CN117455200B - 众包环境下的多阶段任务分配方法、系统、设备及介质 - Google Patents
众包环境下的多阶段任务分配方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117455200B CN117455200B CN202311773697.1A CN202311773697A CN117455200B CN 117455200 B CN117455200 B CN 117455200B CN 202311773697 A CN202311773697 A CN 202311773697A CN 117455200 B CN117455200 B CN 117455200B
- Authority
- CN
- China
- Prior art keywords
- task
- crowdsourcing
- tasks
- workers
- candidate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000004806 packaging method and process Methods 0.000 claims abstract description 10
- 230000033001 locomotion Effects 0.000 claims description 19
- 230000008447 perception Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000012856 packing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 13
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007115 recruitment Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种众包环境下的多阶段任务分配方法、系统、设备及介质，其属于任务分配技术领域，所述方案基于轨迹预测，采用两阶段的任务分配过程，将离线指导与在线分配相结合，充分考虑实际工作场景的动态性，能够在较短时间内实现最大化的空间覆盖率；同时，所述方案充分利用Geohash算法、贪婪策略以及基于地理位置打包任务点的策略对任务分配过程进行优化，以获得最优的任务分配方案；通过上述优化策略的结合有效提高了分配效率，降低了成本花销，成功实现了最大化空间覆盖率的目标。
Description
技术领域
本发明属于任务分配技术领域，尤其涉及一种众包环境下的多阶段任务分配方法、系统、设备及介质。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
时空任务分配是众包系统中关键的技术问题之一，其核心在于合理调度工人以完成任务，并在时效性和成本效益之间寻找平衡。发明人发现，传统的任务分配方法在实际应用中面临着一系列挑战，包括但不限于分配效率低、成本花销大等问题。为了解决这些挑战，本领域已经涌现出一些任务分配方法，但它们在应对动态变化的众包环境和复杂任务场景时仍显得不够灵活和智能。在传统众包系统中，任务分配通常是基于简单的规则和静态的信息进行的。这导致了分配效率低下的问题，特别是在处理任务点集合和工人群体动态变化的情况下，很难实现任务的最优分配。同时，考虑到众包系统中的工人分布广泛，任务的时空特性变得尤为显著，传统的分配方法难以很好地应对这一挑战。
发明内容
本发明为了解决上述问题，提供了一种众包环境下的多阶段任务分配方法、系统、设备及介质，所述方案基于轨迹预测，采用两阶段的任务分配过程，将离线指导与在线分配相结合，充分考虑实际工作场景的动态性，能够在较短时间内实现最大化的空间覆盖率。
根据本发明实施例的第一个方面，提供了一种众包环境下的多阶段任务分配方法，包括：
基于众包工人的历史运动轨迹，利用预先训练的基于深度学习的轨迹预测模型，对众包工人未来预设时间段的运行轨迹进行预测；
基于发布的众包任务以及众包工人的预测运行轨迹，通过匹配计算确定每个任务点的候选机会式工人集合；以及，以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，获得众包任务对应的最佳工人，实现离线任务分配；
将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，并基于打包后任务集中若干任务的中心位置，从剩余的未分配任务的工人中进行任务分配，实现在线任务分配。
进一步的，所述通过匹配计算确定每个任务点的候选机会式工人集合，具体为：基于发布的众包任务的任务点相关信息，以及众包工人在未来预设时间段内运行轨迹对应的轨迹点，利用Geohash算法确定每个任务点对应的候选机会式工人集合。
进一步的，所述候选机会式工人的确定需满足如下约束：
候选机会式工人在在线任务分配执行前完成分配任务；以及候选机会式工人在众包任务的感知范围内。
