CN117422266A - 基于工人偏好的任务分配方法、系统、装置、存储介质 - Google Patents
基于工人偏好的任务分配方法、系统、装置、存储介质 Download PDFInfo
- Publication number
- CN117422266A CN117422266A CN202311441041.XA CN202311441041A CN117422266A CN 117422266 A CN117422266 A CN 117422266A CN 202311441041 A CN202311441041 A CN 202311441041A CN 117422266 A CN117422266 A CN 117422266A
- Authority
- CN
- China
- Prior art keywords
- task
- worker
- matching
- tasks
- workers
- 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 53
- 230000008901 benefit Effects 0.000 claims abstract description 73
- 230000005284 excitation Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/063118—Staff planning in a project environment
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于资源或任务分配技术领域,具体涉及基于工人偏好的任务分配方法、系统、装置、存储介质;通过挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性,并对相似性分别设置相应的权重后,进行加权,预测工人偏好;基于工人偏好预测结果,获得每个任务相对应属性的最大收益,得到收益最大的任务工人对,对工人和任务进行匹配,从而提高工人的满意度,保证任务的服务质量,实现满足多方需求的任务分配结果。
Description
技术领域
本发明属于资源或任务分配技术领域,具体涉及基于工人偏好的任务分配方法、系统、装置、存储介质。
背景技术
随着智能设备和互联网的发展,移动人群感知作为一种新兴的感知众包形式被提出。移动人群感知是将普通用户的移动设备作为基本的感知单元,通过网络通信形成群智感知网络,从而实现感知任务与感知数据收集,完成大规模、复杂的社会感知任务。
任务分配是移动人群感知研究中的关键问题,通常,感知平台将任务分配给相应的工人,工人来完成平台发布的任务,同时平台支付一定费用来给工人,作为完成任务的回报。一般来说,任务可以通过不同的属性来描述,比如任务的时间敏感度、任务的奖励、位置等。根据对时间的要求不同,可以将任务分为时间敏感任务和时间容忍任务,对于时间敏感性任务需要即时响应并完成。在实际的应用场景中,任务和工人通常是动态随机的。
目前,任务分配方案中,没有考虑工人的偏好问题,只考虑距离和时间会降低工人满意度,不能满足工人的意愿,进而影响服务质量;另外,对于时间敏感任务,由于存在任务排队拥挤,从而导致任务分配不合理,决策成本增加。
发明内容
本发明提供一种基于工人偏好的任务分配方法、系统、装置、存储介质。
本发明的技术方案如下:
本发明提供了一种基于工人偏好的任务分配方法,包括以下步骤:
S1:采集工人和任务的属性,工人的属性,包括:工人的任务完成情况、工人的设备、工人声望值;任务的属性,包括:完成任务所需的时间、完成任务所需的设备、完成任务所需的预算、完成任务所需的位置;
S2:基于采集的工人和任务的属性,挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性,并对相似性分别设置相应的权重后,进行加权,预测工人偏好;
S3:基于工人偏好预测结果,若为新工人,则将工人偏好预测结果作为新工人和任务进行匹配的参考特征;若不是新工人,则结合工人历史任务执行的属性,获得每个任务相对应属性的最大收益,若最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;若最大收益不大于收益阈值,则重复执行S3,直至最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;
S4:对工人和任务的匹配结果进行验证,若匹配结果符合服务质量要求,则存储至工人历史执行任务中;
若匹配结果不符合服务质量要求,则不存储至工人历史执行任务中;
所述S3中的对工人和任务进行匹配时,若存在时间敏感任务,则进行优先匹配;
基于时间敏感任务,若工人和任务位置之间的距离大于距离阈值,则增加距离调度所产生的成本激励,执行S3,重新进行匹配;
若重新进行匹配未成功,则进行梯度式激励,执行S3,继续重新匹配;
若任务匹配时间大于预设时间,则根据任务属性指定工人执行,并增加工人完成任务的奖励。本发明所述S3中的对工人和任务进行匹配时,
基于工人偏好预测结果,结合工人历史任务执行的属性,计算收益,任务按照收益从高到低排列于工人的任务候选列表中;
