CN116070852A - 基于群智感知的任务分配方法、装置、设备及存储介质 - Google Patents
基于群智感知的任务分配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116070852A CN116070852A CN202310037997.7A CN202310037997A CN116070852A CN 116070852 A CN116070852 A CN 116070852A CN 202310037997 A CN202310037997 A CN 202310037997A CN 116070852 A CN116070852 A CN 116070852A
- Authority
- CN
- China
- Prior art keywords
- task
- nodes
- space
- user
- tasks
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000003999 initiator Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 230000003068 static effect 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用计算机技术领域,提供了一种基于群智感知的任务分配方法、装置、设备及存储介质,该方法包括:获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据时空任务执行记录以及社交连接关系构建异构社交图网络,根据异构社交图网络中节点的连接关系及节点间权重,提取异构社交图网络的特征向量,基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度,根据匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式,从而基于用户社交关系、完成成本约束及任务完成率约束,最大化提高任务的完成率。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及一种基于群智感知的任务分配方法、装置、设备及存储介质。
背景技术
群智感知(Mobile Crowd Sensing,缩写为MCS)是指大规模的普通用户通过其自身携带的智能移动设备来采集感知数据并上传到服务器,服务提供商对感知数据进行记录处理,最终完成感知任务并利用收集的数据给用户提供日常所需服务的过程。群智感知结合了众包思想和移动设备感知能力,是一种数据获取新型模式。这种感知形式能够灵活且快速进行数据的收集、分析和应用,具备低门槛、高扩展性和覆盖广等特点,现已广泛应用于环境检测、城市交通管制、工业控制等领域。
MCS系统在数据获取和任务分发方面,集中在移动用户主动参与感知平台。根据已有信息如任务要求、任务激励等,用户选择适当的任务执行并提交数据至感知平台。传统的MCS在用户返回的数据中,感知平台需要确保数据的可用性、数据的质量,并需要用户为数据处理提供必要的前提信息。这个过程增加了任务所需成本和额外的处理时间。现有的MCS充分考虑任务吸引用户参与和提高考虑用户执行意愿,而没用充分利用感知平台所掌握的任务与用户其他信息,如用户的移动轨迹、偏好以及任务的时空属性、任务执行相关性。根据移动用户在感知平台提交数据,可以了解到感知用户在每个位置到达的时间、停留的时间,下一个执行任务的倾向。同时,在多用户参与的感知平台中,具有相似移动轨迹、或存在一定社交关系的用户,这些用户更加倾向于接受并执行相似的或偏好相关的任务。在执行具有时空相关性的任务时,位于同一社交网络中的移动用户偏向于协同完成任务。
目前MCS在任务相关性度量方面,主要通过概率模型评估和预测用户与任务的相关性,并以此提高感知数据的质量。采用的概率模型如统计计数法、泊松过程法、马尔科夫模型等关注于用户的静态时空轨迹点上,没有充分考虑用户移动位置的关联度和长间隔的时间序列的相关性。此外,现有模型考虑位于同一社交网络中的用户协作方面,采用单一的社交网络信息分析用户相关性,忽略了从多个角度刻画用户与任务的关联度,以及计算任务间的相关性。在MCS的任务分配上面,现有的算法未能结合用户社交激励、任务成本以及社交属性预测的任务分配。
发明内容
本发明的目的在于提供一种基于群智感知的任务分配方法、装置、设备及存储介质,旨在解决由于现有技术无法提供一种有效的群智感知任务分配方法,导致时空任务完成率不高的问题。
一方面,本发明提供了一种基于群智感知的任务分配方法,所述方法包括下述步骤:
获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据所述时空任务执行记录以及所述社交连接关系构建异构社交图网络;
根据所述异构社交图网络中节点的连接关系及节点间权重,提取所述异构社交图网络的特征向量;
基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度;
根据所述匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式,所述机会式任务包括多个待分配时空任务。
另一方面,本发明提供了一种基于群智感知的任务分配装置,所述装置包括:
网络构建单元,用于获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据所述时空任务执行记录以及所述社交连接关系构建异构社交图网络;
