主动学习式群智感知任务分配方法研究

Crowd sensing is an effective way to monitor physical environments or social activities of a wide area, by utilizing the massive crowds’ and their mobile devices’ ability of sensing, computing, and communicating. However, most current methods of task allocation need high cost to obtain high-quality data. This project will research the method of task allocation under constraints of data quality and sensing cost, in order to select proper sensing tasks or participants, collect small partial data, then leverage the spatial-temporal correlations and cross-domain correlations to deduce other data accurately, thus can improve data quality substantially with lower sensing cost. In detail, we will study: 1) the model of active learning styled crowd sensing, by referring active learning and compressive sensing, 2) the algorithm of missing data deduction with error minimization, by combining cross-domain data fusion and spatial-temporal data completion, and 3) the strategy of task or participant selection with fixed cost, by optimizing substitutive criterion heuristically with global representative data. The significance of this research is that introducing active learning into crowd sensing, which will provide a new idea to coordinate data quality and sensing cost, and will support important applications in the fields of smart city such as environment monitoring, traffic control, public security, etc.

群智感知利用大量人群及其移动设备的感知、计算和通信能力，实时实地采集数据，是监测大范围物理环境或社会活动的有效方式。然而，现有的群智感知任务分配方法为了获得高质量数据，普遍需要付出高昂的成本。本项目旨在研究数据质量和感知成本约束下的任务分配方法，即选择合适的感知任务或参与者，通过采集小部分的数据，利用群智感知数据的跨域相关性和时空相关性，高准确性地推测其余数据，从而以较低感知成本，大幅度提高数据质量。具体内容包括：1）综合借鉴主动学习和压缩感知，研究主动学习式群智感知模型；2）结合跨域数据融合和时空数据补全，研究误差最小化的缺失数据推测算法；3）搜索具备全局代表性的数据以启发式优化替代性指标，研究成本限定下的任务或参与者选择策略。本研究意义在于将主动学习理论引入群智感知，提供协调数据质量与感知成本的新思路，支撑环境感知、交通监控、公共安全等智慧城市领域重大应用。

群智感知利用大量人群及其移动设备的感知、计算和通信能力，实时实地采集数据，是监测大范围物理环境或社会活动的有效方式。然而，现有的群智感知任务分配方法为了获得高质量数据，普遍需要付出高昂的成本。本项目旨在研究数据质量和感知成本约束下的任务分配方法，即选择合适的感知任务或参与者，通过采集小部分的数据，利用群智感知数据的跨域相关性和时空相关性，高准确性地推测其余数据，从而以较低感知成本，大幅度提高数据质量。本项目经过四年按计划的执行，已经达成该目标，系统性提出了主动学习式群智感知任务分配方法，突破了群智感知建模、缺失数据推测、任务或参与者选择等关键理论和技术。本项目的主要进展和取得的研究成果包括：（1）综合借鉴主动学习和压缩感知，研究了主动学习式群智感知模型，即选择器和推测器两个部件的迭代更新和循环执行。（2）结合跨域数据融合和时空数据补全，研究了误差最小化的缺失数据推测算法，分别针对时序数据、时空多维数据、图数据设计了更好的算法。（3）搜索具备全局代表性的数据以启发式优化替代性指标，研究了成本限定下的任务或参与者选择策略；首先针对采样位置选择，采用估计推测误差作为不确定性度量指标，结合流形保持图缩减技术，使得在相同采样数量下数据推测误差降低15%；其次针对参与者选择，以每个参与者所能采集到的数据对整个任务的贡献程度为依据，采用强化学习算法“直接”选择参与者，显著优于现有的间接选择策略。已在国内外重要期刊或会议上发表31篇学术论文，其中代表作发表在TMC、JIOT、ComMag、FCS和计算机学报上，实现了群智感知平台V1的原型，申请或授权专利和软著20项，获得福建省科技进步一等奖等4项奖励。本研究意义在于将主动学习理论引入群智感知，提供协调数据质量与感知成本的新思路，支撑环境感知、交通监控、公共安全等智慧城市领域重大应用，亦可帮助灵活就业。