若存在时间敏感任务,则进行优先匹配;
若存在相同时间下的时间敏感任务,则匹配至具有相同执行任务属性的不同的工人;
若工人对时间敏感任务执行意愿低,则提高完成时间敏感任务的奖励,并增加执行时间敏感任务的工人的声望值。
本发明所述S4中的服务质量,具体为,
根据工人完成任务的能力、时间变换函数和工人执行任务的意愿,计算服务质量;若服务质量大于所设阈值时,则工人和任务的匹配结果符合服务质量要求。
本发明所述S3中的对工人和任务进行匹配时,
同一工人在同一时间段可匹配多个具有相同属性的任务,
若同一工人在同一时间段匹配的多个具有相同属性的任务的数量超过工人的最大执行任务负荷,则根据工人偏好预测结果,删除任务候选列表中偏好值低的任务;
若偏好值低的任务被删除任务候选列表,则匹配至具有相同执行任务属性的工人;
若任务被删除任务候选列表的次数大于预设次数,则重新执行S1、S2;
若工人执行任务量达到任务数量阈值,则提高工人完成任务的奖励和声望值。
本发明所述S3中的对工人和任务进行匹配时,
对于具有相同执行任务属性的工人,根据工人声望值,任务进入工人的任务候选列表;
若工人的声望值低于声望阈值,则匹配经梯度激励、或增加报酬奖励后仍未被分配的任务。
本发明所述S2中工人和任务的属性,被表示为特征向量,分别计算不同属性的特征向量间的余弦值,设置相应的权重,获得工人的任务偏好分数。
本发明所述S3中的对工人和任务进行匹配时,
基于获得的工人的任务偏好分数,获得每个任务相应的特征向量的置信上界,并选择置信上界最高的任务分配给工人。
本发明还提供了一种基于工人偏好的任务分配系统,包括:
采集模块:用于采集工人和任务的属性,工人的属性,包括:工人的任务完成情况、工人的设备、工人声望值;任务的属性,包括:完成任务所需的时间、完成任务所需的设备、完成任务所需的预算、完成任务所需的位置;
属性挖掘模块:基于采集的工人和任务的属性,挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性,并对相似性分别设置相应的权重后,进行加权,预测工人偏好;
匹配模块:基于工人偏好预测结果,若为新工人,则将工人偏好预测结果作为新工人和任务进行匹配的参考特征;若不是新工人,则结合工人历史任务执行的属性,获得每个任务相对应属性的最大收益,若最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;若最大收益不大于收益阈值,则重复执行S3,直至最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;
所述对工人和任务进行匹配时,若存在时间敏感任务,则进行优先匹配;
基于时间敏感任务,若工人和任务位置之间的距离大于距离阈值,则增加距离调度所产生的成本激励,执行S3,重新进行匹配;
若重新进行匹配未成功,则进行梯度式激励,执行S3,继续重新匹配;
若任务匹配时间大于预设时间,则根据任务属性指定工人执行,并增加工人完成任务的奖励;验证模块:对工人和任务的匹配结果进行验证,若匹配结果符合服务质量要求,则存储至工人历史执行任务中;若匹配结果不符合服务质量要求,则不存储至工人历史执行任务中。
本发明还提供了一种基于工人偏好的任务分配装置,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现所述的一种基于工人偏好的任务分配方法。
本发明还提供了一种基于工人偏好的任务分配存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现所述的一种基于工人偏好的任务分配方法。
有益效果
本发明通过挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性,预测工人偏好,以提高工人的满意度,保证任务的服务质量,从而满足多方需求的任务分配结果,实现各方利益最大化;
本发明在工人和任务匹配时,对时间敏感任务进行优先匹配,避免了时间敏感任务出现排队拥挤的情况,从而保证合理高效的分配,提高任务的服务质量;
本发明针对冷启动阶段,将工人偏好预测结果作为新工人和任务进行匹配的参考特征,从而解决冷启动阶段的成本问题和服务质量下降的问题;
本发明针对未匹配成功的任务工人对,采用梯度式激励的方式,能够提高任务的完成率,同时节约平台的激励成本。
附图说明
图1为不同任务分配方法下工人满意度的效果对比图,
图2为不同任务分配方法下服务质量的效果对比图,
图3为不同任务分配方法下社会福利的效果对比图。
具体实施方式
以下实施例旨在说明本发明,而不是对本发明的进一步限定。
本发明提供了一种基于工人偏好的任务分配方法,包括以下步骤:
S1:采集工人和任务的属性,工人的属性,包括:工人的任务完成情况、工人的设备、工人声望值;任务的属性,包括:完成任务所需的时间、完成任务所需的设备、完成任务所需的预算、完成任务所需的位置。
进一步地,任务和工人的属性被表示为特征向量,具体为,
