本發(fā)明公開了本發(fā)明公開了一種群智感知在固定預(yù)算的前提下最大化區(qū)域覆蓋的反向拍賣激勵(lì)方法，屬于無線通信的技術(shù)領(lǐng)域。

背景技術(shù)：

傳統(tǒng)的傳感器網(wǎng)絡(luò)需要將應(yīng)用程序特定的傳感器部署在一個(gè)大的區(qū)域來監(jiān)測環(huán)境，例如空氣質(zhì)量或交通堵塞情況。然而，它的性能很大程度上依賴于傳感器的數(shù)量，因此網(wǎng)絡(luò)安裝維護(hù)成本高，節(jié)點(diǎn)覆蓋不足。隨著智能手機(jī)等移動(dòng)設(shè)備的廣泛使用，它將代替?zhèn)鞲衅骶W(wǎng)絡(luò)中的固定節(jié)點(diǎn)，于是群智感知(crowdsensing，cs)[1]出現(xiàn)。參與傳感的概念與以人為中心的計(jì)算模式，cs是指具有感測和計(jì)算裝置的移動(dòng)用戶為了適應(yīng)各種應(yīng)用負(fù)責(zé)收集和貢獻(xiàn)數(shù)據(jù)的一種感知范式。cs的應(yīng)用是利用已經(jīng)部署或者是人們所攜帶的數(shù)以百萬計(jì)的移動(dòng)設(shè)備(例如，安卓手機(jī)，iphone，和ipad)所提供的傳感，計(jì)算和無線通信能力?；谥悄苁謾C(jī)及可穿戴式設(shè)備中的嵌入式傳感器，參與者可以從周邊環(huán)境中收集數(shù)據(jù)，并通過可用網(wǎng)絡(luò)上傳到應(yīng)用程序服務(wù)器，服務(wù)器對(duì)參與者的數(shù)據(jù)進(jìn)行處理并提取所需信息。群智感知廣泛應(yīng)用于社會(huì)生活中，例如空間氣象監(jiān)測、智能城市建設(shè)等等。

在群智感知中，參與者是自愿參與，足夠數(shù)量的參與者可以提供精細(xì)監(jiān)測，且傳感裝置具有移動(dòng)過程更易收集時(shí)空數(shù)據(jù)。用戶參與是群智感知中的最重要的元素，因?yàn)閼?yīng)用程序服務(wù)(例如，環(huán)境感知服務(wù))真正依賴于用戶的感知數(shù)據(jù)。用戶參與包括包括傳感，學(xué)習(xí)與挖掘，傳播三個(gè)階段。在參與過程中，一個(gè)用戶消耗了自己的私人資源，如電池和他的設(shè)備計(jì)算能力，也可能存在隱私安全等問題。

為了保證用戶參與，我們需要設(shè)置合適的獎(jiǎng)勵(lì)措施來激發(fā)用戶的積極性，也就是所謂的激勵(lì)機(jī)制。激勵(lì)機(jī)制大體上可分為非貨幣激勵(lì)和貨幣激勵(lì)。非貨幣激勵(lì)機(jī)制目標(biāo)是吸引具有特定興趣愛好或者利益相同的用戶志愿參與，而貨幣激勵(lì)機(jī)制是用金錢為動(dòng)力鼓勵(lì)參與者執(zhí)行任務(wù)。

技術(shù)實(shí)現(xiàn)要素：

技術(shù)問題：本發(fā)明針對(duì)群智感知過程中用戶分布不均勻和惡意競爭問題，考慮實(shí)際場景，將標(biāo)價(jià)同用戶參與感知付出代價(jià)相結(jié)合，同時(shí)由于預(yù)算有限，從感知區(qū)域覆蓋的角度提供了一種在固定預(yù)算的前提下最大化區(qū)域覆蓋的反向拍賣激勵(lì)方法。