特征提取单元,用于根据所述异构社交图网络中节点的连接关系及节点间权重,提取所述异构社交图网络的特征向量;
匹配度计算单元,用于基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度;以及
分配获取单元,用于根据所述匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式,所述机会式任务包括多个待分配时空任务。
另一方面,本发明还提供了一种任务分配设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据时空任务执行记录以及社交连接关系构建异构社交图网络,根据异构社交图网络中节点的连接关系及节点间权重,提取异构社交图网络的特征向量,基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度,根据匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式,从而基于用户社交关系、完成成本约束及任务完成率约束,最大化提高任务的完成率。
附图说明
图1是本发明实施例一提供的基于群智感知的任务分配方法的实现流程图;
图2是本发明实施例一提供的深度学习网络的结构示意图;
图3是本发明实施例二提供的基于群智感知的任务分配装置的结构示意图;
图4是本发明实施例三提供的任务分配设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述:
实施例一:
图1示出了本发明实施例一提供的群智感知的任务分配方法的实现流程,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
在步骤S101中,获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据时空任务执行记录以及社交连接关系构建异构社交图网络;
本发明实施例适用于计算设备,例如,个人计算机、服务器,以基于群智感知实现时空任务的分配,时空任务与时空有关,例如,需要监测城市交通状况(或城市噪声),此时,把城市交通的空间划分为均匀的区域,同时也按时间均匀划分(时隙),当然,空间大小划分和时间大小划分可以人为设定,时空任务此时就是某一区域某一时间内城市噪声监测。用户的时空任务执行记录可以包括用户ui,任务tj,任务的执行时间stj,用户之间的社交连接关系包括ui与uj,此时表示用户ui与用户uj有直接社交关联。具体地,用户的时空任务执行记录可以从现有的群智感知系统中获取,用户之间的社交连接关系可以从社交网络中获取。在获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系后,根据时空任务执行记录以及社交连接关系构建异构社交图网络。
在一实施例中,根据时空任务执行记录以及社交连接关系构建异构社交图网络时,将所有用户和所有时空任务设置为所述异构社交图网络的节点,获取用户节点和用户节点之间、任务节点和任务节点之间以及用户节点和任务节点之间的权重,构建异构社交图网络中节点由用户节点和任务节点两种组成,节点连接边的权重(权值)为前述用户节点和用户节点之间、任务节点和任务节点之间以及用户节点和任务节点之间的权重。这样,基于用户间社交网络和用户执行任务网络得到异构社交图网络,充分挖掘用户的相关性,提高后续时空任务的完成覆盖率。
优选地,在获取用户节点和用户节点之间的权重时,根据用户之间的社交连接关系和用户在统计时间阈值内执行同一时空任务的频次,计算用户节点和用户节点之间的权重,从而结合直接社交关联和执行同一任务的频次获取用户节点之间的权重,进一步挖掘用户之间的相关性。具体地,通过公式计算用户节点和用户节点之间的权重,其中,表示用户ui与用户uj是否具有直接社交关联,如果两个用户间存在直接社交关联则否则N表示输入数据中任务的总数量,和分别表示用户ui和用户uj执行同一任务t的频次,表示取两个频次的最小值作为任务t被两个用户共同执行频次,表示对N个任务的共同执行频次求和,以获取用户ui和用户uj执行相同任务的总频次,表示用户ui所执行任务集合,表示用户uj所执行任务集合,从而结合直接社交关联和统计数据的间接社交关联,计算间接社交关联,充分发掘用户之间的相关性。
优选地,在获取任务节点和任务节点之间的权重时,获取统计时间阈值内任务节点间被同一用户连续执行的次数,将该次数设置为任务和任务节点之间的权重,从而准确获得任务节点之间的相关性。具体地,通过公式 计算任务与任务直接的相关性,以作为异构社交图网络中任务节点间节点边的权重,其中,M表示(输入数据中)总用户数,Tu表示用户u所执行任务集合,|Tu|表示用户所执行任务的数量,表示同一用户u连续执行两个任务ti和tj,反之
优选地,在获取用户节点和任务节点之间的权重时,直接统计时间阈值内用户节点对应用户执行任务节点对应任务的次数,将该次数设置为用户节点和任务节点之间的权重,从而准确获得用户节点和任务节点之间的相关性。
在步骤S102中,根据异构社交图网络中节点的连接关系及节点间权重,提取异构社交图网络的特征向量;
在本发明实施例中,提取异构社交图网络的特征向量也就是获取异构社交图网络中用户节点和任务节点的特征向量。
在一实施例中,在提取异构社交图网络的特征向量时,根据异构社交图网络中节点的连接关系及节点间权值,之间计算节点在高维空间中的KL距离,获取异构社交图网络中每个节点的结构特征对应的低维嵌入向量,最后使用交叉熵损失函数迭代,缩小计算得到的KL距离与低维嵌入向量的距离,得到节点的嵌入向量,将嵌入向量设置为异构社交图网络中每个节点的特征向量,从而准确地提取异构社交图网络的特征向量。
