随着智能移动设备的快速普及和无线技术的发展,移动群智感知已经成为一种新型的感知模式。它通过利用移动终端设备上的传感器来对设备周边的局部信息进行感知、收集、挖掘、和共享,以达到特定的数据采集目的。与传感器网络相比,移动群智感知依托于人群为载体,拥有更好的灵活性和自主性,能够覆盖传统传感器网络难以或无法覆盖的感知区域;同时,用户的智能终端设备通常拥有更强的计算、存储、和通信功能,有助于帮助感知需求方更好地完成感知目标。移动群智感知已被广泛运用于众多实际应用场景,包括室内定位、室内平面图构建、交通状况监测、环境状况监测、公交到站时间预测、最后一英里导航等,是实现智能城市的关键一环。数据是群智感知平台的基础,数据质量是移动群智感知研究中的关键问题。一方面,由于设备、环境等因素,群智感知平台收集到的数据往往存在不同程度的噪声,因此数据的质量也存在差异。另一方面,在某些场景中,我们需要用户遵循某种特定的数据收集行为规范,而由于用户行为的不确定性,用户可能会有意识或无意识地偏离标准的数据采集行为,造成收集到的数据存在较大偏差。低质量的数据贡献降低了群智感知平台后续数据分析的准确性和有效性,浪费了用户和平台的资源,损害了群智感知平台的服务质量。因此,如何有效地解决数据质量的问题,是提高群智感知平台有效性的关键。近年来,群智感知计算中的数据质量问题逐渐受到学术界的广泛关注,本文围绕群智感知计算中的数据质量分析和基于质量的用户管理进行研究,主要包括以下三方面的内容:一、数据质量分析。用户数据质量的分析和量化,是解决群智感知计算中数据质量问题的基础。给定用户贡献的感知数据,如何在缺乏真实值的情况下,准确且高效地量化用户的数据质量,刻画用户行为,并准确地预估被监测对象的真实值,是数据质量分析问题的关键。为了解决这一问题,我们设计了一个数据质量分析和用户酬劳分配系统。在该系统中,我们提出无监督学习算法来对用户短期数据质量进行衡量,借助异常检测机制捕捉异常数据贡献,并设计用户信誉评价体系刻画用户长期的数据贡献行为。同时,我们将用户酬劳与用户数据质量结合,激励用户提供高质量的数据。二、基于质量的用户选择和用户调度。用户选择和用户调度问题,是移动群智感知中的重要问题。感知平台需要从众多注册用户中选择部分用户进行感知数据采集,并对用户的感知位置、感知路线等进行调度,从而最大化平台的效能。早期研究通常采用基于博弈论、组合优化理论的方法来解决该问题,但往往忽视了质量这一重要因素。在本文中,我们将质量因素引入群智感知的用户选择和用户调度,包括以下两个工作:(1)、我们考虑了基于数据融合质量的用户感知路线设计问题,通过为不同移动场景下的用户设计感知路线,在保证感知质量的情况下,最大化感知区域,从而有效地提升平台效能。(2)、我们考虑了轮次和预算双重限制下的用户选择算法研究,其中平台缺乏对用户数据效能的先验证知识。在这种情况下,我们提出了一个组合多臂老虎机算法来在线学习用户效能和选择用户。三、基于质量的任务匹配和任务推荐。在移动群智感知中,任务匹配问题通常采用以平台为中心的方法解决,即平台集中式地决定哪些用户进行哪些感知任务。这种以平台为中心的方法会导致用户难以参与自己感兴趣的感知任务,限制了用户喜好的表达。为了解决这个问题,我们提出了以用户为中心的任务匹配系统,通过对用户进行细粒度建模,学习用户对不同任务的喜好程度和可靠性,并综合考虑这两方面的指标为用户进行个性化的任务推荐。具体地,我们提出基于隐式反馈的混合方法来刻画用户对任务的喜好程度;在刻画用户可靠性方面,我们提出基于半监督学习方法来刻画用户对已参与任务的可靠性,提出矩阵分解的方法预测用户对未参与任务的可靠性。实验表明,我们的个性化任务推荐系统能够有效地对用户建模,提高数据融合的质量和用户对任务的接受率。