移动群智感知是以人为中心的感知,主要是利用人或车携带着大量移动传感器的特点在目标区域内收集感知对象的信息,上传到中心,以便监测目标区域的情况,完成大规模的、复杂的社会感知任务。然而,为了获取高质量的感知数据,需要招募大量的参与者去执行感知任务,导致感知成本太大,阻碍了移动群智感知应用的拓展。因此,如何提高感知数据质量、降低感知成本是移动群智感知应用的核心问题。针对此问题,本文根据城市数据具有强烈的时空相关性的特点,提出了基于矩阵和张量填充的压缩群智感知方法,不仅保证了感知数据质量,而且减少了需要执行的感知任务数目,降低了感知成本。本文以减少感知成本、提高感知数据精度为设计目标,着重从城市数据特性分析、感知数据采样策略及重构算法设计等几个方面进行深入研究,提出一种移动群智感知数据收集的新方法。本文的主要研究内容概括如下:(1)为了降低感知成本,完成高质量的数据收集任务,本文将矩阵填充理论引入到大规模移动群智感知的数据收集应用中,提出了一种基于矩阵填充的两阶段迭代式自适应采样策略及重构算法,给出了重构低秩矩阵数据所需的样本代价。该算法克服了传统均匀采样方式可能会错失重要元素的缺点,利用自适应采样策略,可以在相同的样本复杂度下显著提高重构精度;并充分利用目标区域的空间相关性及数据潜在的近似低秩结构,降低获取高质量感知数据时所需要的采样数目。仿真结果表明,与基于均匀采样的传统矩阵填充算法相比,自适应方法在显著提高重构精度的同时,还降低了计算复杂度。(2)为进一步挖掘更复杂的高维数据结构与特征,本文将张量填充技术引入大规模移动群智感知的高维数据收集应用中,研究了三阶张量数据收集的样本代价及感知数据重构问题。基于新的张量分解方式-张量奇异值分解(t-SVD),本文提出了利用管道秩和低维子空间来表征高维数据的信息和结构。针对高维数据收集应用,设计了一种基于张量填充的两阶段迭代式自适应采样策略及重构算法。该算法利用自适应性识别出对学习低维子空间有益的区域位置,从而提高算法性能。实验结果表明,张量填充技术能够通过地域上的稀疏采样实现高质量、低成本的压缩群智感知。