CN113139792B - 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 PDFInfo
- Publication number
- CN113139792B CN113139792B CN202110459359.5A CN202110459359A CN113139792B CN 113139792 B CN113139792 B CN 113139792B CN 202110459359 A CN202110459359 A CN 202110459359A CN 113139792 B CN113139792 B CN 113139792B
- 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.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005516 engineering process Methods 0.000 title description 11
- 238000012549 training Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000009977 dual effect Effects 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 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
- 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
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:
其中,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];/>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; />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:
qt=2×sgn(d-t)×f(-(d-t))+sgn(-(d-t))
qr=2×sgn(r)×f(-r)+sgn(-r)
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:
当xi为失败参与者时:
其中指数函数表示时间衰减因子,当前时间为td,其所在的时间窗为Th,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
当xi为胜出参与者时:
当xi为失败参与者时:
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:
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:
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:
其中,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];/>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;/>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:
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:
qt=2×sgn(d-t)×f(-(d-t))+sgn(-(d-t))
qr=2×sgn(r)×f(-r)+sgn(-r)
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
当xi为胜出参与者时,
当xi为失败参与者时,
其中指数函数表示时间衰减因子,当前时间为td,其所在的时间窗为Th,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
当xi为胜出参与者时,
当xi为失败参与者时,
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,
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:
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
当xi为胜出参与者时,
当xi为失败参与者时,
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,
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:
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
当xi为胜出参与者时,
当xi为失败参与者时,
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,
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/>的计算如下:
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。
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。
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 (1)
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;
其中,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];/>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;/>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;
所述的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;
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;
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:
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:
qt=2×sgn(d-t)×f(-(d-t))+sgn(-(d-t))
qr=2×sgn(r)×f(-r)+sgn(-r)
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
当xi为胜出参与者时:
当xi为失败参与者时:
其中指数函数表示时间衰减因子,当前时间为td,其所在的时间窗为Th,/>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
当xi为胜出参与者时:
当xi为失败参与者时:
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:
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。
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 CN113139792A (zh) | 2021-07-20 |
CN113139792B true 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) |
Families Citing this family (1)
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 |
Citations (7)
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 |
-
2021
- 2021-04-27 CN CN202110459359.5A patent/CN113139792B/zh active Active
Patent Citations (7)
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)
Title |
---|
基于跨空间多元交互的群智感知动态激励模型;南文倩等;《计算机学报》;20151215(第12期);第2-5部分 * |
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;向罗勇等;《电信科学》;20200220(第02期);全文 * |
面向任务代价差异的移动群智感知激励模型;王健等;《电子与信息学报》;20190615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113139792A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Park et al. | Microfinance with Chinese characteristics | |
Raquel et al. | Application of game theory for a groundwater conflict in Mexico | |
Carmin | NGO capacity and environmental governance in Central and Eastern Europe | |
Gamboa | Social multi-criteria evaluation of different development scenarios of the Aysén region, Chile | |
Božić et al. | Sun, sea and shrines: Application of analytic hierarchy process (AHP) to assess the attractiveness of six cultural heritage sites in Phuket (Thailand) | |
Wong et al. | Local governance and the quality of local infrastructure: Evidence from village road projects in rural China | |
Miguel et al. | Did industrialization destroy social capital in Indonesia? | |
CN112950251A (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 | |
Wang et al. | Recommending crowdsourced software developers in consideration of skill improvement | |
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 | |
CN113139792B (zh) | 基于群智感知技术的特定物资收集方法 | |
Li et al. | Project schedule forecasting for skyscrapers | |
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 | |
Pirnazarovna | The development of service sector is an important factor in creating new jobs and ensuring employment | |
Sainz-Santamaria et al. | How far can investment in efficient irrigation technologies reduce aquifer overdraft? Insights from an expert elicitation in Aguascalientes, Mexico | |
CN109872058B (zh) | 一种用于机器学习系统的多媒体群智感知激励方法 | |
CN111507757A (zh) | 提高偏远地区任务完成率的群智感知激励方法 | |
Lu | The economics of China’s between-city height competition: A regression discontinuity approach | |
CN109426891A (zh) | 一种高送转电子金融产品的预测系统及方法 | |
Syme | Sustainability in urban water futures | |
Akbari et al. | A study of the relationship between perceived organizational justice and social capital of staff (case study: physical education general department of Ilam province) | |
Gilandeh et al. | Ranking tourism attractions based on potential to attract tourists by using numerical taxonomy model (case: City of Khoy) | |
CN113077327A (zh) | 一种去中心化群智感知系统中的分布式最优拍卖方法 | |
Yu et al. | An evolutionary agent-based framework for modeling and analysis of labor market | |
Raco et al. | Strategic Priority Of Volcanic Islands Tourism Using SWOT-TOWS and Fuzzy-AHP |
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 |