进一步的，所述以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，具体为：选择能单个完成多任务的候选工人，在保证最大化完成任务空间覆盖率的同时将招募机会式工人的预算的花销降到最低。
进一步的，所述将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成众包任务基于地理位置进行打包，具体为：基于众包任务对应任务点的地理位置信息进行Geohash编码，根据精度范围要求，确定编码长度，在指定半径范围内对其所覆盖范围半径内的任务进行打包，将其覆盖区域的Geohash编码的中心位置作为打包后的任务的中心位置。
进一步的，所述离线任务分配的执行阶段为所述预设时间段内；所述在线任务分配的执行时刻为所述预设时间段结束前的预设时刻。
进一步的，所述基于深度学习的轨迹预测模型采用长短时记忆网络，以众包工人的历史运动轨迹为输入，获得预测的运行轨迹。
根据本发明实施例的第二个方面，提供了一种众包环境下的多阶段任务分配系统，包括：
轨迹预测单元，其用于基于众包工人的历史运动轨迹，利用预先训练的基于深度学习的轨迹预测模型，对众包工人未来预设时间段的运行轨迹进行预测；
离线任务分配，其用于基于发布的众包任务以及众包工人的预测运行轨迹，通过匹配计算确定每个任务点的候选机会式工人集合；以及，以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，获得众包任务对应的最佳工人，实现离线任务分配；
在线任务分配，其用于将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，并基于打包后任务集中若干任务的中心位置，从剩余的未分配任务的工人中进行任务分配，实现在线任务分配。
根据本发明实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种众包环境下的多阶段任务分配方法。
根据本发明实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种众包环境下的多阶段任务分配方法。
与现有技术相比，本发明的有益效果是：
（1）本发明提供了一种众包环境下的多阶段任务分配方法、系统、设备及介质，所述方案通过轨迹预测，能够最大效用的进行机会式工人的判断，同时，通过采用两阶段的任务分配过程，将离线指导与在线分配相结合，充分考虑实际工作场景的动态性；
（2）所述方案充分利用Geohash算法、贪婪策略以及基于地理位置打包任务点的策略对任务分配过程进行优化，以获得最优的任务分配方案；通过上述优化策略的结合有效提高了分配效率，降低了成本花销，成功实现了最大化空间覆盖率的目标。
（3）离线阶段的工人预测解决了传统的冷启动问题，Geohash编码的使用既起到一定的隐私保护作用，同时又解决了搜索效率的问题。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例中所述的确定候选机会式工人集的示意图；
图2为本发明实施例中所述的采用Geohash算法确定候选工人的示例图。
图3（a）为本发明实施例中所述方法与现有技术方法在不同城市不同成本下对应的空间覆盖率示意图一；
图3（b）为本发明实施例中所述方法与现有技术方法在不同城市不同成本下对应的空间覆盖率示意图二；
图3（c）为本发明实施例中所述方法与现有技术方法在不同城市不同成本下对应的空间覆盖率示意图三；
图3（d）为本发明实施例中所述方法与现有技术方法在不同城市不同成本下对应的空间覆盖率示意图四；
图4（a）为本发明实施例中所述方法与现有技术方法在不同城市不同成本下对应的运行时间对比示意图一；
图4（b）为本发明实施例中所述方法与现有技术方法在不同城市不同成本下对应的运行时间对比示意图二；
图4（c）为本发明实施例中所述方法与现有技术方法在不同城市不同成本下对应的运行时间对比示意图三；
图4（d）为本发明实施例中所述方法与现有技术方法在不同城市不同成本下对应的运行时间对比示意图四。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
术语解释：
机会式工人：按照日常的路线行驶完成感知任务，无需移动到特定位置来完成感知任务的工人；
参与式工人：愿意改变调整自己的行驶路线到达指定位置来完成感知任务的工人；
冷启动问题：系统或服务刚刚启动或初始化时，由于缺乏足够的历史数据或先验知识，难以做出准确的预测或提供有意义的推荐。
空间覆盖率：在感知任务中，发布者指定一组子区域，当至少获得一个感知数据后，我们认为任务覆盖了一个子区域。使用/>来表示最终招募工人的集合，并将/>所覆盖的范围定义为/>，因此可以将空间覆盖率的计算表示为。
实施例一：
本实施例的目的是提供一种众包环境下的多阶段任务分配方法。
一种众包环境下的多阶段任务分配方法，包括：
基于众包工人的历史运动轨迹，利用预先训练的基于深度学习的轨迹预测模型，对众包工人未来预设时间段的运行轨迹进行预测；
