CN116841741A - 一种面向移动群智感知节点关系预测的自演化推理方法 - Google Patents
一种面向移动群智感知节点关系预测的自演化推理方法 Download PDFInfo
- Publication number
- CN116841741A CN116841741A CN202310800310.0A CN202310800310A CN116841741A CN 116841741 A CN116841741 A CN 116841741A CN 202310800310 A CN202310800310 A CN 202310800310A CN 116841741 A CN116841741 A CN 116841741A
- Authority
- CN
- China
- Prior art keywords
- self
- task
- sensing
- perception
- mcs
- 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 23
- 230000008447 perception Effects 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- 230000002567 autonomic effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
任务推荐是目前移动群智感知研究的热点和难点，现有的任务分配方法存在无法应对动态环境下感知任务和感知用户的变化，以及没有考虑用户的持续感知时间等问题。针对以上的不足，本发明通过引入“自省”、“自配置”和“自调节”概念，将其应用于构建MCS知识图谱的完整周期。“自省”对系统内外部环境变化产生实时响应。“自配置”筛选出高质量感知用户，并将MCS知识图谱进行路径过滤，保证感知用户的可靠性。“自调节”根据过滤后的路径，计算节点的邻居权重矩阵以更新节点嵌入，挖掘节点之间的潜在联系。本发明提出的方法通过节点关系自演化推理，生成了与感知用户偏好更匹配的任务推荐，提高了感知用户参与任务的积极性，保障了感知数据质量。
Description
技术领域
本发明属于移动群智感知领域，具体涉及一种面向移动群智感知节点关系预测的自演化推理方法。
背景技术
移动人群感知(MobileCrowd Sensing，MCS)是指使用能够感知和计算的移动设备的各种方法，其中人们共享数据并获取信息以量化和记录共同感兴趣的行为。MCS没有部署大量的基础设施，而是利用广泛使用的智能设备为不同的应用程序手机足够多的数据。随着这些功能丰富的移动智能设备(如相机、陀螺仪、加速度计、温湿度传感器、光传感器等)的迅速普及，MCS在交通拥堵、医疗保健、空气质量监测等方面获得了广泛的新颖应用。
一个典型的MCS系统通常由感知服务平台、一组任务请求者和一组感知用户组成。任务请求者将通过感知平台发布一组任务。任务规范包括任务位置任务位置、任务持续时间、数据准确性要求、数据收集时间、任务预算和其他要求。然后感知服务平台根据这些规范要求确定如何将任务分配给合适的感知用户。其中，良好的任务分配机制是决定MCS应用能否获得良好服务质量的不可获取的关键因素。
根据群智感知服务平台可获得的信息类型，任务分配类型可分为在线任务分配和离线任务分配。对于离线任务分配，服务平台提前掌握了所有意向感知用户的位置、感知能力、薪酬等信息，并抽取了这些感知用户的子集进行任务安排。但在实际应用中，更多的情况是在线分配任务模型，需要考虑的情况如：感知用户的可用性随时间动态变化、按随机顺序到达任务目的地、所使用移动设备的剩余电量、当前移动速度及所在路线拥堵情况等等。然后，根据这些可用感知用户的先验信息，感知服务平台再进行效用评估和决策。因此，为提供可持续感知性能，一种群智感知节点关系自演化推理方法显得十分必要。
然而，与在线任务分配机制相比，现有的离线任务分配并不适用于动态环境，它是基于预设的任务和执行者信息进行任务分配的，无法应对动态环境下任务的变化和执行者的变化，需要重新运行算法才能适应新的情况。另外，在线任务分配算法考虑了动态环境变化，对于MCS系统中信息的不确定性，用户的随机到达和离开等场景具有重要意义。但是，现有在线任务分配方法，仅从任务完成截止时间、用户偏好等角度出发，没有考虑用户的持续感知时间等问题。本发明通过引入自律计算中“自省”、“自配置”和“自调节”，提出了自律知识图谱的概念，将其应用于构建MCS知识图谱的完整周期，保证群智感知节点关系之间的动态映射。我们设计的这种节点关系自演化推理方法，将自律计算与知识图谱相结合，形成一个持续运行的回路，实现了MCS系统中下一时刻感知质量的保障和提升。
发明内容
本发明的目的是针对现有技术的不足，提出一种面向移动群智感知节点关系预测的自演化推理方法。
