CN116976652A - 一种基于时空众包的多目标任务分配方法 - Google Patents
一种基于时空众包的多目标任务分配方法 Download PDFInfo
- Publication number
- CN116976652A CN116976652A CN202311234438.1A CN202311234438A CN116976652A CN 116976652 A CN116976652 A CN 116976652A CN 202311234438 A CN202311234438 A CN 202311234438A CN 116976652 A CN116976652 A CN 116976652A
- Authority
- CN
- China
- Prior art keywords
- crowdsourcing
- task
- workers
- space
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 230000001550 time effect Effects 0.000 claims description 2
- 238000012358 sourcing Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Educational Administration (AREA)
Abstract
本发明涉及群智感知和人工智能技术交叉领域,提出一种基于时空众包的多目标任务分配方法,包括步骤:采集众包工人和众包任务对应的属性集合,并且将工人的社会属性进行提取,得到每个时空区域中众包工人的社会属性;根据每个时空区域中众包工人的社会属性进行时空图建模,并利用时空图神经网络ST‑GNN从众包工人中提取其轨迹特征;基于轨迹特征,采用轨迹预测卷积神经网络TXP‑CNN预测未来众包工人的轨迹;基于未来众包工人的轨迹,根据任务时空属性和位置信息,对众包工人和未来任务进行分配,得到分配结果;对分配结果进行多目标优化,得到分配最优解;本发明提高了众包任务的分配效率和分配效用。
Description
技术领域
本发明涉及群智感知和人工智能技术交叉领域,尤其涉及一种基于时空众包的多目标任务分配方法。
背景技术
随着智能手机等移动设备的进步,移动众感知已经成为一种新的成本效益高的感知范式。移动用户可以利用他们的设备上传空气质量、交通状况和环境图像等感知信息。在这种情况下,通常有两种任务分配模式。第一种模式涉及工作者选择要执行的任务。然而,这种方法常常导致任务分配不均衡,因为工作者倾向于选择热门任务,使得不太热门的任务得不到关注。第二种模式涉及移动众感知(MCS)平台选择工作者执行感知任务。MCS平台根据任务属性和工作者特征分配任务给工作者。
由于移动工作者通常将任务执行融入日常例行事务中,他们在最大程度减少对日常轨迹的干扰的同时执行平台分配的感知任务。作为回报,他们会获得奖励或激励。在选择任务分配策略时,MCS平台必须考虑到任务和工作者的位置,以确保有效的任务分配。
在这样的背景下,随着移动设备指数级数量的不断增长,越来越多的人参与到了众包过程中来。这些众包参与者在不同的区域不同的时间参与众包过程,随着众包工人和众包任务覆盖面的不断扩大,众包服务的范围也随之扩大。因此,在此基础上要想有效提高分配的效率和效用仍然面临着以下的难题:(1)由于机会主义众包场景中工人的轨迹存在着不确定性,工人只愿意执行在其日常路线上的感知任务。因此,在机会主义场景中的任务分配如果没有考虑工人的轨迹会导致平台的成本增加。任务的完成率也会随之下降。(2)随着大量移动众包用户加入到众包过程中,众包的服务范围也逐渐扩大。现有的任务分配过程为了保证任务的时间约束,不能满足部分偏远任务的需求。同时不能对参与者的活动路径进行规划。(3)只考虑单一目标的任务分配方案会导致,求解的范围缩小容易陷入局部最优解。无法实现长期社会福利最大化的目标。(4)在实际情况中,工人不会在原地等待接受任务,而是不断运动。工人的运动会改变任务分配的结果,而现有的任务分配没有考虑到工人的运动情况。不能针对工人的运动情况给予个性化的任务分配结果。(5)串行考虑多个目标的任务分配方案并不能寻找到均衡的最优解,而是获得了不同的均衡最优解,因此需要并行考虑多目标的任务分配方案。
发明内容
针对现有技术中的缺陷和不足,本发明提供了一种基于时空众包的多目标任务分配方法,该方法基于最大化服务质量最小化平台成本,重点在于对工人的移动轨迹进行建模,将工人轨迹表示成为时空图,并且利用图卷积神经网络对工人轨迹进行预测。基于预测后的工人轨迹对于工人轨迹上的感知任务进行多目标优化的任务分配。
本发明提供的方法包括以下步骤:
S1、采集众包工人和众包任务对应的属性集合,并且将工人的社会属性进行提取,得到每个时空区域中众包工人的社会属性;
S2、根据每个时空区域中众包工人的社会属性进行时空图建模,并利用时空图神经网络ST-GNN从众包工人中提取其轨迹特征;基于轨迹特征,采用轨迹预测卷积神经网络TXP-CNN预测未来众包工人的轨迹;
S3、基于未来众包工人的轨迹,根据任务时空属性和位置信息,对众包工人和未来任务进行分配,得到分配结果;
S4、对分配结果进行多目标优化,得到分配最优解。
本发明的有益效果是:
(1)本发明提出的任务分配方法不论在分配效率和分配效用上都取得了更好的分配结果;在综合评价服务质量与平台成本的任务分配体系中,本发明提出的方法相对于单目标优化方法,其性能相比是十分优越的。
