CN114760585B - 车辆群智感知激励方法、系统及设备 - Google Patents
车辆群智感知激励方法、系统及设备 Download PDFInfo
- Publication number
- CN114760585B CN114760585B CN202210403441.0A CN202210403441A CN114760585B CN 114760585 B CN114760585 B CN 114760585B CN 202210403441 A CN202210403441 A CN 202210403441A CN 114760585 B CN114760585 B CN 114760585B
- Authority
- CN
- China
- Prior art keywords
- participant
- task
- probability
- participants
- bonus
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005284 excitation Effects 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008450 motivation Effects 0.000 abstract 1
- 230000007246 mechanism Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 101710142466 Phosphoenolpyruvate synthase regulatory protein Proteins 0.000 description 1
- 101710200473 Putative phosphoenolpyruvate synthase regulatory protein Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/24—Accounting or billing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
Abstract
本公开实施例中提供了一种车辆群智感知激励方法、系统及设备，属于计算技术领域，具体包括：群智感知平台发布任务集合；根据参与者提交的单位任务成本和参与者属性计算任务成本；平台根据参与者选择函数对参与者和对应的感知任务进行选择，每次选择参与者选择函数值最大的参与者和对应的感知任务，直到所有任务都被选择或者预算用完；当参与者完成平台分配的感知任务时，将感知数据提交给平台；平台根据任务成本和概率高估系数计算参与者报酬；根据参与者的累计收入给参与者结算额外奖励，在参与者的累计收入达到收入参照点系数时，给参与者结算额外奖励。通过本公开的方案，提高了参与者的总效用和激励效果。
Description
技术领域
本公开实施例涉及计算技术领域，尤其涉及一种车辆群智感知激励方法、系统及设备。
背景技术
目前，车辆群智感知系统旨在利用车辆上的移动传感器来收集城市范围的时空感知覆盖数据，其应用包括空气质量检测、交通拥堵监测、交通事故报告等。时空感知覆盖指的是收集的数据覆盖了多少空间网格和时间点。车辆群智感知的一个主要特点是感知覆盖在空间和时间维度上都是至关重要的。例如，交通拥堵监测通常需要在某个时间段内持续感知感兴趣区域的路段。空气质量监测通常需要在不同的时间点收集特定位置的空气质量数据，以便进行分析和处理。在车辆群智感知中，激励机制最主要的目标是激励参与者参与感知任务，即提高参与率。同时，还需要提高时空覆盖率。从时间维度考虑，需要参与者长期参与群智感知任务。从空间的维度考虑，需要参与者在空间上覆盖均匀。作为服务器平台,往往要对参与者的感知数据支付一定的报酬，服务器要保证支付代价最小或者将支付代价控制在固定的预算内。
现有的基于时空覆盖的激励机制主要包括报酬支付激励机制、娱乐游戏激励机制和基于声誉的激励机制。报酬支付激励通过金钱货币的方式回报参与者的感知数据，这是最直接，也是目前主要的激励方式。娱乐游戏激励是指通过参与者进行游戏,由游戏带来的等级排名,任务积分以及其内在的趣味性等激励参与者完成任务。基于声誉的激励机制根据感知节点的声誉值来确定节点的可信度以及作为参与者选择的决策依据。
然而，现有的这些机制都普遍没有考虑获奖概率对参与者的预期效用的影响，即使考虑了获奖概率也没有考虑小概率高估的情况。同时，这些激励机制假设参与者仅根据自己的绝对收益进行决策，除了上述所说的提高额外奖励，它们大多只能通过提高报酬的方式来增大参与者的收益，从而达到激励效果。然而，通常平台的预算是有限的，在有限的预算内平台无法持续提高参与者的报酬，因此按照当前研究的模型，并不能很好的激励参与者。
综上所述，急需一种基于高估小概率和参照效应对用户行为决策影响的、更有效的激励感知节点参与感知任务的方法来解决上述问题。
发明内容
有鉴于此，本公开实施例提供一种车辆群智感知激励方法、系统及设备，至少部分解决现有技术中存在激励效果较差的问题。
第一方面，本公开实施例提供了一种车辆群智感知激励方法，包括：
步骤1，群智感知平台发布任务集合；
步骤2，根据参与者提交的单位任务成本和参与者属性计算任务成本，其中，所述参与者属性包括起始位置、目的地位置和最大绕行距离；
步骤3，平台根据参与者选择函数对参与者和对应的感知任务进行选择，每次选择参与者选择函数值最大的参与者和对应的感知任务，直到所有任务都被选择或者预算用完，其中，所述参与者选择函数计算规则包括在选择函数中引入参照点系数，根据参与者的收入参照点系数，结合参与者的当前累计收入，得到每个参与者参与对应感知任务的边际效用值，选择边际效用值最大的感知节点和对应的感知任务；
