CN113139792A - 基于群智感知技术的特定物资收集方法 - Google Patents

基于群智感知技术的特定物资收集方法 Download PDF

Info

Publication number
CN113139792A
CN113139792A CN202110459359.5A CN202110459359A CN113139792A CN 113139792 A CN113139792 A CN 113139792A CN 202110459359 A CN202110459359 A CN 202110459359A CN 113139792 A CN113139792 A CN 113139792A
Authority
CN
China
Prior art keywords
task
participant
participants
material collection
time
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
Application number
CN202110459359.5A
Other languages
English (en)
Other versions
CN113139792B (zh
Inventor
马苗
周玉莹
杨波
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.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal University
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 Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN202110459359.5A priority Critical patent/CN113139792B/zh
Publication of CN113139792A publication Critical patent/CN113139792A/zh
Application granted granted Critical
Publication of CN113139792B publication Critical patent/CN113139792B/zh
Active 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project 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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

一种基于群智感知的特定物资收集方法，由平台发布特定物资收集任务、优选参与者、评价任务完成情况、更新信誉、结算报酬步骤组成。本发明在参与者优选时考虑参与者的参与时间和地点两个因素，减小整体完成任务的时间和整体移动距离；在考虑任务和参与者时间、地点及信誉度三个重要属性的条件下，用反向传播神经网络对任务和参与者分类将任务分配给最适合该任务的参与者集合，确保高质量的完成任务；提出的对胜出者给予报酬、信誉双激励，对愿意参与的非胜出者给予信誉补偿，对适合当前任务而连续不参与者给予信誉惩罚的自适应信誉更新机制，提高了用户参与度，促进了物资收集任务的完成。

