CN113516229A - 面向群智感知系统的可信用户优化选择方法 - Google Patents
面向群智感知系统的可信用户优化选择方法 Download PDFInfo
- Publication number
- CN113516229A CN113516229A CN202110774979.8A CN202110774979A CN113516229A CN 113516229 A CN113516229 A CN 113516229A CN 202110774979 A CN202110774979 A CN 202110774979A CN 113516229 A CN113516229 A CN 113516229A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- users
- sensing
- platform
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的是一种基于面向群智感知系统的可信用户优化选择方法,其具体内容可以表示为:要求用户提供收集数据时环境状态的评估,这不仅可以作为环境对数据影响程度的参考因素,也可以作为平台对用户可信性评估的参考数据之一。将用户提供的数据输入到分析模块中,由分析模块判断其是否为可信数据,分析模块中设置信任矩阵,计算用户的信誉值,当用户信誉值大于阈值时,确定提供该数据的用户为可信用户。本发明提高了平台对用户判断的准确性,提高了平台的数据质量,同时降低了平台判断用户消耗的平均时间。
Description
技术领域
本发明设计到移动群智感知技术领域,设计一种面向群智感知系统的可信用户优化选 择方法。
背景技术
智能手机不仅普及度极强,自身还带有集成的高分辨率摄像头和不同传感器,例如陀 螺仪、光敏传感器、GPS、磁传感器、声传感器等,智能手机具有更先进的传感器,这一特 点使其成为移动群智感知系统的基础设备。参与者通过手机传感器收集数据,移动群智感知 系统对这些数据进行存储、整理,最后在公共平台进行共享。与传统的传感网络不同,在移 动群智感知系统中,用户使用随身携带的智能设备在物理世界采集不同模态的数据,平台对 收集到的感知数据进行分析后得到结论,服务请求者可以从中获得相对准确、可靠的信息。 移动群智感知在城市/社区动态检测或者其他方面有许多应用领域,例如空气污染监测,测量 路面车辆密度,噪声监测,路线规划等。由此可见,要想保证分析结果准确而可靠,对于提 高感知数据质量的研究是极为重要的。移动群智感知系统的基础是大量感知用户主动提供数 据,受环境或人为因素的影响,平台收集到的数据中混有虚假数据,而虚假数据会对系统的 综合分析产生消极影响,所以平台在收集数据时需要对数据进行判断,降低由恶意数据误导 而得出错误结论的概率,以增强感知系统预测的可靠性。群智感知系统中用户为非固定人群, 这一特性使感知系统拥有良好的灵活性的同时也带来了对于用户的不可预测性。经研究表明, 可信性越高的用户提供高质量感知数据的可能性就越大,因此筛选群智感知中可信用户,就 能进一步的提高感知数据质量。
WangL等人提出了一种新型框架effsense,该框架将用户分为两组,分别为降低能耗 组合降低数据成本组,通过利用用户呼叫的移动性的可预测性,提供用户自适应上传数据方 式,减少用户的成本消耗,减低用户因上传数据成本过高而降低数据质量。J.An等人提出一 种面向服务的框架,该框架考虑到感知用户的移动性和社会性,将不同的功能单元与内在的 服务互连起来,构建从服务请求者到服务提供者的可信链路,实现众包服务请求的高效分发 和可靠交付。HuangK等人提出了一种通过评估感知用户信誉来反映该用户在群智感知系统 中提供数据的可信性的系统。该系统由两个模块组成,分别为看门狗模块和信誉模块,看门 狗模块通过执行离群值检测算法计算用户贡献的评分,该模块根据不同的数据类型,选择使 用鲁棒平均算法或多数投票算法对用户的贡献进行评分。将用户的贡献评分传送给信誉模块, 信誉模块使用Gompertz函数计算用户信誉值,进而判断用户上传数据的可信性;E 等人提出了一个概念性的信任框架,提出了考虑用户信任倾向的移动群智感知系统中的数据 可信性评估,该框架对定性评估动态进行扩展,支持以人为中心的信任管理,在对用户的贡 献进行评估的同时,也考虑到用户提供信息时的个体倾向。由于用户出来贡献智能设备生成 的原始感应数据外,还可以提供自己的意见和其他主观数据,该方法侧重于在对用户贡献进 行信任评估时考虑用户行为特征中的主观性;Amintoosi H等人提出了一个应用不可知的社会 参与式感知系统声誉框架,该框架考虑了贡献的质量和社会网络中参与者的可信水平,然后 信誉模块采用PageRank算法进行计算,得出一个最终的贡献信任度,同时也会计算出每个参 与者的信誉分数,作为对其进行信任评级的结果。Su K等人提出了一种可靠的个性化QoS预 测信任感知方法TAP,首先通过用户提供的信息进行聚类,然后使用beta信誉系统计算用户 信誉,通过计算出的用户信誉和相似度识别出一组值得信赖的用户,最后结合可信的相似用 户和服务的Qos数据对活动用户进行预测。
发明内容
本发明旨在面向移动群智感知系统,提出一种群智感知可信用户的选择方法。
本发明考虑到感知环境对数据收集的影响,要求感知用户进行数据收集时对当前环境 进行评估,将评估意见和收集到的信息作为数据一并上传给服务器。
本发明提出的框架根据生成对抗网络工作原理,摹拟模块在噪声向量的参与下生成不 同数据,分析模块判断输入数据是来自真实数据还是摹拟模块,两个模块在各自的学习率下 不断进行能力提升,当分析模块无法分辨数据来源时代表训练结束。
本发明中的识别模块对用户提供数据进行分析,评估数据分布与可信用户提供数据的 相似度,该过程受用户的历史行为和爱好偏向等因素的影响较小,与基于用户历史信誉关联 的评估方法相比具有更高的稳定性。
相对于其他算法,本发明从不同角度收集数据,分析后得到的结果会更具可靠性;另 一方面,该框架结合生成对抗网络的工作原理,对识别模型进行用户可信性判断的训练,训 练结束后获得生成对抗网络的优势,对用户的判断精准而快速。通过对比实验结果表明,在 恶意用户占相同比例的情况下,本发明对用户可信性判断的准确率以明显的优势优于其他算 法。
