面向移动群智感知用户的多模态自学习在线激励机制研究

Mobile crowd-sensing uses large numbers of available sensing devices from common users to achieve large-scale sensing with extremely low cost. Thus, it is considered as the main way of sensing to cover all of the country, which is an important development goal of our country. This proposal studies the incentive mechanism design of users, which is critical to realizing large-scale mobile crowd-sensing. We aim at solving two challenges, i.e. difficult acquirement of the user prior information and real-time task allocation, which result from the user's mobility. Existing works had three main problems, i.e. the dissatisfaction with user's preference, inaccurate learning of user's action, unrealistic dependence on user's information. We study these three problems with the aspects of diverse user preferences, multi-dimensional user action model, and partial user's information. We leverage dimension-extension-based space modeling method, adaptive-sampling-based reinforcement learning method, and online-exploration-based learning scheme to propose online incentive mechanisms based on multimodal self-learning for mobile crowd-sensing. Our mechanisms can learn multimodal models of user's action and preference during task allocation without user's prior information, and allocate tasks based on these learning results, successfully addressing these two big challenges of incentive mechanism design. As a result, this proposal is very significant to realize large-scale mobile crowd-sensing.

利用众多普通用户现有移动感知设备形成的移动群智感知网络，以极低的成本实现大规模、细粒度的感知，是实现覆盖全国千万级规模感知目标的重要途径。本项目以实现大规模移动群智感知的用户激励机制这个核心问题为研究对象，以解决“用户的移动性”所带来的“用户先验难获取”和“任务分配要实时”两个挑战为研究切入点，针对当前研究存在的“用户偏好满足失衡”、“用户行为学习失真”和“用户信息依赖失度”三个重要问题，从面向多样化用户偏好、多维用户行为模型和缺失用户信息三个方面展开研究，利用空间维度变换建模、自适应采样增强学习和在线最优探索学习等机器学习方法，形成一套系统的面向移动群智感知用户的多模态自学习在线激励机制理论和方法。本课题拟利用机器学习，无需用户先验信息，在分配中自学习用户多模态模型，在学习中实时分配任务，解决移动群智感知用户激励机制设计的两个重要挑战，为实现大规模移动群智感知提供重要的理论和技术支撑。

群智感知由于利用用户现有的设备进行感知，具有成本低、规模大以及粒度细等优点，是未来实现覆盖全国千万级感知规模目标的重要途径。本项目针对跨域共融感知难学习，交通感知数据缺失严重、无人机群智感知成本高和智联网汽车群智感知协同复杂等四个关键问题，提出了一套多域群智感知资源调度和感知数据恢复的基础理论和系统。具体开展以下研究：1）针对建筑-交通感知数据关联性复杂和数据时空相关性动态变化等难题，提出了面向智能建筑和交通的跨域共融群智感知学习技术，利用双层注意力机制循环神经网络对建筑数据进行跨域感知学习，以实现利用建筑数据精准预测周边道路交通流量。2）针对城市智能交通系统中感知数据缺失严重这一问题，提出了基于边缘智能计算的大规模交通感知数据恢复技术，利用边缘节点强大的计算存储能力并结合高效率的数据补全算法，实现缺失交通感知数据的精确恢复。3）针对大规模无人机城市群智感知成本高这一问题，提出了基于运货无人机的移动城市群智感知，通过复用现有运货无人机资源以实现大规模、低成本的城市群智感知。4）针对智联网汽车感知协同复杂这一难题，提出了基于深度强化学习的智联网汽车感知任务分配方案，协同分配各参与用户的感知任务，实现平台和用户的双赢。通过本项目的研究，形成了一套完整的关于跨域共融感知学习、交通感知数据恢复、运货无人机以及智联网汽车感知资源复用调度等方面的群智感知基础理论和技术，为实现大规模、细粒度的移动群智感知奠定了基础。