(2)本发明的任务分配方法通过对工人轨迹进行时空图建模,同时利用时空图卷积神经网络对工人轨迹进行预测,进而利用多目标优化算法对工人日常路线上的任务进行合理的任务分配。
附图说明
图1是在机会主义MCS场景下的任务分配场景图;
图2是本发明方法的流程示意图;
图3利用时空图卷积模型对工人轨迹进行预测的模型说明图;
图4为本发明采用多目标优化算法的说明图;
图5为本发明考虑综合评价指标与其它方法的效果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
在进一步阐述前,对相关术语概念进行统一解释。
请参考图1,图1是在机会主义MCS场景下的任务分配场景图。在移动众包系统中,主要存在三种角色:众包工人、众包任务以及众包平台;众包任务是由请求者发布,同时请求者需要为发布的众包任务提供一定的预算。众包平台根据请求者发布的众包任务以及工人的未来轨迹,进行合理的任务分配。众包工人在接收到平台的发布的感知任务时,对应执行感知任务,平台根据工人执行任务的调度以及工人的声望值给予相应的奖励。
请参考图2,图2是本发明方法的流程示意图;本发明提供的一种基于时空众包的多目标任务分配方法,具体包括以下步骤:
S1、采集众包工人和众包任务对应的属性集合,并且将工人的社会属性进行提取,得到每个时空区域中众包工人的社会属性;
步骤S1中,所述社会属性包括:众包工人执行工作的道路的交通情况以及多个行人之间相互影响的路线规划情况。
作为一种实施例,具体地,步骤S1中众包工人的属性集合为,其中,/>为众包工人在/>时刻进入众包平台时的众包工人位置且/>随工人运动而改变;/>是工人的最大任务负载量,每个工人最多只能执行/>个任务;/>是工人的声望值,工人的声望越高,执行任务的质量越高,同时请求者要支付的报酬也随之提高。
步骤S1中众包任务的属性集合为/>,其中,/>为众包任务在/>时刻进入众包平台时的众包任务起点位置且/>不会发生改变;/>是执行任务的所需时间,任务必须要在/>时间内完成否则会影响任务的完成质量;B是任务的预算请求者根据自己任务的不同需求提供不同的预算;/>是任务的难度系数,任务的难度根据请求者的任务需求以及任务所需设备所决定。
S2、根据每个时空区域中众包工人的社会属性进行时空图建模,并利用时空图神经网络ST-GNN从众包工人中提取其轨迹特征;基于轨迹特征,采用轨迹预测卷积神经网络TXP-CNN预测未来众包工人的轨迹;
请参考图3,图3利用时空图卷积模型对工人轨迹进行预测的模型说明图;
本发明中,需要将工人的轨迹建模成为时空图并且利用图卷积神经网络。ST-GNN(时空图神经网络)从工作者轨迹中提取特征。通过采用TXP-CNN(轨迹预测卷积神经网络),可以基于提取的特征预测未来的工作者轨迹。其轨迹预测的公式如下:
其中,t的取值范围为[1,T],代表当前时刻工人的位置;为变量;/>为相关系数,/>分别表示预测的轨迹;/>表示工人n在t时刻的预测轨迹;
S3、基于未来众包工人的轨迹,根据任务时空属性和位置信息,对众包工人和未来任务进行分配,得到分配结果;
需要说明的是,步骤S3中,所述分配结果中,一个众包工人在日常路线中执行多个感知任务,为多任务分配。
S4、对分配结果进行多目标优化,得到分配最优解。
需要说明的是,步骤S4中,所述多目标优化,具体指以任务的服务质量以及平台的成本为两个目标,将工人最大负载量以及任务的时间效应作为约束条件,进行多目标优化。
所述分配最优解,具体包括对于成本和服务质量的相互冲突指标的均衡解。
所述任务的服务质量如下:
上式中,Uw为工人执行该任务的意愿;工人执行任务的意愿与任务和工人位置有关系位置越远工人执行任务的意愿的越小。因此需要计算工人和任务位置之间的距离,因此需要在计算工人的意愿时,预测工人的移动路线。其中,
;
rek是工人的完成任务的能力通过工人执行的任务数量和有效任务数衡量;是时间函数来计算任务完成时间对于任务服务质量的影响。
所述平台的成本,如下式:
上式中,j是执行任务的工人数量,j取值为1,2,3…m;是工人报酬的计算公式其中/>是基础奖励,/>是通过任务位置和工人位置计算得出的调度奖励,/>为完成任务的累计奖励;/>代表平台的日常维护花费。
所述约束条件,具体包括:
众包工人时间约束:众包工人只能在进入众包平台后接受任务;
众包任务时间约束:众包任务都只能在进入众包平台后分配或者被分配,每个众包任务都有自己的时间范围,被分配的众包任务必须在规定时间范围内被完成;
范围约束:众包工人在不影响自己的日常路线的范围选择合适的任务执行。因此需要对工人的轨迹进行预测。从而实现合理的任务分配方案。
能力约束:众包工人接受任务的数量不能超出其能力范围;
不变约束:一旦众包任务和众包工人形成匹配对,后续不能进行改变。
所述多目标优化,其采用基于PBI分解的MOEAD多目标优化方法。其主要思想是将一个多目标问题分解为多个标量子问题同时进行求解,具体算法原理和内容这里不做过多阐述。
优化的目标函数有两个或两个以上时称为多目标优化。多目标的解通常是一组均衡解。在多目标优化中,存在多个优化目标,因此不再存在单一的最优解。相反,存在一组解,称为Pareto最优解或非支配解集。Pareto最优解是在无法通过改进一个目标而不损害其他目标的情况下,优化目标之间无法改进的解。其帕累托的解集为综合考虑服务质量与成本的综合解集。通过请求者的不同需求选择合适工人任务对。
最后,请参考图5,图5是本发明考虑综合评价指标与其它方法的效果对比图;
本发明通过真实数据集对时空区域的工人轨迹进行预测:同时在工人轨迹预测的基础上通过多目标优化算法进行优化,实验中对比了单目标优化算法与多目标算法MOEAD算法在数据集上不同的实验效果。