本发明是通过以下技术方案来实现的：“自省”对系统内外部环境变化产生实时响应。“自配置”筛选出高质量感知用户，并将MCS知识图谱进行路径过滤，保证完成任务的感知用户的可靠性。“自调节”根据过滤后的路径，计算节点的邻居权重矩阵以更新节点嵌入，挖掘节点之间的潜在联系。最后，通过对任务节点和用户节点之间进行链接预测，实现准确有效的任务推荐。
本发明的总体逻辑框架如图1所示，主要包括四个组成部分，分别是自省、自配置、自调节、链接预测。
自省：根据MCS系统的实时内外部环境变化，自省将对下一步工作进行主动反馈。触发自省的三种情况如图2所示。
自配置：筛选出MCS图谱中的低质量用户，并过滤掉不可靠路径。
自调节：根据过滤后的路径计算并更新节点嵌入，此时的节点嵌入包含了邻居信息。通过自调节对节点之间在每个时刻下的潜在关系进行挖掘，找到感知任务节点和感知用户节点之间的关联性。
链接预测：基于从自调节环节获得的每个感知任务和每个感知用户的嵌入表示，计算每个感知任务与每个感知用户之间的链接概率。最后，通过任务分配方法，将会在筛选出的高质量感知用户中，选择预测分数较高的感知用户和感知任务之间建立链接。
与现有技术相比，本发明的有益效果是：针对现有的任务分配方法无法应对动态环境下感知任务变化和感知用户变化的情况，本发明将自律计算与知识图谱相结合，提出了一种基于自律图谱的群智感知节点关系自演化推理方法。首先使用“自省”对MCS系统的内外部环境进行实时感知。其次，“自配置”对MCS图谱中的低质量感知用户进行剔除，这是提高感知质量的关键一步，并对不可靠的路径进行过滤，为后面计算节点嵌入减少了计算成本；然后，“自配置”根据过滤后的路径计算每个节点的嵌入，实现在每时刻下节点潜在关系的挖掘；最后，通过链接预测，选择预测分数较高的感知用户和感知任务之间建立链接。本发明通过从节点关系自演化角度研究移动群智感知的任务推荐问题，实时感知MCS系统的内外部环境，挖掘在每一时刻下节点之间的潜在关系，因此可以准确地进行链接预测，从而产生与感知用户偏好更匹配的任务推荐，有效提高了MCS系统性能，同时也提高了感知用户的积极性，保障了感知数据质量。
附图说明
图1为本发明的总体逻辑框架。
图2为触发自省的三种情况。
具体实施方式
首先，“自省”将对MCS内外部环境进行实时感知。当感知任务被分配给感知用户，则在MCS图谱中，它们之间将会产生链接；当感知用户在某一时刻到达MCS系统，则会在MCS图谱中加入这个用户节点，当感知用户在某一时刻离开系统，则在MCS图谱中删除此用户节点；同样地，当发布新任务或任务到达截止完成时间，应在MCS图谱中加入或删除该任务节点。
然后，“自配置”的输入是经过自省部分调整后的MCS知识图谱。在宏观上，剔除掉不可用感知用户是提高感知质量的关键一步，若MCS中存在大量的不可用感知用户，在构建知识图谱时，这将会大大增加计算成本。可用感知用户是指感知用户有充分时间到达任务目的地并完成任务，自配置则将根据信誉值筛选出低质量感知用户，这部分感知用户节点将不会参与到MCS知识图谱的重构之中。
感知用户的信誉值(Reputation，Rep)代表这个感知用户完成感知任务的能力，与感知用户完成感知任务的情况直接相关。并且为了保证感知用户的信誉值代表感知用户当前的感知行为能力，需要在每次任务完成之后，对信誉值进行更新。
感知用户每完成一个任务会得到一个临时信誉值tempRep。tneedi表示第i个任务需要的最少持续感知时间，tfacti表示用户实际完成第i个任务所花费的持续感知时间。
当用户持续感知第i个任务不少于它的最少持续感知时间时，此次用户的临时信誉值tempRepi为1，反之临时信誉值为用户实际的持续感知时间与任务所需要的最少持续感知时间的比值。
用户的当前信誉值Rep为每次临时信誉值之和的平均值，即(1/m)∑tempRepi。当信誉值低于设定的阈值δ时，则为低质量感知用户，反之为高质量感知用户。
同时，知识图谱中某些实体之间存在直接关系，也存在多步关系路径。对于某些实体对，可能有10条或者更多路径，且质量参差不齐。这给知识图谱的构建带来了极大挑战，因此如何进行路径过滤和筛选，也是MCS知识图谱需要应对的变化。
假设每条路径的起始节点的资源量为1，S(el)表示节点el的直接前节点集，节点k属于el的前节点集，SN(k)表示节点k对应的后节点集，RP(k)表示路径p上节点k拥有的资源量。那么，路径p上节点el拥有的资源量为∑(1/SN(k))RP(k)。
然后，“自调节”将计算节点的嵌入。通过使用TransR计算节点的初始嵌入，fr(h,t)为三元组(h,r,t)得分。假设所有节点的初始化嵌入矩阵为Em×n，其中节点e的初始嵌入为e*，进行路径过滤后能够到达节点e的邻居节点集合为O(e)，这些邻居节点流向节点e的资源量集合为Res(eo),eo∈O(e)。
