一種以最小化支付為目標(biāo)的移動群智感知激勵方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種以最小化支付為目標(biāo)的移動群智感知激勵方法，屬于拍賣理論和 移動互聯(lián)網(wǎng)的交叉領(lǐng)域。
【背景技術(shù)】
[0002] 隨著移動互聯(lián)網(wǎng)、嵌入式傳感器等技術(shù)的發(fā)展，智能手機已經(jīng)十分普及。利用普遍 存在的智能手機用戶感知和收集大規(guī)模的數(shù)據(jù)是一種新型的感知方式。移動群智感知由于 其廣泛的時空覆蓋、低廉的成本、優(yōu)秀的可擴展性以及普遍存在的應(yīng)用場景而被認(rèn)為是一 種具有巨大潛力的新型數(shù)據(jù)感知和收集模式。目前已有一些項目基于移動群智感知實現(xiàn)了 健康護理、智能交通、社交網(wǎng)絡(luò)、環(huán)境監(jiān)控等領(lǐng)域中的不同應(yīng)用。
[0003] 近年來，只能手機已經(jīng)大規(guī)模普及。據(jù)IDC公司統(tǒng)計，2014年只能手機的出貨量接 近13億部，比2013年增長了 26. 3%，同時預(yù)計2015年的出貨量將超過14億部。今天的 智能手機已經(jīng)建成了大量傳感器，包括攝像頭、亮度傳感器、GPS、加速度計、數(shù)字羅盤、陀螺 儀、麥克風(fēng)和距離傳感器等。群智感知利用普遍存在的智能手機完成大規(guī)模數(shù)據(jù)感知。相比 傳統(tǒng)的傳感器網(wǎng)絡(luò)，群智感知模式具有成本低、時空覆蓋度高、感知透徹、擴展性好等優(yōu)點。
[0004] 目前有許多群智感知系統(tǒng)，應(yīng)用領(lǐng)域包括健康醫(yī)療、社交網(wǎng)絡(luò)、環(huán)境監(jiān)控、交通路 況、室內(nèi)定位等。但目前的這些應(yīng)用都是假設(shè)參與者能自愿地積極的參加數(shù)據(jù)感知，這往往 不切實際。因為參與者需要消耗設(shè)備的能量、計算能力、存儲空間、數(shù)據(jù)流量等完成群智感 知任務(wù)，參與者需要得到一定數(shù)量的激勵以抵消這些損失。群智感知應(yīng)用的成功實施取決 于參與者數(shù)量以及數(shù)據(jù)質(zhì)量，沒有激勵上述兩點都得不到保證。因此，激勵機制的設(shè)計在群 智感知應(yīng)用中十分重要。
[0005] 然而，激勵機制的設(shè)計并不容易，因為單個參與者往往會采取策略行為，以最大化 自身的效用，這將對選擇參與者已經(jīng)決定支付數(shù)額產(chǎn)生破壞。目前，群智感知的激勵機制主 要考慮最大化系統(tǒng)效用，不要求用戶能完成發(fā)布的任務(wù)。這類方法不能保證數(shù)據(jù)的完整性， 從而可能降低數(shù)據(jù)價值。本發(fā)明提供一種以最小化支付為目標(biāo)的移動群智感知激勵方法。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明的目的是提供一種以最小化支付為目標(biāo)的移動群智感知激勵方法，解決在 移動群智感知應(yīng)用中，在完成所有任務(wù)的前提下最小化支付問題，從而為雇傭方節(jié)約感知 成本。本發(fā)明相對于目前的激勵方法，首次在時間窗口任務(wù)中解決最小化支付的問題。本 發(fā)明首先提出了一個基于時間窗口的群智感知系統(tǒng)模型，在所提的系統(tǒng)模型下最小化總支 付數(shù)額。接著本發(fā)明提出了一個多項式時間算法，該算法包含初步選擇和權(quán)重競爭兩個階 段，相比其他激勵機制，本發(fā)明所述方法具有更低的總支付額，并且仍然是個人理性和防欺 騙的。
[0007] 本發(fā)明的技術(shù)解決方案是：
[0008] 考慮一種移動群智感知系統(tǒng)包括一個平臺和一群智能手機用戶，平臺處于云端。 本發(fā)明所述一種以最小化支付為目標(biāo)的移動群智感知激勵方法是針對感知給定時間窗口 (在本發(fā)明中以下稱為需求時間窗口）內(nèi)的連續(xù)數(shù)據(jù)的場景，在這種場景下平臺需要收集 一個時間窗口內(nèi)的連續(xù)數(shù)據(jù)。每個智能手機用戶提交一個可以完成感知任務(wù)的單個時間窗 口（在本發(fā)明中以下稱為用戶時間窗口）。
