[論文レビュー] Prediction-Based Task Assignment on Spatial Crowdsourcing.

Peng Cheng, Xiang Lian+2 more|arXiv (Cornell University)|Dec 27, 2015

Mobile Crowdsensing and Crowdsourcing参考文献 17被引用数 9

ひとこと要約

本稿では、リアルタイムおよび予測された将来のワーカーおよびタスクの位置を統合することで、グローバルに最適なタスク割り当てを達成する予測ベースの空間クラウドソーシング（PB-SC）フレームワークを提案する。旅行予算制約の下で合計割り当て品質を最大化するための効率的な近似アルゴリズム（貪欲法および分割統治法）を導入し、PB-SC問題がNP困難であることを証明し、実データおよび合成データ上で高い効率性と有効性を示している。

ABSTRACT

With the rapid development of mobile devices, the spatial crowdsourcing has recently attracted much attention from the database community. Specifically, the spatial crowdsourcing refers to a system that automatically assigns a number of location-based workers with spatial tasks nearby . Previous works on the spatial crowdsourcing usually designed task assignment strategies that maximize some assignment scores. However, their assignment strategies only considered the existing workers and tasks in the spatial crowdsourcing system, which might achieve local optimality, due to the unavailability of future workers/tasks that may join the system. Thus, in this paper, our goal is to achieve globally optimal task assignments at the current timestamp, by taking into account not only the existing, but also those future workers/tasks. We formalize an important problem, namely prediction-based spatial crowdsourcing (PB-SC), which finds a global optimal strategy for worker-and-task assignments for multiple rounds, based on both existing and predicted task/worker locations, such that the total assignment quality score of multiple rounds is maximized, under the constraint of the travel budget. The PB-SC problem is very challenging, in terms of the prediction accuracy and efficiency. In this paper, we design an effective prediction method to estimate spatial distributions of workers and tasks in the future, and then utilize the predicted ones in our procedure of worker-and-task assignments. We prove that, the PB-SC problem is NP-hard, and thus intractable. Therefore, we propose efficient approximation algorithms, greedy and divide-and-conquer, to deal with the PB-SC problem, by considering both current and future task/worker distributions. Through extensive experiments, we demonstrate the efficiency and effectiveness of our PB-SC processing approaches on real/synthetic data.

研究の動機と目的

• 現在のワーカーおよびタスクのみを考慮する既存の空間クラウドソーシングシステムの限界に対処する。これにより、局所最適な割り当てにとどまり、全体最適でない結果が生じる。
• 現在および予測された将来のワーカーおよびタスクの分布を組み込むことで、時間経過にわたる合計割り当て品質を最大化する多ラウンド割り当て課題としてPB-SC問題を形式化する。
• 長期的な割り当て意思決定を支援するため、将来のワーカーおよびタスクの空間的分布を推定する効果的な予測手法を設計する。
• 旅行予算制約の下でNP困難なPB-SC問題を解くための効率的な近似アルゴリズム（貪欲法および分割統治法）を開発する。
• 実データおよび合成空間クラウドソーシングデータセットを用いた広範な実験を通じて、提案手法の有効性と効率性を実証する。

提案手法

• 歴史的移動パターンと時間的傾向に基づいて、将来のワーカーおよびタスクの空間的分布を推定する予測モデルを提案する。
• PB-SC問題を、複数の時間間隔にわたる累積的割り当て品質スコアを最大化することを目的とする多ラウンド割り当て最適化タスクとして定式化する。
• PB-SC問題がNP困難であることを証明し、正確な解ではなく近似アルゴリズムの導入が妥当であることを裏付ける。
• 予測された品質向上と移動コスト制約に基づいて、反復的にタスクをワーカーに割り当てる貪欲な近似アルゴリズムを設計する。
• 割り当て空間を部分問題に分割することでスケーラビリティと解の品質を向上させる分割統治アルゴリズムを開発する。
• 予測されたワーカーおよびタスクの位置を割り当てプロセスに統合し、反応的で局所的な意思決定ではなく、前向きでグローバルに最適な意思決定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 空間クラウドソーシングシステムは、将来のワーカーおよびタスクの可用性を予測することで、どのようにしてグローバルに最適なタスク割り当てを達成できるか？
• RQ2 予測された将来のワーカーおよびタスクの分布を組み込むことで、全体的な割り当て品質とシステム効率にどのような影響を与えるか？
• RQ3 NP困難なPB-SC問題は、実世界の空間クラウドソーシングワークロードにスケーラブルな効率的な近似アルゴリズムによってどのように対処できるか？
• RQ4 予測ベースの割り当て戦略において、解の品質と計算効率のトレードオフは何か？
• RQ5 実データおよび合成データ上の空間クラウドソーシングデータに対して、提案された貪欲法および分割統治法のアルゴリズムは、性能とスケーラビリティにおいてどのように比較されるか？

主な発見

• PB-SC問題は正式にNP困難であることが証明されており、大規模なインスタンスでは正確な最適解を求めることが計算的に非現実的であることを示している。
• 提案された貪欲法および分割統治法の近似アルゴリズムは、将来の予測を無視するベースライン手法と比較して、顕著に高い合計割り当て品質スコアを達成している。
• 予測モデルは、将来のワーカーおよびタスクの空間的分布を効果的に推定できており、割り当ての正確性とシステム全体のパフォーマンスを向上させている。
• 実データおよび合成データセットを用いた実験では、提案手法がワーカーおよびタスクの数が増加してもスケーラブルなパフォーマンスを維持し、高い効率性を示している。
• 大規模データセットでは、分割統治法が貪欲法を上回る解の品質を達成しているが、両アルゴリズムともデータ量の増加に伴い良好にスケーリングしている。
• 将来の予測を組み込むことで、割り当て品質に測定可能な向上が見られ、受動的ではなく能動的なタスク割り当て戦略の価値が実証された。