步骤4，当参与者完成平台分配的感知任务时，将感知数据提交给平台；
步骤5，平台根据任务成本和概率高估系数计算参与者报酬，其中，所述参与者报酬包括基础报酬和概率可变的额外奖励，感知平台根据任务所述成本计算基础报酬，并根据概率高估系数得到额外奖励参数，在首次任务时，给参与者初始化额外奖励参数，当概率高估系数大于概率高估阈值时，感知平台调整参与者的额外奖励参数，所述参与者概率高估系数计算规则，感知平台根据参与者的历史奖励情况得到其获得奖励的后验概率，并根据后验概率得到概率高估系数；
步骤6，根据参与者累计收入给参与者结算额外奖励，在参与者的累计收入达到收入参照点系数时，给参与者结算额外奖励。
根据本公开实施例的一种具体实现方式，所述任务集 其中τj表示第j个时空感知任务，nm表示时空感知任务集/>中的任务总数，每个时空任务由其应该被执行的时空位置/>和任务的价值Vj组成，其中/>为时空感知任务的x,y坐标，/>为时空感知任务需要被执行的时间。
根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
获取每一位参与者向平台报告的单位任务成本其中，/>是单位时间成本，是单位绕行距离成本，在参与者集/> 中，每位参与者/>由起始位置oi、目的地位置si和最大绕行距离/>组成，所述任务成本根据单位任务成本和任务所需的时间和距离计算获得，具体计算公式如下：
其中，为参与者ρi参与任务τj的绕行时间，/>为绕行距离。
根据本公开实施例的一种具体实现方式，所述参与者报酬是根据基础报酬和额外奖励计算获得：
其中，是基于成本的补偿，/>是有概率获得的额外奖励，/>根据完成任务的时间和距离得到：
根据额外奖励大小和额外奖励概率得到：
其中，EB为额外奖励的大小，表示获得额外奖励的概率，/>根据概率高估系数得到：
其中，为概率高估系数，α0为概率高估系数阈值，pe为高估小概率培育阶段的获奖概率，pd为高估小概率形成阶段的获奖概率。
根据本公开实施例的一种具体实现方式，所述概率高估系数根据参与者的获奖概率和吸引力系数计算获得：
其中，为任务τj对于参与者的吸引力系数，/>为后验概率值，γ为参与者的辨别力系数。
根据本公开实施例的一种具体实现方式，所述概率高估系数阈值α0根据后验概率和获奖概率计算获得：
根据本公开实施例的一种具体实现方式，所述参与者选择函数根据参与者的边际效用得到：
其中，表示参与者当前累计的额外奖励，bnumt表示参与者在第t个时间段内的获奖次数，costt表示参与者在第t个时间段内获得的报酬，/>为期望获奖概率，Tk表示第k个参与周期，/>表示参与者在Tk参与周期的收入参照点，θi(Tk)表示参与者在任务周期结束前达到参照点目标的概率，/>为参与者下一个任务的额外奖励。
根据本公开实施例的一种具体实现方式，所述收入参照点是根据内部参照点和外部参照点计算获得；
其中，为内部参照点，/>为外部参照点，χ为加权系数，且0<χ<1
内部参照点收入根据参与者的历史收入计算获得；
其中，W(tn)为第n参与周期参与者收入水平的权重，加权函数根据第n参与周期距离当前的时间计算获得；
其中tn为第n个参与周期距离当前的时间，0<λ<1，
外部参照点根据参与者集的平均收入计算获得:
其中，m为参与者的数量，为第num位参与者在第k参与周期的内部参照点收入。
第二方面，本公开实施例提供了一种车辆群智感知激励系统，包括：
任务发布模块，用于群智感知平台发布任务集合；
任务提交模块，用于根据参与者提交的单位任务成本和参与者属性计算任务成本，其中，所述参与者属性包括起始位置、目的地位置和最大绕行距离；
选择模块，用于平台根据参与者选择函数对参与者和对应的感知任务进行选择，每次选择参与者选择函数值最大的参与者和对应的感知任务，直到所有任务都被选择或者预算用完，其中，所述参与者选择函数计算规则包括在选择函数中引入参照点系数，根据参与者的收入参照点系数，结合参与者的当前累计收入，得到每个参与者参与对应感知任务的边际效用值，选择边际效用值最大的感知节点和对应的感知任务；
数据提交模块，用于当参与者完成平台分配的感知任务时，将感知数据提交给平台；
计算模块，用于平台根据任务成本和概率高估系数计算参与者报酬，其中，所述参与者报酬包括基础报酬和概率可变的额外奖励，感知平台根据任务所述成本计算基础报酬，并根据概率高估系数得到额外奖励参数，在首次任务时，给参与者初始化额外奖励参数，当概率高估系数大于概率高估阈值时，感知平台调整参与者的额外奖励参数，所述参与者概率高估系数计算规则，感知平台根据参与者的历史奖励情况得到其获得奖励的后验概率，并根据后验概率得到概率高估系数；
结算模块，用于根据参与者的累计收入给参与者结算额外奖励，在参与者的累计收入达到收入参照点系数时，给参与者结算额外奖励。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的车辆群智感知激励方法。