实验中评估了不同数量的工人和相同数量任务对算法的影响,首先保证任务数量不变,通过增加工人数量来评估算法的实用性和匹配数量。
图5说明了在不同的工人数量的前提下,本发明提出的算法在服务质量以及平台成本的综合评价指标下相比于其他算法在任务分配阶段的优越性,本发明相对于单目标优化的算法能够切合实际的考虑现实场景中的优化问题进而能够得到进行考虑综合多方目标的均衡解。
本发明的有益效果是:
(1)本发明提出的任务分配方法不论在分配效率和分配效用上都取得了更好的分配结果;在综合评价服务质量与平台成本的任务分配体系中,本发明提出的方法相对于单目标优化方法,其性能相比是十分优越的。
(2)本发明的任务分配方法通过对工人轨迹进行时空图建模,同时利用时空图卷积神经网络对工人轨迹进行预测,进而利用多目标优化算法对工人日常路线上的任务进行合理的任务分配。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时空众包的多目标任务分配方法,其特征在于:包括以下步骤:
S1、采集众包工人和众包任务对应的属性集合,并且将工人的社会属性进行提取,得到每个时空区域中众包工人的社会属性;
S2、根据每个时空区域中众包工人的社会属性进行时空图建模,并利用时空图神经网络ST-GNN从众包工人中提取其轨迹特征;基于轨迹特征,采用轨迹预测卷积神经网络TXP-CNN预测未来众包工人的轨迹;
S3、基于未来众包工人的轨迹,根据任务时空属性和位置信息,对众包工人和未来任务进行分配,得到分配结果;
S4、对分配结果进行多目标优化,得到分配最优解。
2.如权利要求1所述的一种基于时空众包的多目标任务分配方法,其特征在于:步骤S1中,所述社会属性包括:众包工人执行工作的道路的交通情况以及多个行人之间相互影响的路线规划情况。
3.如权利要求1所述的一种基于时空众包的多目标任务分配方法,其特征在于:步骤S3中,所述分配结果中,一个众包工人在日常路线中执行多个感知任务,为多任务分配。
4.如权利要求1所述的一种基于时空众包的多目标任务分配方法,其特征在于:步骤S4中,所述多目标优化,具体指以任务的服务质量以及平台的成本为两个目标,将工人最大负载量以及任务的时间效应作为约束条件,进行多目标优化。
5.如权利要求1所述的一种基于时空众包的多目标任务分配方法,其特征在于:所述分配最优解,具体包括对于成本和服务质量的相互冲突指标的均衡解。
6.如权利要求4所述的一种基于时空众包的多目标任务分配方法,其特征在于:步骤S1中众包工人的属性集合为
,其中,/>为众包工人在/>时刻进入众包平台时的众包工人位置且/>随工人运动而改变;/>是工人的最大任务负载量;/>是工人的声望值。
7.如权利要求6所述的一种基于时空众包的多目标任务分配方法,其特征在于:步骤S1中众包任务的属性集合为/>,其中,/>为众包任务在/>时刻进入众包平台时的众包任务起点位置且/>不会发生改变;/>是执行任务的所需时间,任务必须要在/>时间内完成否则会影响任务的完成质量;B是任务的预算请求者根据自己任务的不同需求提供不同的预算;/>是任务的难度系数,任务的难度根据请求者的任务需求以及任务所需设备所决定。
8.如权利要求7所述的一种基于时空众包的多目标任务分配方法,其特征在于:所述任务的服务质量如下:
上式中,Uw为工人执行该任务的意愿,rek是工人的完成任务的能力通过工人执行的任务数量和有效任务数衡量;/>是时间函数来计算任务完成时间对于任务服务质量的影响。
9.如权利要求7所述的一种基于时空众包的多目标任务分配方法,其特征在于:所述平台的成本,如下式:
上式中,j是执行任务的工人数量,j取值为1,2,3...m;是工人报酬的计算公式其中/>是基础奖励,/>是通过任务位置和工人位置计算得出的调度奖励,/>为完成任务的累计奖励;costp代表平台日常维护花费。
10.如权利要求1所述的一种基于时空众包的多目标任务分配方法,其特征在于:所述多目标优化,其采用基于PBI分解的MOEAD多目标优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311234438.1A CN116976652B (zh) | 2023-09-25 | 2023-09-25 | 一种基于时空众包的多目标任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311234438.1A CN116976652B (zh) | 2023-09-25 | 2023-09-25 | 一种基于时空众包的多目标任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976652A true CN116976652A (zh) | 2023-10-31 |
CN116976652B CN116976652B (zh) | 2023-12-29 |
Family
ID=88471661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311234438.1A Active CN116976652B (zh) | 2023-09-25 | 2023-09-25 | 一种基于时空众包的多目标任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976652B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422266A (zh) * | 2023-11-01 | 2024-01-19 | 烟台大学 | 基于工人偏好的任务分配方法、系统、装置、存储介质 |
