[논문 리뷰] Prediction-Based Task Assignment on Spatial Crowdsourcing.

Peng Cheng, Xiang Lian외 2명|arXiv (Cornell University)|2015. 12. 27.

Mobile Crowdsensing and Crowdsourcing참고 문헌 17인용 수 9

한 줄 요약

이 논문은 실시간 및 예측된 미래의 작업자와 작업 위치를 통합함으로써 전역 최적의 작업 할당을 달성하는 예측 기반 공간 컨소시엄(PB-SC) 프레임워크를 제안한다. 이는 이동 예산 제약 조건 하에서 총 할당 품질을 최대화하기 위해 효율적인 근사 알고리즘(그리디 및 분할 정복)을 도입하며, PB-SC 문제의 NP-난이도를 증명하고 실제 및 합성 데이터에서 높은 효율성과 효과성을 입증한다.

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.

연구 동기 및 목표

• 기존 공간 컨소시엄 시스템이 현재의 작업자와 작업만 고려하여 局소 최적의 할당에 그치는 한계를 해결한다.
• 현재 및 예측된 미래의 작업자와 작업 분포를 통합하여 시간에 따라 누적된 할당 품질을 최대화하는 다단계 할당 문제로 PB-SC 문제를 정식화한다.
• 장기적 할당 결정을 위한 장기 예측을 가능하게 하는 효과적인 예측 방법을 설계한다.
• 이동 예산 제약 조건 하에서 NP-난이도 PB-SC 문제를 해결하기 위한 효율적인 근사 알고리즘(그리디 및 분할 정복)을 개발한다.
• 실제 및 합성 공간 컨소시엄 데이터 세트를 대상으로 광범위한 실험을 통해 제안된 방법의 효과성과 효율성을 입증한다.

제안 방법

• 역사적 이동 패턴과 시간적 추세를 기반으로 미래의 작업자와 작업의 공간 분포를 추정하는 예측 모델을 제안한다.
• 다중 시간 간격에 걸쳐 누적 할당 품질 점수를 최대화하는 것을 목표로 하는 다단계 할당 최적화 과제로 PB-SC 문제를 수식화한다.
• PB-SC 문제가 NP-난이도임을 증명하여 정확한 해가 아닌 근사 알고리즘의 필요성을 정당화한다.
• 예측된 품질 향상과 이동 비용 제약 조건을 기반으로 반복적으로 작업을 작업자에게 할당하는 그리디 근사 알고리즘을 설계한다.
• 할당 공간을 하위 문제로 분할하여 확장성과 해 품질을 향상시키는 분할 정복 알고리즘을 개발한다.
• 예측된 작업자와 작업 위치를 할당 과정에 통합하여 반응적인 국소적 결정이 아닌 사전 예측 기반의 전역 최적 결정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 공간 컨소시엄 시스템은 미래의 작업자와 작업 가용성을 예측함으로써 어떻게 전역 최적의 작업 할당을 달성할 수 있는가?
• RQ2 예측된 미래의 작업자와 작업 분포를 통합할 경우 전체 할당 품질과 시스템 효율성에 어떤 영향을 미치는가?
• RQ3 PB-SC 문제의 NP-난이도는 실세계의 공간 컨소시엄 워크로드에 대응할 수 있는 효율적인 근사 알고리즘으로 어떻게 해결할 수 있는가?
• RQ4 예측 기반 할당 전략에서 해 품질과 계산 효율성 사이의 상충 관계는 무엇인가?
• RQ5 실제 및 합성 공간 컨소시엄 데이터에서 제안된 그리디 및 분할 정복 알고리즘이 성능과 확장성 측면에서 어떻게 비교되는가?

주요 결과

• PB-SC 문제가 공식적으로 NP-난이도임을 증명하여 대규모 인스턴스에 대해 정확한 최적 해를 찾는 것이 계산적으로 불가능함을 나타낸다.
• 제안된 그리디 및 분할 정복 근사 알고리즘이 미래 예측을 忽시하는 기준 방법에 비해 훨씬 높은 총 할당 품질 점수를 달성한다.
• 예측 모델은 미래의 작업자와 작업의 공간 분포를 효과적으로 추정하여 할당 정확도와 전반적인 시스템 성능을 향상시킨다.
• 실제 및 합성 데이터 세트에서의 실험 결과, 제안된 방법은 작업자와 작업 수가 증가함에 따라 확장성 있는 성능을 유지하며 높은 효율성을 보인다.
• 대규모 데이터 세트에서 분할 정복 알고리즘이 그리디 방법에 비해 더 높은 해 품질을 달성하지만, 둘 다 데이터 볼륨 증가에 따라 잘 확장된다.
• 미래 예측을 통합함으로써 할당 품질에 측정 가능한 향상이 이루어지며, 반응적인 전략이 아닌 사전 예측 기반의 할당 전략의 가치를 입증한다.