本公开实施例中的车辆群智感知激励方案，包括：步骤1，群智感知平台发布任务集合；步骤2，根据参与者提交的单位任务成本和参与者属性计算任务成本，其中，所述参与者属性包括起始位置、目的地位置和最大绕行距离；步骤3，平台根据参与者选择函数对参与者和对应的感知任务进行选择，每次选择参与者选择函数值最大的参与者和对应的感知任务，直到所有任务都被选择或者预算用完，其中，所述参与者选择函数计算规则包括在选择函数中引入参照点系数，根据参与者的收入参照点系数，结合参与者的当前累计收入，得到每个参与者参与对应感知任务的边际效用值，选择边际效用值最大的感知节点和对应的感知任务；步骤4，当参与者完成平台分配的感知任务时，将感知数据提交给平台；步骤5，平台根据任务成本和概率高估系数计算参与者报酬，其中，所述参与者报酬包括基础报酬和概率可变的额外奖励，感知平台根据任务所述成本计算基础报酬，并根据概率高估系数得到额外奖励参数，在首次任务时，给参与者初始化额外奖励参数，当概率高估系数大于概率高估阈值时，感知平台调整参与者的额外奖励参数，所述参与者概率高估系数计算规则，感知平台根据参与者的历史奖励情况得到其获得奖励的后验概率，并根据后验概率得到概率高估系数；步骤6，根据参与者的累计收入给参与者结算额外奖励，在参与者的累计达到收入参照点系数时，给参与者结算额外奖励。
本公开实施例的有益效果为：通过本公开的方案，给参与者设置可变概率的奖励，提高了单位报酬给参与者带来的效用，同时降低了单位任务成本。在此基础上引入参照点系数，反映参与者的真实决策行为，并给每位参与者设置了一个参照点收入，提高了感知节点参与感知任务的边际效用，使更多感知节点参与任务的边际效用阈值得到满足，提高了参与者的参与数量。同时，相较于对比的机制，本方案不需要提高任务报酬就能提高感知任务的时空覆盖率，提高了参与者的总效用，本方案能有更实际和更有效的激励效果。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种车辆群智感知激励方法的流程示意图；
图2为本公开实施例提供的另一种车辆群智感知激励方法的流程示意图；
图3为本公开实施例提供的一种车辆群智感知系统的流程图；
图4为本公开实施例提供的一种参与者的时空分布图；
图5为本公开实施例提供的一种感知任务的时空分布图；
图6为本公开实施例提供的一种相同数据下使用本发明实施例与现有的具有代表性的方法，时空覆盖率比较图；
图7为本公开实施例提供的一种相同数据下使用本发明实施例与现有的具有代表性的方法，参与者效用比较图；
图8为本公开实施例提供的一种车辆群智感知激励系统的结构示意图；
图9为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种车辆群智感知激励方法，所述方法可以应用于车辆群智感知系统的激励机制设置过程。
参见图1，为本公开实施例提供的一种车辆群智感知激励方法的流程示意图。如图1和图2所示，所述方法主要包括以下步骤：
步骤1，群智感知平台发布任务集合；
可选的，所述任务集其中τj表示第j个时空感知任务，nm表示时空感知任务集/>中的任务总数，每个时空任务/>由其应该被执行的时空位置/>和任务的价值Vj组成，其中/>为时空感知任务的x,y坐标，/>为时空感知任务需要被执行的时间。
具体实施时，构建群智感知系统环境。如图3所示，包含一组参与的车辆和一个基于云的平台。发布的时空感知任务集其中τj表示第j个时空感知任务，nm表示时空感知任务集/>中的任务总数。每个时空任务/>由其应该被执行的时空位置/>和任务的价值Vj组成，其中/>为任务的x,y坐标，/>为任务需要被执行的时间。
步骤2，根据参与者提交的单位任务成本和参与者属性计算任务成本，其中，所述参与者属性包括起始位置、目的地位置和最大绕行距离；
进一步的，所述步骤2具体包括：
获取每一位参与者向平台报告的单位任务成本其中，/>是单位时间成本，是单位绕行距离成本，在参与者集/> 中，每位参与者/>由起始位置oi、目的地位置si和最大绕行距离/>组成，所述任务成本根据单位任务成本和任务所需的时间和距离计算获得，具体计算公式如下：
其中，为参与者ρi参与任务τj的绕行时间，/>为绕行距离。
具体实施时，在参与者集N＝{ρ1,ρ2,ρ3…ρi…ρm},m>0中，第i位参与者ρi∈N由起始位置oi、目的地位置si和最大绕行距离组成。发布的时空感知任务集/>每个时空任务/>由其应该被执行的时空位置/>和任务的价值Vj组成，然后根据单位任务成本和任务所需的时间和距离计算所述任务成本。具体的，参与者提交任务成本。每一位参与者向平台报告单位任务成本/>其中，/>是单位时间成本，/>是单位绕行距离成本。在参与者集N＝{ρ1,ρ2,ρ3…ρi…ρm},m>0中，每位参与者ρi∈N由起始位置oi、目的地位置si和最大绕行距离/>组成。任务成本根据单位任务成本和任务所需的时间和距离计算获得：
其中，为参与者ρi参与任务τj的绕行时间，/>为绕行距离，/>为参与者的最大绕行距离，/>
步骤3，平台根据参与者选择函数对参与者和对应的感知任务进行选择，每次选择参与者选择函数值最大的参与者和对应的感知任务，直到所有任务都被选择或者预算用完，其中，所述参与者选择函数计算规则包括在选择函数中引入参照点系数，根据参与者的收入参照点系数，结合参与者的当前累计收入，得到每个参与者参与对应感知任务的边际效用值，选择边际效用值最大的感知节点和对应的感知任务；
可选的，所述参与者选择函数根据参与者的边际效用得到：
其中，表示参与者当前累计的额外奖励，bnumt表示参与者在第t个时间段内的获奖次数，costt表示参与者在第t个时间段内获得的报酬，/>为期望获奖概率，Tk表示第k个参与周期，/>表示参与者在Tk参与周期的收入参照点，θi(Tk)表示参与者在任务周期结束前达到参照点目标的概率，/>为参与者下一个任务的额外奖励。