所述S1中工人用W={w1,w2,w3,...,wj}表示,所述工人wj由一组属性向量wj={Kwj,Repwj,dewj,...,locwj}表示,其中Kwj为工人的最大任务负载,Repwj为工人的声誉,dewj为工人的设备,locwj为工人的位置;所述任务ti由一组属性向量ti={cti,Bti,deti,...locti}表示,其中cti为完成任务所需要的时间,Bti为完成任务所需的预算,deti为完成任务所需要的设备,locti为完成任务所需的位置。将工人和任务分别表示为具有多个不同属性的特征向量,以便于分析差异与联系。
S2:基于采集的工人和任务的属性,挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性,并对相似性分别设置相应的权重后,进行加权,预测工人偏好。
工人和任务的属性,被表示为特征向量后,分别计算不同属性的特征向量间的余弦值,设置相应的权重,利用门控网络对各个深度学习神经网络计算的结果进行加权,获得工人的任务偏好分数,输出工人的任务偏好列表。该方法可以更好地利用属性特征之间的关联信息,从而合理分配任务。
S3:基于工人偏好预测结果,若为新工人,则将工人偏好预测结果作为新工人和任务进行匹配的参考特征;若不是新工人,则结合工人历史任务执行的属性,获得每个任务相对应属性的最大收益,若最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;若最大收益不大于收益阈值,则重复执行S3,直至最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配,所述收益阈值为根据工人完成任务的总报酬计算得到的平均值。
本发明将工人历史记录作为上下文特征,另外,工人正在执行的任务也将作为下次执行任务的上下文特征,以实现动态自适应更新。平台任务匹配方案随着工人的偏好变化而变化,从而得到一个动态自适应的在线任务分配方案。
另外,由于工人轨迹的不确定性,以及任务的多样性,导致任务和工人之间的匹配存在冷启动的阶段。冷启动阶段,对于新工人,由于缺少新工人的历史数据,若直接随机分配任务,会导致任务分配不合理。将离线阶段得到的工人任务偏好,作为冷启动阶段的上下文特征,以此解决冷启动阶段的成本问题和服务质量下降的问题。
在线任务分配过程中,抽象为在K个动作中进行选择,每次做出选择后,都会得到一定的收益。收益由所选择的动作决定的平稳概率分布产生,目标是在某一段时间内最大化服务质量。但在实际问题中,不能确切地知道工人执行完任务后的服务质量,只能根据离线阶段的数据分析进行估计。进一步地,所述S3中的对工人和任务进行匹配时,基于获得的工人的任务偏好分数,获得每个任务相应的特征向量的置信上界,并选择置信上界最高的任务分配给工人。
本发明是对每个任务工人对与服务质量间的不确定性进行度量。根据工人的潜力来选择可能的最优的任务工人匹配对。置信区间上界是可能的真实值的上限,每次探索之后不确定性减小,较低服务质量的任务被选择的试探频率低,较高服务质量任务的选择频率高。
在任务匹配时,如果只单纯考虑工人的意愿,会导致许多热门的任务进入工人的任务候选列表中,从而出现热门任务排队拥挤的情况。对于时间敏感任务出现排队拥挤的情况则会损害任务的感知质量。进一步地,所述S3中的对工人和任务进行匹配时,若存在时间敏感任务,则进行优先匹配;
基于时间敏感任务,若工人和任务位置之间的距离大于距离阈值,则增加距离调度所产生的成本激励,执行S3,重新进行匹配,所述距离阈值为工人历史执行任务中的最大距离;
若重新进行匹配未成功,则进行梯度式激励,执行S3,继续重新匹配;
若任务匹配时间大于预设时间,则根据任务属性指定工人执行,并增加工人完成任务的奖励。
假设有一个快递服务平台,其中需要将快递从仓库分配给不同的快递员进行送货。平台采用本申请的方法选择任务分配给工人。示例如下:
假设平台有三个快递员(A、B、C)和五个任务(1、2、3、4、5)。根据三个快递员的历史执行任务,得到距离阈值为10公里。
初始匹配:
任务1分配给快递员A,距离为8公里;
任务2分配给快递员B,距离为5公里;
任务3分配给快递员C,距离为12公里;
任务4分配给快递员A,距离为7公里;
任务5分配给快递员B,距离为9公里。
第一轮重新匹配:
由于任务3与快递员C之间的距离大于距离阈值,激励系统会增加调度成本,导致任务3重新进行匹配。
任务3重新分配给快递员A,距离为6公里。
第二轮重新匹配:
如果第一轮重新匹配仍然无法成功,系统将采取梯度式激励,继续尝试重新匹配任务3。
匹配时间超时处理:
如果任务匹配时间超过预设时间,系统将根据任务属性指定特定的快递员进行处理,并增加该快递员完成任务的奖励。
通过以上场景,平台采用本申请的方法,可以根据距离阈值和任务属性选择任务分配给工人,以确保快递能够及时送达目的地,同时激励快递员提高工作效率并提供优质的服务。
工人完成任务的报酬,包括:基于工人声望值获得的基础报酬、距离调度所产生的成本激励、完成任务的奖励。工人距离任务位置越远,工人执行任务的意愿越小。采用梯度式激励的方式,能够提高任务的完成率,同时节约平台的激励成本。
具体地,所述S3中的对工人和任务进行匹配时,
基于工人偏好预测结果,结合工人历史任务执行的属性,计算收益,任务按照收益从高到低排列于工人的任务候选列表中;
若存在时间敏感任务,则进行优先匹配;
