CN114339655A - 人车协同参与的稀疏移动群智感知方法 - Google Patents
人车协同参与的稀疏移动群智感知方法 Download PDFInfo
- Publication number
- CN114339655A CN114339655A CN202210245412.6A CN202210245412A CN114339655A CN 114339655 A CN114339655 A CN 114339655A CN 202210245412 A CN202210245412 A CN 202210245412A CN 114339655 A CN114339655 A CN 114339655A
- Authority
- CN
- China
- Prior art keywords
- sub
- vehicle
- region
- perception
- information
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及移动群智感知领域,公开了一种人车协同参与的稀疏移动群智感知方法,本发明根据智群感知目标进行感知划分以及确定人车感知资源;根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域;基于宽度优先算法搜索每个可用车辆的可选轨迹;基于局部波束搜索算法对车辆的可选轨迹进行融合并筛选出车辆融合轨迹集,基于加权随机选择法在所述车辆融合轨迹集中选择最终的车辆融合轨迹以确定车辆对应的轨迹;根据所述车辆对应的轨迹以及所述目标子区域的评估结果选择目标用户进行招募;为所述车辆和已选择的用户分配感知任务以获取对应的感知数据,实现了合理分配招募任务以实现人车协同参与进行感知数据收集的效果。
Description
技术领域
本申请涉及移动群智感知领域,特别是涉及一种人车协同参与的稀疏移动群智感知方法。
背景技术
随着便携式设备的普及和移动计算技术的发展,移动群智感知(Mobile CrowdSensing,MCS)已成为一种被广泛采用的数据收集方法,该方法允许众多参与者共同完成各种城市规模的感知任务,如噪音监测、车流量监测、基础设施监测或碳排放监测。MCS系统通常将监测区域划分为许多子区域(也称为网格),并需要大量用户以全覆盖或概率覆盖目标区域的方式来执行感知任务。因此,这些系统所需的巨大感知和通信成本,从而阻碍了MCS系统的实际应用。由于一些目标数据的低秩特征已经在许多城市遥感地图中得到验证,因此研究人员提出了稀疏移动群智感知方法,该方法只在部分子区域中采样数据,而后利用目标数据中的固有相关性,在可接受的误差范围下推断未采样子区域的数据。
稀疏移动群智感知方法虽然很有前景,但在现实世界中部署稀疏移动群智感知系统时,将面临着用户带来的不可忽视的问题。许多现有的关于稀疏移动群智感知的工作都假设每个子区域内可以招募足够的用户来收集数据。然而在目前的技术和社会条件下,可能会招募不到足够的用户。首先,虽然系统会提供奖励来鼓励用户完成任务,但一些用户由于兴趣缺失或隐私意识不愿参与。其次,用户的分布通常存在偏倚性。在空间上,用户往往集中在城市的商业区和生活区,而一些开发区和郊区很少或没有用户;在时间上,子区域内的用户数量随日常活动的变化而变化。例如,白天用户较多而晚上用户可能很少。用户的偏倚分布导致某些子区域缺乏传感数据,进而导致整个感知精度的降低。一些稀疏移动群智感知的研究考虑了用户的移动性,即用户可以在子区域内移动,也可以在相邻子区域之间移动。但用户的移动性有限,并不能从本质上解决用户分布的偏倚问题。用户带来的另一个问题是感知误差。一方面,用户携带的便携式传感设备可能会引起传感误差。便携式传感设备通常体积小,以便于携带和节能,但小型化的设计也会影响传感精度。另一方面,感知误差可能受到用户的责任心和熟练程度的影响。例如,有些用户有意或无意地不遵循操作规范,从而收集了带误差的甚至错误的数据。一些稀疏移动群智感知系统通过在同一子区域同时招募多个用户来获取综合感知数据以减少误差,但感知误差仍然是存在的,并且实际情况中可能没有足够的用户可以同时被招募。