附图说明
图1为PnGAN在群智感知系统流程图。
图2为摹拟模块和分析模块工作流程图。
具体实施方式
下面结合附图对本发明内容做更详细地描述。
群智感知用户选择方法:本发明提出一种新型的信任框架,该框架考虑了影响数据质 量的相关因素。拟议框架的目标是确定在群智感知框架中影响用户信誉因素之间的关系,同 时也考虑用户的主观因素对用户信誉的影响。本发明将影响用户信誉的因素总结归纳为以下 几个方面:①感知环境对用户进行数据收集的影响;②用户提供数据的可信赖性随时间变化 而改变。
由于群智感知系统无法确定对感知环境对用户进行数据收集的影响,所以本发明采用 征求感知用户对当前环境的主观评估,即该感知事件是否具有代表性,由此可以将环境因素 作为数据质量评估的数据。用户提供数据的方式原分为显式提供和隐式提供,在本发明考虑 用户对感知环境进行评估后,数据又可以分为主观部分和客观部分。在此基础上本发明提出 了信任矩阵,事件的信任值的计算方式,同时将其归纳到神经网络中,作为神经网络做出判 断的重要依据,如图1所示。
移动群智感知系统由感知用户组成,表示系统中收集感知数据的拥有智能设备的参与 用户。用户在系统要求的环境中进行数据收集,表示用户收集到的感知数据。通过用户收集 数据的方式将用户分为机会式感知用户和参与式感知用户,机会式感知用于获得从智能设备 或其他移动终端中收集数据的物理信息,参与式感知需要用户积极参与感知任务,并对收集 数据的事件表达个人观点,通过参与式感知的方法获得用户对事件的评估。
将用户的评估结果及用户收集到的信息作为数据上传给群智感知平台,在感知平台内 部设置识别模块,该模块可以根据用户提供的数据对用户的可信性进行判断,该模块由两层 神经网络构成,一层神经网络用来评估用户的数据,另一层对评估的结果进行分类,输出该 用户是否可信。平台对数据进行分析之后提取需要的信息,然后有针对性的发布下一轮任务。
利用生成对抗网络的工作原理,本发明在训练过程中设置两个模块,分别为摹拟模块 和分析模块。摹拟模块中包含两层神经网络,首先对上传的数据进行随机采样,样本作为输 入信息输入到该模块中,神经网络对输入数据进行分析摹拟,为了使摹拟的数据具有多样性, 在输入样本的同时输入噪声,摹拟模块输出的生成数据作为样本输入到分析模块中,分析模 块功能在于判断输入样本是否为摹拟模块生成的,输出判断结果后将判断样本的依据作为信 息反馈给摹拟模块,以便摹拟模块生成更接近真实数据的样本。分析模块也在不断识别样本 的过程中进行学习和升级,以期能更好地分辨输入样本的来源。模块间具体工作流程如图2 所示。
图2中,随机数据SN和噪声向量X的串联输入,SN是n维向量,每个元素对应于标签的数值。X是m维向量的超参数。m的每个元素都是从[0,1)范围内的均匀分布中采样的随机数。本发明首先将用户提供数据进行统计和分析,用户上传的感知数据通常具有多种标签,对数据进行多次抽样后对数据中每个标签出现的频率进行统计,抽样结束后对统计的频率取 平均值,选取频率较高的标签作为输入数据。
当分析模块无法识别出数据来源时,标志神经网络模型训练结束,然后将识别模块应 用到群智感知平台中。
计算感知用户声誉:在识别模块内部对用户计算用户的声誉值时,将用户对事件的所 提供的信息分为主观部分和客观部分,公式表示为Pi,j=(Ai,j,Bj)。主观部分Ai,j表示用户i对 事件j的评估,通过参与式感知方法明确贡献,客观部分Bj通过机会感知方法捕获。在后文 中,本发明将活动的主观部分称为“主观评估”,客观部分称为“客观评估”。
主观评估Ai,j由用户主动提供,取值范围为集合S={-2,-1,0,1,2},其中数字分别表示用户 认为事件的没有代表性、大概率不具有代表性、不确定、大概率具有代表性和极具代表性。
客观评估Bj在区间[0,1]上有实数值,用于比较事件及其分类。本发明将一组相同的事 件定义为集合Ek={Bj-τ<Bj<Bj+τ},其中τ表示事件分类阈值。例如,在同一时间和同一 地理位置发生的事件在收集有关天气状况数据的群智感知系统中将具有相同的客观价值。本 发明事件分类的阈值设置为τ=0.05。
事件评估存储在信任矩阵中。信任矩阵的一般形式为
信任矩阵M中的第k行代表用户Uk的个人评估向量,它包含用户Uk对事件的评估,并表示为Mk,m={(A1,1,B1)(Ak,2,Bk)…(Ak,m,Bm)}。此外表示仅包含主观部分的评估向量,表示仅包含客观评估的部分。第k列表示对特定事件ek的评估的信任向量(有用户提供), 公式表示为Mk,m={(A1,k,Bk)(Ak,k,Bk)…(An,k,Bk)}。事件ek的信任值定义为 在训练过程中,生成器要求找出类似于真实的数据分布,故PnGAN的生成器的目标函数定义为针对生成器的工作原理,判别 器的目标函数定义为其中x是来自真实数据分布pdata的真实数据,z是从分布pz采样的噪声矢量。在D(x)和D(G(z))的 基础上加入求对数和求期望值,以降低不可预期的干扰噪声对数据分布的影响和缓解数据分 布偏差问题。期望值的计算是使最终生成的数据分布PN(z)与真实数据分布PF(x)一致,即希 望生成数据尽量地拟合真实数据但不是生成真实数据本身,这样才能保证G产生出的数据既 与真实数据有一定相似性,同时又不同于真实数据。PN代表着虚假样本通过参数为θg的G映 射大高维的数据空间得到Pg=G(z,θg)。
训练PnGAN过程如算法1所示。
数据质量评估算法:在感知目标区域内,将不同时间段的感知任务记为T={t1,t2,…,tm}, 每个任务的用户集为U={u1,u2,…,un},招募若干个用户构成集合U′U'进行任务感知, 其提交的感知数据集为x={x1,x2,…,xk}。其数据质量记为Q={q1,…,qk},qi∈Q且0≤qi≤1。 存在数据质量阈值μ,当qi≥μ时,用户ui的数据质量达到标准。
当用户将收集到的数据上传给平台后,系统根据用户提交的数据计算其感知质量,感 知质量评估算法如算法2所示。
Claims (3)