基于发布的众包任务以及众包工人的预测运行轨迹，通过匹配计算确定每个任务点的候选机会式工人集合；以及，以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，获得众包任务对应的最佳工人，实现离线任务分配；
将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，并基于打包后任务集中若干任务的中心位置，从剩余的未分配任务的工人中进行任务分配，实现在线任务分配。
在具体实施中，所述通过匹配计算确定每个任务点的候选机会式工人集合，具体为：基于发布的众包任务的任务点相关信息，以及众包工人在未来预设时间段内运行轨迹对应的轨迹点，利用Geohash算法确定每个任务点对应的候选机会式工人集合。
在具体实施中，所述候选机会式工人的确定需满足如下约束：
候选机会式工人在在线任务分配执行前完成分配任务；以及候选机会式工人在众包任务的感知范围内。
在具体实施中，所述以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，具体为：选择能单个完成多任务的候选工人，在保证最大化完成任务空间覆盖率的同时将招募机会式工人的预算的花销降到最低。
在具体实施中，所述将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，具体为：将得到的轨迹点和任务点位置转换为Geohash编码，根据得到的Geohash编码，每个任务点会根据Geohash编码的前缀和所要求的的精度，快速找到与其相邻的八个区域，然后再在这些相邻区域内检测每个任务点可覆盖半径范围内的候选工人，以任务点Geohash编码为wx4d6为例，整个过程如图2所示。
在具体实施中，所述离线任务分配的执行阶段为所述预设时间段内；所述在线任务分配的执行时刻为所述预设时间段结束前的预设时刻。
在具体实施中，所述基于深度学习的轨迹预测模型采用长短时记忆网络，以众包工人的历史运动轨迹为输入，获得预测的运行轨迹。
具体的，为了便于理解，以下结合附图对本实施例所述方案进行详细说明：
为了解决现有技术存在的问题，本实施例提供了一种众包环境下的多阶段任务分配方法，用以达到在较短时间内实现最大化的空间覆盖率，所述方案在离线阶段进行机会式工人的判定，并借助Geohash算法和贪婪策略确定最佳机会式工人。在整个感知周期结束前的特定时间内，开启在线阶段的任务分配，利用基于地理位置打包的策略，在两阶段相互结合下，实现了在较短时间达到最大化任务空间覆盖的目的。
在移动众包平台中，有三个核心的参与角色：众包工人、众包任务和众包平台。举个例子，我们可以以手机点餐跑腿软件为例来说明这个过程。用户提出的需求被视为众包任务，而接受任务并完成以获取奖励的跑腿工人则被看作是众包工人。
首先，需求用户可以将他们的需求发布在众包平台上，就像在手机点餐跑腿软件上发布一个送餐的请求一样。这个请求被视为一个众包任务，等待合适的众包工人来接受并执行。与此同时，众包工人可以在众包平台上发布自己的地理位置或者空闲状态，表示他们是否可以接受任务。众包平台的角色就是连接这两个实体之间的桥梁。它会分析众包任务的性质、要求和地理位置，以及众包工人的技能、空闲时间等信息。通过智能匹配算法，众包平台将合适的众包工人与任务进行配对。例如，在手机点餐跑腿软件中，平台可能会将附近并且有能力在规定时间内完成任务的跑腿工人与用户的送餐需求相匹配。众包工人一旦接受了任务，就需要在规定的时间内完成任务，这样他们才能够获得相应的奖励。这整个过程形成了一个紧密的互动网络，通过众包平台使众包任务和众包工人之间的连接更加高效和智能。
本实施例所述方法通过引入轨迹预测、Geohash算法等技术，在离线阶段确定机会式工人，在在线阶段确定参与式工人，两个阶段相互结合，依次实现更高效的工人调度和成本优化。这一创新方法不仅能够适应众包系统中任务和工人动态变化的场景，还能够优化任务分配的效果，确保任务能达到最大化的空间覆盖率。具体而言，本实施例所述方案基于轨迹预测，在离线阶段，通过对工人轨迹一段时间内时间序列的预测，结合任务信息确定候选机会工人集合。依据候选工人集合采用贪婪的策略得到最佳的机会式工人。为了最大化任务空间的覆盖率并有效利用成本资金，再本实施例所述方案中，成本并不全投入到机会式工人的选取中，为此本实施例采用了两阶段的分配过程。在感知周期结束前的一段时间内，开启在线阶段的任务分配，通过基于地理位置任务打包的策略确定相应的参与式工人，从而更灵活地适应不同的任务环境。
在任务分配的具体过程中，本实施例所述方案借助于Geohash算法，贪婪策略和基于地理位置打包任务点的策略。其中，Geohash算法能够高效地实现对地理位置的编码和解码，为任务点的空间表示提供了高效的手段。而贪婪策略和基于地理位置打包的策略则有助于优化任务的分配，提高了整体的分配效率。这一优化方法在分配效率和成本花销方面表现出了显著的优势，实现了最大化任务空间覆盖率的目标。
具体的，一种众包环境下的多阶段任务分配方法，具体包括如下步骤：