具体实施时，可以先根据参与者的边际效用得到所述参与者选择函数，然后平台根据参与者选择函数对参与者和对应的感知任务进行选择，每次选择参与者选择函数值最大的参与者和对应的感知任务，直到所有任务都被选择或者预算用完，其中，所述参与者选择函数计算规则包括在选择函数中引入参照点系数，根据参与者的收入参照点系数，结合参与者的当前累计收入，得到每个参与者参与对应感知任务的边际效用值，选择边际效用值最大的感知节点和对应的感知任务。平台选择获胜的参与者集合W∈N，并给每个获胜的参与者分配时空感知任务和相应的轨迹。平台根据参与者选择函数选择参与者，选择边际效用值最大的参与者和对应的感知任务。
步骤4，当参与者完成平台分配的感知任务时，将感知数据提交给平台；
具体实施时，参与者完成平台分配的感知任务时，将感知数据提交给平台，以供平台后续完成数据分析以及计算报酬。
步骤5，平台根据任务成本和概率高估系数计算参与者报酬，其中，所述参与者报酬包括基础报酬和概率可变的额外奖励，感知平台根据任务所述成本计算基础报酬，并根据概率高估系数得到额外奖励参数，在首次任务时，给参与者初始化额外奖励参数，当概率高估系数大于概率高估阈值时，感知平台调整参与者的额外奖励参数，所述参与者概率高估系数计算规则，感知平台根据参与者的历史奖励情况得到其获得奖励的后验概率，并根据后验概率得到概率高估系数；
可选的，所述参与者报酬是根据基础报酬和额外奖励计算获得：
其中，是基于成本的补偿，/>是有概率获得的额外奖励，/>根据完成任务的时间和距离得到：
根据额外奖励大小和额外奖励概率得到：
其中，EB为额外奖励的大小，表示获得额外奖励的概率，/>根据概率高估系数得到：
其中，为概率高估系数，α0为概率高估系数阈值，pe为高估小概率培育阶段的获奖概率，pd为高估小概率形成阶段的获奖概率。
进一步的，所述概率高估系数根据参与者的获奖概率和吸引力系数计算获得：
其中，为任务τj对于参与者的吸引力系数，/>为后验概率值，γ为参与者的辨别力系数。
可选的，所述概率高估系数阈值α0根据后验概率和获奖概率计算获得：
具体实施时，参与者报酬是根据基础报酬和额外奖励计算：
其中，是基于成本的补偿，/>确保了参与者的总收益不为负。/>是有概率获得的额外奖励，/>的存在使得参与者的预期总收益大于0。/>根据完成任务的时间和距离得到；
根据额外奖励大小和额外奖励概率得到；
其中，EB为额外奖励的大小,EB＝0.2*Vj,Vj为任务τj的价值。表示获得额外奖励的概率。平台给每个参与者设置了一个概率高估系数，用于判断参与者是处于培育阶段还是形成阶段。根据概率高估系数，平台将额外奖励的获奖概率/>分为培育高估小概率阶段(培育阶段)和形成高估小概率阶段(形成阶段)。两个阶段的概率分别为pe，pd；
其中为概率高估系数，α0为概率高估系数阈值，其中0<pd<pe<1。
概率高估系数是根据参与者的获奖概率和吸引力系数计算获得：
其中，是任务τj对于参与者的吸引力系数，/>为后验概率值，γ＝0.5。
吸引力系数根据参与者的期望收益计算获得：
其中，是平台根据高估小概率理论预估的参与任务净收益，EB为额外奖励大小,/>为后验概率值。后验概率值根据参与者的先验概率值、获奖次数和参与总次数计算获得：
其中，pa为参与者的先验概率值，pa＝0.5。k为参与者的获奖次数，total_n为参与任务的总次数，k≤total_n。s＝0.48,r＝1.94。概率高估系数阈值是根据后验概率和获奖概率计算获得；
步骤6，根据参与者的累计收入给参与者结算额外奖励，在参与者的累计收入达到收入参照点系数时，给参与者结算额外奖励。
可选的，所述收入参照点是根据内部参照点和外部参照点计算获得；
其中，为内部参照点，/>为外部参照点，χ为加权系数，且0<χ<1
内部参照点收入根据参与者的历史收入计算获得；
/>
其中，W(tn)为第n参与周期参与者收入水平的权重，加权函数根据第n参与周期距离当前的时间计算获得；
其中tn为第n个参与周期距离当前的时间，0<λ<1，
外部参照点根据参与者集的平均收入计算获得:
其中，m为参与者的数量，为第num位参与者在第k参与周期的内部参照点收入。
具体实施时，所述收入参照点是根据内部参照点和外部参照点计算获得；
其中为内部参照点，/>为外部参照点，χ为加权系数，且0<χ<1
内部参照点收入根据参与者的历史收入计算获得；
其中，Wn为第n参与周期参与者收入水平的权重。加权函数根据第n参与周期距离当前的时间计算获得；
其中tk-tn为距离当前的时间，0<λ<1。距离当前的时间越短，收入水平的权重越高，对内部参照点收入的影响越大。
外部参照点根据参与者集的平均收入计算获得:
其中，m为参与者的数量，为第num位参与者在第k参与周期的内部参照点收入。
同时，还可以计算参与者选择过程结束后的参与者总效用。参与者总效用的计算公式如下所示：
其中，表示参与者的基础报酬，/>表示参与者的概率高估系数，/>表示参与者获得的额外奖励，/>表示参与者付出的成本，/>表示收入参照点，U表示参与者的总效用。
本实施例提供的车辆群智感知激励方法，通过给参与者设置可变概率的奖励，提高了单位报酬给参与者带来的效用，同时降低了单位任务成本。在此基础上引入参照点系数，反映参与者的真实决策行为，并给每位参与者设置了一个参照点收入，提高了感知节点参与感知任务的边际效用，使更多感知节点参与任务的边际效用阈值得到满足，提高了参与者的参与数量。同时，相较于对比的机制，本方案不需要提高任务报酬就能提高感知任务的时空覆盖率，提高了参与者的总效用，本方案能有更实际和更有效的激励效果。
下面将结合一个具体实施例对本方案进行说明，对于本发明进行仿真实验。具体参数如表1所示，20个参与者和100个时空感知任务，参与者的时空分布如图4所示，其中，(a)为上午6点参与者的时空分布，(b)为上午9点的参与者的时空分布，(c)为中午12点参与者的时空分布，(d)为下午6点参与者的时空分布，任务的时空分布如图5所示，其中，(a)为上午6点任务的时空分布，(b)为上午9点任务的时空分布，(c)为中午12点任务的时空分布，(d)为下午6点任务的时空分布。感知区域大小为15km×15km，离散成15×15地图网格，每个网格大小为1km×1km。任务价值为5-10元，单位绕行成本为1-2元/km，最大绕行距离为1-3km。单位时间成本为0.1-0.2元每分钟。