在步骤S103中,基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度;
在本发明实施例中,基于步骤S102提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,进而计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度,其中,计算得到的匹配度为用户在未来一个时间段内执行某任务(下一可执行时空任务)的概率。
在一实施例中,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务时,将用户节点特征向量与该用户时空任务执行记录中前k-1个任务节点的特征向量进行组合,将组合后向量输入到深度学习网络,得到所有用户的下一可执行时空任务。这样,在预测所有用户的下一可执行时空任务时,采用滑动窗口控制访问时空任务历史执行记录的时效,将任务预测访问约束仅为时间段内相关,从而降低了计算代价,同时提高了预测的准确度。
在一实施例中,在计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度时,可根据任务集中每个任务的特征向量和预测得到的下一可执行时空任务的特征向量计算余弦相似度,将该相似度作为每个用户的下一可执行时空任务与任务集中每个任务的匹配度。
在一优选实施例中,深度学习网络包括输入层、预测层以及全连接层,预测层每个节点为LSTM模块,LSTM模块的输入包括组合后向量以及前一LSTM模块的输出,LSTM模块的输出为全连接层的输入,从而可有效的传递和表达时空任务中长时间序列中的信息,并且不会导致时空任务中长时间前的有用信息被忽略。作为示例地,图2示出了一深度学习网络,其中,第一层为输入层,输入为拼接的用户节点特征向量与该用户时空任务执行记录中前k-1个任务节点的特征向量序列的组合。第二层为预测层,该层每个节点表示一个长短期记忆递归神经网络(LSTM)模块,将用户节点特征向量与时空任务执行记录的特征向量序列输入LSTM模块,输出hi作为LSTM模块序列中下一个LSTM模块和下一层的输入。第三层为全连接层,输入为当前时间段LSTM模块输出的hi,全连接层的激活函数设置为Softmax,经过全连接层得到预测的用户下一可执行时空任务的嵌入向量
在步骤S104中,根据计算得到的匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式。
在本发明实施例中,机会式任务包括多个待分配时空任务,需要不同用户联合完成,例如,机会式任务可以为城市的交通状况监测任务,此时,多个待分配时空任务就是城市某一区域某一时间内的交通状况监测任务。在计算得到匹配度后,根据计算得到的匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式。
在一实施例中,机会式任务的完成成本包括执行任务的移动成本和社交外部性成本,移动成本为每个用户前往预分配时空任务的执行地点的移动距离成本,社交外部性成本为激励用户公开其社交关系的激励成本,以促进用户公开其社交关系,从而提升预测和分配任务的准确度。此时,在获取机会式任务的最优分配方式时,包括以下步骤:
(1)根据用户与预分配时空任务的空间位置,计算每个用户前往预分配时空任务的执行地点的移动距离成本,根据异构社交图网络中用户节点和用户节点之间的权重,计算社交外部性成本,将移动距离成本和社交外部性成本之和少于预设成本值设置为完成成本约束;
在本发明实施例中,完成成本约束为移动距离成本和社交外部性成本之和少于预设成本值,该预设成本值由任务发起者设定,以保证分配给各个时空任务的支出总和小于总成本(也就是预设成本值)。具体地,在计算每个用户前往预分配时空任务的执行地点的移动距离成本时,可根据用户与预分配时空任务的空间位置,通过欧式距离计算用户到预分配时空任务的执行地点的空间距离,将该空间距离设置为每个用户前往预分配时空任务的执行地点的移动距离成本。在计算社交外部性成本时,使用公式计算社交外部性成本,其中,ui表示用户ui,U表示所有用户集合,uj表示除用户ui外的其他用户,γ表示衡量用户与用户权重与社交外部性成本关系的预设参数,表示用户ui与用户uj在图网络中的权值,从而准确地得到社交外部性成本。
(2)根据匹配度以及时空任务预分配方式,计算完成每个预分配时空任务的联合完成率,将联合完成率大于预设完成率设置为任务完成率约束;
在本发明实施例中,任务完成率约束为联合完成率大于预设完成率,该预设完成率由任务发起者设定,以保证每个预分配时空任务执行的时效性。具体地,通过公式1-∏i∈[M-(1-pij·xij)计算完成每个预分配时空任务的联合完成率,其中,M表示总用户数,pij表示预测的用户ui与任务tj的匹配度(概率),xij表示一个分配结果即是否把任务tj分配给用户ui执行,
(3)基于完成成本约束及任务完成率约束,使用预设的遗传算法获取机会式任务的最优分配方式。