1.本发明采用征求感知用户对当前环境的主观评估,即该感知事件是否具有代表性,由此可以将环境因素作为数据质量评估的数据,用户提供数据的方式原分为显式提供和隐式提供,在本发明考虑用户对感知环境进行评估后,数据又可以分为主观部分和客观部分,在此基础上本发明提出了信任矩阵,事件的信任值的计算方式,同时将其归纳到神经网络中,作为神经网络做出判断的重要依据。
2.移动群智感知系统由感知用户组成,用户在系统要求的环境中进行数据收集,通过用户收集数据的方式将用户分为机会式感知用户和参与式感知用户,机会式感知用于获得从智能设备或其他移动终端中收集数据的物理信息,参与式感知需要用户积极参与感知任务,并对收集数据的事件表达个人观点,通过参与式感知的方法获得用户对事件的评估。
3.将用户的评估结果及用户收集到的信息作为数据上传给群智感知平台,在感知平台内部设置识别模块,该模块可以根据用户提供的数据对用户的可信性进行判断,该模块由两层神经网络构成,一层神经网络用来评估用户的数据,另一层对评估的结果进行分类,输出该用户是否可信,平台对数据进行分析之后提取需要的信息,然后有针对性的发布下一轮任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774979.8A CN113516229A (zh) | 2021-07-09 | 2021-07-09 | 面向群智感知系统的可信用户优化选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110774979.8A CN113516229A (zh) | 2021-07-09 | 2021-07-09 | 面向群智感知系统的可信用户优化选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516229A true CN113516229A (zh) | 2021-10-19 |
Family
ID=78067091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110774979.8A Pending CN113516229A (zh) | 2021-07-09 | 2021-07-09 | 面向群智感知系统的可信用户优化选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516229A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971047A (zh) * | 2022-06-04 | 2022-08-30 | 哈尔滨理工大学 | 一种面向移动群智感知的用户协同优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130176438A1 (en) * | 2012-01-06 | 2013-07-11 | Nokia Corporation | Methods, apparatuses and computer program products for analyzing crowd source sensed data to determine information related to media content of media capturing devices |
CN109377218A (zh) * | 2018-09-20 | 2019-02-22 | 北京邮电大学 | 一种遏制虚假感知攻击的方法、服务器及移动终端 |
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 |
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
CN112967118A (zh) * | 2021-02-03 | 2021-06-15 | 华南理工大学 | 移动群智感知激励方法、装置、系统及存储介质 |
-
2021
- 2021-07-09 CN CN202110774979.8A patent/CN113516229A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130176438A1 (en) * | 2012-01-06 | 2013-07-11 | Nokia Corporation | Methods, apparatuses and computer program products for analyzing crowd source sensed data to determine information related to media content of media capturing devices |
CN109377218A (zh) * | 2018-09-20 | 2019-02-22 | 北京邮电大学 | 一种遏制虚假感知攻击的方法、服务器及移动终端 |
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 |
CN110849627A (zh) * | 2019-11-27 | 2020-02-28 | 哈尔滨理工大学 | 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法 |
CN112967118A (zh) * | 2021-02-03 | 2021-06-15 | 华南理工大学 | 移动群智感知激励方法、装置、系统及存储介质 |
Non-Patent Citations (5)
Title |
---|
XIAO MA 等: "Trust-Based Time Series Data Model for Mobile Crowdsensing", 《IEEE》 * |
XIAOYU ZHU 等: "A Deep Learning-Based Mobile Crowdsensing Scheme by Predicting Vehicle Mobility", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