若存在相同时间下的时间敏感任务,则匹配至具有相同执行任务属性的不同的工人;
若工人对时间敏感任务执行意愿低,则提高完成时间敏感任务的奖励,并增加执行时间敏感任务的工人的声望值。
快递配送服务平台,其中有三名快递员(A、B、C),每位快递员都有不同的偏好和声誉值。现在有两个时间敏感的快递任务需要尽快送达,其中,任务1要求送货到位于市中心的商业办公楼,任务2要求送货到距离较远的住宅区。示例如下:
快递员信息和声誉值:
快递员A:声誉值80,偏好处理市中心的任务。
快递员B:声誉值60,对任务位置没有明显偏好。
快递员C:声誉值40,对处理距离较远的任务不感兴趣。
任务信息:
任务1:需要在一个小时内将包裹送达市中心的商业办公楼。
任务2:需要在两个小时内将包裹送达距离较远的住宅区。
基于以上数据,采用本申请的方法按照以下步骤进行任务分配:
优先匹配时间敏感任务:任务1首先分配给快递员A,因为他对市中心任务有较高的偏好,可以更快速地送达。
相同时间下的时间敏感任务匹配:任务2分配给快递员B,因为他对任务位置没有明显偏好,并且可以在规定时间内完成任务。
工人执行意愿低的处理:如果快递员C对执行任务的意愿较低,将提高任务2的奖励,并增加快递员C的声誉值,以激励他更积极地处理任务2。
对于时间敏感性任务,采取提高任务报酬奖励,吸引更高声望的工人执行时间敏感性任务。同时,工人执行任务的敏感性越高,工人的声望值随着增加,工人声望值越高获得报酬越高,任务执行的优先级也越高。
考虑到工人的最大执行任务负荷,进一步地,所述S3中的对工人和任务进行匹配时,同一工人在同一时间段可匹配多个具有相同属性的任务,
若同一工人在同一时间段匹配的多个具有相同属性的任务的数量超过工人的最大执行任务负荷,则根据工人偏好预测结果,删除任务候选列表中偏好值低的任务;
若偏好值低的任务被删除任务候选列表,则匹配至具有相同执行任务属性的工人;
若任务被删除任务候选列表的次数大于预设次数,则重新执行S1、S2;
若工人执行任务量达到任务数量阈值,则提高工人完成任务的奖励和声望值,激励工人执行尽可能多的任务,提高任务的完成率,所述任务数量阈值为根据工人历史执行任务的数量和熟练度计算得到。
假设有一家外卖配送平台,有三名骑手(A、B、C),每个骑手都有不同的偏好和熟练度。现在有多个外卖订单需要送达。示例如下:
骑手信息和熟练度:
骑手A:偏好送达市中心,熟练度较高。
骑手B:没有特定偏好,熟练度中等。
骑手C:偏好送达郊区,熟练度较低。
订单信息:
订单1:送餐到市中心,需要在30分钟内送达。
订单2:送餐到郊区,需要在45分钟内送达。
订单3:送餐到市中心,需要在40分钟内送达。
订单4:送餐到市中心,需要在20分钟内送达。
基于以上数据,采用本申请的方法按照以下步骤进行任务分配:
确定工人最大执行任务负荷:假设每个骑手最多能处理3个订单。
任务分配:根据工人的偏好和熟练度,首先分配订单给符合条件的骑手。如果某些订单被删除任务候选列表,则会重新分配给具有相同执行任务属性的骑手。
调整任务候选列表:如果某个骑手的任务候选列表中删除了超过预设次数的订单,系统将重新执行任务分配的前两个步骤。
激励机制:当骑手的执行任务量达到阈值时,系统将提高他们的任务完成奖励和声誉值,以激励他们执行更多的任务,并提高任务的完成率。
通过以上例子,采用本申请的方法选择任务分配给工人可以管理骑手的任务负荷,调整任务分配策略,并激励骑手提高任务完成效率。
对于工人消极执行任务的情况,平台会根据工人每日执行的任务数量和服务质量,进行相应的惩罚和降低声望值。工人声望值低于声望阈值时,平台将会拒绝工人执行任务,所述声望阈值为工人历史执行任务中的最大声望值。
由于工人可以执行的任务数量有限,在某一时间段,工人可执行任务不能超过其最大执行任务负荷,工人执行任务过多会影响感知数据的服务质量。因此平台会根据工人的最大执行任务负荷及任务的属性,在不同的时间段,将多个任务分配到工人执行任务的候选列表中。随着工人声望值的提高,工人最大执行任务负荷也会随着提高,平台会根据工人的声望值进行评定。对于长期执行最大任务负荷数量的工人且服务质量满足约束条件,平台会提高其最大执行任务负荷。对于最大执行任务负荷过大的工人,会影响其服务质量,平台则会降低工人的最大执行任务负荷。
对于工人中途停止的任务,平台会优先查看是否还有其它工人执行该类任务。如果没有其它工人执行该任务,平台会启动紧急响应。任务多次被工人中止执行,平台会重新计算任务的难易度和合理程度。对于一些不合理的任务要求和任务属性,平台会拒绝该类任务。
为了避免因工人声望值差异而出现任务匹配不均衡的情况,进一步地,所述S3中的对工人和任务进行匹配时,对于具有相同执行任务属性的工人,根据工人声望值,任务进入工人的任务候选列表;
若工人的声望值低于声望阈值,则匹配经梯度激励、或增加报酬奖励后仍未被分配的任务。
具体地,平台会平衡声望值高和声望值低的工人所匹配任务的数量,以避免任务偏向声望值高的工人的任务候选列表。对于声望值高、熟练度高的工人,平台优先匹配最大收益的任务。如果多个工人竞争同一任务,任务优先进入声望值高、熟练度高的工人的人物候选列表中。声望值高、熟练度高的工人,执行任务的服务质量也高。对于声望值低,且熟练度不高的工人,平台会提供一些冷门属性任务,比如,经梯度激励、或增加报酬奖励后仍未被分配的任务,工人可选择执行该类任务以提高声望值和熟练度,进而提高偏好任务进入自身任务候选列表的概率。
