CN113645564B - 一种面向室内位置信息群体众筹的混合激励方法 - Google Patents
一种面向室内位置信息群体众筹的混合激励方法 Download PDFInfo
- Publication number
- CN113645564B CN113645564B CN202110758771.7A CN202110758771A CN113645564B CN 113645564 B CN113645564 B CN 113645564B CN 202110758771 A CN202110758771 A CN 202110758771A CN 113645564 B CN113645564 B CN 113645564B
- Authority
- CN
- China
- Prior art keywords
- crowd
- funder
- target position
- funding
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005284 excitation Effects 0.000 title abstract description 8
- 230000008447 perception Effects 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 abstract description 9
- 238000000275 quality assurance Methods 0.000 abstract description 4
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012358 sourcing Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
- H04W12/122—Counter-measures against attacks; Protection against rogue devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向室内位置信息群体众筹的混合激励方法,应用众筹参与思想,考虑众筹者提供室内位置信息质量差异,设计采用最大信息系数的相关性分析过滤潜在恶意众筹者,以及采用加权聚类与ReliefF融合的无监督学***台效能,而且在质量保证和效能管理方面,相对已有方法具有更好的性能。
Description
技术领域
本发明涉及一种面向室内位置信息群体众筹的混合激励方法,属于无线通信技术领域。
背景技术
室内定位服务因其社会和商业价值近年来备受关注,基于WiFi指纹的室内定位技术,由于其最小的硬件要求和相对良好的定位精度而变得普遍。在基于WiFi指纹的室内定位中,定位被分为线下训练阶段和线上定位阶段,其中,线下训练阶段主要是让一些专业人士通过到定位区域进行现场勘测来收集每个位置上的WiFi指纹数据,然后构建指纹数据库。在线上定位阶段,***会将用户所在位置的WiFi指纹与指纹数据库的指纹匹配来获得带定位用户的位置,这个匹配过程是由一些优秀的定位算法来完成的。但基于WiFi指纹的室内定位的技术难点之一在于指纹数据库的构建,必须需要专业人士到定位区域进行繁琐的现场勘测,该环节会消耗大量的时间、人力和财力,因而使基于WiFi指纹的室内定位技术的适用范围受到了极大的限制。
激励机制在P2P网络、机会网络、延迟容忍网络和无线频谱分配等方向中也存在大量研究工作,与此不同的是,群体众筹新的体系结构和网络关系使得激励机制方式更加多元化。在群体众筹中,移动用户的普遍参与使得激励的客体具有移动属性,如地理位置和任务覆盖率的影响,这使激励问题变得更加复杂,而且新的技术和理论也使得群体众筹激励机制与传统网络中的激励机制不同,如社交网络关系的影响等。群体感知激励机制研究的主要目标是在服务器平台的管理下,激励具有感知设备的持有者(众筹者)加入感知项目,并积极参与感知任务,提交高质可靠的感知数据。
群体众筹激励机制的研究主要集中在外在激励方面,在内在激励方面涉及的并不多而且形式较单一。外在激励中拍卖机制成为群体协同计算中最常用的激励方式。该方法基本适用于所有感知工作者,但往往也带来高成本问题。不少激励机制的设计存在工作者的诚实性问题、隐私安全问题以及高成本问题,导致激励效果并不理想。此外,现有的激励机制大多为保障感知众筹者数量而设计,很少考虑感知数据质量这个问题。盲目的激励往往造成了低效率的感知、低质量的服务、感知众筹者人力物力与平台资金不必要的浪费。