技術(shù)方案：本發(fā)明提供一種群智感知中基于區(qū)域覆蓋的一種反向拍賣激勵(lì)方法，該方法包括以下步驟：

1)定義用戶參與成本和重疊度：在群智感知中用戶ui(i＝1,2,…n)作為信息提供者，執(zhí)行感知任務(wù)、提供感知數(shù)據(jù)，n為用戶數(shù)，用戶通過基站上報(bào)收集到的感知數(shù)據(jù)，用戶與基站間距離為di，用戶參與成本為ci＝αdi²(i＝1,…,n)，其中α為常數(shù),；所有用戶感知范圍是以用戶ui為中心，半徑為r的圓，當(dāng)兩個(gè)用戶中心距離d(ui,uj)＜2r時(shí)用戶重疊，將某一個(gè)參與用戶ui與已選用戶集w1中所有用戶重疊的數(shù)量定義為參與用戶ui的重疊度cddi；

2)用戶以隨機(jī)分布在ci～1.5ci的初始競標(biāo)價(jià)格bi參與拍賣，初始化拍賣輪次r＝0，參與拍賣用戶集w＝{u1,u2,…un}，選中上報(bào)信息用戶集

3)令循環(huán)計(jì)數(shù)器m＝0，從參與用戶集w中選取價(jià)格最低的用戶作為獲勝用戶歸為已選中用戶集w1中；

4)從剩余用戶集w\w1中選取一個(gè)與已選中用戶集w1中用戶重疊度cddi＝m且價(jià)格最低的用戶歸入已選中用戶集w1中，從預(yù)算l中減去此用戶的標(biāo)價(jià)；

5)判斷預(yù)算l是否用盡，若仍有預(yù)算，則轉(zhuǎn)入步驟6)，若預(yù)算用盡則輸出選中用戶集w1并結(jié)束算法；

6)判斷集合w\w1中是否仍有用戶與w1中用戶重疊度cddi＝m，若仍有則重復(fù)步驟4)和步驟5)，若沒有則令m＝m+1，并返回步驟4)，直至預(yù)算l用盡或參與用戶w全被選中，得到選中用戶集w1作為拍賣中獲勝用戶集合；

7)計(jì)算收益率第r輪第i個(gè)參與用戶的收益率其中表示用戶ui從第1輪到第r輪拍賣實(shí)際獲得的總收益，表示用戶ui從第1輪到第r輪拍賣中總參與次數(shù)，ci表示用戶的參與成本，與成正比，則表示用戶ui從第1輪到第r輪拍賣總成本值；

8)判斷收益率是否小于閾值，若不小于閾值，用戶繼續(xù)參與拍賣，獲勝用戶集w1在下一輪拍賣中有一半的概率增價(jià)10％或者保持原價(jià)，落敗用戶集即集合w\w1在下一輪拍賣中降價(jià)10％以增大被選擇的概率，更新拍賣輪r＝r+1，重復(fù)步驟3)至步驟7)，如果收益率小于閾值的用戶則轉(zhuǎn)入步驟9)；

9)向收益率小于閾值的用戶告知第r輪最大成交價(jià)格并計(jì)算第r+1輪的預(yù)期收益率如果預(yù)期收益率不小于閾值則用戶返回參與拍賣，如果預(yù)期收益率小于閾值則用戶退出拍賣，更新參與用戶集w，拍賣輪r＝r+1，重復(fù)步驟3)至步驟7)，直至用戶全部退出。

有益效果

本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)：

1.和傳統(tǒng)群智感知激勵(lì)不同，系統(tǒng)中每個(gè)用戶有特定的感知范圍，并且假設(shè)每個(gè)用戶的感知范圍相同，都是以用戶ui為中心，半徑為r的圓，遠(yuǎn)端服務(wù)平臺(tái)從參與用戶購買感知數(shù)據(jù)的預(yù)算有限，通過這種設(shè)定能夠更好的模擬實(shí)際場景。

2.與傳統(tǒng)的反向拍賣激勵(lì)方案不同，本發(fā)明中考慮用戶參與成本的地域性差異，將標(biāo)價(jià)同用戶參與感知付出代價(jià)相結(jié)合，定義了用戶參與成本，服從大尺度衰落下的功率消耗，避免了由于用戶位于相近位置導(dǎo)致收集到類似甚至相同的數(shù)據(jù)信息。