在本发明实施例中,机会式任务的最优分配方式即为一个优化目标,可以表示为即:在完成成本约束及任务完成率约束下,使得多个待分配时空任务被执行的数量最大。其中,表示一个用户ui的时空任务分配结果的集合,即“任务-用户对”,也即xij=1或xij=0的集合,按时间顺序整理后可表示为用户ui执行时空任务的轨迹。在使用预设的遗传算法获取机会式任务的最优分配方式时,优选地,该遗传算法的适应度函数为 其中,Xt表示在第t轮迭代时得到的全局分配解,M表示总用户数,Ri(Xt)表示用户ui在当前分配解Xt中将要任务执行序列,N表示总任务数,ρ表示预设的联合任务完成率约束值,C(dist)(Xt)表示在当前分配解Xt中所需距离成本,C(ef)表示在当前分配解Xt中所需社交外部性成本,B表示预设的任务总成本约束值。通过该适应度函数,可减小获取机会式任务的最优分配方式的时间复杂度。
实施例二:
图3示出了本发明实施例二提供的基于群智感知的任务分配装置的结构,为了便于说明,仅示出了与本发明实施例相关的部分,其中包括:
网络构建单元31,用于获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据所述时空任务执行记录以及所述社交连接关系构建异构社交图网络;
特征提取单元32,用于根据所述异构社交图网络中节点的连接关系及节点间权重,提取所述异构社交图网络的特征向量;
匹配度计算单元33,用于基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度;以及
分配获取单元34,用于根据所述匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式,所述机会式任务包括多个待分配时空任务。
在一实施例中,网络构建单元31包括:
节点设置单元,用于将所有用户和所有时空任务设置为所述异构社交图网络的节点;以及
权重获取单元,用于获取用户节点和用户节点之间、任务节点和任务节点之间以及用户节点和任务节点之间的权重。
在本发明实施例中,基于群智感知的任务分配装置的各单元可由相应的硬件或软件单元实现,各单元可以为独立的软、硬件单元,也可以集成为一个软、硬件单元,在此不用以限制本发明。各单元的具体实施例方式可以实施例一的描述,在此不再赘述。
实施例三:
图4示出了本发明实施例三提供的任务分配设备的结构,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明实施例的任务分配设备4包括处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。该处理器40执行计算机程序42时实现上述基于群智感知的任务分配方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,处理器40执行计算机程序42时实现上述装置实施例中各单元的功能,例如图3所示单元31至34的功能。
本发明实施例的任务分配设备可以为个人计算机或服务器。该任务分配设备4中处理器40执行计算机程序42时实现任务分配方法时实现的步骤可参考前述方法实施例的描述,在此不再赘述。
实施例四:
在本发明实施例中,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述任务分配方法实施例中的步骤,例如,图1所示的步骤S101至S104。或者,该计算机程序被处理器执行时实现上述装置实施例中各单元的功能,例如图3所示单元31至34的功能。
在本发明实施例中,获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据时空任务执行记录以及社交连接关系构建异构社交图网络,根据异构社交图网络中节点的连接关系及节点间权重,提取异构社交图网络的特征向量,基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度,根据匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式,从而基于用户社交关系、完成成本约束及任务完成率约束,最大化提高任务的完成率。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质,例如,ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于群智感知的任务分配方法,其特征在于,所述方法包括下述步骤:
获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据所述时空任务执行记录以及所述社交连接关系构建异构社交图网络;
根据所述异构社交图网络中节点的连接关系及节点间权重,提取所述异构社交图网络的特征向量;
基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度;
根据所述匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式,所述机会式任务包括多个待分配时空任务。
2.如权利要求1所述的方法,其特征在于,获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据所述时空任务执行记录以及所述社交连接关系构建异构社交图网络的步骤,包括:
将所有用户和所有时空任务设置为所述异构社交图网络的节点;
获取用户节点和用户节点之间、任务节点和任务节点之间以及用户节点和任务节点之间的权重。
3.如权利要求2所述的方法,其特征在于,获取用户节点和用户节点之间、任务节点和任务节点之间以及用户节点和任务节点之间的权重的步骤,包括:
根据用户之间的社交连接关系和用户在统计时间阈值内执行同一时空任务的频次,计算用户节点和用户节点之间的权重;