Description

基于群智感知技术的特定物资收集方法
技术领域
本发明涉及群智感知的技术领域，尤其涉及一种基于群智感知技术的特定物资收集方法。
背景技术
近年来，随着工业化及全球进程的加剧、社会结构的变迁，各种大规模自然灾害，公共卫生事件 及生产事故越来越频繁地侵袭着人类生存的世界，影响威胁人类的生活甚至是生命。因此，研究如何 快速准确的收集特定物资就成为关键问题。
由于移动智能设备在日常生活中的普及，新的众包任务模式——群智感知得以兴起，它已经成为 了一种完成大规模任务的有效手段，能有地效降低成本，并高效的完成任务，群智感知在特定物资收 集任务过程中，将不同任务分配给多个参与者完成，能高效完成资源调度，实现特定物资的快速收集。
现有的参与者优选研究仅考虑任务特点或仅考虑参与者的某些特点，并不能真正结合特定的任务 选择最优的参与者集合，且目前的群智感知在完成任务时，由于不同参与者的时间、位置和信誉等都 会影响物资收集的速度和准确度。在群智感知的技术领域当前需解决的一个技术问题是提供一种速度 快、准确度高的物资收集方法。
发明内容
本发明所要解决的技术问题在于克服上述技术问题的缺点，提供一种度快、准确度高的基于 群智感知技术的特定物资收集方法。
解决上述技术问题所采用的技术方案是由下述步骤组成：
(1)平台发布特定物资收集任务
平台发布特定物资收集任务Tk如下：
Tk＝{s,t,rb,nu,pa}
其中k为总完成任务个数，s为任务开始时间，t为任务截止时间，rb为任务区域要求，nu为任务 所需参与者xi的人数，pa为任务报酬，根据物资收集任务的要求和已完成特定物资收集任务信息 给出参考代价v，并调整任务报酬pa：
Figure BDA0003041806060000021
Figure BDA0003041806060000022
xi∈U,rb∈R
Figure BDA0003041806060000023
Figure BDA0003041806060000024
Figure BDA0003041806060000025
z∈ZT
Figure BDA0003041806060000026
其中，
Figure BDA0003041806060000027
表示参与者xi在地点rb的完成任务次数；R表示所有任务区域的集合，R＝{r1,r2,...,rp}，p 为有限正整数；U表示所有参与者集合，U＝{x1,x2,...,xa}，a为有限正整数；X表示在区域rb完成任务的 参与者集合X，X＝{x1,x2,...,xn}，n为有限正整数，b∈[1,p]；
Figure BDA0003041806060000028
表示参与者xi在区域rb完成任务的次 数，tR(xi)表示参与者xi在所有任务区域R内完成任务次数；将一天按小时均分为24个时间段，ZT为 任务覆盖的时间段集合，ZT＝{z1,z2,...,zt-s},t-s>1；VPz为在第z个时间段内所有参与者xi完成任务的概率；
Figure BDA0003041806060000029
表示参与者xi在第z个时间段内在区域rb完成任务的次数；LWA表示参与者xi的历史任务数据中所有区域H(rb)的平均值，TWA表示参与者xi的历史完成任务的FZT的平均值。
当任务报酬pa<v时，将pa上调为v。
(2)优选参与者
平台获取参与当前物资收集的候选参与者Xca＝{x1,x2,...,xh}的数据，h为有限正整数，根据当前 任务时间、地点要求和候选参与者数据，建立任务参与者集合的匹配模型，选出最适合任务的胜 出者Xs＝{x1,x2,...,xnu}，nu＜h，并通知胜出者去完成特定物资收集任务Tk。
(3)评价任务完成情况
胜出者完成物资收集任务，平台按下式评价胜出者任务完成情况：
Figure BDA0003041806060000031
qt＝2×sgn(d-t)×f(-(d-t))+sgn(-(d-t))
Figure BDA0003041806060000032
Figure BDA0003041806060000033
qr＝2×sgn(r)×f(-r)+sgn(-r)
Figure BDA0003041806060000034
Figure BDA0003041806060000035
其中，d表示任务完成时间，r表示对特定物资收集任务的参与者步长，qc为任务所需物资与实际 获取物资之间的相关度，qc∈[0，1]。
(4)更新信誉
平台根据任务完成质量更新参与者的信誉度Txi：
当xi为胜出参与者时：
Figure BDA0003041806060000036
当xi为失败参与者时：
Figure BDA0003041806060000037
其中指数函数
Figure BDA0003041806060000038