3.在實(shí)際場景中，服務(wù)平臺(tái)作為拍賣商并不能無限制的購買用戶數(shù)據(jù)，考慮經(jīng)濟(jì)可行性，需要在預(yù)算固定的約束下進(jìn)行選擇與購買，而這個(gè)問題的挑戰(zhàn)是用戶感知覆蓋最大化。本發(fā)明通過定義用戶重疊度，提供區(qū)域覆蓋最大化算法作為反向拍賣中平臺(tái)選擇用戶的準(zhǔn)則，從而在預(yù)算固定的情況下選擇用戶盡可能不重疊，收集到較為全面的感知數(shù)據(jù)，解決群智感知過程中用戶分布不均勻和惡意競爭問題。

附圖說明

圖1為本發(fā)明方法的群智感知激勵(lì)系統(tǒng)模型示意圖。

圖2為本發(fā)明方法的整體流程邏輯框圖。

具體實(shí)施方式

下面結(jié)合實(shí)施例和說明書附圖來對(duì)本發(fā)明作進(jìn)一步的說明：

一、群智感知激勵(lì)系統(tǒng)模型

本發(fā)明中系統(tǒng)模型由區(qū)域內(nèi)隨機(jī)分布的多個(gè)用戶，基站和遠(yuǎn)端服務(wù)平臺(tái)組成。每個(gè)用戶有特定的感知范圍，本文用戶的感知范圍是以用戶ui為中心，半徑為r的圓，并且假設(shè)每個(gè)用戶的感知范圍相同，即si＝πr²(i＝1,…,n)。用戶作為服務(wù)提供者，執(zhí)行感知任務(wù)，提供感知數(shù)據(jù)，遠(yuǎn)端服務(wù)平臺(tái)發(fā)布感知任務(wù)并根據(jù)一定的準(zhǔn)則購買數(shù)據(jù)，基站作為用戶與服務(wù)平臺(tái)間的媒介用于接收用戶感知數(shù)據(jù)并傳遞給遠(yuǎn)端服務(wù)器平臺(tái)，用戶通過此基站上報(bào)用戶收集到的感知數(shù)據(jù)，用戶到基站間的信道增益服從大尺度衰落。

群智感知中的數(shù)據(jù)收集過程可以利用反向拍賣進(jìn)行分析，用戶作為反向拍賣中的投標(biāo)人競爭出售數(shù)據(jù)，服務(wù)平臺(tái)作為唯一的拍賣商從參與用戶ui(i＝1,2,…n)中以某種準(zhǔn)則選擇用戶購買數(shù)據(jù)，而后告知參與用戶此輪拍賣輸贏，贏家獲得標(biāo)價(jià)作為收益，落敗的用戶退出拍賣，服務(wù)平臺(tái)告知退出用戶此輪拍賣最大標(biāo)價(jià)，參與用戶和退出用戶判斷下輪拍賣是否參與或退出。

二、提出的以最大化區(qū)域覆蓋為目標(biāo)的反向拍賣激勵(lì)方法

群智感知的實(shí)質(zhì)是依靠用戶收集某一地區(qū)的信息，用戶的參與和信息的覆蓋是決定了群智感知性能高低。用戶參與包括完成感知任務(wù)并發(fā)送數(shù)據(jù)，在參與過程中，用戶消耗了電量，增加了設(shè)備負(fù)擔(dān)，并可能因發(fā)送數(shù)據(jù)而受到隱私威脅。因此，如何鼓勵(lì)用戶的參與以及在預(yù)算固定的情況下使得購買的數(shù)據(jù)覆蓋最大化是設(shè)計(jì)激勵(lì)機(jī)制所要考慮的。