表1
图6为本发明与Hector方法的时空覆盖率比较图。从图中可以看出，在一天的0:00,6:00,24:00时空覆盖率较低，这是因为在这个时间段的出行需求较少。而在一天的12:00,18:00时空覆盖率较高，这是因为在这个时间段的出行需求较大。本发明的时空覆盖率相对于Hector机制在0:00提高了9.2％，在12:00时提高了8.1％，在18:00时提高了7.9％。由于在参与者选择函数的作用下，有更多的参与者从分布密集的区域移动到分布稀疏的区域，参与者完成的任务更多，使得时空覆盖率更高。
其中，图7为本发明与Hector方法的参与者效用比较图。从图中可以看出，随着吸引力系数δ的增加，由于任务对于参与者吸引力程度增加，所有机制的参与者效用不断增加。但本发明在所有情况下参与者效用都高于Hector方法。当δ＝0.3时，PSRP机制的参与者效用比Hector机制的参与者效用高25.2％。当δ＝0.8时，本发明的参与者效用比Hector方法的参与者效用高7.5％。我们可以看出，在δ较小，即任务对参与者的吸引程度较低时，本发明可以更好地提高参与者效用。
与上面的方法实施例相对应，参见图8，本公开实施例还提供了一种车辆群智感知激励系统80，包括：
任务发布模块801，用于群智感知平台发布任务集合；
任务提交模块802，用于根据参与者提交的单位任务成本和参与者属性计算任务成本，其中，所述参与者属性包括起始位置、目的地位置和最大绕行距离；
选择模块803，用于平台根据参与者选择函数对参与者和对应的感知任务进行选择，每次选择参与者选择函数值最大的参与者和对应的感知任务，直到所有任务都被选择或者预算用完，其中，所述参与者选择函数计算规则包括在选择函数中引入参照点系数，根据参与者的收入参照点系数，结合参与者的当前累计收入，得到每个参与者参与对应感知任务的边际效用值，选择边际效用值最大的感知节点和对应的感知任务；
数据提交模块804，用于当参与者完成平台分配的感知任务时，将感知数据提交给平台；
计算模块805，用于平台根据任务成本和概率高估系数计算参与者报酬，其中，所述参与者报酬包括基础报酬和概率可变的额外奖励，感知平台根据任务所述成本计算基础报酬，并根据概率高估系数得到额外奖励参数，在首次任务时，给参与者初始化额外奖励参数，当概率高估系数大于概率高估阈值时，感知平台调整参与者的额外奖励参数，所述参与者概率高估系数计算规则，感知平台根据参与者的历史奖励情况得到其获得奖励的后验概率，并根据后验概率得到概率高估系数；
结算模块806，用于根据参与者的累计收入给参与者结算额外奖励，在参与者的累计收入达到收入参照点系数时，给参与者结算额外奖励。
图8所示系统可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图9，本公开实施例还提供了一种电子设备90，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的车辆群智感知激励方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的车辆群智感知激励方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的车辆群智感知激励方法。
下面参考图9，其示出了适于用来实现本公开实施例的电子设备90的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，电子设备90可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备90操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常，以下装置可以连接至I/O接口905：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备90与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备90，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM 902被安装。在该计算机程序被处理装置901执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种车辆群智感知激励方法，其特征在于，包括：
步骤1，群智感知平台发布任务集合；
步骤2，根据参与者提交的单位任务成本和参与者属性计算任务成本，其中，所述参与者属性包括起始位置、目的地位置和最大绕行距离；
所述步骤2具体包括：
获取每一位参与者向平台报告的单位任务成本其中，/>是单位时间成本，/>是单位绕行距离成本，在参与者集/> 中，每位参与者由起始位置oi、目的地位置si和最大绕行距离/>组成，所述任务成本根据单位任务成本和任务所需的时间和距离计算获得，具体计算公式如下：
其中，为参与者ρi参与任务τj的绕行时间，/>为绕行距离；
步骤3，平台根据参与者选择函数对参与者和对应的感知任务进行选择，每次选择参与者选择函数值最大的参与者和对应的感知任务，直到所有任务都被选择或者预算用完，其中，所述参与者选择函数计算规则包括在选择函数中引入参照点系数，根据参与者的收入参照点系数，结合参与者的当前累计收入，得到每个参与者参与对应感知任务的边际效用值，选择边际效用值最大的感知节点和对应的感知任务，其中，所述参与者选择函数根据参与者的边际效用得到：
