面向数据复用的群智感知质量-成本优化技术研究

In recent years, with the widespread use of smart mobile devices which integrate sensing, computing and communicating capabilities, a new sensing model, called Mobile Crowd Sensing (MCS), emerges. In MCS systems, sensing quality and sensing cost are two opposing factors, and how to jointly optimize these two factors becomes an essential and common problem. To solve this problem, existing research works mainly focus on optimizing the selection of participants or data sampling cells to achieve an optimal tradeoff between sensing quality and cost. However, different sensing tasks are still executing separately. The same sensing data may be repeatedly collected by multiple tasks with the increase in the number of sensing tasks, which leads to a waste of resources. This project proposes a data-reuse-oriented quality-and-cost optimization approach. By modeling and analyzing common sensing requirements across multiple tasks, it shares sensing data to avoid redundant collection and thus reduces overall sensing cost. For the new characteristics and challenges brought by data-reuse mechanism, this project focuses on three critical techniques, including “data-reuse-oriented heterogeneous sensing task and participant modeling”, “micro-data-task-oriented optimal task allocation”, “data-correlation-based sensing data inference and quality assessment”. We further form a unified framework, expecting to provide theoretical support for the design and development of relevant MCS systems.

近年来，随着集感知、计算和通信能力为一体的移动智能设备广泛普及，一种被称为“群智感知”的新型感知模式应运而生。群智感知系统中，如何联合优化感知质量和感知成本两项彼此制约的要素成为一大核心、共性问题。现有工作主要研究如何对参与者或数据采样单元的选择进行优化，以期在感知质量和成本之间取得最优的平衡。然而，不同感知任务仍然单独执行，随着任务数量增加，往往造成多任务重复采集相同感知数据，导致资源浪费。本项目提出一种面向数据复用的感知质量和成本优化新方法，即，通过建模和分析多任务之间的共性感知需求，共享感知数据，避免冗余采集，从而降低全局感知成本。针对数据复用机制带来的新特点和挑战，本项目研究“面向数据复用的异构感知任务和参与者建模方法”、“面向数据微任务的感知任务最优分配方法”、“基于数据相关性的感知数据推理和质量评估方法”三项关键技术，并形成整体框架，为相关群智感知系统的设计与开发提供理论支撑。

本项目提出一种面向数据复用的多任务群智感知质量-成本优化新方法。本项目假设在群智感知公共服务平台之上存在多个感知任务，公共服务平台自动抽取多任务的共性感知需求，通过在多任务之间共享感知数据，避免在同一时空单元、对同一类型感知数据重复进行采样，进而降低全局感知成本。具体而言，本项目聚焦于三方面研究内容并提出相应的创新技术：（1）面向数据复用的感知任务和参与者建模。即，抽取多个感知任务在数据层的共性需求，将不同时空单元、不同类型的数据采集任务建模为“数据微任务”。在充分描述和建模感知任务和参与者异构性的基础上，建立“任务到数据微任务”、以及“参与者到数据微任务”之间的两层映射关系。（2）面向数据复用的感知任务最优分配。即，在数据微任务粒度上，考虑原有多个任务的感知质量和成本、参与者感知能力和偏好等要素，在平衡优化效果和计算复杂度的前提下，进行最优或近似最优的感知任务分配。（3）面向数据复用的感知数据推理和质量评估。即，对不同数据微任务得到的感知数据进行融合分析，利用数据之间的内在关联，推理、补全缺失数据，并在无真值条件下对数据质量进行评估，从而决定可被哪些任务共享和复用，最终得到各任务所需的全局感知结果。