表示时间衰减因子，当前时间为td，其所在的时间窗为Th，
Figure BDA0003041806060000039
表示参与者 xi在第td个时间窗内执行第k个任务提交数据的质量，nt表示参与者xi在第t个时间窗内执行任务 的个数，Tme为胜出者Tx的平均值；
(5)结算报酬
平台结算报酬
Figure BDA0003041806060000041
当xi为胜出参与者时：
Figure BDA0003041806060000042
当xi为失败参与者时：
Figure BDA0003041806060000043
当xi的能力sk＞0.6且连续两次以上不愿参与特定物资收集任务时：
Figure BDA0003041806060000044
其中α为影响权重，α取值为0.3～0.5，t为参与者xi连续不愿参与特定物资收集任务的次数，t≥2。
在本发明的(2)步骤中建立任务参与者集合的匹配模型为：
1)参与者向愿意完成的任务发起承包交易为候选参与者，平台获取候选参与者数据 Xca＝{x1,x2,...,xh}，对任意1≤i≤h，xi＝{ID,st,pw,T,ti,re,sk,q}，其中ID为参与实体的唯一标识；pw为 参与者xi上次完成任务地址；T为信誉度，T的初值为0.25～0.45，T根据完成任务质量来更新；ti 为参与者xi活跃时间标签；re为参与者xi活跃位置标签；sk指参与者xi完成任务的能力；q为参 与者xi完成当前任务的质量评价。
2)平台根据候选参与者历史任务数据及当前特定物资收集任务信息按下式确定参与者能力sk：
Figure BDA0003041806060000045
Figure BDA0003041806060000046
Figure BDA0003041806060000047
skT＝T
将候选参与者按sk从大到小排序，选择前nu个作为胜出者Xs，Xs＝{x1,x2,...,xnu}。
在(2)建立任务参与者集合的匹配模型的1)步骤中，所述的参与者活跃时间标签ti的构建 方法为：选取两个隐层，每层节点最佳为240个，训练时输入a×24的X1矩阵，a行表示选用a 个参与者作为样本，24列表示将一天均分为24个时间段，共有24个属性，每个属性为参与者在 每个时间段内历史完成任务数，输出参与者的活跃时间标签ti。
所述的参与者活跃位置标签re的构建方法为：选取一层隐层，节点为100个，训练时输入a ×p的X2矩阵，a行表示选用a个参与者作为样本，p列表示数据预处理后选择p个区域，共p 个属性，每个属性为参与者在每个区域内的签到次数，输出参与者的活跃位置标签re。
由于本发明在参与者优选时考虑参与者的参与时间和地点两个因素，减小整体完成任务的时 间和整体移动距离；考虑任务和参与者的参与时间、地点、信誉度三个属性条件，采用反向传播 神经网络对任务和参与者进行分类，将任务分配给最适合该任务的参与者集合，确保高质量地完 成任务；本发明提出的对胜出者给予报酬、信誉双激励，对失败参与者给予信誉补偿，对适合当 前任务而连续不参与者给予信誉惩罚的自适应信誉更新机制，促进物资收集任务的完成。
附图说明
图1是本发明实施例1的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。
实施例1
以在Brightkite真实数据集中选取10个区域中的880个用户，总完成任务数为31959个为例， 本实施例的基于群智感知技术的特定物资收集方法的步骤如下(参见图1)：
(1)平台发布特定物资收集任务
平台发布特定物资收集任务Tk如下：
Tk＝{s,t,rb,nu,pa}
其中k为总完成任务个数，本实施例k的取值为31959，s为任务开始时间，t为任务截止时间，rb为任务区域要求，nu为任务所需参与者xi的人数，pa为任务报酬，根据物资收集任务的要求和已 完成特定物资收集任务信息给出参考代价v，并调整任务报酬pa：
Figure BDA0003041806060000061
Figure BDA0003041806060000062
xi∈U,rb∈R
Figure BDA0003041806060000063
Figure BDA0003041806060000064
Figure BDA0003041806060000065
z∈ZT
Figure BDA0003041806060000066
其中，
Figure BDA0003041806060000067
表示参与者xi在地点rb的完成任务次数；R表示所有任务区域的集合，R＝{r1,r2,...,rp}， p为有限正整数，本实施例p取值为880；U表示所有参与者集合，U＝{x1,x2,...,xa}，a为有限正整 数，本实施例a取值为10；X表示在区域rb完成任务的参与者集合X，X＝{x1,x2,...,xn}，n为有限 正整数，b∈[1,p]；