步骤一：针对于工人的运动轨迹具有时间序列的特性，采用长短时神经网络LSTM对平台上工人的运动轨迹进行一段时间内的预测，确定众包工人一段时间内的运行轨迹点。
在具体实施中，众包工人被假设为配备了多功能传感器的车辆，能够执行感知任务。众包工人的属性集合为/>，其中，其/>是工人/>的位置信息，包括工人ID、当前时刻、以及当前时刻的经纬度坐标。
在具体实施中，众包平台可根据以往的众包工人的历史运行轨迹，对接下来一段时间内工人的轨迹点进行预测，为接下来的候选工人集的确定提供相应信息。
步骤二：根据得到的轨迹信息和任务点的相关信息，采用Geohash 算法确定每个任务点的候选机会式工人集合。具体为：将得到的轨迹点和任务点位置转换为Geohash编码，根据得到的Geohash编码，每个任务点会根据Geohash编码的前缀和所要求的的精度，快速找到与其相邻的八个区域，然后再在这些相邻区域内检测每个任务点可覆盖半径范围内的候选工人，以任务点Geohash编码为wx4d6为例，整个过程如图2所示。所匹配得到的每个任务点的候选工人需满足时间和地理位置的双重约束。这一匹配过程旨在确保所选工人既满足时间上的要求，又符合任务地理位置的特定限制。
在具体实施中，众包任务的属性集合为/>，其中表示任务/>发布位置的经纬度坐标，/>表示任务/>的感知范围半径，表示任务/>的感知区域，在任务的传播阶段，此分配系统中借助，以/>为圆心，为半径的圆心区域，来表示任务/>覆盖的感知区域/>。在整个感知周期内，任务均可以被执行。
其中，所述约束条件包括：
候选机会式工人时间约束：机会式工人要在在线阶段开启前完成感知任务。
范围约束：众包工人的感知区域是有限的，众包工人只有在任务的感知区域内，才能接收并完成相应的感知任务。
在具体实施中，众包平台可利用Geohash算法，对于已经发布了任务位置进行相关检测，检测预测的轨迹点位置经过哪些任务的感知范围，由此得到任务位置的候选机会式工人集合。Geohash算法的使用将大幅度提高检测的速度，快速得到相应的候选机会式工人集。
步骤三，对于步骤二中所得到到候选机会式工人集合，采用贪婪的策略，即引入一个关键的思想，倾向于选择能单个能经过更多任务感知区域的候选机会式工人，在保证最大化完成任务空间覆盖率的同时将招募机会式工人的预算的花销降到最低，为此引入用户的效用，即招募的机会式工人覆盖的感知子区域集合与招募机会式工人的总成的比值来公式化此问题。在一定的约束下选择能完成最多任务数的候选机会式工人，组成一组最佳工人集合，来完成第一阶段的离线的任务分配。
在具体实施中，招募机会式工人的成本为：
（1）
其中，为招募机会式工人的总成本，/>表示平台想每个工人支付的固定的、相等的奖励。/>表示招募的机会式工人的个数。
在具体实施中，招募机会式工人的效用为：
（2）
其中，为招募机会式工人的效用，/>为招募机会式工人的总成本，为招募的机会式工人覆盖的感知子区域集合。
进一步的，所述约束条件包括：
选择约束：最佳工人的选取，只能在候选工人集合中进行确定。
不变约束：众包工人和众包任务形成匹配对后，后续不能进行改变。
步骤四：在整个感知周期结束前的时刻，开启在线阶段的任务分配。对这一时刻内在步骤三中仍未完成（此处的未完成指的是在线阶段开启时，离线阶段分配的机会式工人还仍未完成的感知任务）和没有分配的众包任务进行基于地理位置的打包，组成打包后的任务集。然后在全局范围内对在步骤三中没有进行分配的众包工人的实时位置进行检测，并以打包后的任务集地理位置的中心位置为标准选取最近的参与式工人，并按距离由大到小的顺序进行第二阶段在线阶段的任务分配。这一策略进一步提高了资源利用率和优化工人选择的策略，能更好地应对任务变化和工人资源波动。
在具体实施中，对于时间区间较小数据量的数据集来说，的取值为整个感知周期结束前30分钟，对于时间区间较大的数据集来说，/>的取值为整个感知周期结束前1小时。可以理解的，/>的取值可根据实际需求进行调整。
在线阶段的所有众包任务是依据特定半径范围进行打包的，最终形成确定的打包任务集，并以整个打包后的任务点集的中心位置的geohash编码作为新的位置中心进行任务的分配。
在具体实施中，根据数据集中数据的数量以密集程度等因素，将的取值范围设置为5公里-10公里范围之间。可以理解的，/>的取值可根据实际需求进行调整。
步骤五，在步骤四完成后，在预算还有剩余的前提下，对于那些未能打包的单个任务点，仍采用实时位置检测的方法，按照距离由小到大的顺序，在预算的约束下进行工人的分配。通过上述几个步骤完成整个框架的任务分配流程，提高分配效率和降低成本花销，实现最大化任务空间覆盖率。
对于在线阶段参与式工人来说，他们要对自己的运行轨迹进行偏移，移动到特定位置进行任务的感知，为此采用关于移动距离设置相应的收益效用来激励众包工人进行位置移动来完成任务。收益效用的计算公式如下：
（3）
其中，为参与式工人完成相应众包任务的收益效用，/>是平台给定的距离补偿费用，/>为未完成的任务/>与在线阶段分配的参与式工人/>之间的Haversine距离，PT为未完成的任务集合，PW为参与式工人集合。