因此,仅招募用户收集数据可能不足以支持目前条件下的稀疏移动群智感知系统。类似的问题也同样出现在车辆群智感知(Vehicular Crowd Sensing,VCS)系统中,即使用装有传感器的车辆来执行感知任务。传统的车辆群智感知系统主要依赖于出租车、公交车等社会车辆,而这些社会车辆的分布也存在偏倚性。为了提供细粒度的感知覆盖,一些研究提出了多参与者的混合感知方法,该方法不仅利用社会车辆执行感知任务,而且还雇佣了专门用于感知任务的专用感知车辆(dedicated sensing vehicles,DSVs)。专用感知车辆可以被派遣到没有社会车辆覆盖的子区域收集数据,从而弥补社会车辆的覆盖缺口。
同样地,在稀疏移动群智感知系统中,引入专用感知车辆也可以缓解当前的问题。专用车辆具有强大的移动性,可以在一个传感周期内到达用户未覆盖的子区域进行数据采集,甚至对多个子区域进行采样。在传感误差方面,专用车辆可以配备更大尺寸、更高精度的专用传感器,而不是便携式传感器,以收集更准确的传感数据。此外,专用车辆中的驾驶员或操作员一般可以通过培训和监督来使他们进行规范的传感器操作,以减少了采集错误数据的风险。然而,采用专用车辆将不可避免地给稀疏移动群智感知系统带来额外的成本和复杂性。
因此,如何合理地招募现有用户以及车辆收集目标区域的感知信息成为了一个亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种人车协同参与的稀疏移动群智感知方法,旨在解决现有技术无法实现合理地招募现有用户以及车辆收集目标区域的感知信息的技术问题。
为实现上述目的,本发明提供了一种人车协同参与的稀疏移动群智感知方法,所述方法包括:
根据智群感知目标进行感知划分以及确定人车感知资源;
根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域;
基于宽度优先算法搜索每个可用车辆的可选轨迹;
基于局部波束搜索算法对车辆的可选轨迹进行融合并筛选出车辆融合轨迹集,基于加权随机选择法在所述车辆融合轨迹集中选择最终的车辆融合轨迹以确定车辆对应的轨迹;
根据所述车辆对应的轨迹以及所述目标子区域的评估结果选择目标用户进行招募;
为所述车辆和已选择的用户分配感知任务以获取对应的感知数据。
可选地,所述根据智群感知目标进行感知划分以及确定人车感知资源的步骤,包括:
根据智群感知目标进行感知任务划分,所述感知任务包括子区域划分和时间划分;
确定人车感知资源,所述人车感知资源包括:可招募用户、可调度车辆数量以及用户和/或车辆对应的位置信息。
可选地,所述根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域的步骤之前,包括:
定义信息子区域以辅助目标子区域选择,所述信息子区域支持数据恢复信息;
定义鲁棒子区域以减少误差对数据恢复的影响;
将目标子区域中的历史数据整理为感知矩阵格式,并采用奇异值分解法或交替最小二乘法将所述目标子区域分解成第一子矩阵和第二子矩阵。
可选地,所述根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域的步骤,包括:
根据历史数据对目标子区域的信息量进行评估,并根据评估结果对所述第一子矩阵和第二子矩阵进行判断;
若所述子矩阵中与所述目标子区域对应的行向量与其他行向量线性无关,则判定该子矩阵是信息子区域;
若所述子矩阵中与所述目标子区域对应的行向量与其他行向量之间的余弦值小于预设阈值,则该子矩阵是鲁棒子区域。
可选地,所述基于局部波束搜索算法对车辆的可选轨迹进行融合并筛选出车辆融合轨迹集,基于加权随机选择法在所述车辆融合轨迹集中选择最终的车辆融合轨迹以确定车辆对应的轨迹的步骤,包括:
采取加权随机的方式将所述车辆融合轨迹中的所述信息子区域的数量作为权重,并随机选择最终融合轨迹集;
对所述最终融合轨迹集进行轨迹分解的方式确定车辆对应的轨迹。
可选地,所述根据所述车辆对应的轨迹以及所述目标子区域的评估结果选择目标用户进行招募的步骤,包括:
获取预算约束和雇佣条件,并根据所述预算约束和雇佣条件确定目标招募用户数量;
根据所述车辆对应的轨迹确定车辆能够覆盖的子区域,并在用户池中排除所述子区域内的用户;
根据所述用户数量,结合剩余用户池选择位于信息子区域和鲁棒子区域中的用户进行招募。
可选地,所述为所述车辆和已选择的用户分配感知任务以获取对应的感知数据的步骤,包括:
为所述车辆和已选择的用户分配感知任务,所述感知任务包括路径规划信息以及任务约束信息;