Figure BDA0003041806060000068
表示参与者xi在区域rb完成任务的次数，tR(xi)表示参与者xi在所有任 务区域R内完成任务次数；将一天按小时均分为24个时间段，ZT为任务覆盖的时间段集合， ZT＝{z1,z2,...,zt-s},t-s>1；VPz为在第z个时间段内所有参与者xi完成任务的概率；
Figure BDA0003041806060000069
表示参与者 xi在第z个时间段内在区域rb完成任务的次数；LWA表示参与者xi的历史任务数据中所有区域H(rb) 的平均值，TWA表示参与者xi的历史完成任务的FZT的平均值。
当任务报酬pa<v时，将pa上调为v。
(2)优选参与者
平台获取参与当前物资收集的候选参与者Xca＝{x1,x2,...,xh}的数据，h为有限正整数，根据当前 任务时间、地点要求和候选参与者数据，建立任务参与者集合的匹配模型，选出最适合任务的胜 出者Xs＝{x1,x2,...,xnu}，nu＜h，并通知胜出者去完成特定物资收集任务Tk。
本实施例建立任务参与者集合的匹配模型步骤如下：
1)参与者向愿意完成的任务发起承包交易为候选参与者，平台获取候选参与者数据 Xca＝{x1,x2,...,xh}，对任意1≤i≤h，xi＝{ID,st,pw,T,ti,re,sk,q}，其中ID为参与实体的唯一标识；pw为 参与者xi上次完成任务地址；T为信誉度，T的初值为0.25～0.45，本实施例T取值为0.3，T根据 完成任务质量来更新；ti为参与者xi活跃时间标签；re为参与者xi活跃位置标签；sk指参与者xi完成任务的能力；q为参与者xi完成当前任务的质量评价。
在1)步骤中，本实施例的参与者活跃时间标签ti的构建方法为：选取两个隐层，每层节点为 240个，训练时输入a×24的X1矩阵，a行表示选用a个参与者作为样本，本实施例的a取值为 880，24列表示将一天均分为24个时间段，共有24个属性，每个属性为参与者在每个时间段内历 史完成任务数，输出参与者的活跃时间标签ti。本实施例的参与者活跃位置标签re的构建方法为： 选取一层隐层，节点为100个，训练时输入a×p的X2矩阵，a行表示选用a个参与者作为样本， 本实施例的a取值为880，p列表示数据预处理后选择p个区域，共p个属性，本实施例的p取值 为10，每个属性为参与者在每个区域内的签到次数，输出参与者的活跃位置标签re。
2)平台根据候选参与者历史任务数据及当前特定物资收集任务信息按下式确定参与者能力sk：
Figure BDA0003041806060000071
Figure BDA0003041806060000072
Figure BDA0003041806060000073
skT＝T
将候选参与者按sk从大到小排序，选择前nu个作为胜出者Xs，Xs＝{x1,x2,...,xnu}。
(3)评价任务完成情况
胜出者完成物资收集任务，平台按下式评价胜出者任务完成情况：
Figure BDA0003041806060000074
qt＝2×sgn(d-t)×f(-(d-t))+sgn(-(d-t))
Figure BDA0003041806060000081
Figure BDA0003041806060000082
qr＝2×sgn(r)×f(-r)+sgn(-r)
Figure BDA0003041806060000083
Figure BDA0003041806060000084
其中，d表示任务完成时间，r表示对特定物资收集任务的参与者步长，qc为任务所需物资与实际 获取物资之间的相关度，qc∈[0，1]。
(4)更新信誉
平台根据任务完成质量更新参与者的信誉度
Figure BDA0003041806060000085
当xi为胜出参与者时，
Figure BDA0003041806060000086
当xi为失败参与者时，
Figure BDA0003041806060000087
其中指数函数
Figure BDA0003041806060000088
表示时间衰减因子，当前时间为td，其所在的时间窗为Th，
Figure BDA0003041806060000089
表示参与者 xi在第td个时间窗内执行第k个任务提交数据的质量，nt表示参与者xi在第t个时间窗内执行任务 的个数，Tme为胜出者Tx的平均值。
(5)结算报酬
平台结算报酬
Figure BDA00030418060600000810
当xi为胜出参与者时，
Figure BDA00030418060600000811
当xi为失败参与者时，
Figure BDA0003041806060000091
当xi的能力sk＞0.6且连续两次以上不愿参与特定物资收集任务时，