虽然已有相关技术来解决上述问题,如用外在激励机制与内在激励机制混合的方法,从工作者的成就动机出发,给予其地位、荣誉等奖励以激励工作者参与任务,但仍存在一些问题,不知道感知众筹者行为信息和数据真值的情况下,检测数据质量是困难的。数据验证可能需要部署传统的传感器来实时实地收集噪声真值。这种部署需要投入大量资金,而且灵活性和可扩展性较差,否定了群体众筹的意义。其次,设计同时满足个体理性和平台效能最大化的激励机制是困难的。个体理性是指,众筹众筹者必须获得不少于众筹开销的报酬才会去完成众筹任务;平台效能是指,平台提供服务所获得的价值减去雇佣众筹众筹者所付出的报酬。一个设计良好的激励机制,不仅要保证众筹众筹者获得与其付出相对应的合理的个人收益,还要保证众筹平台的整体效能,以维持长久、稳定的运营。此外,将数据质量和激励机制有效结合起来是困难的。众筹众筹者拥有不同的物理资源和个人能力,提交不同质量的众筹数据,自然也要求不同数值的报酬。然而,现有的统一价格酬劳机制缺乏公平性和激励性,按价酬劳机制又纵容了某些众筹众筹者的粗心行为,这两种方式都不能维持长期高效的数据收集和高质量的众筹服务。
发明内容
本发明所要解决的技术问题是提供一种面向室内位置信息群体众筹的混合激励方法,应用众筹者参与方式,基于关于目标位置信标感知数据的获得,通过所设计数据筛选与质量机制,实现目标位置有效数据的获得,提高室内定位应用的效率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种面向室内位置信息群体众筹的混合激励方法,基于各众筹者分别上传关于室内各目标位置的信标感知数据,实现各目标位置分别所对应各众筹者的筛选,包括如下步骤:
步骤A.基于各众筹者xi所上传分别关于室内各目标位置对应预设信标感知数据类型的时序感知数据序列,构成各众筹者xi分别所上传关于室内全部目标位置的信标感知数据集获得两两不同众筹者分别所对应信标感知数据集之间的最大互信息值然后进入步骤B;其中,1≤i≤I,1≤j≤I,i≠j,I表示众筹者的总数,xi表示第i位众筹者,xj表示第j位众筹者,表示第i位众筹者所上传关于室内全部目标位置的信标感知数据集,表示第j位众筹者所上传关于室内全部目标位置的信标感知数据集;
步骤B.分别针对各位众筹者xi,获得众筹者分别与其余各位众筹者之间最大互信息值的和,作为该众筹者所对应的互信息值,即获得各位众筹者xi分别所对应的互信息值,并删除其中互信息值小于预设互信息阈值的各位众筹者,更新众筹者的总数I,然后进入步骤C;
步骤C.分别针对室内的各个目标位置,执行如下步骤C1至步骤C4,获得各目标位置分别所对应的各个目标众筹者;
步骤C1.分别针对各位众筹者xi,基于众筹者xi所上传关于目标位置对应预设信标感知数据类型的时序感知数据序列,按时序获得其中最新上传的个数据以及其中历史上传的个数据然后进入步骤C2;其中,表示该众筹者xi所上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列的长度的一半,1≤i≤I,I表示众筹者的总数,xi表示第i位众筹者;
步骤C2.分别针对各位众筹者xi,基于众筹者xi对应该目标位置的预设初始权重值,按如下公式:
按预设迭代次数进行迭代,获得众筹者xi对应该目标位置的权重值Tod[xi],然后进入步骤C3;其中,1≤j≤I,i≠j,xj表示第j位众筹者,表示相较众筹者xi的其他众筹者xj所上传关于目标位置对应预设信标感知数据类型的时序感知数据序列中、按时序最新上传的个数据,表示与之间的差距,表示与之间的差距,prop(xj)表示该众筹者xj所上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列中数据个数、占全部众筹者所上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列的数据总个数的比例;
步骤C3.基于上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列的各位众筹者xi,根据众筹者xi对应该目标位置的权重值Tod[xi],结合各众筹者xi分别所对应初始数据质量以及各众筹者所对应初始聚类质心w,按如下公式:
执行迭代,以各位众筹者分别所对应数据质量在相邻两轮迭代中的变动均小于预设变动阈值为结束条件,获得各众筹者xi分别关于该目标位置的数据质量然后进入步骤C4;其中,ε表示预设正实数,dist(w,xi)表示聚类质心w与众筹者xi之间基于截取预设相同长度的时序感知数据序列的距离,W表示各位众筹者所上传分别关于室内各目标位置的时序感知数据序列的集合;
步骤C4.按照各众筹者xi分别关于该目标位置的数据质量的由大至小顺序,针对按照各众筹者xi进行排序,并由第一个起,顺序选择前个众筹者,即构成该目标位置所对应各个目标众筹者;其中,a表示预设筛选比例,表示向上取整。
