时空众包中基于质量感知的在线激励机制

在实时、复杂的网络环境中,如何激励工人参与任务并得到高质量的感知数据是时空众包研究的重点。基于此,提出一种基于质量感知的时空众包在线激励机制。首先,为了适应时空众包实时性的特点,提出一种阶段性在线选择工人算法(POA),该算法在预算约束下将整个众包活动周期分为多个阶段,每个阶段在线选择工人;其次,为了提高质量预估的精度与效率,提出一种改进的最大期望(IEM)算法,该算法在算法迭代的过程中优先考虑可信度高的工人提交的任务结果;最后,通过真实数据集上的对比实验,验证了所提激励机制在提高平台效用方面的有效性。实验结果表明,POA相较于改进的两阶段拍卖(ITA)算法、多属性与两阶段相结合的拍卖(M-ITA)算法,以及L-VCG(Lyapunov-based Vickrey-Clarke-Groves)等拍卖算法,效率平均提高了11.11%,工人的额外奖励金额平均提升了12.12%,可以激励工人向冷门偏远地区移动;在质量预估方面,IEM算法相比其他质量预估算法,在精度和效率上分别平均提高了5.06%和14.2%。

基于RepVGG和LSTM两阶段移动众包任务分配算法

移动众包是一种新型的感知模式,已被广泛应用于移动计算和城市生活交通服务,任务分配是移动众包中核心研究问题之一。但由于任务是动态到达的,移动众包平台在初始并不了解所有的众包任务,导致任务分配往往会陷入局部最优。为了解决上述问题,本文提出了一种基于深度学习的两阶段预测算法,第一阶段使用基于RepVGG的网络进行任务可用性的预测,第二阶段使用基于LSTM的网络进一步进行任务持续时间的预测。通过实验对比,本文所提出的算法在预测任务可用性上的准确度比传统的机器学习算法提高了32%,比同样基于深度学习的算法提高了14.2%,在预测任务持续性上的准确度相比其他算法提高了10.5%。

基于信誉模型的众包质量控制算法

针对目前众包平台会产生大量恶意工人以及较少考虑激励工人多次提供可信服务的问题,提出一种基于信誉模型的众包质量控制算法——信誉期望最大化(reputation expectation maximum,Rep-EM)算法。根据可信因子和惩罚因子建立信誉模型;基于工人信誉值和对任务的熟悉度提出一种工人选择机制;将工人匹配度作为权重赋予相应的工人并使用多数投票方法进行初始值选取,解决期望最大化(expectation maximum,EM)算法对初始值敏感和收敛困难的问题,避免算法陷入局部最优,提高评估结果的准确率;利用公开的众包数据集Adult2和Duck对Rep-EM算法和本研究提出的机制进行验证。试验结果表明,Rep-EM算法在评估准确率和运行时间方面有很大的提升,也从任务完成率和平均数据质量验证了本研究提出的工人选择机制的有效性。