根据“自配置”的路径过滤结果，来区别不同邻居节点的重要性。则第i个邻居节点对于节点e的权重计算为Res(ei o)/∑Res(O(e))。计算每个邻居节点的权重得到稀疏矩阵W后，得到节点e的邻居嵌入矩阵e+，为W×E。则节点e的嵌入更新为e*+∑e+ in。
接下来是进行链接预测。基于从自调节环节获得的每个感知任务和每个感知用户的嵌入表示，计算每个感知任务与每个感知用户之间的链接概率。任务t链接用户u的概率计算为e* u Te* i。
最后，通过任务分配方法，将会在筛选出的高质量感知用户中，选择预测分数较高的感知用户和感知任务之间建立链接。
通过以上方法对群智感知节点关系进行自演化推理后，我们通过预测分数将新任务与感知用户进行链接，认为该新任务适合推荐给感知用户。
综上所述，本发明提出的一种面向移动群智感知节点关系预测的自演化推理方法，为MCS领域提供了一种高效的群智感知节点关系自演化机制。本发明通过这种自演化机制，有效地对节点关系进行推理，从而生成与感知用户偏好更匹配的任务推荐，以此提高了MCS系统的性能，同时增加了感知用户完成感知任务的兴趣，提高感知用户的积极性，进而为感知数据质量提供了保障。
上述实施方法为本发明较佳的实施方式，但本发明的实施方式并不受上述方法的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (4)
1.一种面向移动群智感知节点关系预测的自演化推理方法，其特征在于，对于MCS知识图谱的内外部环境进行实时感知，筛选出高质量感知用户和进行路径过滤，计算节点嵌入挖掘在每一时刻下节点之间的潜在关系，最后通过链接预测计算链接分数，进而为用户推荐新的任务。
2.根据权利要求1所述的面向移动群智感知节点关系预测的自演化推理方法，其特征在于，引入自律计算中“自省”，“自配置”和“自调节”的概念，将其应用于完整的MCS感知周期，实现，形成一个持续运行的回路，保证群智感知节点关系之间的动态映射。
3.根据权利要求1所述的面向移动群智感知节点关系预测的自演化推理方法，其特征在于，面向MCS系统提出了自演化推理方法，实时感知MCS系统内外部环境变化，主动反馈感知用户随机达到、离开系统，新感知任务发布等信息，实现下一时刻感知质量的保障和螺旋式提升。
4.根据权利要求1所述的面向移动群智感知节点关系预测的自演化推理方法，其特征在于，构建群智感知节点关系的结构化图谱，通过路径过滤更新实体嵌入来分析节点之间的潜在关系，预测感知用户与感知任务的匹配度，实现感知任务的自适应推荐。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310800310.0A CN116841741A (zh) | 2023-06-30 | 2023-06-30 | 一种面向移动群智感知节点关系预测的自演化推理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310800310.0A CN116841741A (zh) | 2023-06-30 | 2023-06-30 | 一种面向移动群智感知节点关系预测的自演化推理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116841741A true CN116841741A (zh) | 2023-10-03 |
Family
ID=88170124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310800310.0A Pending CN116841741A (zh) | 2023-06-30 | 2023-06-30 | 一种面向移动群智感知节点关系预测的自演化推理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116841741A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349386A (zh) * | 2023-10-12 | 2024-01-05 | 吉玖(天津)技术有限责任公司 | 一种基于数据强弱关联模型的数字人文应用方法 |
-
2023
- 2023-06-30 CN CN202310800310.0A patent/CN116841741A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349386A (zh) * | 2023-10-12 | 2024-01-05 | 吉玖(天津)技术有限责任公司 | 一种基于数据强弱关联模型的数字人文应用方法 |