作为本发明的一种优选技术方案:基于所述步骤C中,获得各目标位置分别所对应的各个目标众筹者之后,分别针对各个目标位置,根据目标位置所对应各个目标众筹者分别关于该目标位置的时序感知数据序列,构建该目标位置所对应唯一标识的标记信息,即获得各目标位置分别所对应的标记信息,实现室内各目标位置的逻辑定位。
作为本发明的一种优选技术方案:所述预设信标感知数据类型为无线信号强度。
本发明所述一种面向室内位置信息群体众筹的混合激励方法,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计一种面向室内位置信息群体众筹的混合激励方法,应用众筹参与思想,考虑众筹者提供室内位置信息质量差异,设计采用最大信息系数的相关性分析过滤潜在恶意众筹者,以及采用加权聚类与ReliefF融合的无监督学***台效能,而且在质量保证和效能管理方面,相对已有方法具有更好的性能。
附图说明
图1是本发明设计面向室内位置信息群体众筹的混合激励方法中激励框架设计实施例示意图;
图2是本发明设计中所提供一种基于反向拍卖的流程示意图;
图3是本发明设计中所提供一种基于反向拍卖,游戏化的混合激励框架流程示意图;
图4是本发明设计中所提供的投票机制的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种面向室内位置信息群体众筹的混合激励方法,基于各众筹者分别上传关于室内各目标位置的信标感知数据,实现各目标位置分别所对应各众筹者的筛选,实际应用当中,设计具体执行如下步骤A至步骤C。
步骤A.基于各众筹者xi所上传分别关于室内各目标位置对应预设信标感知数据类型诸如无线信号强度的时序感知数据序列,构成各众筹者xi分别所上传关于室内全部目标位置的信标感知数据集获得两两不同众筹者分别所对应信标感知数据集之间的最大互信息值然后进入步骤B;其中,1≤i≤I,1≤j≤I,i≠j,I表示众筹者的总数,xi表示第i位众筹者,xj表示第j位众筹者,表示第i位众筹者所上传关于室内全部目标位置的信标感知数据集,表示第j位众筹者所上传关于室内全部目标位置的信标感知数据集。
借助具有更加广泛的相关性识别能力的MIC来评估众筹者提供的位置信息之间的关系,互信息被定义为一个随机变量中包含的关于另一个随机变量的信息量,或者叫一个随机变量因为已知另一个随机变量而减少的不确定性,在特征选择研究中被用来衡量两个特征的相关性。对于两个特征X={xi,x2,...,xK}和Y={yi,y2,...,yK},根据熵的定义展开:
最大互信息方法使用类似直方图的思想近似估计概率分布,进而计算互信息。在对随机变量散点图进行网格划分的基础上,概率是成正比的数据点落入网格的数量。计算过程分为三步,首先,在给定两个整数值r,c的情况下,对两个随机变量的散点图进行r行c列网格划分,并求出最大的互信息值;第二,对最大互信息值进行归一化;第三,选择不同划分尺度下互信息的最大值作为最大信息系数(MIC)值。
上述步骤A关于最大互信息值的获得,实际应用中,具体针对各众筹者xi分别所上传关于室内全部目标位置的信标感知数据集设有划分G将对应的散点图分割成r×c个网格,计算每种分割方式下的G的互信息,在划分G下的最大互信息记作:
最后,最大信息系数(MIC)为矩阵中方的最大互信息值,定义为:
关于各位众筹者xi所上传关于目标位置对应预设信标感知数据类型的时序感知数据序列来说,由于真实值是未知的,需要依赖于用户数据的加权聚合与众筹者可行度作为基准来预估每个用户的数据质量,因此继续执行下述步骤。
步骤B.分别针对各位众筹者xi,获得众筹者分别与其余各位众筹者之间最大互信息值的和,作为该众筹者所对应的互信息值,即获得各位众筹者xi分别所对应的互信息值,并删除其中互信息值小于预设互信息阈值的各位众筹者,更新众筹者的总数I,然后进入步骤C。
步骤C.分别针对室内的各个目标位置,执行如下步骤C1至步骤C4,获得各目标位置分别所对应的各个目标众筹者。
步骤C1.分别针对各位众筹者xi,基于众筹者xi所上传关于目标位置对应预设信标感知数据类型的时序感知数据序列,按时序获得其中最新上传的个数据以及其中历史上传的个数据然后进入步骤C2;其中,表示该众筹者xi所上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列的长度的一半,1≤i≤I,I表示众筹者的总数,xi表示第i位众筹者。
Relief算法是分类问题的经典特征选择方法,Relief算法家族包含了一系列算法,包含最早提出的Relief算法及后来扩展的ReliefF算法、RReliefF算法。Relief算法是针对二类数据分类问题的经典特征选择方法,具有易于实现、执行效率高等优点,其核心思想是选择具有最佳类别判别能力的特征子集,每个特征的判别能力用一个权重值来表示,该权重值基于此特征的取值将相似样本区分开的情况计算得到,即继续执行如下步骤C2。