为了验证本实施例所述方案的有效性，本实施例进行了如下实验验证：
仿真实验如下：
利用四组真实数据集，分别在小数据量和大数据量的数据中对该任务分配系统分进行了实验：其中RFOW-MT代表本实施例所述方法，“CrowdRecruiter: SelectingParticipants for Piggyback Crowdsensing under Probabilistic CoverageConstraint”中提到的MaxCov，“Hybrid Network Assisted Dynamic Worker RecruitmentAlgorithm”中提及到的Basic-Selector，“Social-Network-Assisted WorkerRecruitment in Mobile Crowd Sensing”中提到的NaiveFast和HG以及“HyTasker:Hybrid Task Allocation in Mobile Crowd Sensing”中提及到的BP-Hybrid代表对比的任务分配算法。
实验中将北京、上海出租车数据集作为小批量数据集、将成都、深圳出租车数据集作为大批量数据集进行评估。当成本不断增加时任务框架分配的时间和任务的空间覆盖率。通过不断增加工成本观察所使用的时间和任务的空间覆盖率来评估算法的实用性和覆盖率。图3（a）、图3（b）、图3（c）以及图3（d）分别显示了在不同成本下，众包工人与任务的匹配后空间覆盖率的对比结果。图4（a）、图4（b）、图4（c）以及图4（d）分别显示了在不同成本下，不同分配方法下，所需要的运行时间的对比。从图中可以看出，本实施提出的方法比其他的在线算法有更好的分配效果。
实施例二：
本实施例的目的是提供一种众包环境下的多阶段任务分配系统。
一种众包环境下的多阶段任务分配系统，包括：
轨迹预测单元，其用于基于众包工人的历史运动轨迹，利用预先训练的基于深度学习的轨迹预测模型，对众包工人未来预设时间段的运行轨迹进行预测；
离线任务分配，其用于基于发布的众包任务以及众包工人的预测运行轨迹，通过匹配计算确定每个任务点的候选机会式工人集合；以及，以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，获得众包任务对应的最佳工人，实现离线任务分配；
在线任务分配，其用于将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，并基于打包后任务集中若干任务的中心位置，从剩余的未分配任务的工人中进行任务分配，实现在线任务分配。
进一步的，本实施例所述系统与实施例一所述方法相对应，其技术细节在实施例一中进行了详细说明，故此处不再赘述。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (5)
1.一种众包环境下的多阶段任务分配方法，其特征在于，包括：
基于众包工人的历史运动轨迹，利用预先训练的基于深度学习的轨迹预测模型，对众包工人未来预设时间段的运行轨迹进行预测；
基于发布的众包任务以及众包工人的预测运行轨迹，通过匹配计算确定每个任务点的候选机会式工人集合；以及，以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，获得众包任务对应的最佳工人，实现离线任务分配；
将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，并基于打包后任务集中若干任务的中心位置，从剩余的未分配任务的工人中进行任务分配，实现在线任务分配；
所述通过匹配计算确定每个任务点的候选机会式工人集合，具体为：基于发布的众包任务的任务点相关信息，以及众包工人在未来预设时间段内运行轨迹对应的轨迹点，利用Geohash算法确定每个任务点对应的候选机会式工人集合；
所述将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，具体为：基于众包任务对应任务点的地理位置信息进行Geohash编码，根据精度范围要求，确定编码长度，在指定半径范围内对其所覆盖范围半径内的任务进行打包，将其覆盖区域的Geohash编码的中心位置作为打包后的任务的中心位置；
所述离线任务分配的执行阶段为所述预设时间段内；所述在线任务分配的执行时刻为所述预设时间段结束前的预设时刻；
所述候选机会式工人的确定需满足如下约束：
候选机会式工人在在线任务分配执行前完成分配任务；以及候选机会式工人在众包任务的感知范围内；
所述以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，具体为：选择能单个完成多任务的候选工人，在保证最大化完成任务空间覆盖率的同时将招募机会式工人的预算的花销降到最低。
2.如权利要求1所述的一种众包环境下的多阶段任务分配方法，其特征在于，所述基于深度学习的轨迹预测模型采用长短时记忆网络，以众包工人的历史运动轨迹为输入，获得预测的运行轨迹。