Figure BDA0003041806060000092
其中α为影响权重，α取值为0.4，t为参与者xi连续不愿参与特定物资收集任务的次数，t≥2。
完成基于群智感知技术的特定物资收集方法。
实施例2
以在Brightkite真实数据集中选取10个区域中的880个用户，总完成任务数为31959个为例， 本实施例的基于群智感知技术的特定物资收集方法的步骤如下：
(1)平台发布特定物资收集任务
该步骤与实施例1相同。
(2)优选参与者
平台获取参与当前物资收集的候选参与者Xca＝{x1,x2,...,xh}的数据，h为有限正整数，根据当前 任务时间、地点要求和候选参与者数据，建立任务参与者集合的匹配模型，选出最适合任务的胜 出者Xs＝{x1,x2,...,xnu}，nu＜h，并通知胜出者去完成特定物资收集任务Tk；
本实施例建立任务参与者集合的匹配模型步骤如下：
1)参与者向愿意完成的任务发起承包交易为候选参与者，平台获取候选参与者数据 Xca＝{x1,x2,...,xh}，对任意1≤i≤h，xi＝{ID,st,pw,T,ti,re,sk,q}，其中ID为参与实体的唯一标识；pw为 参与者xi上次完成任务地址；T为信誉度，T的初值为0.25～0.45，本实施例T取值为0.25，T根据 完成任务质量来更新；ti为参与者xi活跃时间标签；re为参与者xi活跃位置标签；sk指参与者xi完成任务的能力；q为参与者xi完成当前任务的质量评价。
在1)步骤中，本实施例的参与者活跃时间标签ti的构建方法为：选取两个隐层，每层节点为 240个，训练时输入a×24的X1矩阵，a行表示选用a个参与者作为样本，本实施例的a取值为 880，24列表示将一天均分为24个时间段，共有24个属性，每个属性为参与者在每个时间段内历 史完成任务数，输出参与者的活跃时间标签ti。本实施例的参与者活跃位置标签re的构建方法为： 选取一层隐层，节点为100个，训练时输入a×p的X2矩阵，a行表示选用a个参与者作为样本， 本实施例的a取值为880，p列表示数据预处理后选择p个区域，共p个属性，本实施例的p取值 为10，每个属性为参与者在每个区域内的签到次数，输出参与者的活跃位置标签re。
2)平台根据候选参与者历史任务数据及当前特定物资收集任务信息按下式确定参与者能力sk：
Figure BDA0003041806060000101
Figure BDA0003041806060000102
Figure BDA0003041806060000103
skT＝T
将候选参与者按sk从大到小排序，选择前nu个作为胜出者Xs，Xs＝{x1,x2,...,xnu}。
(3)评价任务完成情况
该步骤与实施例1相同。
(4)更新信誉
该步骤与实施例1相同。
(5)结算报酬
平台结算报酬
Figure BDA0003041806060000104
当xi为胜出参与者时，
Figure BDA0003041806060000105
当xi为失败参与者时，
Figure BDA0003041806060000106
当xi的能力sk＞0.6且连续两次以上不愿参与特定物资收集任务时，
Figure BDA0003041806060000111
其中α为影响权重，α取值为0.3，t为参与者xi连续不愿参与特定物资收集任务的次数，t≥2。
完成基于群智感知技术的特定物资收集方法。
实施例3
以在Brightkite真实数据集中选取10个区域中的880个用户，总完成任务数为31959个为例， 本实施例的基于群智感知技术的特定物资收集方法的步骤如下：
(1)平台发布特定物资收集任务
该步骤与实施例1相同。
(2)优选参与者
平台获取参与当前物资收集的候选参与者Xca＝{x1,x2,...,xh}的数据，h为有限正整数，根据当前 任务时间、地点要求和候选参与者数据，建立任务参与者集合的匹配模型，选出最适合任务的胜 出者Xs＝{x1,x2,...,xnu}，nu＜h，并通知胜出者去完成特定物资收集任务Tk；
本实施例建立任务参与者集合的匹配模型步骤如下：
1)参与者向愿意完成的任务发起承包交易为候选参与者，平台获取候选参与者数据 Xca＝{x1,x2,...,xh}，对任意1≤i≤h，xi＝{ID,st,pw,T,ti,re,sk,q}，其中ID为参与实体的唯一标识；pw为 参与者xi上次完成任务地址；T为信誉度，T的初值为0.25～0.45，本实施例T取值为0.45，T根据 完成任务质量来更新；ti为参与者xi活跃时间标签；re为参与者xi活跃位置标签；sk指参与者xi完成任务的能力；q为参与者xi完成当前任务的质量评价。