明睿: "基于信任机制的在线推荐系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
郭斌 等: "群智大数据:感知、优选与理解", 《大数据》 * |
陈荟慧 等: "移动群智感知应用", 《中兴通讯技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114971047A (zh) * | 2022-06-04 | 2022-08-30 | 哈尔滨理工大学 | 一种面向移动群智感知的用户协同优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11659050B2 (en) | Discovering signature of electronic social networks | |
Xu et al. | Incentive mechanism for multiple cooperative tasks with compatible users in mobile crowd sensing via online communities | |
CN108182489B (zh) | 一种基于在线学习行为分析的个性化学习推荐方法 | |
Wang et al. | Crowdsensing-based consensus incident report for road traffic acquisition | |
Wang et al. | On credibility estimation tradeoffs in assured social sensing | |
Shmueli et al. | Neural network analysis of travel behavior: evaluating tools for prediction | |
Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
CN108304935A (zh) | 机器学习模型训练方法、装置和计算机设备 | |
Hu et al. | Nonnegative matrix tri-factorization with user similarity for clustering in point-of-interest | |
CN103577876A (zh) | 基于前馈神经网络的可信与不可信用户识别方法 | |
Allahviranloo et al. | Mining activity pattern trajectories and allocating activities in the network | |
Willekens | Evidence-based monitoring of international migration flows in Europe | |
Alswailim et al. | A reputation system to evaluate participants for participatory sensing | |
Gao | Forecast model of perceived demand of museum tourists based on neural network integration | |
Kang et al. | DTD: An intelligent data and bid dual truth discovery scheme for MCS in IIoT | |
Yang et al. | Reputation modelling in Citizen Science for environmental acoustic data analysis | |
Loganathan et al. | Development of machine learning based framework for classification and prediction of students in virtual classroom environment | |
CN113516229A (zh) | 面向群智感知系统的可信用户优化选择方法 | |
Tanton | Spatial microsimulation: developments and potential future directions | |
CN111782955A (zh) | 兴趣点表示和推送方法、装置、电子设备及存储介质 | |
CN116665482A (zh) | 一种基于智慧停车的停车位推荐方法及装置 | |
Dutta et al. | Inferencing transportation mode using unsupervised deep learning approach exploiting GPS point-level characteristics | |
Vahidi et al. | A fuzzy system for quality assurance of crowdsourced wildlife observation geodata | |
Li et al. | Discrete dynamic modeling analysis of data mining algorithm under the background of big data in the strategic goal of sustainable development of college physical training | |
Wang et al. | A UAV-Assisted Truth Discovery Approach With Incentive Mechanism Design in Mobile Crowd Sensing |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211019 |