3.一种众包环境下的多阶段任务分配系统，其特征在于，包括：
轨迹预测单元，其用于基于众包工人的历史运动轨迹，利用预先训练的基于深度学习的轨迹预测模型，对众包工人未来预设时间段的运行轨迹进行预测；
离线任务分配，其用于基于发布的众包任务以及众包工人的预测运行轨迹，通过匹配计算确定每个任务点的候选机会式工人集合；以及，以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，获得众包任务对应的最佳工人，实现离线任务分配；
在线任务分配，其用于将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中仍未完成的众包任务基于地理位置进行打包，并基于打包后任务集中若干任务的中心位置，从剩余的未分配任务的工人中进行任务分配，实现在线任务分配；
所述通过匹配计算确定每个任务点的候选机会式工人集合，具体为：基于发布的众包任务的任务点相关信息，以及众包工人在未来预设时间段内运行轨迹对应的轨迹点，利用Geohash算法确定每个任务点对应的候选机会式工人集合；
所述将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，具体为：基于众包任务对应任务点的地理位置信息进行Geohash编码，根据精度范围要求，确定编码长度，在指定半径范围内对其所覆盖范围半径内的任务进行打包，将其覆盖区域的Geohash编码的中心位置作为打包后的任务的中心位置；
所述离线任务分配的执行阶段为所述预设时间段内；所述在线任务分配的执行时刻为所述预设时间段结束前的预设时刻；
所述候选机会式工人的确定需满足如下约束：
候选机会式工人在在线任务分配执行前完成分配任务；以及候选机会式工人在众包任务的感知范围内；
所述以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，具体为：选择能单个完成多任务的候选工人，在保证最大化完成任务空间覆盖率的同时将招募机会式工人的预算的花销降到最低。
4.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-2任一项所述的一种众包环境下的多阶段任务分配方法。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-2任一项所述的一种众包环境下的多阶段任务分配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311773697.1A CN117455200B (zh) | 2023-12-22 | 2023-12-22 | 众包环境下的多阶段任务分配方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311773697.1A CN117455200B (zh) | 2023-12-22 | 2023-12-22 | 众包环境下的多阶段任务分配方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117455200A CN117455200A (zh) | 2024-01-26 |
| CN117455200B true CN117455200B (zh) | 2024-03-29 |
Family
ID=89582214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311773697.1A Active CN117455200B (zh) | 2023-12-22 | 2023-12-22 | 众包环境下的多阶段任务分配方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455200B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118552234A (zh) * | 2024-07-29 | 2024-08-27 | 烟台大学 | 一种基于lstm的移动众包任务数据离线预测方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103408A (zh) * | 2017-03-24 | 2017-08-29 | 扬州大学 | 一种众包环境下复杂任务分配方法 |
| CN108241930A (zh) * | 2017-12-29 | 2018-07-03 | 儒安科技有限公司 | 一种移动众包平台的任务分配方法 |
| CN109087030A (zh) * | 2018-09-14 | 2018-12-25 | 山东大学 | 实现c2c通用移动众包的方法、通用移动众包服务器及系统 |
| 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 |
| CN112819210A (zh) * | 2021-01-20 | 2021-05-18 | 杭州电子科技大学 | 空间众包中工人可拒绝下的在线单点任务分配方法 |