S4:对工人和任务的匹配结果进行验证,若匹配结果符合服务质量要求,则存储至工人历史执行任务中;
若匹配结果不符合服务质量要求,则不存储至工人历史执行任务中。
对工人和任务的匹配结果进行验证,需要用合理的指标进行衡量。进一步地,所述S4中的服务质量,具体为,
根据工人完成任务的能力、时间变换函数和工人执行任务的意愿,计算服务质量;若服务质量大于所设阈值时,则工人和任务的匹配结果符合服务质量要求,所述服务质量阈值为根据工人平均服务质量计算得到。
服务质量的计算公式,如下:
式中,QOS为服务质量,Uw为工人执行任务的意愿;rek为工人完成任务的能力,通过工人执行的任务数量和有效任务数量来衡量;为时间变换函数,用于获得任务完成时间对于任务服务质量的影响。
所述时间变换函数计算公式,如下:
式中,Ct是任务所需时间,vt是时间敏感性任务的时间限制。
进一步地,为了保证任务的服务质量,对工人和任务进行匹配时,还包括约束条件,具体为:
工人时间约束:工人只能在进入众包平台后接受任务;
任务时间约束:任务都只能在进入众包平台后分配或者被分配,每个任务都有自己的时间范围,被分配的任务必须在规定时间范围内被完成;
范围约束: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。
能力约束:工人接受任务的数量不能超出其能力范围;
不变约束:一旦任务和工人进行匹配,后续不能进行改变。
本发明还提供了一种基于工人偏好的任务分配系统,包括:
采集模块:用于采集工人和任务的属性,工人的属性,包括:工人的任务完成情况、工人的设备、工人声望值;任务的属性,包括:完成任务所需的时间、完成任务所需的设备、完成任务所需的预算、完成任务所需的位置;
属性挖掘模块:基于采集的工人和任务的属性,挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性,并对相似性分别设置相应的权重后,进行加权,预测工人偏好;
匹配模块:基于工人偏好预测结果,若为新工人,则将工人偏好预测结果作为新工人和任务进行匹配的参考特征;若不是新工人,则结合工人历史任务执行的属性,获得每个任务相对应属性的最大收益,若最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;若最大收益不大于收益阈值,则重复执行S3,直至最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;
所述对工人和任务进行匹配时,若存在时间敏感任务,则进行优先匹配;
基于时间敏感任务,若工人和任务位置之间的距离大于距离阈值,则增加距离调度所产生的成本激励,执行S3,重新进行匹配;
若重新进行匹配未成功,则进行梯度式激励,执行S3,继续重新匹配;
若任务匹配时间大于预设时间,则根据任务属性指定工人执行,并增加工人完成任务的奖励;验证模块:对工人和任务的匹配结果进行验证,若匹配结果符合服务质量要求,则存储至工人历史执行任务中;若匹配结果不符合服务质量要求,则不存储至工人历史执行任务中。
本发明还提供了一种基于工人偏好的任务分配装置,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现所述的一种基于工人偏好的任务分配方法。
本发明还提供了一种基于工人偏好的任务分配存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现所述的一种基于工人偏好的任务分配方法。
仿真实验
方法1为不经工人偏好预测结果,直接随机选择任务分配给工人;
方法2为未经加权得到工人偏好预测结果后,随机选择任务分配给工人;
方法3为经未经挖掘属性间相似性得到工人偏好预测结果后,随机选择任务分配给工人;
方法4为采用梯度正则化法得到工人偏好预测结果后,根据最大收益选择任务分配给工人;
方法5为采用本申请的方法选择任务分配给工人。
通过Kaggle推荐比赛的数据集对时空区域的工人偏好以及完成任务时间进行预测,根据预测结果对工人满意度和服务质量进行评价。
由图1可知,任务数量一定时,在不同的工人数量下,方法5,即本申请的任务分配方法中,工人满意度均高于其它分配方法,其中,工人数量为1000人数时,工人满意度最高。因此本申请提出的任务分配方法,能够较好地满足工人的意愿,提高工人执行任务的满意度。
由图2可知,任务数量一定时,在不同的工人数量下,方法5,即本申请的任务分配方法中,服务质量均高于其它分配方法。其中,工人数量为1000人数时,服务质量最高。
考虑到任务分配结果需满足多方利益,因此需综合考虑工人方、平台方、以及数据请求方。由图3可知,在不同的工人数量下,相比于其它任务分配方法,方法5,即本文提出的任务分配方法,得到的任务分配结果,能够更好地满足各方需求,实现社会福利最大化,即实现各方利益最大化。其中,工人数量为1500人数时,社会福利最高。
综上,在任务数量一定时,根据本申请的任务分配方法得到的工人满意度和服务质量均高于其它分配方法;另外,本申请提出的动态自适应在线任务分配方法能够更好地满足各方需求,实现社会福利最大化,满足各方利益。
