[논문 리뷰] HyTasker: Hybrid Task Allocation in Mobile Crowd Sensing

Jiangtao Wang, Feng Wang외 6명|arXiv (Cornell University)|2018. 05. 22.

Mobile Crowdsensing and Crowdsourcing참고 문헌 30인용 수 15

한 줄 요약

HyTasker는 고정된 예산 하에서 두 단계 최적화를 통해 기회적 및 참가형 근로자 모드를 융합한 이동형 커뮤니티 센싱을 위한 하이브리드 작업 할당 프레임워크를 제안한다. 향후 작업 할당을 고려하면서 오프라인에서 기회적 근로자를 공동 선정하고 온라인에서 참가형 근로자를 할당함으로써, 순수한 모드보다 높은 작업 완료율을 달성하며 실제 이동 데이터에서 기준 모델을 능가한다.

ABSTRACT

Task allocation is a major challenge in Mobile Crowd Sensing (MCS). While previous task allocation approaches follow either the opportunistic or participatory mode, this paper proposes to integrate these two complementary modes in a two-phased hybrid framework called HyTasker. In the offline phase, a group of workers (called opportunistic workers) are selected, and they complete MCS tasks during their daily routines (i.e., opportunistic mode). In the online phase, we assign another set of workers (called participatory workers) and require them to move specifically to perform tasks that are not completed by the opportunistic workers (i.e., participatory mode). Instead of considering these two phases separately, HyTasker jointly optimizes them with a total incentive budget constraint. In particular, when selecting opportunistic workers in the offline phase of HyTasker, we propose a novel algorithm that simultaneously considers the predicted task assignment for the participatory workers, in which the density and mobility of participatory workers are taken into account. Experiments on a real-world mobility dataset demonstrate that HyTasker outperforms other methods with more completed tasks under the same budget constraint.

연구 동기 및 목표

• 기회적 모드는 저교통량 지역에 대한 커버리지가 부족하고, 참가형 모드는 높은 비용과 사용자 저항을 수반하기 때문에, 순수한 기회적 또는 참가형 작업 할당 방식의 한계를 해결하기 위함.
• 근로자 선호도를 고려하면서도 총 인centive 예산 제약 조건 하에서 작업 완료 수를 최대화하는 통합 프레임워크로 두 모드를 통합하기 위함.
• 향후 작업 할당을 예측하고 參加형 근로자 밀도와 이동성을 고려하면서도, 오프라인에서의 기회적 근로자 선정과 온라인에서의 참가형 근로자 할당을 공동 최적화하기 위함.
• 일상적인 이동 경로와 목표 지향적 이동을 조율하여 감지 효율성과 자원 활용도를 향상시키기 위함.

제안 방법

• 두 단계 프레임워크: 오프라인에서 일상 이동 중 작업을 수행하는 기회적 근로자를 선정하고, 온라인에서 미완료 작업에 참가형 근로자를 할당하는 방식.
• 기회적 근로자 선정을 위한 근사 기반 알고리즘으로, 참가형 근로자 할당 예측를 고려하여 근로자 선정과 예측된 참가형 작업 할당을 공동 최적화하며, 참가형 근로자 밀도와 이동성을 반영함.
• 인센티브 모델링: 기회적 근로자는 감지 기간 동안 고정 보상 수령, 참가형 근로자는 이동 거리에 따라 보상 지급.
• 실제 이동 데이터를 활용하여 예산 제약 조건 하에서 작업 완료를 시뮬레이션하고 성능 평가.
• 총 예산 제약 조건 하에서 두 단계를 공동 최적화하여 완료된 작업 수를 최대화함.

실험 결과

연구 질문

• RQ1 기회적 및 참가형 작업 할당 모드를 효과적으로 융합하여 이동형 커뮤니티 센싱에서 작업 완료율을 향상시킬 수 있는 방법은 무엇인가?
• RQ2 온라인 단계에서 참가형 근로자가 필요로 할 가능성을 고려할 때, 기회적 근로자를 최적의 방식으로 선정하는 방법은 무엇인가?
• RQ3 참가형 근로자 밀도와 이동성을 고려함으로써 고정된 예산 하에서 전체 작업 완료율은 어떻게 향상되는가?
• RQ4 하이브리드 접근 방식이 순수 기회적 또는 참가형 방법에 비해 작업 완료율과 비용 효율성 측면에서 뛰어나게 되는가?

주요 결과

• HyTasker는 동일한 예산 제약 조건 하에서 실제 이동 데이터 기반으로 순수 기회적 또는 참가형 방법보다 유의미하게 높은 작업 완료율을 달성한다.
• 오프라인 및 온라인 단계의 공동 최적화는 특히 기회적 근로자만으로는 실패할 수 있는 저교통량 지역에서 더 나은 작업 커버리지를 제공한다.
• 참가형 근로자 밀도와 이동성을 모델링함으로써 HyTasker는 작업 할당 예측 정확도를 향상시키고 불필요한 인센티브를 줄였다.
• 다양한 근로자 선호도를 효과적으로 수용하여 감지 품질을 유지하면서도 과도한 비용을 유발하지 않도록 참여도를 증가시켰다.