复合型移动群智感知关键技术研究

In recent years, with the increasing number of smartphones with sensing, computing and communication capabilities, a novel sensing paradigm called Mobile Crowd Sensing (MCS) emerges, where mobile users collaboratively complete sensing tasks in smart cities through mobile Internet. The state-of-the-art research works in MCS mainly focus on sensing tasks requiring a single type of sensor, but fail to explore composite MCS tasks where the required sensing data is obtained through multiple sensors. As a useful and important supplement to the atomic task, the composite task can sense and understand more complex phenomena, thereby extending the city's sensing capability and enhancing the depth of perception. In this project, based on the analysis of composite tasks’ characteristics and corresponding technical challenges, we intend to address the following three research issues: (1) Data quality metrics for composite MCS; (2) Task allocation optimization for composite MCS; (3) Sensing data aggregation and inference for composite MCS. This project aims to develop theories and key techniques for composite MCS, laying solid foundation for the design and analysis of relevant applications and systems.

近年来，随着集感知、计算和通信能力为一体的智能手机数量快速增长，一种被称为“移动群智感知”的新型感知模式应运而生。在该模式下，大量智能手机用户通过移动互联网协作完成智慧城市中的感知任务。已有移动群智感知研究工作所关注的感知任务往往只需要一方面的感知数据（本项目称之为“原子型任务”），而缺乏对涉及多方面感知数据的复合型任务的探究。作为原子型任务的有益、重要补充，复合型任务能够感知、理解更为复杂的现象，从而扩展城市感知能力、提升感知深度。本项目在分析复合型任务特征及衍生技术挑战的基础上，凝练此类任务在感知质量度量、任务分配和数据融合三方面的研究子问题，研究以下关键技术：（1）复合型移动群智感知质量度量模型；（2）复合型移动群智感知最优任务分配方法；（3）复合型移动群智感知结果融合推理方法。本项目预期形成复合型移动群智感知的整体关键技术框架，为相关应用系统的设计和分析提供支撑。

移动群智感知模式下，大量智能手机用户通过移动互联网协作完成智慧城市中的感知任务。已有移动群智感知研究工作所关注的感知任务往往只涉及一方面的感知数据（本项目称之为“原子型任务”），而缺乏对涉及多方面感知数据的复合型任务的探究。本项目在分析复合型任务特征及衍生技术挑战的基础上，凝练此类任务在感知质量度量、任务分配和数据融合三方面的研究子问题。本项目主要研究内容和成果包括：1）复合型移动群智感知质量度量模型。考虑不同子任务在不同时空单元的采样数量需求的差异，建立三维张量模型。并融合张量模型中各个任务-时间-空间单元的度量指标，以及不同子任务对于复合型任务总体质量的影响程度，建立复合型移动群智感知任务整体感知质量的度量标准。2）复合型移动群智感知任务最优分配方法。基于不同激励模型以及质量度量模型，利用参与者的历史移动轨迹，提出面向不同优化目标和约束条件的任务分配策略，使参与者更加有效地协同工作，优化整个复合型任务的感知质量。3）复合型移动群智感知结果推理融合算法。由于感知成本或参与者感知能力的限制，难以保证复合型任务的每个子任务在各个时空单元都能够获得相应的采样数据。本项目利用不同子任务之间、同一子任务不同时空单元之间的数据相关性，使用多种缺失数据推理技术补全空缺数据，进一步提高整个复合型任务的感知质量。基于开放轨迹数据集（法国电信D4D数据集等），本项目对相关框架、模型和算法的有效性进行了验证。作为原子型任务的有益、重要补充，复合型任务能够感知、理解更为复杂的现象，从而扩展城市感知能力、提升感知深度。