在1)步骤中，本实施例的参与者活跃时间标签ti的构建方法为：选取两个隐层，每层节点为 240个，训练时输入a×24的X1矩阵，a行表示选用a个参与者作为样本，本实施例的a取值为 880，24列表示将一天均分为24个时间段，共有24个属性，每个属性为参与者在每个时间段内历 史完成任务数，输出参与者的活跃时间标签ti。本实施例的参与者活跃位置标签re的构建方法为： 选取一层隐层，节点为100个，训练时输入a×p的X2矩阵，a行表示选用a个参与者作为样本， 本实施例的a取值为880，p列表示数据预处理后选择p个区域，共p个属性，本实施例的p取值 为10，每个属性为参与者在每个区域内的签到次数，输出参与者的活跃位置标签re。
2)平台根据候选参与者历史任务数据及当前特定物资收集任务信息按下式确定参与者能力sk：
Figure BDA0003041806060000121
Figure BDA0003041806060000122
Figure BDA0003041806060000123
skT＝T
将候选参与者按sk从大到小排序，选择前nu个作为胜出者Xs，Xs＝{x1,x2,...,xnu}。
(3)评价任务完成情况
该步骤与实施例1相同。
(4)更新信誉
该步骤与实施例1相同。
(5)结算报酬
平台结算报酬
Figure BDA0003041806060000124
当xi为胜出参与者时，
Figure BDA0003041806060000125
当xi为失败参与者时，
Figure BDA0003041806060000126
当xi的能力sk＞0.6且连续两次以上不愿参与特定物资收集任务时，
Figure BDA0003041806060000127
其中α为影响权重，α取值为0.5，t为参与者xi连续不愿参与特定物资收集任务的次数，t≥2。
完成基于群智感知技术的特定物资收集方法。
为了验证本发明的有益效果，发明人采用本发明实施例1的基于群智感知技术的特定物资收 集方法与随机选择参与者的群智感知激励方法(Baseline)、基于任务成本差异的移动人群感知激 励方法(RSFP)进行了对比仿真实验，各种实验情况如下：
参与者收益评价指标为所有参与者获得的收益的总和，参与者收益实验结果见表1，任务完成 质量评价指标采用当前时间窗Th内全部任务完成质量q的平均值
Figure BDA0003041806060000131
统计1000次实验中该指标 位于不同区间的次数，任务完成质量实验结果见表2，用户参与度评价指标
Figure BDA0003041806060000132
的计算如下：
Figure BDA0003041806060000133
γ取0.4，η取0.6时的实验结果见表3。
表1参与者收益实验结果表
实验次数(次) Baseline参与者收益(元) RSFP参与者收益(元) 本发明参与者收益(元)
100 70 79 530.6
200 79 92 496
300 62 69 525.7
400 75 102 521.125
500 83 102.9 532.68
600 72.5 102.89 490.7
700 69 83 533
800 73.4 122 531.5
900 77 91 562.8
1000 61 102 476.4
由表1可见，在100次到1000次不同实验次数下，本发明的参与者收益在476.4～562.8元之 间，而Baseline的参与者收益在61～79元之间，RSFP方法的参与者收益在69～122元之间，本发 明方法的参与者收益明显高于Baseline和RSFP。
表2任务完成质量实验结果表
Figure BDA0003041806060000134
Figure BDA0003041806060000135
由表2可见，在1000次实验中，本发明的任务完成质量有795次集中在0.6～0.8之间，有152 次集中在0.8～1.0之间，共795+152＝947次集中在0.6以上，而Baseline的任务完成质量有92次集 中在0.6～0.8之间，有57次集中在在0.8～1.0之间，共92+57＝149次在0.6以上，RSFP的任务完 成质量有114次在0.6～0.8之间，119次在0.8～1.0之间，共114+119＝233次在0.6以上，所以本发 明方法的任务完成质量明显优于Baseline和RSFP方法。
表3用户参与度
Figure BDA0003041806060000141
实验结果表
Figure BDA0003041806060000142
由表3可见，参与者人数从1到30的情况下，本发明的用户参与度均在0.601以上，Baseline 方法的用户参与度在0.13～0.22之间，RSFP方法的用户参与度在0.203～0.306之间，相较于Basline 和RSFP方法，本发明不仅对胜出者有金钱报酬和信誉收益，同时对于失败者给予了信誉补偿， 显著提高了用户参与度。