检测所述车辆和已选择的用户是否满足任务完成条件;
若是,则获取对应的感知数据将所述感知数据上传至稀疏移动群智感知平台,并对所述用户发送奖励。
本发明根据智群感知目标进行感知划分以及确定人车感知资源;根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域;基于宽度优先算法搜索每个可用车辆的可选轨迹;基于局部波束搜索算法对车辆的可选轨迹进行融合并筛选出车辆融合轨迹集,基于加权随机选择法在所述车辆融合轨迹集中选择最终的车辆融合轨迹以确定车辆对应的轨迹;根据所述车辆对应的轨迹以及所述目标子区域的评估结果选择目标用户进行招募;为所述车辆和已选择的用户分配感知任务以获取对应的感知数据,实现了合理分配招募任务以实现人车协同参与进行感知数据收集的效果。
附图说明
图1为本发明人车协同参与的稀疏移动群智感知方法第一实施例的流程示意图;
图2为本发明人车协同参与的稀疏移动群智感知方法第一实施例的实施步骤图;
图3为本发明人车协同参与的稀疏移动群智感知方法第一实施例感知矩阵分解的过程图;
图4为本发明人车协同参与的稀疏移动群智感知方法第一实施例车辆对应的轨迹选择过程图;
图5为本发明人车协同参与的稀疏移动群智感知方法第一实施例基于宽度优先算法的可选轨迹搜索流程图;
图6为本发明人车协同参与的稀疏移动群智感知方法第一实施例基于局部波束搜索的轨迹融合筛选流程图;
图7为本发明人车协同参与的稀疏移动群智感知方法第一实施例用户选择流程图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例提供了一种人车协同参与的稀疏移动群智感知方法,参照图1,图1为本发明人车协同参与的稀疏移动群智感知方法第一实施例的流程示意图。
本实施例中,所述人车协同参与的稀疏移动群智感知方法包括以下步骤:
步骤S10:根据智群感知目标进行感知划分以及确定人车感知资源。
需要说明的是,如图2所示,本实施例人车协同参与的稀疏移动群智感知方法的实施步骤如下:
1)将目标区域划分为若干个子区域,并在时间上将感知任务划分为诸多感知周期;确认已有的感知资源状态,例如已经雇佣的车辆数量及其所处的子区域,可供招募的用户数量及其所处的子区域。
2)将历史数据整理为感知矩阵格式,并进行矩阵分解,找出信息子区域和鲁棒子区域;
3)基于宽度优先算法搜索每个已雇佣车辆的可选轨迹;
4)基于局部波束搜索算法逐一对车辆的可选轨迹进行融合并筛选,基于加权随机选择法选择最终的车辆融合轨迹,并确定各车的轨迹;
5)根据车辆对应的轨迹规划结果选择部分用户进行招募;
6)为车辆和选择的用户分配感知任务,并提供相应的奖励激励其上传感知数据,根据感知数据进行未感知子区域中的数据恢复。
在具体实施中,感知任务划分:首先将目标检测区域划分为个子区域,并将子区域表示为。同时,整个感知任务被均匀划分为了个感知周期,每个感知周期的长度为,将感知周期表示为。感知资源确认:在本实例中,已经雇佣的车辆数量为,将所有雇佣的车辆集合表示为,其中对应第i辆被雇佣的车。相应地,将可招募的用户的集合表示为,其中对应第i辆可被招募的用户。
进一步地,所述根据智群感知目标进行感知划分以及确定人车感知资源的步骤,包括:根据智群感知目标进行感知任务划分,所述感知任务包括子区域划分和时间划分;确定人车感知资源,所述人车感知资源包括:可招募用户、可调度车辆数量以及用户和/或车辆对应的位置信息。
步骤S20:根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域。
在具体实施中,感知矩阵分解的过程如图3所示。首先将历史数据表示为感知矩阵格式。假设当前处于感知周期,则由历史数据组成的感知矩阵可表示为。若子区域在感知周期中被感知,则感知矩阵中的元素为感知数据,否则。相应地,这里再定义一个采样矩阵,当时,,当为感知数据时,。由于感知矩阵通常存在低秩性,因此感知矩阵可以被分解为两个因子矩阵和,其中k为感知矩阵的秩。具体来说,可以使用奇异值分解法或交替最小二乘法在最小化误差的基础上得到因子矩阵:
式中的为Frobenius范数。在得到A和B矩阵之后可以发现,每一个采样数据都与A和B矩阵中对应的行向量,构成一个近似线性关系,将该关系简化为线性关系,即,假设在感知周期中采样了个子区域,因此可以得到以下线性系统:
该方程组可以被进一步转化为矩阵形式
