面向时空稀疏采样的群智感知关键技术研究

In recent years, the demand for environment, infrastructure and crowd monitoring in smart cities keeps increasing, while the number of smartphones unifying the sensing, computing and communication capabilities continues to grow rapidly. In this context, Mobile Crowdsensing(MCS), a novel sensing paradigm which accomplishes large-scale and complex sensing tasks leveraging the smartphones in hands of citizens and the mobile Internet, is gradually becoming popular. However, due to the rapid expansion of MCS applications and the constraint of limited resources, it is not always possible to find participants to perform sensing task in all the places and time intervals, which makes the crowd sensing sparse in terms of time and space. We name this kind of MCS as "Sparse Mobile Crowdsensing", which needs to infer the missing data of uncovered time/places by sensing only a small subset of data samples to reduce sensing budget. In this project, we intend to address the following four research challenges in Sparse Mobile Crowdsensing: 1) Data-quality aware MCS task allocation optimization strategies 2) Multi-model based missing value inference algorithms with data quality guarantee 3) Data quality estimation methods with partial ground truth 4) Data-quality ensured location privacy preserving mechanisms. This project aims to develop theories and key techniques for Sparse Mobile Crowdsensing, laying necessary theoretical foundation for the design and analysis of Sparse Mobile Crowdsensing systems.

近年来，智慧城市对环境、设施和人群的感知需求日益膨胀，集感知、计算和通信能力为一体的智能手机快速增长。在此背景下，群智感知，即利用普通用户的智能手机，通过移动互联网协作，最终完成大规模、复杂感知任务的新兴感知模式应运而生。然而，随着群智感知应用数量的不断增加，受资源的局限，难以在任意时空均找到足量、合适的用户参与感知，因而使感知采样呈现出不同程度的时空稀疏性。我们将这类通过少量采样以压缩感知成本，并推理补全缺失数据的感知方式称为“时空稀疏采样群智感知”。本项目面向时空稀疏采样群智感知，研究四方面关键技术：1）面向数据质量的感知任务分配最优化策略；2）多模型融合的缺失数据高准确性推理算法；3）无真值条件下的数据质量估计方法；4）考虑数据质量的参与者位置隐私保护机制。本项目预期形成时空稀疏采样条件下群智感知的系统理论和关键技术框架，为相关群智感知应用系统的设计与分析提供理论支撑。

随着智慧城市建设的深入，对城市各种要素的感知需求以及群智感知应用数量均在迅速增长。为降低群智感知的成本，本项目提出了时空稀疏群智感知的新型感知框架，并在理论上验证了该框架的可行性。本项目对时空稀疏群智感知的方法和关键技术展开研究，包括：1）面向数据质量的感知任务分配最优化策略；2）多模型融合的缺失数据高准确性推理算法；3）无真值条件下的数据质量估计方法；4）考虑数据质量的参与者位置隐私保护机制。.重要结果：本项目旨在形成时空稀疏采样条件下群智感知的系统理论和关键技术框架，为相关群智感知应用系统的设计与分析提供理论支撑。1）针对感知任务分配优化策略，在多感知任务协同场景下，研究了在参与者感知总能力限制下的多任务最优分配问题，并提出相应的优化算法。2）针对缺失数据高准确性推理，提出了一种基于强化学习的感知区域选择算法，通过迭代试错和训练的方式，利用强化学习算法判断当前状态下各个区域的预期感知收益，选取收益最大的区域以执行感知任务。3）针对时空稀疏采样群智感知中缺失数据真值无法确知的实际情况，提出了一套基于统计学原理的无真值情况下推理数据误差置信度的评估框架，设计了相应的不同数据质量估计方法，形成完善的系统化的无真值数据质量评估方案。4）针对参与者位置隐私的保护，提出了在稀疏群智感知中运用差分隐私保护策略对参与者的位置进行保护的方法，并在已有的差分保护基础之上，进一步添加了混淆保护。混淆保护通过对位置的混淆，保证了攻击者对于参与者真实所在地址的推测误差不会小于一个既定的阈值。.本项目的研究成果对于建立具有引领作用的群智感知理论和技术体系具有重要意义。一方面，对于我国迅速发展的智慧城市战略，本项目可用于指导环境感知、交通监控、社群活动跟踪等城市重点应用的开发；另一方面，本项目探索了利用WiFi和4G/5G信号对人体进行感知的新型稀疏群智感知机理和应用，有望在真实场景落地、推广。