CN117455200A (zh) * | 2023-12-22 | 2024-01-26 | 烟台大学 | 众包环境下的多阶段任务分配方法、系统、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060106658A1 (en) * | 2004-11-16 | 2006-05-18 | Gtm Consulting, Llc | Activity Based Cost Modeling |
WO2018058628A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳市华傲数据技术有限公司 | 众包任务的发布方法及系统 |
CN109948940A (zh) * | 2019-03-26 | 2019-06-28 | 大连海事大学 | 一种基于启发式算法的Web服务众包测试任务分配方法 |
CN110503396A (zh) * | 2019-08-22 | 2019-11-26 | 电子科技大学 | 基于多技能的复杂空间众包任务分配方法 |
CN112328914A (zh) * | 2020-11-06 | 2021-02-05 | 辽宁工程技术大学 | 一种基于时空众包工人行为预测的任务分配方法 |
CN114461386A (zh) * | 2021-12-30 | 2022-05-10 | 科大讯飞股份有限公司 | 任务分配方法及任务分配装置 |
-
2023
- 2023-09-25 CN CN202311234438.1A patent/CN116976652B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060106658A1 (en) * | 2004-11-16 | 2006-05-18 | Gtm Consulting, Llc | Activity Based Cost Modeling |
WO2018058628A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳市华傲数据技术有限公司 | 众包任务的发布方法及系统 |
CN109948940A (zh) * | 2019-03-26 | 2019-06-28 | 大连海事大学 | 一种基于启发式算法的Web服务众包测试任务分配方法 |
CN110503396A (zh) * | 2019-08-22 | 2019-11-26 | 电子科技大学 | 基于多技能的复杂空间众包任务分配方法 |
CN112328914A (zh) * | 2020-11-06 | 2021-02-05 | 辽宁工程技术大学 | 一种基于时空众包工人行为预测的任务分配方法 |
CN114461386A (zh) * | 2021-12-30 | 2022-05-10 | 科大讯飞股份有限公司 | 任务分配方法及任务分配装置 |
Non-Patent Citations (2)
Title |
---|
ABDUALLAH MOHAMED等: "Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction", CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), pages 14412 * |
聂茜婵等: "面向全局优化的时空众包任务分配算法", 计算机应用, no. 7, pages 1950 - 1957 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422266A (zh) * | 2023-11-01 | 2024-01-19 | 烟台大学 | 基于工人偏好的任务分配方法、系统、装置、存储介质 |
CN117422266B (zh) * | 2023-11-01 | 2024-04-30 | 烟台大学 | 基于工人偏好的任务分配方法、系统、装置、存储介质 |
CN117455200A (zh) * | 2023-12-22 | 2024-01-26 | 烟台大学 | 众包环境下的多阶段任务分配方法、系统、设备及介质 |
CN117455200B (zh) * | 2023-12-22 | 2024-03-29 | 烟台大学 | 众包环境下的多阶段任务分配方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116976652B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Distributed and energy-efficient mobile crowdsensing with charging stations by deep reinforcement learning | |
CN116976652B (zh) | 一种基于时空众包的多目标任务分配方法 | |
Xu et al. | Tripres: Traffic flow prediction driven resource reservation for multimedia iov with edge computing | |