在该线性系统中,矩阵由采样数据构成,系数矩阵C由矩阵A对应的行向量构成,这些都是已知的。而向量中包含了k个未知数,因此确定中的每一个参数,系数矩阵C需要满足。这意味着每个感知周期内至少需要采样k个子区域。而当系数矩阵C中存在行向量线性相关时,系数矩阵也可能是不完备的,因此需要主动选择那些对应行向量线性无关的子区域进行采样。基于以上分析,将信息子区域(informativesubarea)定义为:给定一组子区域和相应的系数矩阵,如果一个子区域在系数矩阵中对应的行向量与其他子区域对应的所有行向量都线性无关,则该子区域是信息子区域。此外,当矩阵中的数据存在误差,可能会导致线性系统的不稳定,对数据推断的准确性产生不利影响。从线性系统的几何观点来看,当系数矩阵行向量之间的余弦值较小时,线性系统对带误差的数据具有一定的鲁棒性。因此,给出以下鲁棒子区域(robust subarea)的定义:给定一组子区域和相应的系数矩阵,当一个子区域在系数矩阵中对应的行向量与其他子区域对应的行向量之间的最大余弦值小于某一阈值时,该子区域是鲁棒子区域。
进一步地,所述根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域的步骤之前,包括:定义信息子区域以辅助目标子区域选择,所述信息子区域支持数据恢复信息;定义鲁棒子区域以减少误差对数据恢复的影响;将目标子区域中的历史数据整理为感知矩阵格式,并采用奇异值分解法或交替最小二乘法将所述目标子区域分解成第一子矩阵和第二子矩阵。
进一步地,所述根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域的步骤,包括:根据历史数据对目标子区域的信息量进行评估,并根据评估结果对所述第一子矩阵和第二子矩阵进行判断;若所述子矩阵中与所述目标子区域对应的行向量与其他行向量线性无关,则判定该子矩阵是信息子区域;若所述子矩阵中与所述目标子区域对应的行向量与其他行向量之间的余弦值小于预设阈值,则该子矩阵是鲁棒子区域。
步骤S30:基于宽度优先算法搜索每个可用车辆的可选轨迹。
在具体实施中,车辆对应的轨迹选择过程如图4所示,基于宽度优先算法的可选轨迹搜索流程如图5所示。
可以理解的是,由于可以假设车辆的平均速度和子区域之间的距离为常数,在时间约束下,位于某子区域的车辆的可选轨迹数量是有限的。但是可选轨迹可能很多,如果所有可选轨迹都被记录下来,将消耗大量的存储资源,更重要的是会给后续的轨迹融合带来很大的计算负担。一般来说,采样的子区域越多,带来的信息越多,有利于获得高质量的数据推断。因此,只记录覆盖足够多子区域的可选轨迹。给定距离矩阵D,该矩阵包含所有子区域之间的距离,车辆的初始子区域位置和数量阈值。首先将不完整的轨迹添加到开放轨迹列表(RL_open)中,这意味着这条不完整的轨迹可能会进一步延伸。然后,依次扩展RL_open中的每条轨迹。以不完整轨迹为例,采用以下公式计算移动时间:
其中为轨迹中包含的子区域数量,为车辆的平均移动速度,表示子区域之间的距离。在得到移动时间后,可以结合感知周期长度得到剩余可扩展时间为。在剩余时间约束下,搜索轨迹中的最后一个子区域的可能后继子区域并存储在集合中。如果为空,则不能进行轨迹扩展。因此当轨迹覆盖超过个子区域且未包含在RL_close中时,将轨迹记录在列表(RL_close)中。如果不为空,则将中的每个子区域分别添加到轨迹中,形成新的轨迹,如果还没有包含在RL_open中,则将其添加到RL_open中。反复执行上述过程,直到RL_open为空,此时RL_close中的所有轨迹即为可选轨迹。
步骤S40:基于局部波束搜索算法对车辆的可选轨迹进行融合并筛选出车辆融合轨迹集,基于加权随机选择法在所述车辆融合轨迹集中选择最终的车辆融合轨迹以确定车辆对应的轨迹。
在具体实施中,基于局部波束搜索的轨迹融合筛选流程如图6所示,在面对多辆车的情况下,需要考虑车辆之间的协同,也就是在为每辆车从可选轨迹集中选择轨迹的时候,也要考虑其他车辆的轨迹。因此,将各车的轨迹先进行融合,得到融合轨迹集,而后再从融合轨迹集中选择合适的融合轨迹。然而这是非常具有挑战性的,因为某些车辆的可选轨迹集可能非常多,为融合轨迹带来了巨大的计算负担和存储负担。本实施例在每次进行轨迹融合时,仅保留个最优的融合轨迹。若一个轨迹中包含的信息子区域的数量较多,则该轨迹被优先保留。首先在融合轨迹列表中加入空的融合轨迹并采取逐个车辆对应的轨迹融合的方式,将可选轨迹集中的轨迹与融合轨迹取并集,得到新的融合轨迹集。