步骤C2.分别针对各位众筹者xi,基于众筹者xi对应该目标位置的预设初始权重值,按如下公式:
按预设迭代次数进行迭代,获得众筹者xi对应该目标位置的权重值Tod[xi],然后进入步骤C3;其中,1≤j≤I,i≠j,xj表示第j位众筹者,表示相较众筹者xi的其他众筹者xj所上传关于目标位置对应预设信标感知数据类型的时序感知数据序列中、按时序最新上传的个数据,表示与之间的差距,表示与之间的差距,prop(xj)表示该众筹者xj所上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列中数据个数、占全部众筹者所上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列的数据总个数的比例。
Relief算法基于这样的思想:“好”的特征,即判别能力强的特征应该是那些使得同类别的样本更加接近,同时使得不同类别的样本更加远离的特征。
步骤C3.基于上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列的各位众筹者xi,根据众筹者xi对应该目标位置的权重值Tod[xi],结合各众筹者xi分别所对应初始数据质量以及各众筹者所对应初始聚类质心w,按如下公式:
执行迭代,以各位众筹者分别所对应数据质量在相邻两轮迭代中的变动均小于预设变动阈值为结束条件,获得各众筹者xi分别关于该目标位置的数据质量然后进入步骤C4;其中,ε表示预设正实数,dist(w,xi)表示聚类质心w与众筹者xi之间基于截取预设相同长度的时序感知数据序列的距离,W表示各位众筹者所上传分别关于室内各目标位置的时序感知数据序列的集合。
实际应用中,这里聚类质心w与众筹者xi之间基于截取预设相同长度的时序感知数据序列的距离dist(w,xi),均采用欧式距离进行实现。
步骤C4.按照各众筹者xi分别关于该目标位置的数据质量的由大至小顺序,针对按照各众筹者xi进行排序,并由第一个起,顺序选择前个众筹者,即构成该目标位置所对应各个目标众筹者;其中,a表示预设筛选比例,表示向上取整。
实际上,在数据量相同的条件下,高质量的感知数据比低质量的数量能给感知平台更多的有效信息。高质量的数据本质上更有用,而低质数据往往需要额外处理才能投入使用,比如用来检测和纠正传输错误的信道校验码(ECC)等。群体感知通常采用多人重复任务、另外雇人检验数据质量和感知其它辅助数据等来纠错。
在执行上述步骤A至步骤C,获得各目标位置分别所对应的各个目标众筹者之后,实际应用中,进一步设计分别针对各个目标位置,根据目标位置所对应各个目标众筹者分别关于该目标位置的时序感知数据序列,构建该目标位置所对应唯一标识的标记信息,即获得各目标位置分别所对应的标记信息,实现室内各目标位置的逻辑定位。
上述设计引入群体众筹的思想,可以很好的解决现有技术中的问题。基于移动众包的室内指纹定位技术,可以利用普通用户的移动手机来收集WiFi指纹数据,避免了专人现场勘测的过程,还能保持指纹数据库的经常更新,适应环境的变化。通过对基于移动众包的室内指纹定位技术的研究,可以方便在室内环境下为能量收集***找到最需要服务的传感器节点进行无线能量服务。除此之外,很多日常生活场景中,包括商场、医院、博物馆、停车场等,对于定位服务都有着迫切需求。
随着各种各样的移动便携设备的普及和广泛使用,如智能手机、平板电脑、可穿戴设备等,群体众筹提供了一种新的感知环境、收集数据和提供信息服务的模式。群体众筹是指通过人们已有的移动设备形成感知网络,并将任务发布给网络中的个体或群体来完成,从而帮助专业人员或公众收集数据、分析信息和共享知识。传统的采集数据方式,如无线传感器网络和分布式传感器网络,通常采用静态的方式,容易受到诸如节点覆盖不足、高代价的安装和管理成本以及缺乏可扩展性等限制,在实际部署应用时遇到很多困难。然而在群体众筹中,结合人的感知判断能力和移动设备本身具有的感知能力,如地理位置、气候环境、交通情况等,可以其中如何通过合理的激励机制来吸引更多用户参与到任务中来,并促使其提供高质量的数据,是十分关键的问题。
实际应用中,将上述所设计面向室内位置信息群体众筹的混合激励方法中步骤A至步骤C的执行,以及基于各目标位置分别所对应各个目标众筹者的获得,看作是一轮的执行,即任务请求者发布获得室内各个目标位置的位置信息任务,由各众筹者按上述步骤执行,则在一轮执行后,各目标位置分别所对应各个目标众筹者,即可看作目标位置的信任众筹者,即可对信任众筹者引入激励机制,激励信任众筹者继续为所对应的目标位置提供时序感知数据序列。
