“t-时隙k-覆盖”任务模型和分配算法

人们利用移动设备参与执行感知任务（即采集身边的某种状态数据），所有参与者贡献的数据被汇集起来，以较高准确度揭示大范围的环境或社会状态。这种被称为“群智感知”（Mobile Crowdsensing）的方式具有计算感知资源丰富、无需专门安装部署、配置灵活方便等优点，是传感基础设施的有益补充。

稀疏群智感知时空单元选择策略

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。

失踪目标时空搜索策略

查找跟踪可疑车辆或人员在城市安全管理中至关重要。比如，有人14:00目击了可疑车辆，但很快就失去了该车的线索，现在是15:00，警察想知道现在这辆车在哪。于是去调监控，城市中有成千上万的摄像头，记录了从目击到当前时刻各个地段的情况，定义一次时空搜索为“检查可疑车辆是否出现在某个时刻某个地段的记录中”，问题出现了：如何才能用最少次数的时空搜索找到这辆车当前在哪？

稀疏群智感知机会式参与者招募策略

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。