System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及群智感知,特别涉及一种基于长短期预测的群智感知资源分配方法及相关设备。
技术介绍
1、群智感知是结合众包思想和移动设备感知能力的一种数据获取新型模式,平台招募大规模的参与者通过其自身携带的智能移动设备来采集感知数据并上传到服务器,服务提供商对感知数据进行记录处理,最终完成感知任务并利用收集的数据给用户提供日常所需服务。
2、对于那些基于位置的群智感知任务而言,覆盖率是一个重要的评估指标,覆盖率会影响群智感知服务的质量。群智感知任务的高覆盖率意味着参与者能够收集大范围地区的数据。例如:当群智感知为导航系统提供服务的时候,如果收集数据的任务的覆盖率较低,不能收集到足够的道路拥堵信息的话,导航系统便无法提供准确的道路推荐。因此,设计一个有效的群智感知资源分配方法,让参与者提高数据收集的覆盖率是有必要的。然而,在现实中,群智感知服务的高覆盖率是很难实现的。首先,由于平台的可分配资源是有限的,平台无法用大量的资源补偿去吸引足够的参与者参与任务,从而使得任务的覆盖率无法保证;其次,群智感知中的参与者往往是有限的,目前很多应用招聘出租车司机作为参与者收集数据,然而由于出租车司机的数量是有限的,使得群智感知的的服务质量受到出租车司机数量的限制。因此,如果能设计一个有效的任务分配方法,能在有限资源的约束下激励参与者增加自己的参与时长,便能在有限参与者的情况下,提高任务的覆盖率,进而保证群智感知服务的质量。
3、现存的群智感知资源分配方法存在一些问题,首先当前很多的任务分配方法对不同的参与者使用单一的方法进行分
4、其次,大部分的任务分配方法没有考虑不对称信息的影响,考虑不对称信息的任务分配方法也只是把其作为了一个求最优解的前提条件。对于没有考虑不对称信息的方法,往往假设平台与参与者拥有完全一致的信息用于决策,然而不完全信息在群智感知的参与者中是普遍存在的,而在不完全信息下的参与者的决策行为是和完全信息下参与者的决策行为不一致的。完全信息是准确表达参与者目标所必需的,不完全信息会使得平台激励参与者目标出现偏差,从而导致结果与预期不符。而那些将不对称信息作为现实背景的方法,往往讨论的是当参与者不知道平台拥有的所有信息时的最优决策行为。这些方法能解决预期和结果出现偏差的问题,可却无法解决不对称信息带来的分配效果低下的问题。因为由于参与者无法准确预测其他参与者的决策,参与者的最优决策的可能性分布更加广阔,导致参与者的决策的不确定性更大。平台希望的是在最大化参与者目标的同时,实现自己的目标,这往往是在知道了参与者面对目标时的最优决策的基础上进行的。而当参与者因为不完全信息使得自己的最优决策的不确定性变大时,平台实现自己目标的不确定性也会变大。在资源有限、参与者人数约束的情况下,平台无法用额外的资源去招聘更多的参与者去弥补任务完成的不确定性,从而影响群智感知服务的质量。
技术实现思路
1、本专利技术提供了一种基于长短期预测的群智感知资源分配方法及相关设备,其目的是为了在提高群智感知任务覆盖率的同时提高群智感知服务的质量。
2、为了达到上述目的,本专利技术提供了一种基于长短期预测的群智感知资源分配方法,包括:
3、步骤1,根据群智感知平台中参与者过去收集数据的总时长以及参与者更新数据的平均周期对参与者进行预测分类,得到长期参与者和短期参与者;
4、步骤2,针对短期参与者,根据短期参与者完成任务时资源变化量的绝对值与感知变化量的相对值之间的关系,设置用于提高短期参与者的参与时长的前景因子,并根据短期参与者的参与时长,确定短期参与者的表现因子;
5、步骤3,将表现因子与短期参与者收集数据时的资源消耗量、资源补充量进行结合,得到短期参与者的评估因子;
6、步骤4,根据评估因子确定短期参与者获取额外资源的概率,获取额外资源的概率由参与者收集的数据量决定,并根据前景因子的大小,计算额外资源的价值;
7、步骤5,根据前景因子和额外资源对短期参与者的价值,确定短期参与者的最优参与时长;
8、步骤6,根据长期参与者对任务资源的需求程度确定群智感知平台的最优资源分配目标,并根据短期参与者的最优参与时长对最优资源分配目标进行求解,得到群智感知平台的资源分配策略;
9、步骤7,群智感知平台根据资源分配策略对任务进行分配,得到资源分配结果。
10、进一步来说,步骤1包括:
11、获取群智感知平台中参与者过去收集数据的总时长、更新数据的平均周期;
12、将参与者过去收集数据的总时长以及更新数据的平均周期输入集成学习模型对参与者进行特征提取,得到时间间隔标准差、时间间隔偏度、时间间隔峰度、速度均值、速度标准差、唯一数据点的百分比、一维离散傅里叶变换的傅里叶系数、傅里叶变换谱的均值、方差、偏斜和峰度;
13、根据时间间隔标准差、时间间隔偏度、时间间隔峰度、速度均值、速度标准差、唯一数据点的百分比、一维离散傅里叶变换的傅里叶系数、傅里叶变换谱的均值、方差、偏斜和峰度对参与者进行预测分类,得到长期参与者和短期参与者。
14、进一步来说,前景因子包括非线性前景因子和线性前景因子;
15、非线性前景因子的表达式为:
16、
17、其中,t表示第t轮任务,表示第i个参与者在第t轮任务的非线性前景因子,表示非线性前景因子的调控因子;
18、线性前景因子的表达式为:
19、
20、其中,表示第i个参与者在第t轮任务的线性前景因子。
21、进一步来说,表现因子的表达式为:
22、
23、其中,θi表示第i个参与者的表现因子,δi表示第i个参与者的参与时长,参与时长为参与者参与任务的总时长与收集数据频率的比值。
24、进一步来说,评估因子的表达式为:
25、
26、其中,vi表示第i个参与者的评估因子,ρi表示第i个参与者的风险厌恶系数,αi表示第i个参与者的资源补偿因子,σ表示补偿本文档来自技高网...
【技术保护点】
1.一种基于长短期预测的群智感知资源分配方法,其特征在于,包括:
2.根据权利要求1所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述步骤1包括:
3.根据权利要求2所述的基于长短期预测的群智感知资源分配方法,其特征在于,
4.根据权利要求3所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述表现因子的表达式为:
5.根据权利要求4所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述评估因子的表达式为:
6.根据权利要求5所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述步骤4包括:
7.根据权利要求6所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述短期参与者的最优参与时长的计算表达式为:
8.根据权利要求7所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述步骤6包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当该计算机程序被处理器执行时,实现如权利要求1至8任一项所述的基于长短期预测的群智感知资源分配方法
10.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的基于长短期预测的群智感知资源分配方法。
...【技术特征摘要】
1.一种基于长短期预测的群智感知资源分配方法,其特征在于,包括:
2.根据权利要求1所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述步骤1包括:
3.根据权利要求2所述的基于长短期预测的群智感知资源分配方法,其特征在于,
4.根据权利要求3所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述表现因子的表达式为:
5.根据权利要求4所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述评估因子的表达式为:
6.根据权利要求5所述的基于长短期预测的群智感知资源分配方法,其特征在于,所述步骤4包括:
7.根据权利...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。