单纯地从外在激励出发很容易让工作者以获得奖励为目的进行工作,而造成众筹任务结果质量低下。此外,与内在激励机制相比,以金钱为基础的外在激励机制在长期应用中反而会导致工作者减少参与单一从内在激励来说,由于人类自身性格特点具有差异性,需求也并不一致,所以从工作者的内在激励出发也很难形成一个普适性的机制。作为解决思路之一,具体采用了一种混合激励框架,该框架整合广泛流行的激励方法:反向拍卖和游戏化,保证用户的长期参与,有效降低了任务发布的时间损耗,进一步激励众筹者提供高质量的数据,刺激众筹者提供真实的反馈。一方面,该方法中将激励机制和数据质量相结合,来激励众筹众筹者进行有效的众筹活动、提交高质量的众筹数据,具有良好的实用性;另一方面,该方法通过内在与外在激励机制结合,提高了众筹人员的参与度。
激励框架有三个利益相关者参与移动众包***:人群众筹者,任务发布者(即众包者)和众包平台。提出的激励机制框架,与所有三个利益相关者有关,由二个部分组成:基于反向拍卖的两轮众筹者选择过程,基于游戏化投票机制的验证。
首先,一种基于反向拍卖的两轮众筹者选择机制,以激励群众积极参与并提供高质量的传感数据。发布者提供任务的简短描述,描述其性质,时间限制等。平台经过两轮选择,过滤潜在恶意众筹者,并根据每个众筹者xi的排名价格si,通过升序排序来选择,其中排名价格主要是基于众筹者的报价bi以及其提供的数据质量qi,其中si=bi×(1-qi)。在此基础上,平台会根据报价排名si选择m个众筹者,同时满足
其次,为了避免发布者对感知数据质量的不真实反馈,基于游戏化的验证机制旨在评估发布者反馈的真实性。如果发布者对数据质量的反馈是差评的话,那么一般有两种情况。一种情况是发布者的评估是真实的,也就是说众筹者i的数据质量确实是糟糕的。另一种情况是,发布者想要使用来自于众筹者的众筹数据,但是却想支付尽可能少的报酬,于是可能就通过需要虚假报告来实现。为了解决这个问题,平台将会雇佣n个游戏者,这些游戏者将会通过投票提供对数据可信度的评估eg,并且给予每个游戏者一个小小的奖励c:
按上述集成激励框架,在一定程度上解决了在反向拍卖机制中很容易出现“搭便车”(free-riding)问题,即任务请求者在任务执行之前将报酬付给协同工作者,则工作者更倾向于付出很少的努力,从而导致数据质量降低。集成激励框架中采用加权聚类与ReliefF融合的无监督学***台效能,而且在质量保证和效能管理方面,相对已有方法具有更好的性能。
将上述所设计面向室内位置信息群体众筹的混合激励方法,以及所引入的混合激励框架,应用于实际当中,如图1所示,显示了本发明提出的一种基于反向拍卖,游戏化的混合激励框架流程,包括以下基于反向拍卖的两轮众筹者选择过程,如图2所示。
反向拍卖组件完成任务分配和支付报酬,众筹者的选择和招募,数据可信度的计算以及发布者关于传感数据质量的反馈,如图3所示为基于反向拍卖的流程示意图。
图3显示的一种基于反向拍卖,游戏化的混合激励框架流程示意图如果发布者对数据质量的反馈是差评的话,那么一般有两种情况。一种情况是发布者的评估是真实的,也就是说众筹者i的数据质量确实是糟糕的。另一种情况是,发布者想要使用来自于众筹者的感知数据,但是却想支付尽可能少的报酬,于是可能就通过需要虚假报告来实现。为了解决这个问题,激励框架显式的使用游戏化的验证机制来推断发布者的反馈是否真实。图4给出具体的投票过程,具体来说,平台将会雇佣n个游戏者,并且给予每个游戏者一个小小的奖励c。然后这些游戏者将会通过投票提供对数据质量的评估eg:
需要注意的是,支付给每个游戏者的奖励c对于平台来说是可选的。之所以要设置一个比较小的金额奖励主要是基于以下考虑,在提出的激励框架下游戏化机制可以理解为又是一个有趣的众包任务,其中平台扮演着发布者的角色,而游戏玩家则是众筹者。此外,据观察,用户虽然主要是寻求游戏化的乐趣,但也很容易接受经济激励作为额外的刺激。因此,最初,这种奖励设置可以吸引玩家以相对较低的工资率完成验证任务,然后一旦用户享受了游戏过程,他们将继续参与而不会期望经济补偿。
比较算法的基础解释如下。
如果eg∈[0,0.6],意味着两个评级(发布者的反馈和游戏玩家验证)都是差评;在这种情况下,发布者的反馈被认为是真实的。在这种情况下,最终评级进一步计算如下:当Δ≥0.3时,采用e=(eg+epu)/2来平滑两个评级之间相对较大的数量差距;否则,让e=epu(意味着两个评级之间的差距小到足以容纳这个假设)。
如果eg∈[0.6,1]并且Δ≥0.4,这意味着游戏玩家评分很高,但发布者给出了不好的评价,这些评级之间的差距足以让游戏玩家的评价被认为是正确的(即发布者提供了不真实的反馈)。然后让e=eg;否则,如果Δ∈[0.2,0.4],这意味着这两个评级之间的差距是适中的;然后采用e=(eg+epu)/2,并将其与好坏评级之间的阈值0。6进行比较,以推断发布者的反馈是否真实。当Δ∈[0,0.2],只需要令e=epu。这意味着差距太小,可以信任发布者的反馈。