| CN117349386B (zh) * | 2023-10-12 | 2024-04-12 | 吉玖(天津)技术有限责任公司 | 一种基于数据强弱关联模型的数字人文应用方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aloqaily et al. | Data and service management in densely crowded environments: Challenges, opportunities, and recent developments | |
| US10163420B2 (en) | System, apparatus and methods for adaptive data transport and optimization of application execution | |
| US20220166848A1 (en) | Allocation of fog node resources | |
| CN116841741A (zh) | 一种面向移动群智感知节点关系预测的自演化推理方法 | |
| CN111090631A (zh) | 分布式环境下的信息共享方法、装置和电子设备 | |
| US20240137766A1 (en) | Cognitive roaming support | |
| Chowdhury et al. | Mobile Crowd‐Sensing for Smart Cities | |
| Zhao et al. | Neighboring-aware caching in heterogeneous edge networks by actor-attention-critic learning | |
| Loke | Crowd-powered mobile computing and smart things | |
| US20230412471A1 (en) | Edge-based artificial intelligence enablement | |
| Dwarakanath et al. | Operator Migration for Distributed Complex Event Processing in Device-to-Device Based Networks. | |
| CN117408405A (zh) | 一种基于交通算网的边缘算力解构及智能调度方法 | |
| Baek et al. | Agent chaining: An approach to dynamic mobile agent planning | |
| CN114073112A (zh) | 认知地控制数据传送 | |
| CN111061453A (zh) | 一种用于app生态系统的语音交互方法、装置 | |
| CN112906745B (zh) | 基于边缘协同的诚信智能网络训练方法 | |
| Hegde et al. | A cognitive theory-based opportunistic resource-pooling scheme for Ad hoc networks | |
| Nahar et al. | Sptframe: A framework for spatio-temporal information aware message dissemination in software defined vehicular networks | |
| Tu et al. | A Meta Meeting Mountain based opportunistic message forwarding strategy | |
| Doe et al. | DSORL: Data Source Optimization With Reinforcement Learning Scheme for Vehicular Named Data Networks | |
| Trono | Disaster Response Systems using Distributed Computing across Delay-Tolerant Networks | |
| Zhou | Edge-Facilitated Mobile Computing and Communication. | |
| Uddin | Disruption-tolerant networking protocols and services for disaster response communication | |
| JP2022056339A (ja) | リアルタイム複数エージェント関与決定システム | |
| CN113645055A (zh) | 一种适用于复杂战场环境下多因素路由协议的实现方法 |
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 |