在實(shí)際場景中，服務(wù)平臺(tái)作為拍賣商并不能無限制的購買用戶數(shù)據(jù)，考慮經(jīng)濟(jì)可行性，需要在預(yù)算固定的約束下進(jìn)行選擇與購買，而這個(gè)問題的挑戰(zhàn)是用戶參與成本的地域性差異以及用戶感知覆蓋最大化。

本文場景中用戶的感知范圍是以用戶ui為中心，半徑為r的圓，并且假設(shè)每個(gè)用戶的感知范圍相同，即si＝πr²(i＝1,…,n)。在拍賣中每個(gè)用戶初始競標(biāo)價(jià)格bi基于用戶參與成本ci，這里我們將用戶參與成本定義為用戶完成感知任務(wù)和發(fā)送感知數(shù)據(jù)過程的成本之和。由于所有用戶感知范圍相同，即完成任務(wù)過程成本也相同，那么用戶參與成本的地域性差異我們認(rèn)為是發(fā)送過程成本的差異，即需要考慮大尺度衰落下的功率消耗，因此用戶參與成本ci為：

ci＝αdi²(i＝1,…,n)(1)

其中，α表示單位距離的價(jià)格，di表示用戶與基站之間的距離。

反向拍賣中，服務(wù)平臺(tái)作為采購方，選擇用戶購買數(shù)據(jù)的原則是低價(jià)成交。當(dāng)群智感知應(yīng)用于現(xiàn)實(shí)場景中，由于用戶與用戶的感知范圍之間存在重疊情況，本文提出區(qū)域覆蓋最大化算法作為平臺(tái)選擇用戶的準(zhǔn)則。區(qū)域覆蓋最大化算法的目標(biāo)是在預(yù)算l固定的情況下盡可能使選擇的用戶之間不重疊。給定參與用戶集w、待選用戶集wm(m＝0,1,…n)和已選中用戶集w1，我們將某一個(gè)參與用戶ui與已選用戶集w1中所有用戶重疊的數(shù)量定義為參與用戶ui的重疊度cddi。

其中d(ui,uj)表示兩個(gè)用戶中心距離，

具體過程如下：

1)令w＝{u1,u2,…un}，循環(huán)計(jì)數(shù)器m＝0；

2)從參與用戶集w中選取價(jià)格最低的用戶作為獲勝用戶歸為已選中用戶集w1中；

3)從剩余用戶集w\w1中選取一個(gè)與已選中用戶集w1中用戶重疊度cddi＝m且價(jià)格最低的用戶歸入已選中用戶集w1中，從預(yù)算l中減去此用戶的標(biāo)價(jià)；

4)判斷預(yù)算l是否用盡，若仍有預(yù)算，則轉(zhuǎn)入步驟5)，若預(yù)算用盡則輸出選中用戶集w1并結(jié)束算法；

5)判斷w\w1中是否仍有用戶與w1中用戶重疊度cddi＝m，若仍有則重復(fù)步驟3)和步驟4)，若沒有則令m＝m+1，并返回步驟3)，直至預(yù)算l用盡或參與用戶w全被選中，得到選中用戶集w1并結(jié)束算法。

當(dāng)平臺(tái)選擇每輪的獲勝用戶集w1后，獲勝用戶集w1向平臺(tái)出售感知數(shù)據(jù)并獲得其標(biāo)價(jià)作為收益，落敗用戶此輪收益為零。當(dāng)用戶得到的總收益低于用戶的總參與成本時(shí)，用戶選擇退出下一輪拍賣，不再向基站出售數(shù)據(jù)。

本方法中由于用戶的參與成本ci同用戶與基站的距離di有直接關(guān)系，于是我們定義收益率第r輪第i個(gè)參與用戶的收益率為：

其中表示用戶ui從第1輪到第r輪拍賣中實(shí)際獲得的總收益，若用戶ui在第r輪獲勝，則若用戶ui在第r輪失敗，則表示用戶ui從第1輪到第r輪拍賣中總參與次數(shù)，ci表示用戶的參與成本，與成正比，那么表示用戶ui從第1輪到第r輪拍賣總成本值。對(duì)每輪每個(gè)參與用戶計(jì)算收益率，若用戶的高于某一閾值，表示用戶仍參與下一輪拍賣，并對(duì)競標(biāo)價(jià)格進(jìn)行適當(dāng)?shù)恼{(diào)整，若低于某一閾值，那么下一輪此用戶退出。