获取统计时间阈值内任务节点间被同一用户连续执行的次数,将该次数设置为任务和任务节点之间的权重;
获取统计时间阈值内用户节点对应用户执行任务节点对应任务的次数,将该次数设置为用户节点和任务节点之间的权重。
4.如权利要求1所述的方法,其特征在于,根据所述异构社交图网络中节点的连接关系及节点间权重,提取所述异构社交图网络的特征向量的步骤,包括:
根据所述异构社交图网络中节点的连接关系及节点间权值,计算节点在高维空间中的KL距离;
获取所述异构社交图网络中每个节点的结构特征对应的低维嵌入向量;
使用交叉熵损失函数迭代,缩小计算得到的KL距离与低维嵌入向量的距离,得到节点的嵌入向量,将所述嵌入向量设置为所述异构社交图网络中每个节点的特征向量。
5.如权利要求1所述的方法,其特征在于,基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度的步骤,包括:
将用户节点特征向量与该用户时空任务执行记录中前k-1个任务节点的特征向量进行组合;
将组合后向量输入到所述深度学习网络,得到所有用户的下一可执行时空任务,其中,所述深度学习网络包括输入层、预测层以及全连接层,所述预测层每个节点为LSTM模块,所述LSTM模块的输入包括组合后向量以及前一LSTM模块的输出,所述LSTM模块的输出为全连接层的输入。
6.如权利要求1所述的方法,其特征在于,根据所述匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式的步骤,包括:
根据用户与预分配时空任务的空间位置,计算每个用户前往预分配时空任务的执行地点的移动距离成本,根据所述异构社交图网络中用户节点和用户节点之间的权重,计算社交外部性成本,将所述移动距离成本和所述社交外部性成本之和少于预设成本值设置为所述完成成本约束;
根据所述匹配度以及时空任务预分配方式,计算完成每个预分配时空任务的联合完成率,将所述联合完成率大于预设完成率设置为所述任务完成率约束;
基于所述完成成本约束及任务完成率约束,使用预设的遗传算法获取机会式任务的最优分配方式。
7.一种基于群智感知的任务分配装置,其特征在于,所述装置包括:
网络构建单元,用于获取所有用户的时空任务执行记录以及所有用户之间的社交连接关系,根据所述时空任务执行记录以及所述社交连接关系构建异构社交图网络;
特征提取单元,用于根据所述异构社交图网络中节点的连接关系及节点间权重,提取所述异构社交图网络的特征向量;
匹配度计算单元,用于基于提取的特征向量,使用预先构建的深度学习网络预测所有用户的下一可执行时空任务,计算每个用户的下一可执行时空任务与任务集中每个任务的匹配度;以及
分配获取单元,用于根据所述匹配度、机会式任务的完成成本约束及任务完成率约束,获取机会式任务的最优分配方式,所述机会式任务包括多个待分配时空任务。
8.如权利要求7所述的装置,其特征在于,所述网络构建单元包括:
节点设置单元,用于将所有用户和所有时空任务设置为所述异构社交图网络的节点;以及
权重获取单元,用于获取用户节点和用户节点之间、任务节点和任务节点之间以及用户节点和任务节点之间的权重。
9.一种任务分配设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310037997.7A CN116070852A (zh) | 2023-01-10 | 2023-01-10 | 基于群智感知的任务分配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310037997.7A CN116070852A (zh) | 2023-01-10 | 2023-01-10 | 基于群智感知的任务分配方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070852A true CN116070852A (zh) | 2023-05-05 |
Family
ID=86179734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310037997.7A Pending CN116070852A (zh) | 2023-01-10 | 2023-01-10 | 基于群智感知的任务分配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070852A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340009A (zh) * | 2023-05-31 | 2023-06-27 | 石家庄学院 | 一种基于物联网技术的数据处理方法及系统 |
CN117151914A (zh) * | 2023-11-01 | 2023-12-01 | 中国人民解放军国防科技大学 | 基于综合影响力评估的群智感知用户选择方法和装置 |
-
2023
- 2023-01-10 CN CN202310037997.7A patent/CN116070852A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116340009A (zh) * | 2023-05-31 | 2023-06-27 | 石家庄学院 | 一种基于物联网技术的数据处理方法及系统 |
CN116340009B (zh) * | 2023-05-31 | 2023-08-04 | 石家庄学院 | 一种基于物联网技术的数据处理方法及系统 |