Claims (3)

1.一种基于群智感知的特定物资收集方法，其特征在于由下述步骤组成：
(1)平台发布特定物资收集任务
平台发布特定物资收集任务Tk如下：
Tk＝{s,t,rb,nu,pa}
其中k为总完成任务个数，s为任务开始时间，t为任务截止时间，rb为任务区域要求，nu为任务所需参与者xi的人数，pa为任务报酬，根据物资收集任务的要求和已完成特定物资收集任务信息给出参考代价v，并调整任务报酬pa；
Figure FDA0003041806050000011
Figure FDA0003041806050000012
Figure FDA0003041806050000013
Figure FDA0003041806050000014
Figure FDA0003041806050000015
Figure FDA0003041806050000016
其中，
Figure FDA0003041806050000017
表示参与者xi在地点rb的完成任务次数；R表示所有任务区域的集合，R＝{r1,r2,...,rp}，p为有限正整数；U表示所有参与者集合，U＝{x1,x2,...,xa}，a为有限正整数；X表示在区域rb完成任务的参与者集合X，X＝{x1,x2,...,xn}，n为有限正整数，b∈[1,p]；
Figure FDA0003041806050000018
表示参与者xi在区域rb完成任务的次数，tR(xi)表示参与者xi在所有任务区域R内完成任务次数；将一天按小时均分为24个时间段，ZT为任务覆盖的时间段集合，ZT＝{z1,z2,...,zt-s},t-s>1；VPz为在第z个时间段内所有参与者xi完成任务的概率；
Figure FDA0003041806050000021
表示参与者xi在第z个时间段内在区域rb完成任务的次数；LWA表示参与者xi的历史任务数据中所有区域H(rb)的平均值，TWA表示参与者xi的历史完成任务的FZT的平均值；
当任务报酬pa<v时，将pa上调为v；
(2)优选参与者
平台获取参与当前物资收集的候选参与者Xca＝{x1,x2,...,xh}的数据，h为有限正整数，根据当前任务时间、地点要求和候选参与者数据，建立任务参与者集合的匹配模型，选出最适合任务的胜出者Xs＝{x1,x2,...,xnu}，nu＜h，并通知胜出者去完成特定物资收集任务Tk；
(3)评价任务完成情况
胜出者完成物资收集任务，平台按下式评价胜出者任务完成情况：
Figure FDA0003041806050000022
qt＝2×sgn(d-t)×f(-(d-t))+sgn(-(d-t))
Figure FDA0003041806050000023
Figure FDA0003041806050000024
qr＝2×sgn(r)×f(-r)+sgn(-r)
Figure FDA0003041806050000025
Figure FDA0003041806050000026
其中，d表示任务完成时间，r表示对特定物资收集任务的参与者步长，qc为任务所需物资与实际获取物资之间的相关度，qc∈[0，1]；
(4)更新信誉
平台根据任务完成质量更新参与者的信誉度
Figure FDA0003041806050000027
当xi为胜出参与者时：
Figure FDA0003041806050000031
当xi为失败参与者时：
Figure FDA0003041806050000032
其中指数函数
Figure FDA0003041806050000033
表示时间衰减因子，当前时间为td，其所在的时间窗为Th，
Figure FDA0003041806050000034
表示参与者xi在第td个时间窗内执行第k个任务提交数据的质量，nt表示参与者xi在第t个时间窗内执行任务的个数，Tme为胜出者Tx的平均值；
(5)结算报酬
平台结算报酬
Figure FDA0003041806050000035
当xi为胜出参与者时：
Figure FDA0003041806050000036
当xi为失败参与者时：
Figure FDA0003041806050000037
当xi的能力sk＞0.6且连续两次以上不愿参与特定物资收集任务时：
Figure FDA0003041806050000038
其中α为影响权重，α取值为0.3～0.5，t为参与者xi连续不愿参与特定物资收集任务的次数，t≥2。
2.根据权利要求1所述的基于群智感知技术的特定物资收集方法，其特征在于：所述的(2)步骤中建立任务参与者集合的匹配模型为：
1)参与者向愿意完成的任务发起承包交易为候选参与者，平台获取候选参与者数据Xca＝{x1,x2,...,xh}，对任意1≤i≤h，xi＝{ID,st,pw,T,ti,re,sk,q}，其中ID为参与实体的唯一标识；pw为参与者xi上次完成任务地址；T为信誉度，T的初值为0.25～0.45，T根据完成任务质量来更新；ti为参与者xi活跃时间标签；re为参与者xi活跃位置标签；sk指参与者xi完成任务的能力；q为参与者xi完成当前任务的质量评价；
2)平台根据候选参与者历史任务数据及当前特定物资收集任务信息按下式确定参与者能力sk：
Figure FDA0003041806050000041
Figure FDA0003041806050000042
Figure FDA0003041806050000043
skT＝T
将候选参与者按sk从大到小排序，选择前nu个作为胜出者Xs，Xs＝{x1,x2,...,xnu}。
3.根据权利要求2所述的基于群智感知技术的特定物资收集方法，其特征在于：在1)步骤中，所述的参与者活跃时间标签ti的构建方法为：选取两个隐层，每层节点为240个，训练时输入a×24的X1矩阵，a行表示选用a个参与者作为样本，24列表示将一天均分为24个时间段，共有24个属性，每个属性为参与者在每个时间段内历史完成任务数，输出参与者的活跃时间标签ti；
所述的参与者活跃位置标签re的构建方法为：选取一层隐层，节点为100个，训练时输入a×p的X2矩阵，a行表示选用a个参与者作为样本，p列表示数据预处理后选择p个区域，共p个属性，每个属性为参与者在每个区域内的签到次数，输出参与者的活跃位置标签re。
CN202110459359.5A 2021-04-27 2021-04-27 基于群智感知技术的特定物资收集方法 Active CN113139792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110459359.5A CN113139792B (zh) 2021-04-27 2021-04-27 基于群智感知技术的特定物资收集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110459359.5A CN113139792B (zh) 2021-04-27 2021-04-27 基于群智感知技术的特定物资收集方法

