一种基于信息新鲜度最优的移动群智感知激励方法技术

本发明专利技术公开的一种基于信息新鲜度最优的移动群智感知激励方法，用于在预算约束范围内，激励移动用户积极参与群智感知任务，包括如下步骤：根据现实移动群智感知任务中的预算约束和成本报价进行建模，建立以信息新鲜度最优为目标的优化方程。基于逆向拍卖模型的极大值

【技术实现步骤摘要】
一种基于信息新鲜度最优的移动群智感知激励方法


[0001]本专利技术属于移动群智感知中激励机制设计优化领域，具体涉及一种基于信息新鲜度最优的移动群智感知激励方法。

技术介绍

[0002]随着移动设备及其传感功能的普及，一种新的、有前途的传感范式——移动群智感知(mobile crowdsensing，MCS)最近在研究和工业界都得到了极大的关注。
[0003]粗略地说，MCS指的是一组移动设备，通过它们所携带的传感器执行大规模的传感工作。在这种背景下，许多有吸引力的MCS应用，如室内定位、环境监测、道路和交通预测以及医疗保健，可以以非常高的质量而低的服务成本完成。然而，移动用户通常不愿意为他人提供服务。这不仅是因为执行移动群智感知任务不可避免地会给用户带来能耗等成本，而且共享感知数据可能会暴露用户的隐私，被认为是一种隐私威胁。因此，促进用户的参与对于保证MCS应用的成功尤为重要
[0004]为了激励移动用户参与MCS，在MCS中设计激励机制是许多研究的重点(N.D.Lane,E.Miluzzo,H.Lu,D.Peebles,T.Choudhury and A.T.Campbell,“A survey of mobile phone sensing,”IEEE CommunicationsMagazine,vol.48,no.9,pp.140
–
150,Sept.2010.)。拍卖由于能够解决买卖双方的利益冲突，在移动群智感知中得到了广泛的应用。通常，执行移动群智感知任务涉及任务请求者和移动用户之间的资源/数据交易。通过将资源交易系统视为一个生态系统，可以将任务请求者和移动用户分别建模为资源的买家和卖家。在此背景下，拍卖旨在妥善处理用户与任务请求者之间的利益冲突，以及他们之间的内部竞争。通常情况下，设计的拍卖应该能够适当地分配任务给用户，并决定给他们多少奖金。所涉及的研究目标，包括优化服务质量，社会福利，或降低移动群智感知成本。
[0005]虽然现有的解决方案在激励用户向他人分享信息方面效果良好，使用逆向拍卖方法建模移动群智感知任务，以任务完成度为目标进行优化。(M.Xiao,B.An,J.Wang,G.Gao,S.Zhang and J.Wu,“CMAB
‑
based reverse auction for unknown worker recruitment in mobile crowdsensing,”IEEE Transactions on Mobile Computing,doi:10.1109/TMC.2021.3059346,2021.)但很少有人考虑到用户提供的信息的新鲜度。然而，数据新鲜度尤其重要。例如，在一个交通监控或预测系统中，交通状况随着时间的推移而变化，只有最新的信息才能支持一些智能应用程序，例如驾驶助手应用程序。因此有必要在考虑信息新鲜度的场景下，考虑激励机制设计所带来的问题。