[0009] 本發(fā)明專利所述一種以最小化支付為目標(biāo)的移動群智感知激勵方法，其特征在于 包含兩個階段：初步選擇階段和權(quán)重競爭階段。初步選擇階段首先將用戶關(guān)系用區(qū)間圖表 示，進而轉(zhuǎn)化為流圖，計算流為2的最小費用最大流問題，尋找到能覆蓋需求時間窗口的兩 組不相交的用戶；在權(quán)重競爭階段首先在上述的兩組不相交的用戶中尋找可相互替代的用 戶組，根據(jù)用戶數(shù)量分配權(quán)重進行帶權(quán)競爭，勝者將屬于最終用戶集合，最后為每個入選者 計算關(guān)鍵報酬。
[0010] 本發(fā)明專利所述一種以最小化支付為目標(biāo)的移動群智感知激勵方法中，平臺發(fā)布 一個需求時間窗口w= [Ts，TE]，，其中八和TE分別為時間窗口的開始時間和結(jié)束時間，gp 平臺請求從1到TE的感知數(shù)據(jù)；
[0011] 本發(fā)明專利所述一種以最小化支付為目標(biāo)的移動群智感知激勵方法，每個用戶i 向平臺提交一個標(biāo)書&=([si，ej，bi)，其中[Spej是用戶i的用戶時間窗口。h是用 戶i完成該任務(wù)的報價，即用戶i希望獲得的報酬；
[0012] 本發(fā)明專利所述一種以最小化支付為目標(biāo)的移動群智感知激勵方法，目標(biāo)是最小 化支付總額的，并且滿足入選用戶的用戶時間窗口能夠覆蓋W。
[0013] 本發(fā)明所述一種以最小化支付為目標(biāo)的移動群智感知激勵方法，平臺和智能手機 用戶的交互過程體現(xiàn)為一個反向拍賣機制，步驟如下：
[0014] 步驟201 :平臺發(fā)布一個時間窗口W= [TS，TE]，其中TJPTE分別為時間窗口的開 始時間和結(jié)束時間，即平臺請求從1到TE的感知數(shù)據(jù)；
[0015] 步驟202 :設(shè)智能手機用戶集合為U= {1，2,，...，n}，每個用戶向平臺提交一個 標(biāo)書&= ([Si，ej，bj，其中[Si，ej是用戶i能完成感知任務(wù)的用戶時間窗口。每個標(biāo) 書都存在一個真實代價Ci。sJPei可以是任何時間點。h是用戶i完成該任務(wù)的報價，即 用戶i希望獲得的報酬；
[0016] 步驟203:初步選擇階段。平臺選擇兩個互不相交的用戶子集S'i，S"i，使得所 選用戶的總的代價之和最??；
[0017] 步驟204:權(quán)重競爭階段。在S'dPS"i中尋找可相互替代的用戶組，根據(jù)用戶 數(shù)量分配權(quán)重進行帶權(quán)競爭，勝者將屬于最終用戶集合，為每個入選者計算關(guān)鍵報酬。
[0018] 步驟205 :平臺通知最終入選用戶；
[0019] 步驟206 :最終入選用戶在自己提交的時間窗口內(nèi)感知數(shù)據(jù)，將數(shù)據(jù)提交平臺；
[0020] 步驟207 :平臺為每個入選用戶通過在線形式支付報酬。
[0021] 在步驟202中，平臺選擇用戶的問題形式化表示為
[0022]
【主權(quán)項】
1. 一種w最小化支付為目標(biāo)的移動群智感知激勵方法，其特征在于： 平臺和智能手機用戶的交互過程體現(xiàn)為一個反向拍賣機制，步驟如下： 步驟201 ;平臺發(fā)布一個時間窗口W= [L，Te]，其中L和Te分別為時間窗口的開始時 間和結(jié)束時間，即平臺請求從L到TC的感知數(shù)據(jù)； 步驟202 ;設(shè)智能手機用戶集合為U= {1，2, ...，n}，每個用戶向平臺提交一個標(biāo)書町 =枯，6山叫，其中[31，61]是用戶1能完成感知任務(wù)的用戶時間窗口，每個標(biāo)書都存在一 個真實代價Ci，Si和ei可W是任何時間點，bi是用戶i完成該任務(wù)的報價，即用戶i希望獲 得的報酬； 步驟203;初步選擇階段，平臺選擇兩個互不相交的用戶子集s'i，S" 1，使得所選用 戶的總的代價之和最小； 步驟204;權(quán)重競爭階段，在S' 1和S" 1中尋找可相互替代的用戶組，根據(jù)用戶數(shù)量 分配權(quán)重進行帶權(quán)競爭，勝者將屬于最終用戶集合，為每個入選者計算關(guān)鍵報酬； 步驟205 ;平臺通知最終入選用戶； 步驟206 ;最終入選用戶在自己提交的時間窗口內(nèi)感知數(shù)據(jù)，將數(shù)據(jù)提交平臺； 步驟207 ;平臺為每個入選用戶通過在線形式支付報酬。