其中，表示参与者当前累计的额外奖励，bnumt表示参与者在第t个时间段内的获奖次数，costt表示参与者在第t个时间段内获得的报酬，/>为期望获奖概率，Tk表示第k个参与周期，/>表示参与者在Tk参与周期的收入参照点，θi(Tk)表示参与者在任务周期结束前达到参照点目标的概率，/>为参与者下一个任务的额外奖励；
所述收入参照点是根据内部参照点和外部参照点计算获得；
其中，为内部参照点，/>为外部参照点，χ为加权系数，且0<χ<1
内部参照点收入根据参与者的历史收入计算获得；
其中，W(tn)为第n参与周期参与者收入水平的权重，加权函数根据第n参与周期距离当前的时间计算获得；
其中tn为第n个参与周期距离当前的时间，0<λ<1，
外部参照点根据参与者集的平均收入计算获得:
其中，m为参与者的数量，为第num位参与者在第k参与周期的内部参照点收入；
步骤4，当参与者完成平台分配的感知任务时，将感知数据提交给平台；
步骤5，平台根据任务成本和概率高估系数计算参与者报酬，其中，所述参与者报酬包括基础报酬和概率可变的额外奖励，感知平台根据任务成本计算基础报酬，并根据概率高估系数得到额外奖励参数，在首次任务时，给参与者初始化额外奖励参数，当概率高估系数大于概率高估阈值时，感知平台调整参与者的额外奖励参数，所述参与者概率高估系数计算规则，感知平台根据参与者的历史奖励情况得到其获得奖励的后验概率，并根据后验概率得到概率高估系数，其中，所述参与者报酬是根据基础报酬和额外奖励计算获得：
其中，是基于成本的补偿，/>是有概率获得的额外奖励，/>根据完成任务的时间和距离得到：
根据额外奖励大小和额外奖励概率得到：
其中，EB为额外奖励的大小，表示获得额外奖励的概率，/>根据概率高估系数得到：
其中，为概率高估系数，α0为概率高估系数阈值，pe为高估小概率培育阶段的获奖概率，pd为高估小概率形成阶段的获奖概率；
所述概率高估系数根据参与者的获奖概率和吸引力系数计算获得：
其中，为任务τj对于参与者的吸引力系数，/>为后验概率值，γ为参与者的辨别力系数；
所述概率高估系数阈值α0根据后验概率和获奖概率计算获得：
步骤6，根据参与者的累计收入给参与者结算额外奖励，在参与者的累计收入达到收入参照点系数时，给参与者结算额外奖励。
2.根据权利要求1所述的方法，其特征在于,所述任务集合 其中τj表示第j个时空感知任务，nm表示时空感知任务集/>中的任务总数，每个时空任务由其应该被执行的时空位置/>和任务的价值Vj组成，其中/> 为时空感知任务的x,y坐标，/>为时空感知任务需要被执行的时间。
3.一种车辆群智感知激励系统，其特征在于，包括：
任务发布模块，用于群智感知平台发布任务集合；
任务提交模块，用于根据参与者提交的单位任务成本和参与者属性计算任务成本，其中，所述参与者属性包括起始位置、目的地位置和最大绕行距离；
所述任务提交模块具体过程包括：
获取每一位参与者向平台报告的单位任务成本其中，/>是单位时间成本，/>是单位绕行距离成本，在参与者集/> 中，每位参与者/>由起始位置oi、目的地位置si和最大绕行距离/>组成，所述任务成本根据单位任务成本和任务所需的时间和距离计算获得，具体计算公式如下：
其中，为参与者ρi参与任务τj的绕行时间，/>为绕行距离；
选择模块，用于平台根据参与者选择函数对参与者和对应的感知任务进行选择，每次选择参与者选择函数值最大的参与者和对应的感知任务，直到所有任务都被选择或者预算用完，其中，所述参与者选择函数计算规则包括在选择函数中引入参照点系数，根据参与者的收入参照点系数，结合参与者的当前累计收入，得到每个参与者参与对应感知任务的边际效用值，选择边际效用值最大的感知节点和对应的感知任务，其中，所述参与者选择函数根据参与者的边际效用得到：
其中，表示参与者当前累计的额外奖励，bnumt表示参与者在第t个时间段内的获奖次数，costt表示参与者在第t个时间段内获得的报酬，/>为期望获奖概率，Tk表示第k个参与周期，/>表示参与者在Tk参与周期的收入参照点，θi(Tk)表示参与者在任务周期结束前达到参照点目标的概率，/>为参与者下一个任务的额外奖励；
所述收入参照点是根据内部参照点和外部参照点计算获得；
其中，为内部参照点，/>为外部参照点，χ为加权系数，且0<χ<1
内部参照点收入根据参与者的历史收入计算获得；
其中，W(tn)为第n参与周期参与者收入水平的权重，加权函数根据第n参与周期距离当前的时间计算获得；
其中tn为第n个参与周期距离当前的时间，0<λ<1，
外部参照点根据参与者集的平均收入计算获得:
其中，m为参与者的数量，为第num位参与者在第k参与周期的内部参照点收入；
数据提交模块，用于当参与者完成平台分配的感知任务时，将感知数据提交给平台；
计算模块，用于平台根据任务成本计算参与者报酬，其中，所述参与者报酬包括基础报酬和概率可变的额外奖励，感知平台根据任务成本计算基础报酬，并根据概率高估系数得到额外奖励参数，在首次任务时，给参与者初始化额外奖励参数，当概率高估系数大于概率高估阈值时，感知平台调整参与者的额外奖励参数，所述参与者概率高估系数计算规则，感知平台根据参与者的历史奖励情况得到其获得奖励的后验概率，并根据后验概率得到概率高估系数，其中，所述参与者报酬是根据基础报酬和额外奖励计算获得：
其中，是基于成本的补偿，/>是有概率获得的额外奖励，/>根据完成任务的时间和距离得到：
根据额外奖励大小和额外奖励概率得到：
