稀疏群智感知机会式参与者招募策略
背景简介
空气质量、内河水质、道路积水、热岛、噪音等，都是事关市民健康和幸福感的重要时空环境状态。通过汇集广大市民贡献的感知数据，得到及时更新的大范围细粒度城市环境地图，让市民在做关于时空选择的决策时可以趋利避害，如环境恶化时避免、逃离、警示、报告或改善。为了得到满意的以覆盖率衡量的感知质量，常规群智感知往往需要招募大量的参与者，导致成本居高不下。为了解决这个问题，稀疏群智感知（Sparse Mobile Crowdsensing）被提出，只需采集价值较高的部分子区域数据，然后以一定精度推测未采集子区域的数据，能够以较少的感知成本，达到令人满意的推测质量。
在以往稀疏群智感知工作中，当把需感知的子区域数量作为成本指标时，的确可以实现降低感知成本的目的。然而，这类工作选择出的子区域并没有考虑将由哪几个参与者完成，是顺道还是刻意，那么当感知成本是以参与者数量及其移动距离等指标刻画时，感知成本是不可控的，更不是最优的。因此最新的稀疏群智感知以机会移动式参与者（指在日常出行途中顺道执行感知任务，其移动动机几乎不受感知任务位置的影响）为选择对象和计价单元，而不是子区域，好处是招募和激励一步到位，不需要再针对选取的每个子区域考虑是否有参与者能够到达该子区域。
理论和技术简介
针对稀疏群智感知下的机会移动式参与者招募问题，主要有两个思路。一个思路是分解为三个阶段：数据补全、子区域重要性估计和参与者选择，即先做子区域选择的稀疏群智感知，再用常规群智感知招募参与者做范围覆盖。我们在利用公交车进行积水监测的场景中实现了这个思路，仅选取部分公交车感知线路就能达到较高的积水监测精度。更先进的思路是我们提出的不分阶段而直接招募的策略。鉴于每人每天的移动轨迹基本稳定，而不同人在其各自轨迹上采集的数据具有不同的价值，我们利用这种规律性和差异性，采用强化学习框架，直接招募可采集到高价值数据的参与者，并用于空气质量监测场景中。
图1 稀疏群智感知下的机会移动式参与者直接招募框架
演示简介
地址：深圳积水监测
准确的城市积水监测可以为城市正常运作与居民日常出行提供良好保障。城市之中有着固定线路的公交车是候选的监测任务参与者。目标是不改变公交车的路线，选择有限条公交车线路对大范围的时空积水进行监测。
演示界面分左上、左下、右上、右下四个部分。左上可以切换显示不同的选择策略，目前演示了MPGR-L+MU+MAC策略，手动策略和MTCU-all策略。左下展示了深圳积水和公交线路的情况。右上显示了当前的时刻,与左下地图中采集的积水数据时刻相一致。右下对比了三种不同策略对当前时刻的未来10小时的预测准确度。
针对MPGR-L+MU+MAC策略和MTCU-all策略，已展示对下一时刻的积水状态预测，通过点击下一时刻和上一时刻按钮可以查看不同时刻的积水状态预测信息，同时右上时钟发生变化。手动点击策略可以让用户任意选择五条公交路线，并展示对应的积水状态（默认显示是0时刻），同样可操作按钮来查看不同时刻的积水状态预测信息。在地图中也可点击具体某点了解该位置的详细信息（如位置、公交路线、预测状态、真实状态、匹配结果）。
注：
MPGR-L (Manifold Preserving Graph Reduction – Laplacian matrix 对称归一化拉普拉斯矩阵的流形保持图缩减方法)
MU (Margin Uncertainty基于边界不确定性)
MAC (Maximum Area Coverage最大区域覆盖策略)
MTCU-all (Maximum Trajectory Confidence Uncertainty最大轨迹置信不确定性策略)
图2 面向积水监测的公交车感知线路演示界面
成果列表
- 【论文】涂淳钰, 於志勇, 韩磊, 朱伟平, 黄昉菀, 郭文忠, 王乐业. “基于强化学习的稀疏群智感知参与者招募策略”, 计算机学报, 2022, http://cjc.ict.ac.cn/online/bfpub/xcy-2022211173846.pdf
- 【论文】张伟杰,於志勇,黄昉菀,朱伟平. “面向积水推测的机会式感知轨迹选择”, 郑州大学学报(理学版), 2021, 53(04): 102-108.
- 【专利】郭志鹏, 於志勇, 郭贤伟, 涂淳钰. “一种基于强化学习的稀疏群智感知在线用户招募方法”, 中国专利, 2022年申请, ZL202210675748.6.