CN117151914A (zh) * | 2023-11-01 | 2023-12-01 | 中国人民解放军国防科技大学 | 基于综合影响力评估的群智感知用户选择方法和装置 |
CN117151914B (zh) * | 2023-11-01 | 2024-01-30 | 中国人民解放军国防科技大学 | 基于综合影响力评估的群智感知用户选择方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694879B (zh) | 一种多元时间序列异常模式预测方法及数据采集监控装置 | |
CN116070852A (zh) | 基于群智感知的任务分配方法、装置、设备及存储介质 | |
Do et al. | A probabilistic kernel method for human mobility prediction with smartphones | |
CN111756848B (zh) | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 | |
CN109598936B (zh) | 一种基于动态stknn模型的短时交通预测方法 | |
CN113705880A (zh) | 基于时空注意力图卷积网络的交通速度预测方法和装置 | |
Pournajaf et al. | Dynamic data driven crowd sensing task assignment | |
Wang et al. | Predictability and prediction of human mobility based on application-collected location data | |
Alshamaa et al. | Tracking of mobile sensors using belief functions in indoor wireless networks | |
CN110059770B (zh) | 基于位置预测的自适应任务分发方法、装置及相关组件 | |
Zhang et al. | Beyond the limits of predictability in human mobility prediction: context-transition predictability | |
CN111343650A (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
Lin et al. | Where to go? Predicting next location in IoT environment | |
Cao et al. | Points-of-interest recommendation algorithm based on LBSN in edge computing environment | |
Xu et al. | Slime Mold optimization with hybrid deep learning enabled crowd-counting approach in video surveillance | |
Jia et al. | A fingerprint-based localization algorithm based on LSTM and data expansion method for sparse samples | |
Lei et al. | QS-STT: QuadSection clustering and spatial-temporal trajectory model for location prediction | |
CN115964570B (zh) | 基于QoS多时段变化特征预测的云服务推荐方法及装置 | |
Ma et al. | Cellular traffic prediction via deep state space models with attention mechanism | |
CN116503588A (zh) | 一种基于多元关系时空网络的poi推荐方法,装置及设备 | |
Vaisenberg et al. | Scheduling sensors for monitoring sentient spaces using an approximate POMDP policy | |
Zeng et al. | LGSA: A next POI prediction method by using local and global interest with spatiotemporal awareness | |
Waikhom et al. | Dynamic temporal position observant graph neural network for traffic forecasting | |
Luo et al. | RLMob: Deep reinforcement learning for successive mobility prediction | |
Duan | Research on abnormal data detection method of web browser in cloud computing environment |
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 |