2. 如權(quán)利要求1所述的方法，在步驟203中，初步選擇階段的步驟如下： 步驟301 ;初始化集合S' 1、S" 1為空； 步驟302;將標(biāo)書矢量B轉(zhuǎn)化為區(qū)間圖G'i(V'i，E'i，w)，圖中每個頂點Vi對應(yīng)一 個用戶i，頂點上的權(quán)重為該用戶的報價bi，所有頂點的權(quán)重構(gòu)成權(quán)重構(gòu)成權(quán)重矢量W，如果 用戶時間窗口之間有重合，則在相應(yīng)頂點之間形成一條邊； 步驟 303;將區(qū)間圖G'i(V'i，E'i，w)轉(zhuǎn)化為流圖G"i(V"i，E"i，w，a，s，t); 步驟304 ;利用最小費用最大流算法找出流值為2的從頂點s到t的流，將產(chǎn)生的兩條 互不相交的路徑存入A和A';路徑上的帶權(quán)邊對應(yīng)的用戶分別存入集合S' 1和S" 1，結(jié) 束。
3. 如權(quán)利要求2所述的方法，在步驟303中，將區(qū)間圖轉(zhuǎn)化為流圖的步驟如下： 步驟30301 ;增加頂點S和t到區(qū)間圖中，對于任何頂點ViGV' 1，如果有TsG[S1，ej，則增加一條邊連接S和Vi，同樣地，如果有TeG[S1，ej，則增加一條邊連接t和Vi; 步驟30302 ;對于圖中每條邊（U,V)，將其轉(zhuǎn)化為兩條有向邊<11，V〉和<v，u〉，邊上權(quán)重 為w<u，V〉=w<v，U〉= 0,設(shè)置相應(yīng)的容量為a<u，V〉=a<v，U〉= 1 ; 步驟30303;將圖中每個帶權(quán)頂點ViGV' 1轉(zhuǎn)化為兩個不帶權(quán)的頂點V'i和V"。增 加邊<V'i，v"i〉，其邊上權(quán)重為w<v'i，v"i〉=b。設(shè)置容量為a<v'i，v'i〉=l.將 Vi的入邊<U，Vi>轉(zhuǎn)化為<u，v' 將Vi的出邊<Vi，U>轉(zhuǎn)化為<v"i，u〉，轉(zhuǎn)化完成。
4. 如權(quán)利要求1所述的方法，在步驟204中權(quán)重競爭階段的步驟如下： 步驟401 ;初始化集合S2為空； 步驟402 ;取得只包含AandA'上頂點及相關(guān)聯(lián)的邊的子圖& (V2,E2,W，S，t); 步驟403;對于任意頂點V，定義Pre(v)為頂點所在路徑的前趨頂點，定義Next(V)為 頂點所在路徑的后繼頂點，對于子圖上任意邊<u，v〉GE2，uGA，vGA'，尋找是否存在對 應(yīng)的邊<Pre(V),Next(U)〉GEg,如果存在則將頂點U,V,Pre(V)和Next(U)合并為頂點心 步驟404 ;重復(fù)步驟403,直到求出所有的中； 步驟405 ;設(shè)s=di,da,…，dw=t為步驟404找到的所有合并頂點，該些頂點是路徑A和A'的公共交點，并且將路徑A和A'分割成了k個子路徑，定義Ai為路徑A上從d1至。 dw子路徑，定義A'i為路徑A'上從di到dW子路徑； 步驟406 ;定義函數(shù)cO為路徑上權(quán)重的總和，對于子路徑AfGA，如果
轉(zhuǎn)步驟407,否則轉(zhuǎn)步驟408 ; 步驟407 ;將子路徑Ai上的每個用戶j放入集合S2中，計算其支付報酬為
步驟408 ;將子路徑A'i上的每個用戶j放入集合S2中，計算其支付報酬為
步驟409 ;重復(fù)步驟406-步驟408,直到所有子路徑都被計算過； 步驟410 ;對于任意用戶iGU\S2,將其支付數(shù)額設(shè)置為0 ; 步驟411 ;返回集合S2和向量P，集合S2即為入選的最終用戶集合，向量P為每個用戶 的支付數(shù)額，結(jié)束。
【專利摘要】本發(fā)明提供一種以最小化支付為目標(biāo)的移動群智感知激勵方法，解決在移動群智感知應(yīng)用中，在完成所有任務(wù)的前提下最小化支付問題，從而為雇傭方節(jié)約感知成本。本發(fā)明首先提出了一個基于時間窗口的群智感知反向拍賣模型，在所提的模型下提出了一個多項式時間激勵算法，該算法包含初步選擇和權(quán)重競爭兩個階段，在初步選擇階段利用最小費用最大流算法獲得兩組不相交的用戶，在權(quán)重競爭階段，使用圖理論尋找可互相替代的用戶組，根據(jù)帶權(quán)重的費用選取最終入選用戶，并計算每個用戶的報酬。相比其他激勵機制，本發(fā)明所述方法具有更低的總支付額，并且仍然是個人理性和防欺騙的。
【IPC分類】G06Q10-06
【公開號】CN104850935
【申請?zhí)枴緾N201510179384
【發(fā)明人】徐佳, 盧蔚, 蔣凌云, 李濤, 徐小龍, 王海艷
【申請人】南京郵電大學(xué)
【公開日】2015年8月19日
【申請日】2015年4月15日