| CN114548913A (zh) * | 2022-01-25 | 2022-05-27 | 烟台大学 | 一种最大化任务分配数量的多阶段任务分配方法 |
| CN114638415A (zh) * | 2022-03-17 | 2022-06-17 | 桂林电子科技大学 | 一种基于Geohash索引的实时空间众包任务分配方法 |
| CN115392776A (zh) * | 2022-09-19 | 2022-11-25 | 南京航空航天大学 | 基于多技能协作的空间众包任务分配方法 |
| 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 |
| CN117035305A (zh) * | 2023-08-07 | 2023-11-10 | 河南大学 | 一种面向众包定位场景中基于确定性轨迹的稳定任务分配方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014111948A1 (en) * | 2013-01-18 | 2014-07-24 | Hewlett-Packard Development Company, L. P | Task assignment in crowdsourcing |
| US9911088B2 (en) * | 2014-05-01 | 2018-03-06 | Microsoft Technology Licensing, Llc | Optimizing task recommendations in context-aware mobile crowdsourcing |
| CN109214551B (zh) * | 2018-08-08 | 2022-08-26 | 北京三快在线科技有限公司 | 一种配送调度方法及装置 |
-
2023
- 2023-12-22 CN CN202311773697.1A patent/CN117455200B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103408A (zh) * | 2017-03-24 | 2017-08-29 | 扬州大学 | 一种众包环境下复杂任务分配方法 |
| CN108241930A (zh) * | 2017-12-29 | 2018-07-03 | 儒安科技有限公司 | 一种移动众包平台的任务分配方法 |
| CN109087030A (zh) * | 2018-09-14 | 2018-12-25 | 山东大学 | 实现c2c通用移动众包的方法、通用移动众包服务器及系统 |
| 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 |
| CN112819210A (zh) * | 2021-01-20 | 2021-05-18 | 杭州电子科技大学 | 空间众包中工人可拒绝下的在线单点任务分配方法 |
| CN114548913A (zh) * | 2022-01-25 | 2022-05-27 | 烟台大学 | 一种最大化任务分配数量的多阶段任务分配方法 |
| CN114638415A (zh) * | 2022-03-17 | 2022-06-17 | 桂林电子科技大学 | 一种基于Geohash索引的实时空间众包任务分配方法 |
| CN115392776A (zh) * | 2022-09-19 | 2022-11-25 | 南京航空航天大学 | 基于多技能协作的空间众包任务分配方法 |
| CN117035305A (zh) * | 2023-08-07 | 2023-11-10 | 河南大学 | 一种面向众包定位场景中基于确定性轨迹的稳定任务分配方法 |
| 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 (3)
| Title |
|---|
| Xinhao Li等.Planning-based mobile crowdsourcing bidirectional multi-stage online task assignment.Computer Networks .2023,第233卷第109879（1-14）页. * |
| 基于约束的空间众包多阶段任务分配;范泽军 等;《计算机学报》;20191231;第42卷(第12期);第2722-2741页 * |
| 胡颖 ; 王莹洁 ; 童向荣 ; .基于众包工人移动轨迹的任务推荐模型.计算机科学.2020,(第10期),第40-48页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117455200A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Energy-efficient distributed mobile crowd sensing: A deep learning approach | |