其中，EB为额外奖励的大小，表示获得额外奖励的概率，/>根据概率高估系数得到：
其中，为概率高估系数，α0为概率高估系数阈值，pe为高估小概率培育阶段的获奖概率，pd为高估小概率形成阶段的获奖概率；
所述概率高估系数根据参与者的获奖概率和吸引力系数计算获得：
其中，为任务τj对于参与者的吸引力系数，/>为后验概率值，γ为参与者的辨别力系数；
所述概率高估系数阈值α0根据后验概率和获奖概率计算获得：
结算模块，用于根据参与者的累计收入给参与者结算额外奖励，在参与者的累计收入达到收入参照点系数时，给参与者结算额外奖励。
4.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-2中任一项所述的车辆群智感知激励方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210403441.0A CN114760585B (zh) | 2022-04-18 | 2022-04-18 | 车辆群智感知激励方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210403441.0A CN114760585B (zh) | 2022-04-18 | 2022-04-18 | 车辆群智感知激励方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114760585A CN114760585A (zh) | 2022-07-15 |
| CN114760585B true CN114760585B (zh) | 2024-04-16 |
Family
ID=82331904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210403441.0A Active CN114760585B (zh) | 2022-04-18 | 2022-04-18 | 车辆群智感知激励方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114760585B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115002713B (zh) * | 2022-08-03 | 2022-10-18 | 中南大学 | 一种提高群智感知覆盖率的方法、系统、介质及设备 |
| CN116702400B (zh) * | 2023-08-07 | 2023-10-13 | 四川国蓝中天环境科技集团有限公司 | 一种基于公交车和移动传感器的移动式城市感知优化方法 |
Citations (6)
| 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 |
| CN108140202A (zh) * | 2016-01-07 | 2018-06-08 | 谷歌有限责任公司 | 乘车共享平台中的信誉系统 |
| CN108269129A (zh) * | 2018-01-23 | 2018-07-10 | 重庆邮电大学 | 一种基于逆向拍卖的移动群智感知网络中用户激励方法 |
| CN109167806A (zh) * | 2018-07-17 | 2019-01-08 | 昆明理工大学 | 一种基于前景理论的不确定QoS感知Web服务选择方法 |
| CN111507757A (zh) * | 2020-04-09 | 2020-08-07 | 中南大学 | 提高偏远地区任务完成率的群智感知激励方法 |
| CN113741530A (zh) * | 2021-09-14 | 2021-12-03 | 电子科技大学 | 一种基于多无人机群智感知的数据采集方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8874477B2 (en) * | 2005-10-04 | 2014-10-28 | Steven Mark Hoffberg | Multifactorial optimization system and method |
| US20150178756A1 (en) * | 2013-12-20 | 2015-06-25 | International Business Machines Corporation | Survey participation rate with an incentive mechanism |
-
2022
- 2022-04-18 CN CN202210403441.0A patent/CN114760585B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108140202A (zh) * | 2016-01-07 | 2018-06-08 | 谷歌有限责任公司 | 乘车共享平台中的信誉系统 |
| 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 |
| CN108269129A (zh) * | 2018-01-23 | 2018-07-10 | 重庆邮电大学 | 一种基于逆向拍卖的移动群智感知网络中用户激励方法 |
| CN109167806A (zh) * | 2018-07-17 | 2019-01-08 | 昆明理工大学 | 一种基于前景理论的不确定QoS感知Web服务选择方法 |
