基于车联网(IoV,Internet of vehicles)用户的群智感知网络具有节点覆盖广泛、数据全面及时等优点。该技术实现的一大难点在于,如何通过充分挖掘和利用车联网用户的信息(如用户地理位置等)来选择合适的感知任务参与者,以合理地进行任务...基于车联网(IoV,Internet of vehicles)用户的群智感知网络具有节点覆盖广泛、数据全面及时等优点。该技术实现的一大难点在于,如何通过充分挖掘和利用车联网用户的信息(如用户地理位置等)来选择合适的感知任务参与者,以合理地进行任务分配,进而提高感知任务的完成质量和任务发布者收益。为此提出了一种结合车辆用户轨迹特征与组合多臂赌博机(CMAB,combinatorial multi-armed bandits)算法的群智感知用户任务分配机制。首先,基于用户历史行车轨迹的相似程度,将用户聚类。然后,利用CMAB模型,将轨迹聚类信息作为用户任务分配的依据,求解最佳工作者组合。最后,利用真实出租车轨迹数据集对上述算法进行了验证。实验结果表明,考虑轨迹特征信息的任务分配算法具有更高的准确率,并能使任务发布者获得高收益。同时,所选出的工作者集合有相近的行车轨迹,对于同一地点的任务具有高的完成质量,能有效提高感知数据质量和任务发布者收益,适用于实际应用场景。展开更多
文摘基于车联网(IoV,Internet of vehicles)用户的群智感知网络具有节点覆盖广泛、数据全面及时等优点。该技术实现的一大难点在于,如何通过充分挖掘和利用车联网用户的信息(如用户地理位置等)来选择合适的感知任务参与者,以合理地进行任务分配,进而提高感知任务的完成质量和任务发布者收益。为此提出了一种结合车辆用户轨迹特征与组合多臂赌博机(CMAB,combinatorial multi-armed bandits)算法的群智感知用户任务分配机制。首先,基于用户历史行车轨迹的相似程度,将用户聚类。然后,利用CMAB模型,将轨迹聚类信息作为用户任务分配的依据,求解最佳工作者组合。最后,利用真实出租车轨迹数据集对上述算法进行了验证。实验结果表明,考虑轨迹特征信息的任务分配算法具有更高的准确率,并能使任务发布者获得高收益。同时,所选出的工作者集合有相近的行车轨迹,对于同一地点的任务具有高的完成质量,能有效提高感知数据质量和任务发布者收益,适用于实际应用场景。