如果融合轨迹列表FRL中的轨迹少于个,则可以在FRL中没有与一样的轨迹的情况下将加入FRL。如果FRL中已经有了个轨迹,则当大于FRL中的轨迹最小值时,可以在FRL中没有与一样的轨迹的情况下将加入FRL中,同时删除FRL中有最小有信息的子区域数量的轨迹。若,则优先保留轨迹上子区域被采样的总次数比较少的轨迹。
由于某些轨迹总是含有比较多的信息子区域,因此若直接按照轨迹覆盖的信息子区域的数量进行选择,会导致某些轨迹总是被选中,而车辆也会在这些轨迹中来回移动,无法移动到其他子区域收集信息。本发明采用了加权随机选择的方式,将各轨迹上的信息子区域数量进行归一化处理后,得到该轨迹的权重,而后进行加权随机选择,得到最终的融合轨迹。在确定融合轨迹集后,通过轨迹分解来确定各车的轨迹。
进一步地,所述基于局部波束搜索算法对车辆的可选轨迹进行融合并筛选出车辆融合轨迹集,基于加权随机选择法在所述车辆融合轨迹集中选择最终的车辆融合轨迹以确定车辆对应的轨迹的步骤,包括:基于局部波束搜索算法对车辆的可选轨迹进行融合并筛选,每次融合时包括个最优融合轨迹,在筛选融合轨迹时,覆盖所述信息子区域较多的轨迹保留的优先级高于覆盖所述信息子区域少的轨迹以确定车辆融合轨迹集;采取加权随机的方式将所述车辆融合轨迹中的所述信息子区域的数量作为权重,并随机选择最终融合轨迹集;对所述最终融合轨迹集进行轨迹分解的方式确定车辆对应的轨迹。
步骤S50:根据所述车辆对应的轨迹以及所述目标子区域的评估结果选择目标用户进行招募。
进一步地,所述根据所述车辆对应的轨迹以及所述目标子区域的评估结果选择目标用户进行招募的步骤,包括:获取预算约束和雇佣条件,并根据所述预算约束和雇佣条件确定目标招募用户数量;根据所述车辆对应的轨迹确定车辆能够覆盖的子区域,并在用户池中排除所述子区域内的用户;根据所述用户数量,结合剩余用户池选择位于信息子区域和鲁棒子区域中的用户进行招募。
步骤S60:为所述车辆和已选择的用户分配感知任务以获取对应的感知数据。
进一步地,所述为所述车辆和已选择的用户分配感知任务以获取对应的感知数据的步骤,包括:为所述车辆和已选择的用户分配感知任务,所述感知任务包括路径规划信息以及任务约束信息;检测所述车辆和已选择的用户是否满足任务完成条件;若是,则获取对应的感知数据将所述感知数据上传至稀疏移动群智感知平台,并对所述用户发送奖励。
在具体实施中,本实施例中,用户选择流程如图7所示。首先根据预算约束,确定能够招募的用户数量。在给定总预算的情况下,假设雇佣车辆已花费,则剩余的预算为。假设一个用户的雇佣成本为,则还能在剩余的预算下招募的用户数量,其中为向下取整函数。用户选择的本质是子区域选择,稀疏移动群智感知系统希望选择信息的、鲁棒的子区域。假设可选的用户集为,由这些用户覆盖的子区域集为,这个子区域集中,可能有一些子区域会被车辆对应的轨迹覆盖,为了不重复地在这些子区域采样,将被车辆对应的轨迹覆盖的子区域从中剔除,剩余的子区域为。此时,要从中选择个子区域来招募其中的用户。定义被招募的用户所在子区域与车辆覆盖子区域的集合为。本实施例优先的从中选择在之前被选择的次数较少的子区域加入。在将加入时,需要判断是否信息子区域和鲁棒子区域,如果不是,则不能加入,否则将该子区域内的用户加入雇佣用户集。不论是否能加入,都将从中删除。
本实施例根据智群感知目标进行感知划分以及确定人车感知资源;根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域;基于宽度优先算法搜索每个可用车辆的可选轨迹;基于局部波束搜索算法对车辆的可选轨迹进行融合并筛选出车辆融合轨迹集,基于加权随机选择法在所述车辆融合轨迹集中选择最终的车辆融合轨迹以确定车辆对应的轨迹;根据所述车辆对应的轨迹以及所述目标子区域的评估结果选择目标用户进行招募;为所述车辆和已选择的用户分配感知任务以获取对应的感知数据,实现了合理分配招募任务以实现人车协同参与进行感知数据收集的效果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种人车协同参与的稀疏移动群智感知方法,其特征在于,所述方法包括:
根据智群感知目标进行感知划分以及确定人车感知资源;
