规划方法 | |
CN115809784A (zh) | 基于多目标的额度调整最优分配方法、装置、设备及介质 | |
CN115271092A (zh) | 一种面向室内定位联邦学习的群智众筹激励方法 | |
CN114742583A (zh) | 一种质量保障型的车联网群智感知激励方法 | |
CN114239930A (zh) | 面向智能电网场景的需求响应参与度模型构建方法 | |
CN112416579A (zh) | 一种时间敏感的多方数据融合激励方法 | |
CN113645564B (zh) | 一种面向室内位置信息群体众筹的混合激励方法 | |
CN109285032A (zh) | 一种激励机制对夜间的参与者进行额外的奖励算法 | |
CN112785022A (zh) | 一种挖掘电能替代潜力的方法及系统 | |
CN115130873A (zh) | 群智感知激励方法、设备及存储介质 | |
CN113379294B (zh) | 基于面向联邦学习参与用户拍卖激励机制的任务部署方法 | |
CN114866552A (zh) | 基于禀赋效应和参照依赖的群智感知数据质量保障方法 | |
CN117610870B (zh) | 一种基于遗传算法优化的水库调度方法 | |
Assaad et al. | A Simulation Model for Optimal Bidding Decisions |
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 |