[发明专利]一种面向稀疏群智感知的参与者优化选择方法

说明书

感知成本和感知质量是稀疏群智感知关注的重点，现有的稀疏群智感知参与者选择方法依据参与者的移动性选择覆盖区域最多的少量参与者，但忽略参与者意愿以及感知能力。对此，本发明首先利用子区域感知数据间的时空相关性基于k‑means算法对子区域分类。其次，分析用户历史行为信息得出其意愿度、信誉度和任务完成能力等多特征，建立三支决策参与者选择模型。最后，根据该模型以及子区域分类的结果进行参与者选择。本发明所提方法能够深层次分析参与者多特征并挖掘参与者与目标任务之间的关系，选择符合目标任务的高质量参与者。不同数据集实验结果表明，本方案参与者选择优化方案显著提高了感知数据质量，且信息质量高于其他对比方法。

技术领域

本发明涉及稀疏群智感知领域，具体是一种面向稀疏群智感知的参与者优化选择方法。

背景技术

随着嵌入式设备、无线传感网络、物联网、智能移动终端等的快速发展，集成感知、计算和通信能力的普适智能系统正在被广泛部署，并逐步融入人类的日常生活环境中，普适计算获取数据的能力也由此得以极大增强。在此背景下，移动群智感知营运而生。群智感知是一种利用网络空间中大量携带智能设备的移动参与者作为基本单元，通过物联网进行协作，实现感知任务的分发与感知数据的收集利用的技术，最终完成大规模、复杂的城市与社会感知任务。

感知成本和数据质量是群智感知关注的两个重点。为了获得高质量的感知结果，群智感知通常需要招募大量配备丰富传感设备的参与者来参与感知任务，目的是提高参与者在感知区域的覆盖率。然而，在现实情况中预算和参与者数量是有限的。针对以上问题，王乐业提出了稀疏群智感知的概念，它利用不同子区域感知到的数据之间的时空相关性，在保证数据质量的同时，显著减少所需的感知任务数量，从而降低整体感知成本(如智能手机能耗和激励)。简单来说，稀疏群智感知就是智能地选择目标区域的一小部分进行感知，同时对剩余的未感知区域的数据进行高精度的推断。

在预算限制下，提高感知数据质量是稀疏群智感知的最终目标。参与者选择是影响稀疏群智感知数据质量的重要方面。然而，现有的稀疏群智感知中大多数的工作都集中在数据推理上，对参与者选择问题的关注较少。Rana等人忽略了参与者招募，主要使用不完全和随机收集的数据来恢复完整感知图。HeandShin等人设计了激励机制，引导参与者感知最近和当前感知周期之间存在更多价值差异的分区数据。但是这些研究直接忽略参与者选择，并假设选择的分区都有参与者收集感知数据。针对以上文献的不足，WenbinLiu等人考虑参与者的移动性，提出了参与者选择、分区选择和参与者-分区交叉选择三个阶段的参与者选择策略。首先在预算约束下选择覆盖最多子区域的候选参与者集(参与者选择)，然后根据选定的候选参与者集估计哪些子区域在数据推理中更有用(分区选择)，从而指导平台招募最佳参与者集(参与者-分区交叉选择)。该方法在预算约束下提高了感知数据质量，但是忽略了所选参与者的质量以及参与者与任务的潜在关系。

发明内容

本发明的目的是为了解决稀疏群智感知中现有参与者选择策略的不足，而提出的一种基于三支决策的稀疏群智感知参与者优化选择策略。其特征在于充分利用分区感知数据之间的时空相关性和历史数据相关性，实现子区域分类算法，提高参与者选择的准确性。另外，融合参与者(意愿度、信誉度、完成任务的能力)多特征，建立三支决策参与者分类模型，降低误分类成本，从而实现在预算约束下提高感知数据质量的目标。本发明的逻辑框架如图1所示，包括以下步骤：

子区域分类：稀疏群智感知仅选择一小部分区域进行感知，对其余的未感知区域进行推断。子区域感知数据之间存在的时空相关性使得数据推断成为可能，如果只考虑参与者选择问题，可能会出现参与者过于集中的现象，从而导致数据推理更加复杂。为了更准确地指导参与者选择，本文提出基于k-means算法根据感知区域历史感知数据之间的时空相关性对感知区域进行聚类。