Claims (10)
1.一种基于工人偏好的任务分配方法,其特征在于,包括以下步骤:
S1:采集工人和任务的属性,工人的属性,包括:工人的任务完成情况、工人的设备、工人声望值;任务的属性,包括:完成任务所需的时间、完成任务所需的设备、完成任务所需的预算、完成任务所需的位置;
S2:基于采集的工人和任务的属性,挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性,并对相似性分别设置相应的权重后,进行加权,预测工人偏好;
S3:基于工人偏好预测结果,若为新工人,则将工人偏好预测结果作为新工人和任务进行匹配的参考特征;若不是新工人,则结合工人历史任务执行的属性,获得每个任务相对应属性的最大收益,若最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;若最大收益不大于收益阈值,则重复执行S3,直至最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;
S4:对工人和任务的匹配结果进行验证,若匹配结果符合服务质量要求,则存储至工人历史执行任务中;
若匹配结果不符合服务质量要求,则不存储至工人历史执行任务中;
所述S3中的对工人和任务进行匹配时,若存在时间敏感任务,则进行优先匹配;
基于时间敏感任务,若工人和任务位置之间的距离大于距离阈值,则增加距离调度所产生的成本激励,执行S3,重新进行匹配;
若重新进行匹配未成功,则进行梯度式激励,执行S3,继续重新匹配;
若任务匹配时间大于预设时间,则根据任务属性指定工人执行,并增加工人完成任务的奖励。
2.根据权利要求1所述的一种基于工人偏好的任务分配方法,其特征在于,所述S3中的对工人和任务进行匹配时,
基于工人偏好预测结果,结合工人历史任务执行的属性,计算收益,任务按照收益从高到低排列于工人的任务候选列表中;
若存在时间敏感任务,则进行优先匹配;
若存在相同时间下的时间敏感任务,则匹配至具有相同执行任务属性的不同的工人;
若工人对时间敏感任务执行意愿低,则提高完成时间敏感任务的奖励,并增加执行时间敏感任务的工人的声望值。
3.根据权利要求1所述的一种基于工人偏好的任务分配方法,其特征在于,所述S4中的服务质量,具体为,
根据工人完成任务的能力、时间变换函数和工人执行任务的意愿,计算服务质量;若服务质量大于所设阈值时,则工人和任务的匹配结果符合服务质量要求。
4.根据权利要求1所述的一种基于工人偏好的任务分配方法,其特征在于,所述S3中的对工人和任务进行匹配时,
同一工人在同一时间段可匹配多个具有相同属性的任务,
若同一工人在同一时间段匹配的多个具有相同属性的任务的数量超过工人的最大执行任务负荷,则根据工人偏好预测结果,删除任务候选列表中偏好值低的任务;
若偏好值低的任务被删除任务候选列表,则匹配至具有相同执行任务属性的工人;
若任务被删除任务候选列表的次数大于预设次数,则重新执行S1、S2;
若工人执行任务量达到任务数量阈值,则提高工人完成任务的奖励和声望值。
5.根据权利要求1所述的一种基于工人偏好的任务分配方法,其特征在于,所述S3中的对工人和任务进行匹配时,
对于具有相同执行任务属性的工人,根据工人声望值,任务进入工人的任务候选列表;
若工人的声望值低于声望阈值,则匹配经梯度激励、或增加报酬奖励后仍未被分配的任务。
6.根据权利要求1所述的一种基于工人偏好的任务分配方法,其特征在于,所述S2中工人和任务的属性,被表示为特征向量,分别计算不同属性的特征向量间的余弦值,设置相应的权重,获得工人的任务偏好分数。
7.根据权利要求6所述的一种基于工人偏好的任务分配方法,其特征在于,所述S3中的对工人和任务进行匹配时,
基于获得的工人的任务偏好分数,获得每个任务相应的特征向量的置信上界,并选择置信上界最高的任务分配给工人。
8.一种基于工人偏好的任务分配系统,其特征在于,包括:
采集模块:用于采集工人和任务的属性,工人的属性,包括:工人的任务完成情况、工人的设备、工人声望值;任务的属性,包括:完成任务所需的时间、完成任务所需的设备、完成任务所需的预算、完成任务所需的位置;
属性挖掘模块:基于采集的工人和任务的属性,挖掘工人之间执行任务的属性相似性、工人与任务之间的属性相似性、任务之间的属性相似性,并对相似性分别设置相应的权重后,进行加权,预测工人偏好;
匹配模块:基于工人偏好预测结果,若为新工人,则将工人偏好预测结果作为新工人和任务进行匹配的参考特征;若不是新工人,则结合工人历史任务执行的属性,获得每个任务相对应属性的最大收益,若最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;若最大收益不大于收益阈值,则重复执行S3,直至最大收益大于收益阈值,则基于最大收益的任务工人对,对工人和任务进行匹配;
所述对工人和任务进行匹配时,若存在时间敏感任务,则进行优先匹配;
基于时间敏感任务,若工人和任务位置之间的距离大于距离阈值,则增加距离调度所产生的成本激励,执行S3,重新进行匹配;
若重新进行匹配未成功,则进行梯度式激励,执行S3,继续重新匹配;