| CN111507757A (zh) * | 2020-04-09 | 2020-08-07 | 中南大学 | 提高偏远地区任务完成率的群智感知激励方法 |
| CN113741530A (zh) * | 2021-09-14 | 2021-12-03 | 电子科技大学 | 一种基于多无人机群智感知的数据采集方法 |
Non-Patent Citations (4)
| Title |
|---|
| Addictive incentive mechanism in crowdsensing from the perspective of behavioral economics;Jiaqi Liu et al.;IEEE：TPDS;20210811;全文 * |
| Crowdsensing from the perspective of behavioral economics :An incentive mechanism based on mental accounting;Deng Li et al.;JIOT;20190711;全文 * |
| 基于反向拍卖的移动群智感知激励框架;李博宇;曾奇雄;李嘉懿;王常维;;科学技术创新;20180315(08);全文 * |
| 基于跨空间多元交互的群智感知动态激励模型;南文倩;郭斌;陈荟慧;於志文;吴文乐;周兴社;;计算机学报;20151215(12);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114760585A (zh) | 2022-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114760585B (zh) | 车辆群智感知激励方法、系统及设备 | |
| US11644323B2 (en) | Systems and methods for digital route planning | |
| US11455578B2 (en) | System and method for ride order dispatching and vehicle repositioning | |
| CN108681921B (zh) | 一种基于随机博弈获取群智感知激励策略的方法及装置 | |
| CN112435469A (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
| US20150178756A1 (en) | Survey participation rate with an incentive mechanism | |
| CN113570395A (zh) | 信息处理方法、装置、计算机可读介质及电子设备 | |
| Yu et al. | Optimal operations planning of electric autonomous vehicles via asynchronous learning in ride-hailing systems | |
| CN109345373A (zh) | 核销风险预警方法、装置、电子设备及计算机可读介质 | |
| CN110262863A (zh) | 一种终端主界面的展示方法和装置 | |
| Sowmya et al. | Model free Reinforcement Learning to determine pricing policy for car parking lots | |
| CN110378936A (zh) | 光流计算方法、装置及电子设备 | |
| CN115330556A (zh) | 充电站的信息调整模型的训练方法、装置及产品 | |
| CN114219078A (zh) | 一种神经网络模型交互训练方法、装置及存储介质 | |
| CN111831931B (zh) | 一种上车点排序、信息排序的方法及装置 | |
| CN114048886A (zh) | 基于神经网络的有效泊位组合预测方法、终端及存储介质 | |
| CN114708027A (zh) | 群智感知任务发布及参与者选择方法、系统、设备及介质 | |
| CN111861538A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
| CN114926088A (zh) | 基于路径依赖理论的群智感知激励方法、系统及设备 | |
| Chen et al. | Path optimization model of rural red tourist attractions based on ant colony algorithm | |
| CN114926257A (zh) | 基于确定效应和跨期选择的质量提高方法、系统及设备 | |
| Tu et al. | Deep online recommendations for connected E-taxis by coupling trajectory mining and reinforcement learning | |
| CN112525213B (zh) | Eta的预测方法、模型训练方法、装置及存储介质 | |
| WO2023190479A1 (ja) | 計画装置、計画方法及びプログラム | |
| CN114664106B (zh) | 一种交叉口车道分配方法、装置、电子设备和存储介质 |
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 |