论文部分内容阅读
移动群智感知(Mobile Crowdsensing,MCS)将普通用户的智能移动设备作为基本感知单元,通过移动互联网进行有意识或无意识的协作,实现感知任务分发与感知数据收集,从而有效地完成面向城市交通、社会和环境等领域的大规模感知任务。传感器的发展使移动群智感知数据的模态趋于多样化,除了传统数字形式的传感器数据外,越来越多的群智感知数据以声音、图像和文字等多种形式呈现。照片是移动群智感知的一类重要数据,本文将满足任务需求且低冗余的照片数据定义为高质量数据。移动群智感知的数据收集涉及工作者(即数据提供者)和数据需求者双方的利益,研究高质量数据收集方法的目的是为了高效且低成本地收集满足任务要求的高质量数据集,具体做法包括:i)通过合理的任务分配保证充足的数据源;ii)通过数据优选提高数据集的质量。围绕移动群智感知数据的高质量收集,本文分别从如何分配任务、如何度量数据质量和如何汇聚数据三个角度提出相应的模型和方法,主要贡献包括以下四点:(1)针对移动群智感知的现场数据采集任务,提出适用于群智感知任务空间约束的任务分配算法,以及多侧面感知任务的优化分配算法,提高任务分配率,保证充足的数据源。一方面,针对部分移动群智感知任务的感知现场化问题,基于任务地点与人的出行路线之间的空间关系,提出面向双优化目标的任务分配算法,解决感知成本和任务分配率之间的矛盾,达到在感知成本的约束下,提高任务分配率和原始数据采集量的目的;另一方面,基于照片采集任务的多侧面感知需求,提出多侧面感知任务分配算法,根据感知对象的物理特征和数据采集需求,将任务分解为从感知对象的不同侧面进行感知的子任务,通过选择合适的子任务分解方案,提高任务分配率。(2)针对感知任务的多样化问题,提出通用的移动群智感知照片数据的收集框架和面向照片流的数据优选算法,实现低成本地收集高质量数据。针对移动群智感知照片数据的异构特征、动态数据流和任务多样化等问题,提出通用的任务模型和塔形树模型,达到可以为不同任务设置数据收集约束的目的;针对照片流的动态特性,提出自适应任务约束的基于塔形树的数据流聚类方法,从而高效率和高精度地逼近数据选择最优解。(3)针对在机会网络中的感知数据移交,提出了基于塔形树融合的协作式感知数据移交方法,实现低成本地收集高质量数据。在机会网络中,使用传染路由(Epidemic Routing)传输图像需要较大的网络通信带宽和较高的通信流量,为了使偶遇的感知节点能够快速交换有价值的数据从而提高数据收集质量,本文提出基于塔形树的数据集融合方法,通过融合两个感知节点各自携带的塔形树达到数据集差异互补的目的,从而实现高质量数据在不同感知节点之间的转发,在不增加数据收集延迟的基础上,极大地降低了通信开销和存储开销。(4)设计并实现了基于移动群智感知的实时事件感知应用系统,提出基于群体行为感知的数据优选方法,实现对事件照片的高质量收集。该系统利用现场目击者共享的事件照片达到对事件进展进行实时感知的目的。利用群体行为与照片流的不稳定性之间的关系以及它与事件发展变化之间的关系,本文提出基于子事件检测的照片流分割方法和基于信息熵的关键照片选择方法,通过将照片流分割为对应于不同子事件的流片段,从而得到由不同子事件的照片组成的低冗余、高覆盖的高质量照片集。综上所述,本文面向移动群智感知,针对高质量地采集与收集照片数据提出一系列的模型和方法,并通过理论分析、实验和应用系统验证了它们的有效性,为移动群智感知在不同领域的广泛应用提供重要的理论和技术支撑。