若任务匹配时间大于预设时间,则根据任务属性指定工人执行,并增加工人完成任务的奖励;验证模块:对工人和任务的匹配结果进行验证,若匹配结果符合服务质量要求,则存储至工人历史执行任务中;若匹配结果不符合服务质量要求,则不存储至工人历史执行任务中。
9.一种基于工人偏好的任务分配装置,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7中任一项所述的一种基于工人偏好的任务分配方法。
10.一种基于工人偏好的任务分配存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于工人偏好的任务分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441041.XA CN117422266B (zh) | 2023-11-01 | 2023-11-01 | 基于工人偏好的任务分配方法、系统、装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441041.XA CN117422266B (zh) | 2023-11-01 | 2023-11-01 | 基于工人偏好的任务分配方法、系统、装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117422266A true CN117422266A (zh) | 2024-01-19 |
CN117422266B CN117422266B (zh) | 2024-04-30 |
Family
ID=89524479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311441041.XA Active CN117422266B (zh) | 2023-11-01 | 2023-11-01 | 基于工人偏好的任务分配方法、系统、装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422266B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400128A (zh) * | 2019-07-29 | 2019-11-01 | 电子科技大学 | 一种基于工人偏好感知的空间众包任务分配方法 |
WO2020098251A1 (zh) * | 2018-11-15 | 2020-05-22 | 平安科技(深圳)有限公司 | 基于用户偏好的众包任务推送方法及相关装置 |
WO2021042510A1 (zh) * | 2019-09-02 | 2021-03-11 | 平安科技(深圳)有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
CN114020650A (zh) * | 2022-01-10 | 2022-02-08 | 广东拓思软件科学园有限公司 | 众测任务分配方法、装置、电子设备及存储介质 |
CN114398909A (zh) * | 2022-01-18 | 2022-04-26 | 中国平安人寿保险股份有限公司 | 用于对话训练的问题生成方法、装置、设备和存储介质 |
CN116822813A (zh) * | 2022-09-06 | 2023-09-29 | 中移(苏州)软件技术有限公司 | 一种空间众包中任务分配方法、装置、设备及存储介质 |
CN116976652A (zh) * | 2023-09-25 | 2023-10-31 | 烟台大学 | 一种基于时空众包的多目标任务分配方法 |
-
2023
- 2023-11-01 CN CN202311441041.XA patent/CN117422266B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020098251A1 (zh) * | 2018-11-15 | 2020-05-22 | 平安科技(深圳)有限公司 | 基于用户偏好的众包任务推送方法及相关装置 |
CN110400128A (zh) * | 2019-07-29 | 2019-11-01 | 电子科技大学 | 一种基于工人偏好感知的空间众包任务分配方法 |
WO2021042510A1 (zh) * | 2019-09-02 | 2021-03-11 | 平安科技(深圳)有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
CN114020650A (zh) * | 2022-01-10 | 2022-02-08 | 广东拓思软件科学园有限公司 | 众测任务分配方法、装置、电子设备及存储介质 |
CN114398909A (zh) * | 2022-01-18 | 2022-04-26 | 中国平安人寿保险股份有限公司 | 用于对话训练的问题生成方法、装置、设备和存储介质 |
CN116822813A (zh) * | 2022-09-06 | 2023-09-29 | 中移(苏州)软件技术有限公司 | 一种空间众包中任务分配方法、装置、设备及存储介质 |