對(duì)于退出的用戶uk，向其告知第r輪最大成交價(jià)格并計(jì)算其在第r+1輪的預(yù)期收益率

若高于某一閾值，那么退出的用戶有機(jī)會(huì)重新加入下一輪拍賣。

本發(fā)明提出的群智感知中基于區(qū)域覆蓋最大化的反向拍賣激勵(lì)方法總結(jié)如下：

步驟1：定義用戶參與成本和重疊度：在群智感知中用戶ui(i＝1,2,…n)作為服務(wù)提供者，執(zhí)行感知任務(wù)、提供感知數(shù)據(jù)，n為用戶數(shù)，用戶通過基站上報(bào)收集到的感知數(shù)據(jù)，用戶與基站間距離為di，用戶參與成本為ci＝αdi²(i＝1,…,n)，其中α為常數(shù)。所有用戶感知范圍是以用戶ui為中心，半徑為r的圓，當(dāng)兩個(gè)用戶中心距離d(ui,uj)＜2r時(shí)用戶重疊，我們將某一個(gè)參與用戶ui與已選用戶集w1中所有用戶重疊的數(shù)量定義為參與用戶ui的重疊度cddi；

步驟2：用戶以隨機(jī)分布在ci～1.5ci的初始競標(biāo)價(jià)格bi參與拍賣，初始化拍賣輪次r＝0，參與用戶集w＝{u1,u2,…un}，選中用戶集

步驟3：令循環(huán)計(jì)數(shù)器m＝0，從參與用戶集w中選取價(jià)格最低的用戶作為獲勝用戶歸為已選中用戶集w1中；

步驟4：從剩余用戶集w\w1中選取一個(gè)與已選中用戶集w1中用戶重疊度cddi＝m且價(jià)格最低的用戶歸入已選中用戶集w1中，從預(yù)算l中減去此用戶的標(biāo)價(jià)；

步驟5：判斷預(yù)算l是否用盡，若仍有預(yù)算，則轉(zhuǎn)入步驟6)，若預(yù)算用盡則輸出選中用戶集w1并結(jié)束算法；

步驟6：判斷集合w\w1中是否仍有用戶與w1中用戶重疊度cddi＝m，若仍有則重復(fù)步驟4)和步驟5)，若沒有則令m＝m+1，并返回步驟4)，直至預(yù)算l用盡或參與用戶w全被選中，得到選中用戶集w1作為拍賣中獲勝用戶集合；

步驟7：計(jì)算收益率第r輪第i個(gè)參與用戶的收益率其中表示用戶ui從第1輪到第r輪拍賣實(shí)際獲得的總收益，表示用戶ui從第1輪到第r輪拍賣中總參與次數(shù)，ci表示用戶的參與成本，與成正比，則表示用戶ui從第1輪到第r輪拍賣總成本值；

步驟8：判斷收益率是否小于閾值，若不小于閾值，用戶繼續(xù)參與拍賣，獲勝用戶集w1在下一輪拍賣中有一半的概率增價(jià)10％或者保持原價(jià)，落敗用戶集即集合w\w1在下一輪拍賣中降價(jià)10％以增大被選擇的概率，更新拍賣輪r＝r+1，重復(fù)步驟3)至步驟7)，如果收益率小于閾值的用戶則轉(zhuǎn)入步驟9)；

步驟9：向收益率小于閾值的用戶告知第r輪最大成交價(jià)格并計(jì)算第r+1輪的預(yù)期收益率如果預(yù)期收益率不小于閾值則用戶返回參與拍賣，如果預(yù)期收益率小于閾值則用戶退出拍賣，更新參與用戶集w，拍賣輪r＝r+1，重復(fù)步驟3)至步驟7)，直至用戶全部退出。