技术实现思路

[0006]本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于信息新鲜度最优的激励机制设计方案。对移动群智感知任务进行的建模
[0007]本专利技术至少通过如下技术方案之一实现。
[0008]一种基于信息新鲜度最优的移动群智感知激励方法，包括如下步骤：
[0009]S1、根据实际移动群智感知场景分别构建多对一随机抽样模型，多对多的预采样模型；
[0010]S2、引入信息新鲜度，针对不同的采样模型，构建以最小化信息新鲜度最小为目标的优化方程；
[0011]S3、将移动群智感知任务的激励机制设计问题构建成逆向拍卖模型；
[0012]S4、设计基于逆向拍卖模型的极大值
‑
贪心算法，求解任务分配问题，得到任务场景下的获胜候选集；
[0013]S5、根据获胜候选集，建立具有真实性且满足预算可行性的激励机制模型。
[0014]进一步地，步骤S1包括：
[0015]设置移动群智感知任务场景：定义移动群智感知任务发布者设置感知采样兴趣点集合R＝{r1,r2,
…
,r
n
}，移动用户候选集合在预算B限制范围内，在时间区间内，其中T表示最大采样时间，选择采样时间t，分配最优的移动用户去指定的采样兴趣点r
i
进行信息数据的采集，并提供给移动用户相应的资金补偿p
i
；
[0016]构建多对一随机抽样模型：对于多对一模型，简化采样兴趣点为单一点；每个移动用户s
i
最多生成l
i
个样本；l
i
表示用户最多可采样的次数，用以量化用户采样能力；令x
i,t
表示是否选择移动用户s
i
在时隙t进行样本采集；
[0017]构建多对多预采样模型：根据用户的移动轨迹，推导出s
i
在每个时隙所能覆盖的采样兴趣点，即当s
i
在时隙t的兴趣点r
j
的感知尺度内时，为兴趣点r
j
生成数据；用生成数据；用表示用户s
i
在时隙t对兴趣点r
j
进行数据采样。
[0018]进一步地，步骤S2具体包括：
[0019]使用Γ(t)来表示数据在t时隙处的AoI：
[0020][0021]式中，t
k
表示数据请求者要招募的移动用户集S中移动用户s
i
产生第k次更新时的时隙，即时隙，即表示是否选择移动用户s
i
在时隙t
k
进行样本采集，表示对于单一采样点所有数据更新时的时隙集合，即t0＝0，用X表示采样决策的向量，即X＝<x
i,t
|s
i
∈S,1≤t≤T＞，x
i,t
表示是否选择移动用户s
i
在时隙t进行样本采集；时隙t定义为自最新数据采样生成以来所经过的时间；
[0022]信息新鲜度的数据更新方式为：
[0023][0024]定义随机抽样模型下的买方效用优化方程，用U
w
(S)表示为：
[0025][0026]其中α表示平衡平均AoI和数据质量重要性的参数，Γ(S,X)表示给定更新决策向量函数，已分配采样任务的移动用户集合S,在T时间内的平均AoI：
[0027][0028]Q(S,X)表示所有用户获得的总体数据质量，令q
i
为用户s
i
采样的数据质量:
[0029][0030]进一步地，随机抽样模型下的买方效用优化方程的约束条件为：S表示数据请求者要招募的移动用户集，B表示提供给移动用户的总付款不得超过其预算，l
i
表示s
i
具有样本采集最大次数；x
i,t
表示是否选择移动用户s
i
在时隙t进行样本采集。...