Publications (2)

Publication Number Publication Date
CN113139792A true CN113139792A (zh) 2021-07-20
CN113139792B CN113139792B (zh) 2023-05-26

Family

ID=76812359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110459359.5A Active CN113139792B (zh) 2021-04-27 2021-04-27 基于群智感知技术的特定物资收集方法

Country Status (1)

Country Link
CN (1) CN113139792B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850511A (zh) * 2021-09-27 2021-12-28 国网江苏省电力有限公司扬州供电分公司 一种适用于多管理运维主体的运维激励系统及方法
CN114139867A (zh) * 2021-10-29 2022-03-04 陕西师范大学 一种通过多个移动终端采集文化资源数据的任务分配方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109408228A (zh) * 2018-09-30 2019-03-01 陕西师范大学 基于预算调配的群智感知任务分配方法
CN109784741A (zh) * 2019-01-23 2019-05-21 北京理工大学 一种基于信誉预测的移动群智感知系统奖励分发方法
CN109886581A (zh) * 2019-02-25 2019-06-14 天津工业大学 一种移动群智感知任务中基于数据质量的参与者选择方法
CN110189174A (zh) * 2019-05-29 2019-08-30 南京工业大学 一种基于数据质量感知的移动群智感知激励方法
CN110210903A (zh) * 2019-05-31 2019-09-06 南京邮电大学 一种基于用户位置与信誉度的群智感知激励方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109408228A (zh) * 2018-09-30 2019-03-01 陕西师范大学 基于预算调配的群智感知任务分配方法
CN109784741A (zh) * 2019-01-23 2019-05-21 北京理工大学 一种基于信誉预测的移动群智感知系统奖励分发方法
CN109886581A (zh) * 2019-02-25 2019-06-14 天津工业大学 一种移动群智感知任务中基于数据质量的参与者选择方法
CN110189174A (zh) * 2019-05-29 2019-08-30 南京工业大学 一种基于数据质量感知的移动群智感知激励方法
CN110210903A (zh) * 2019-05-31 2019-09-06 南京邮电大学 一种基于用户位置与信誉度的群智感知激励方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
南文倩等: "基于跨空间多元交互的群智感知动态激励模型", 《计算机学报》 *
向罗勇等: "联合区域热度和社交属性感知的移动群智感知参与者选择机制", 《电信科学》 *
王健等: "面向任务代价差异的移动群智感知激励模型", 《电子与信息学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113850511A (zh) * 2021-09-27 2021-12-28 国网江苏省电力有限公司扬州供电分公司 一种适用于多管理运维主体的运维激励系统及方法
CN114139867A (zh) * 2021-10-29 2022-03-04 陕西师范大学 一种通过多个移动终端采集文化资源数据的任务分配方法

Also Published As

Publication number Publication date
CN113139792B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
Song et al. A review of research on tourism demand forecasting: Launching the Annals of Tourism Research Curated Collection on tourism demand forecasting
CN108364190B (zh) 结合信誉更新的移动群智感知在线激励方法
Alba-Ramírez How temporary is temporary employment in Spain?
Gerber et al. More shock than therapy: market transition, employment, and income in Russia, 1991–1995
Van de Walle et al. Is the emerging non‐farm market economy the route out of poverty in Vietnam?
Mollick et al. Infrastructure and FDI inflows into Mexico: A panel data approach
CN113139792A (zh) 基于群智感知技术的特定物资收集方法
CN109002492B (zh) 一种基于LightGBM的绩点预测方法
CN111967971A (zh) 银行客户数据处理方法及装置
CN113822727B (zh) 基于智能分析技术的客户关系管理系统
Sainz-Santamaria et al. How far can investment in efficient irrigation technologies reduce aquifer overdraft? Insights from an expert elicitation in Aguascalientes, Mexico
Tuyen et al. THE IMPACT OF LAND LOSS ON HOUSEHOLD INCOME: THE CASE OF HANOI'S SUB-URBAN AREAS, VIETNAM.
Bandiera et al. Microfinance and diversification
García-Díaz et al. Social influence, agent heterogeneity and the emergence of the urban informal sector
CN109978300B (zh) 客户风险承受力量化方法及系统、资产配置方法及系统
CN112926997A (zh) 一种客户关系管理系统及方法
CN109872058B (zh) 一种用于机器学习系统的多媒体群智感知激励方法
CN116452322A (zh) 信用卡推荐方法及装置
CN113240273B (zh) 基于代码可配置的企业esg指数确定方法及相关产品
CN113590937A (zh) 酒店搜索及信息管理方法、装置、电子设备及存储介质
Atanda et al. Oil production and the poverty situation in the Niger delta region of Nigeria: A case of selected communities
CN113645564B (zh) 一种面向室内位置信息群体众筹的混合激励方法
Mahmood et al. Psl eye: Predicting the winning team in pakistan super league (psl) matches
Azis Complex interplay of factors in the institutional model of decentralization: Theory and application
Wang et al. The application of deep learning algorithm in marketing intelligence

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