WO2021248607A1 (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
Zhang et al. | Intelligent electric vehicle charging recommendation based on multi-agent reinforcement learning | |
US11514543B2 (en) | System and method for ride order dispatching | |
Hwang et al. | An effective taxi recommender system based on a spatio-temporal factor analysis model | |
CN112556686B (zh) | 可预测动态时空环境的最短时间路径规划方法 | |
Tang et al. | Online operations of automated electric taxi fleets: An advisor-student reinforcement learning framework | |
Atif et al. | Internet of Things data analytics for parking availability prediction and guidance | |
Qu et al. | How many vehicles do we need? Fleet sizing for shared autonomous vehicles with ridesharing | |
Xie et al. | Two-sided deep reinforcement learning for dynamic mobility-on-demand management with mixed autonomy | |
Cao et al. | Trajectory penetration characterization for efficient vehicle selection in HD map crowdsourcing | |
Rui et al. | Smart network maintenance in edge cloud computing environment: An allocation mechanism based on comprehensive reputation and regional prediction model | |
Oda et al. | Distributed fleet control with maximum entropy deep reinforcement learning | |
Ning et al. | Robust and resilient equilibrium routing mechanism for traffic congestion mitigation built upon correlated equilibrium and distributed optimization | |
Yang et al. | Inferring passengers’ interactive choices on public transits via ma-al: Multi-agent apprenticeship learning | |
CN110167059A (zh) | 一种边缘计算场景下基站业务量预测方法 | |
Luo et al. | Fleet rebalancing for expanding shared e-Mobility systems: A multi-agent deep reinforcement learning approach | |
Jiang et al. | A reinforcement learning-based incentive mechanism for task allocation under spatiotemporal crowdsensing | |
Sun et al. | Intelligent cruise guidance and vehicle resource management with deep reinforcement learning | |
Liu et al. | Multiple UAVs collaborative traffic monitoring with intention-based communication | |
Zhu et al. | Path planning for adaptive CSI map construction with A3C in dynamic environments | |
Wang et al. | The active learning multi-task allocation method in mobile crowd sensing based on normal cloud model | |
Sun et al. | KeyLight: Intelligent Traffic Signal Control Method Based on Improved Graph Neural Network |
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 |