| CN117455200B (zh) | 众包环境下的多阶段任务分配方法、系统、设备及介质 | |
| Qi et al. | Scalable parallel task scheduling for autonomous driving using multi-task deep reinforcement learning | |
| Gong et al. | Task assignment in mobile crowdsensing: Present and future directions | |
| Cheng et al. | Task assignment on multi-skill oriented spatial crowdsourcing | |
| CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及系统 | |
| Zhang et al. | On reliable task assignment for spatial crowdsourcing | |
| Schlote et al. | Delay-tolerant stochastic algorithms for parking space assignment | |
| Liu et al. | Prediction based user selection in time-sensitive mobile crowdsensing | |
| CN116976652B (zh) | 一种基于时空众包的多目标任务分配方法 | |
| Duan et al. | Bi-level programming model for resource-shared parking lots allocation | |
| CN100593925C (zh) | 无线传感器网络本地式节点管理方法 | |
| Yin et al. | ISIATasker: Task Allocation for Instant-SensingߝInstant-Actuation Mobile Crowdsensing | |
| Lai et al. | Optimized large-scale road sensing through crowdsourced vehicles | |
| Asghari et al. | On on-line task assignment in spatial crowdsourcing | |
| Chen et al. | Smart parking by mobile crowdsensing | |
| Gao et al. | Fast adaptive task offloading and resource allocation via multiagent reinforcement learning in heterogeneous vehicular fog computing | |
| Wu et al. | A utility-based subcontract method for sensing task in mobile crowd sensing | |
| Akter et al. | Time-constrained task allocation and worker routing in mobile crowd-sensing using a decomposition technique and deep Q-learning | |
| Hu et al. | Participants selection for from-scratch mobile crowdsensing via reinforcement learning | |
| Shi et al. | Deep q-network based route scheduling for transportation network company vehicles | |
| CN110167059A (zh) | 一种边缘计算场景下基站业务量预测方法 | |
| Moreira-Matias et al. | An online recommendation system for the taxi stand choice problem (Poster) | |
| CN111861192A (zh) | 一种电动汽车充电站的选址方法及装置 | |
| Erduran et al. | Negotiation in Ride-hailing between Cooperating BDI Agents. |
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 |