【技术保护点】

【技术特征摘要】
1.一种基于信息新鲜度最优的移动群智感知激励方法，其特征在于，包括如下步骤：S1、根据实际移动群智感知场景分别构建多对一随机抽样模型，多对多的预采样模型；S2、引入信息新鲜度，针对不同的采样模型，构建以最小化信息新鲜度最小为目标的优化方程；S3、将移动群智感知任务的激励机制设计问题构建成逆向拍卖模型；S4、设计基于逆向拍卖模型的极大值
‑
贪心算法，求解任务分配问题，得到任务场景下的获胜候选集；S5、根据获胜候选集，建立具有真实性且满足预算可行性的激励机制模型。2.根据权利要求1所述的一种基于信息新鲜度最优的移动群智感知激励方法，其特征在于，步骤S1包括：设置移动群智感知任务场景：定义移动群智感知任务发布者设置感知采样兴趣点集合R＝{r1，r2，...，r
n
}，移动用户候选集合在预算B限制范围内，在时间区间内，其中T表示最大采样时间，选择采样时间t，分配最优的移动用户去指定的采样兴趣点r
i
进行信息数据的采集，并提供给移动用户相应的资金补偿p
i
；构建多对一随机抽样模型：对于多对一模型，简化采样兴趣点为单一点；每个移动用户s
i
最多生成l
i
个样本；l
i
表示用户最多可采样的次数，用以量化用户采样能力；令x
i，t
表示是否选择移动用户s
i
在时隙t进行样本采集；构建多对多预采样模型：根据用户的移动轨迹，推导出s
i
在每个时隙所能覆盖的采样兴趣点，即当s
i
在时隙t的兴趣点r
j
的感知尺度内时，为兴趣点r
j
生成数据；用生成数据；用表示用户s
i
在时隙t对兴趣点r
j
进行数据采样。3.根据权利要求1所述的一种基于信息新鲜度最优的移动群智感知激励方法，其特征在于，步骤S2具体包括：使用Γ(t)来表示数据在t时隙处的AoI：式中，t
k
表示数据请求者要招募的移动用户集S中移动用户s
i
产生第k次更新时的时隙，即即表示是否选择移动用户s
i
在时隙t
k
进行样本采集，表示对于单一采样点所有数据更新时的时隙集合，即t0＝0，用X表示采样决策的向量，即X＝＜x
i，t
|s
i
∈S，1≤t≤t＞，x
i，t
表示是否选择移动用户s
i
在时隙t进行样本采集；时隙t定义为自最新数据采样生成以来所经过的时间；信息新鲜度的数据更新方式为：定义随机抽样模型下的买方效用优化方程，用U
w
(S)表示为：其中α表示平衡平均AoI和数据质量重要性的参数，Γ(S，X)表示给定更新决策向量函数，已分配采样任务的移动用户集合S，在T时间内的平均AoI：
Q(S，X)表示所有用户获得的总体数据质量，令q
i
为用户s
i
采样的数据质量：4.根据权利要求3所述的一种基于信息新鲜度最优的移动群智感知激励方法，对于多对多预采样模型，其特征在于：随机抽样模型下的买方效用优化方程的约束条件为：S表示数据请求者要招募的移动用户集，B表示提供给移动用户的总付款不得超过其预算，l
i
表示s
i
具有样本采集最大次数；x
i，t
表示是否选择移动用户s
i
在时隙t进行样本采集。5.根据权利要求3所述的一种基于信息新鲜度最优的移动群智感知激励方法，对于多对多预采样模型，其特征在于：在预采样模型下，买方效用U
p
(S)的优化方程表示为：其中表示T时间内采样兴趣点集合R的数据样本总体AoI，Γ
jt
(S)表示兴趣点r
j
在时隙t的AoI，则：时隙t的AoI，则：其中n表示最大兴趣点数量，Q
p
(S)表示所有候选移动用户所能提供的整体数据质量：q
i，j
表示s
i
能提供给兴趣点r
j
的数据质量，相关约束条件如下包括：S表示数据请求者要招募的移动用户集，B表示提供给移动用户的总付款不得超过其预算，l
i
表示s
i
具有样本采集最大次数；x
i，t
表示是否选择移动用户s
i
在时隙t进行样本采集。6.根据权利要求1所述的一种基于信息新鲜度最优的移动群智感知激励方法，其特征在于，将移动群智感知任务的发布，分配和补偿建模成逆向拍卖模型，将移动用户作为卖方，任务发布者作为买方；逆向拍卖模型的逆向拍卖流程分为以下五个步骤：买方向卖方发布数据请求，包括采样区域和要求；感兴趣的卖方向买方提交他们的报价，以竞争任务；根据从卖方收到的出价，买方在预算限制范围内对招募的卖方做出选择；招募的卖家根据要求对数据进行采样，并将数据上传到买家；买方根据双方协商向卖方提供赔偿。7.根据权利要求1所述的一种基于信息新鲜度最优的移动群智感知激励方法，其特征在于，步骤S4包括：求解目标为将随机抽样模型下的买方效用优化方程U
w
(S)最小化，转化为最大化次模函
数f(S)：由于由于表示数据请求者要招募的移动用户集S为空集，表示当招募的移动用户集为空集时的买方效用值，所以：使用S
g
表示当前使用贪心算法...

【专利技术属性】
技术研发人员：汪秀敏，程颖，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：