[论文解读] Behavior-Based online Incentive Mechanism for Crowd Sensing with Budget Constraints

Jiajun Sun|arXiv (Cornell University)|Oct 21, 2013

Mobile Crowdsensing and Crowdsourcing参考文献 27被引用 10

一句话总结

本文提出了一种在预算约束下，针对移动社交网络中众包感知的基于行为的在线激励机制，采用顺序全支付拍卖同时最大化用户参与度和感知数据质量。通过动态建模用户在顺序到达过程中的出价行为，该机制确保了激励相容性和个体理性，在预算受限条件下，其在参与度和数据质量方面均优于基线方法。

ABSTRACT

Crowd sensing is a new paradigm which leverages the ubiquity of sensor-equipped mobile devices to collect data. To achieve good quality for crowd sensing, incentive mechanisms are indispensable to attract more participants. Most of existing mechanisms focus on the expected utility prior to sensing, ignoring the risk of low quality solution and privacy leakage. Traditional incentive mechanisms such as the Vickrey-Clarke-Groves (VCG) mechanism and its variants are not applicable here. In this paper, to address these challenges, we propose a behavior based incentive mechanism for crowd sensing applications with budget constraints by applying sequential all-pay auctions in mobile social networks (MSNs), not only to consider the effects of extensive user participation, but also to maximize high quality of the context based sensing content submission for crowd sensing platform under the budget constraints, where users arrive in a sequential order. Through an extensive simulation, results indicate that incentive mechanisms in our proposed framework outperform the best existing solution.

研究动机与目标

• 解决在预算受限的众包感知应用中激励广泛用户参与和高质量数据提交的挑战。
• 克服传统机制（如VCG和逆向拍卖）在用户动态、顺序到达和预算约束下失效的局限性。
• 设计一种激励机制，确保在实时、在线环境中同时满足个体理性和激励相容性。
• 在尊重平台固定预算的前提下，平衡用户努力程度、覆盖范围和数据质量。
• 评估该机制在参与度、努力程度和数据质量方面相对于现有基线方法的性能表现。

提出的方法

• 将众包感知过程建模为顺序全支付拍卖，用户在到达时实时出价努力水平。
• 基于先前提交的数据和预算约束，推导每个用户的最优响应努力出价函数。
• 采用比例分配规则将奖励分配给获胜者，以鼓励持续的高水平努力。
• 通过行为激励机制确保更高的努力程度可提升中签概率，即使在预算限制下亦然。
• 使用动态阈值确定基于其努力出价和剩余预算的用户是否被接受。
• 采用基于仿真的评估方法，与离线基线和全知方案进行性能对比。

实验结果

研究问题

• RQ1 在严格预算约束下，众包感知平台如何最大化用户参与度和数据质量？
• RQ2 何种激励机制可确保在在线、用户顺序到达的环境下同时满足个体理性和激励相容性？
• RQ3 与传统逆向拍卖和VCG机制相比，顺序全支付拍卖框架在数据质量和参与度方面表现如何？
• RQ4 随着用户到达数量的增加，所提机制在多大程度上能稳定阈值努力水平？
• RQ5 该机制在动态环境中如何在努力程度、覆盖范围和预算分配之间实现有效平衡？

主要发现

• 所提出的BBS机制确保了个体理性和激励相容性，从而实现持续的用户参与和高水平努力。
• 阈值努力水平迅速收敛并在整个机制执行过程中保持稳定，表明对用户数量变化具有鲁棒性。
• 与比例分配规则相比，BBS机制在感知数据提交中的平均误差更低，表明数据质量更高。
• 在BBS机制下，总效用值即使在参与者数量增加时仍保持高位，优于赢家通吃和多胜者方案。
• 该机制在预算约束下保持强劲性能，出价趋于稳定，参与度保持高水平，而逆向拍卖或基于VCG的方案则表现较差。
• 仿真结果证实，BBS机制在参与度和数据质量指标上均优于离线基线和全知方案。