CN116976652A (zh) * | 2023-09-25 | 2023-10-31 | 烟台大学 | 一种基于时空众包的多目标任务分配方法 |
Non-Patent Citations (1)
Title |
---|
胡颖等: "基于众包工人移动轨迹的任务推荐模型", 计算机科学, no. 10, 31 October 2020 (2020-10-31), pages 32 - 40 * |
Also Published As
Publication number | Publication date |
---|---|
CN117422266B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | Spatial crowdsourcing: a survey | |
Lu et al. | Data-driven many-objective crowd worker selection for mobile crowdsourcing in industrial IoT | |
CN102273185B (zh) | 基于多变量标准化评分和影子队列的呼叫路由方法及系统 | |
Berbeglia et al. | Dynamic pickup and delivery problems | |
US10346889B1 (en) | Determining courier effort for deliveries | |
CN110400128B (zh) | 一种基于工人偏好感知的空间众包任务分配方法 | |
US20210398431A1 (en) | System and method for ride order dispatching | |
US20110071962A1 (en) | Method and system of using network graph properties to predict vertex behavior | |
Boutsis et al. | Crowdsourcing under real-time constraints | |
US20220327495A1 (en) | Intelligent scheduling using a prediction model | |
US20170352048A1 (en) | Methods and systems for conducting surveys and processing survey data to generate a collective outcome | |
CN110363329A (zh) | 一种基于供求双边满意度匹配的网约车派单方法 | |
CN108364198A (zh) | 一种基于社交网络的移动众包在线激励方法 | |
CN111936988A (zh) | 智能激励分配 | |
WO2022127517A1 (en) | Hierarchical adaptive contextual bandits for resource-constrained recommendation | |
Thakral | Matching with Stochastic Arrival. | |
Wittman et al. | Dynamic availability of fare products with knowledge of customer characteristics | |
Guo et al. | Reinforcement learning enabled dynamic bidding strategy for instant delivery trading | |
Wang et al. | Recommending-and-grabbing: A crowdsourcing-based order allocation pattern for on-demand food delivery | |
US20150142482A1 (en) | Search engine for identifying business travel proposals | |
CN117422266B (zh) | 基于工人偏好的任务分配方法、系统、装置、存储介质 | |
CN114372680A (zh) | 一种基于工人流失预测的空间众包任务分配方法 | |
Amiri et al. | The bundled task assignment problem in mobile crowdsensing: A column generation-based solution approach | |
CN115203545A (zh) | 基于深度学习和知识图谱的康养服务智能匹配方法和系统 | |
CN111798283A (zh) | 订单派发方法、装置、电子设备及计算机可读存储介质 |
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 |