通过该比较算法,平台可以推断发布者的反馈是否真实。如果发布者的评级是真实的,则发布者将被退还bi+n·c,这意味着发布者无需支付额外的游戏费用;否则,不给予退款,并且发布者的实际付款将是bi+bi·p+2·n·c,其中第一项bi是对众筹者i的奖励,第二项是bi·p平台的收益,其中一个n·c是游戏化的代价,另一个n·c是对发布者提供虚假反馈的惩罚。总之,在游戏化之后,可以获得最终评级e的值(正确评估的数据质量)并知道发布者反馈是否真实。
应用中按如下执行:
a、任务分配和押金支付
发布者通过向平台支付押金,从群体感知平台购买感知服务。发布商支付的金额取决于众筹者的出价,平台利润和额外的游戏化费用。请注意,当且仅当发布者报告服务失败(对感知数据的评级不佳),并且平台通过游戏化成功验证失败报告时,才会退还发布者的押金。因此,押金支付本身仅用于担保。发布者需要提供任务的简短描述,描述其性质,时间限制等。请注意,任务应分成小块,便于移动设备完成。然后,平台将微任务分发给人群,通过公开呼叫招募众筹者。
b、第一轮众筹者筛选
在第一轮中,平台根据众筹者提供的数据相似度选择参与的候选人,采用最大信息系数度量众筹者之间的冗余性(相关性),计算他们之间的最大信息系数MIC,值越大表明相关性越强,用于位置估算时可以相互替代的可能性越强,冗余性越高。
c、第二轮众筹者选择与雇佣
根据每个众筹者i的排名价格si,通过升序排序来选择,其中排名价格主要是基于众筹者的报价bi以及其的数据质量qi,其中si=bi×(1-qi)。在此基础上,平台会根据报价排名si选择M个众筹者,同时满足众筹者i最终能够获得的报酬依然是其报价。
d、发布者对位置信息的反馈
发布者会对数据进行评估得到epu,对于epu的评判标准如下:
如果发布者的c评价是好评,那么这次交易就成功完成了,然后就将众筹者的报价作为奖励支付给众筹者。否则,平台将会执行游戏化机制来验证发布者的评估是否真实。
上述技术方案所设计面向室内位置信息群体众筹的混合激励方法,应用众筹参与思想,考虑众筹者提供室内位置信息质量差异,设计采用最大信息系数的相关性分析过滤潜在恶意众筹者,以及采用加权聚类与ReliefF融合的无监督学***台效能,而且在质量保证和效能管理方面,相对已有方法具有更好的性能。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种面向室内位置信息群体众筹的混合激励方法,其特征在于:基于各众筹者分别上传关于室内各目标位置的信标感知数据,实现各目标位置分别所对应各众筹者的筛选,包括如下步骤:
步骤A.基于各众筹者xi所上传分别关于室内各目标位置对应预设信标感知数据类型的时序感知数据序列,构成各众筹者xi分别所上传关于室内全部目标位置的信标感知数据集获得两两不同众筹者分别所对应信标感知数据集之间的最大互信息值然后进入步骤B;其中,1≤i≤I,1≤j≤I,i≠j,I表示众筹者的总数,xi表示第i位众筹者,xj表示第j位众筹者,表示第i位众筹者所上传关于室内全部目标位置的信标感知数据集,表示第j位众筹者所上传关于室内全部目标位置的信标感知数据集;
步骤B.分别针对各位众筹者xi,获得众筹者分别与其余各位众筹者之间最大互信息值的和,作为该众筹者所对应的互信息值,即获得各位众筹者xi分别所对应的互信息值,并删除其中互信息值小于预设互信息阈值的各位众筹者,更新众筹者的总数I,然后进入步骤C;
步骤C.分别针对室内的各个目标位置,执行如下步骤C1至步骤C4,获得各目标位置分别所对应的各个目标众筹者;
步骤C1.分别针对各位众筹者xi,基于众筹者xi所上传关于目标位置对应预设信标感知数据类型的时序感知数据序列,按时序获得其中最新上传的个数据以及其中历史上传的个数据然后进入步骤C2;其中,表示该众筹者xi所上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列的长度的一半,1≤i≤I,I表示众筹者的总数,xi表示第i位众筹者;
步骤C2.分别针对各位众筹者xi,基于众筹者xi对应该目标位置的预设初始权重值,按如下公式:
按预设迭代次数进行迭代,获得众筹者xi对应该目标位置的权重值Tod[xi],然后进入步骤C3;其中,1≤j≤I,i≠j,xj表示第j位众筹者,表示相较众筹者xi的其他众筹者xj所上传关于目标位置对应预设信标感知数据类型的时序感知数据序列中、按时序最新上传的个数据,表示与之间的差距,表示与之间的差距,prop(xj)表示该众筹者xj所上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列中数据个数、占全部众筹者所上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列的数据总个数的比例;
步骤C3.基于上传关于该目标位置对应预设信标感知数据类型的时序感知数据序列的各位众筹者xi,根据众筹者xi对应该目标位置的权重值Tod[xi],结合各众筹者xi分别所对应初始数据质量以及各众筹者所对应初始聚类质心w,按如下公式:
执行迭代,以各位众筹者分别所对应数据质量在相邻两轮迭代中的变动均小于预设变动阈值为结束条件,获得各众筹者xi分别关于该目标位置的数据质量然后进入步骤C4;其中,ε表示预设正实数,dist(w,xi)表示聚类质心w与众筹者xi之间基于截取预设相同长度的时序感知数据序列的距离,W表示各位众筹者所上传分别关于室内各目标位置的时序感知数据序列的集合;
3.根据权利要求1或2所述一种面向室内位置信息群体众筹的混合激励方法,其特征在于:基于所述步骤C中,获得各目标位置分别所对应的各个目标众筹者之后,分别针对各个目标位置,根据目标位置所对应各个目标众筹者分别关于该目标位置的时序感知数据序列,构建该目标位置所对应唯一标识的标记信息,即获得各目标位置分别所对应的标记信息,实现室内各目标位置的逻辑定位。
4.根据权利要求1或2所述一种面向室内位置信息群体众筹的混合激励方法,其特征在于:所述预设信标感知数据类型为无线信号强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758771.7A CN113645564B (zh) | 2021-07-05 | 2021-07-05 | 一种面向室内位置信息群体众筹的混合激励方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758771.7A CN113645564B (zh) | 2021-07-05 | 2021-07-05 | 一种面向室内位置信息群体众筹的混合激励方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113645564A CN113645564A (zh) | 2021-11-12 |
CN113645564B true CN113645564B (zh) | 2022-04-08 |
Family
ID=78416707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758771.7A Active CN113645564B (zh) | 2021-07-05 | 2021-07-05 | 一种面向室内位置信息群体众筹的混合激励方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113645564B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946635A (zh) * | 2012-10-17 | 2013-02-27 | 上海京颐信息科技有限公司 | 基于激励器技术的room level级室内定位方法及定位*** |
CN108337656A (zh) * | 2018-01-16 | 2018-07-27 | 武汉工程大学 | 一种移动群智感知激励方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8874477B2 (en) * | 2005-10-04 | 2014-10-28 | Steven Mark Hoffberg | Multifactorial optimization system and method |
US20150019310A1 (en) * | 2013-07-15 | 2015-01-15 | Jeffrey Young | Electronic system and method for group purchasing promotions |
CN112950251B (zh) * | 2021-05-11 | 2024-01-26 | 北京航空航天大学 | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 |
-
2021
- 2021-07-05 CN CN202110758771.7A patent/CN113645564B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102946635A (zh) * | 2012-10-17 | 2013-02-27 | 上海京颐信息科技有限公司 | 基于激励器技术的room level级室内定位方法及定位*** |
CN108337656A (zh) * | 2018-01-16 | 2018-07-27 | 武汉工程大学 | 一种移动群智感知激励方法 |
Non-Patent Citations (3)
Title |
---|