根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域;
基于宽度优先算法搜索每个可用车辆的可选轨迹;
基于局部波束搜索算法对车辆的可选轨迹进行融合并筛选出车辆融合轨迹集,基于加权随机选择法在所述车辆融合轨迹集中选择最终的车辆融合轨迹以确定车辆对应的轨迹;
根据所述车辆对应的轨迹以及所述目标子区域的评估结果选择目标用户进行招募;
为所述车辆和已选择的用户分配感知任务以获取对应的感知数据。
2.如权利要求1所述的方法,其特征在于,所述根据智群感知目标进行感知划分以及确定人车感知资源的步骤,包括:
根据智群感知目标进行感知任务划分,所述感知任务包括子区域划分和时间划分;
确定人车感知资源,所述人车感知资源包括:可招募用户、可调度车辆数量以及用户和/或车辆对应的位置信息。
3.如权利要求1所述的方法,其特征在于,所述根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域的步骤之前,包括:
定义信息子区域以辅助目标子区域选择,所述信息子区域支持数据恢复信息;
定义鲁棒子区域以减少误差对数据恢复的影响;
将目标子区域中的历史数据整理为感知矩阵格式,并采用奇异值分解法或交替最小二乘法将所述目标子区域分解成第一子矩阵和第二子矩阵。
4.如权利要求3所述的方法,其特征在于,所述根据历史数据对目标子区域的信息量进行评估以获取对应的信息子区域和鲁棒子区域的步骤,包括:
根据历史数据对目标子区域的信息量进行评估,并根据评估结果对所述第一子矩阵和第二子矩阵进行判断;
若所述子矩阵中与所述目标子区域对应的行向量与其他行向量线性无关,则判定该子矩阵是信息子区域;
若所述子矩阵中与所述目标子区域对应的行向量与其他行向量之间的余弦值小于预设阈值,则该子矩阵是鲁棒子区域。
6.如权利要求1所述的方法,其特征在于,所述根据所述车辆对应的轨迹以及所述目标子区域的评估结果选择目标用户进行招募的步骤,包括:
获取预算约束和雇佣条件,并根据所述预算约束和雇佣条件确定目标招募用户数量;
根据所述车辆对应的轨迹确定车辆能够覆盖的子区域,并在用户池中排除所述子区域内的用户;
根据所述用户数量,结合剩余用户池选择位于信息子区域和鲁棒子区域中的用户进行招募。
7.如权利要求1至6任一项所述的方法,其特征在于,所述为所述车辆和已选择的用户分配感知任务以获取对应的感知数据的步骤,包括:
为所述车辆和已选择的用户分配感知任务,所述感知任务包括路径规划信息以及任务约束信息;
检测所述车辆和已选择的用户是否满足任务完成条件;
若是,则获取对应的感知数据将所述感知数据上传至稀疏移动群智感知平台,并对所述用户发送奖励。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210245412.6A CN114339655B (zh) | 2022-03-14 | 2022-03-14 | 人车协同参与的稀疏移动群智感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210245412.6A CN114339655B (zh) | 2022-03-14 | 2022-03-14 | 人车协同参与的稀疏移动群智感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114339655A true CN114339655A (zh) | 2022-04-12 |
CN114339655B CN114339655B (zh) | 2022-05-24 |
Family
ID=81033454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210245412.6A Active CN114339655B (zh) | 2022-03-14 | 2022-03-14 | 人车协同参与的稀疏移动群智感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114339655B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600938A (zh) * | 2018-03-29 | 2018-09-28 | 南京邮电大学 | 一种车联网中感知服务节点智能选择方法 |
CN109741621A (zh) * | 2019-01-22 | 2019-05-10 | 湖南大学 | 基于群智感知的停车位信息处理方法、系统和计算机装置 |
US20190354771A1 (en) * | 2018-05-21 | 2019-11-21 | Cfkk, Llc | Networks Of Sensors Collaboratively Chronicling Events Of Interest |
CN111814079A (zh) * | 2020-07-03 | 2020-10-23 | 福州大学 | 结合聚类与cmab的群智感知车联网用户筛选方法 |
CN112396224A (zh) * | 2020-11-13 | 2021-02-23 | 智邮开源通信研究院(北京)有限公司 | 基于轨迹的车辆招募方法、系统、设备及可读存储介质 |
CN113191023A (zh) * | 2021-05-28 | 2021-07-30 | 中国人民解放军国防科技大学 | 群智感知的任务分配和用户招募模型交叉验证方法及系统 |
CN113298668A (zh) * | 2021-06-07 | 2021-08-24 | 福州大学 | 考虑社交网络的移动群智感知用户大规模快速招募方法 |
-
2022
- 2022-03-14 CN CN202210245412.6A patent/CN114339655B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108600938A (zh) * | 2018-03-29 | 2018-09-28 | 南京邮电大学 | 一种车联网中感知服务节点智能选择方法 |
US20190354771A1 (en) * | 2018-05-21 | 2019-11-21 | Cfkk, Llc | Networks Of Sensors Collaboratively Chronicling Events Of Interest |
CN109741621A (zh) * | 2019-01-22 | 2019-05-10 | 湖南大学 | 基于群智感知的停车位信息处理方法、系统和计算机装置 |
CN111814079A (zh) * | 2020-07-03 | 2020-10-23 | 福州大学 | 结合聚类与cmab的群智感知车联网用户筛选方法 |
CN112396224A (zh) * | 2020-11-13 | 2021-02-23 | 智邮开源通信研究院(北京)有限公司 | 基于轨迹的车辆招募方法、系统、设备及可读存储介质 |
CN113191023A (zh) * | 2021-05-28 | 2021-07-30 | 中国人民解放军国防科技大学 | 群智感知的任务分配和用户招募模型交叉验证方法及系统 |
CN113298668A (zh) * | 2021-06-07 | 2021-08-24 | 福州大学 | 考虑社交网络的移动群智感知用户大规模快速招募方法 |
Non-Patent Citations (1)
Title |
---|
冯心欣: "结合聚类与CMAB的群智感知车联网任务分配方法", 《物联网学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114339655B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Applying mobile phone data to travel behaviour research: A literature review | |
Aldridge et al. | Crucial nesting habitat for Gunnison sage‐grouse: a spatially explicit hierarchical approach | |
EP3504661B1 (en) | Change detection based imagery acquisition tasking system | |
Alexander et al. | Assessing the impact of real-time ridesharing on urban traffic using mobile phone data | |
CN108446470B (zh) | 基于车辆轨迹数据和人口分布的医疗设施可达性分析方法 | |
Edwards Jr et al. | Assessing map accuracy in a remotely sensed, ecoregion-scale cover map | |
Beeco et al. | The importance of spatial nested data in understanding the relationship between visitor use and landscape impacts | |
Vlassenroot et al. | The use of smartphone applications in the collection of travel behaviour data | |
CN106488405B (zh) | 一种融合个体与近邻移动规律的位置预测方法 | |
Hertzog et al. | Field validation shows bias‐corrected pseudo‐absence selection is the best method for predictive species‐distribution modelling | |
DE202015009183U1 (de) | Das Analysieren semantischer Orte und verwandter Daten aus einer Vielzahl von Standortdatenberichten | |
CN112749825B (zh) | 预测车辆的目的地的方法和装置 | |
Aschwanden et al. | Learning to walk: Modeling transportation mode choice distribution through neural networks | |
CN114297532B (zh) | 一种基于人群移动轨迹的高清城市功能区识别方法及系统 | |
CN114444794B (zh) | 基于双注意力图嵌入网络的出行意图预测方法 | |
CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
Hassan et al. | Modelling of urban growth and planning: A critical review | |
CN113283669B (zh) | 一种主动与被动相结合的智慧规划出行调研方法及系统 | |
Tang et al. | Priority areas identified through spatial habitat suitability index and network analysis: Wild boar populations as proxies for tigers in and around the Hupingshan and Houhe National Nature Reserves | |
Ramsahai et al. | Crime prediction in Trinidad and Tobago using big data analytics: Predictive policing in developing countries | |
CN114339655B (zh) | 人车协同参与的稀疏移动群智感知方法 | |
CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
CN116823572B (zh) | 人口流动数据的获取方法、装置及计算机可读存储介质 | |
CN115272025A (zh) | 确定人口分布热力数据的方法、装置和存储介质 | |
Liang et al. | Towards walkability enhancement: A systematic review and Future Directions |
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 |