"Wireless Virtual Embedding Algorithm Considering Inter-cell Interference in 5G Ultra-dense Network";赵海涛;《IEEE》;20200813;全文 * |
"一种基于信誉综合测评的移动群智感知激励机制";朱会;《科学技术创新》;20180305;全文 * |
"业务迁移场景下利用信誉值的拓扑构造激励算法";张晖;《西安交通大学学报》;20170313;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113645564A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108055119B (zh) | 一种群智感知应用中基于区块链的安全激励方法和*** | |
CN110189174A (zh) | 一种基于数据质量感知的移动群智感知激励方法 | |
Xu et al. | Incentive mechanism for multiple cooperative tasks with compatible users in mobile crowd sensing via online communities | |
Yang et al. | On designing data quality-aware truth estimation and surplus sharing method for mobile crowdsensing | |
CN108364190B (zh) | 结合信誉更新的移动群智感知在线激励方法 | |
KR101300517B1 (ko) | 전자 입찰에 있어 투찰금액 예측방법 및 그 시스템 | |
CN110009174A (zh) | 风险识别模型训练方法、装置及服务器 | |
CN109583904A (zh) | 异常操作检测模型的训练方法、异常操作检测方法及装置 | |
CN108648000B (zh) | 对用户留存生命周期进行评估的方法及装置、电子设备 | |
Pouryazdan et al. | Game-theoretic recruitment of sensing service providers for trustworthy cloud-centric Internet-of-Things (IoT) applications | |
CN112950251A (zh) | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 | |
CN112907340B (zh) | 一种群智感知中基于双向拍卖模型的激励方法及*** | |
CN108764943B (zh) | 基于资金交易网络的可疑用户监测分析方法 | |
CN109784741A (zh) | 一种基于信誉预测的移动群智感知***奖励分发方法 | |
Alswailim et al. | A reputation system to evaluate participants for participatory sensing | |
Hu et al. | Incentive mechanism for mobile crowdsensing with two-stage stackelberg game | |
Jia et al. | An incentive mechanism in expert-decision-based crowdsensing networks | |
CN109325657A (zh) | 一种信贷业务的审批方法、存储介质和服务器 | |
CN113645564B (zh) | 一种面向室内位置信息群体众筹的混合激励方法 | |
Tang et al. | A Semi-supervised Sensing Rate Learning based CMAB scheme to combat COVID-19 by trustful data collection in the crowd | |
Wu et al. | MagiCrowd: A crowd based incentive for location-aware crowd sensing | |
CN117114178A (zh) | 一种售电公司优化决策方法及*** | |
CN109472455B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN110072298B (zh) | 一种基于边缘计算的鲁棒移动群智感知算法 | |
CN115271092A (zh) | 一种面向室内定位联邦学习的群智众筹激励方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |