[論文レビュー] HyTasker: Hybrid Task Allocation in Mobile Crowd Sensing

Jiangtao Wang, Feng Wang+6 more|arXiv (Cornell University)|May 22, 2018

Mobile Crowdsensing and Crowdsourcing参考文献 30被引用数 15

ひとこと要約

HyTaskerは、固定予算下での2段階最適化において、オポチュニスティックモードと参加型モードを統合したハイブリッドタスク割り当てフレームワークを提唱する。オフラインでオポチュニスティックワーカーを共同選定し、オンラインで参加型ワーカーを割り当てることで、将来のタスク割り当てを考慮しながら、純粋なモードよりも高いタスク完了率を達成し、実世界の移動データにおいてベースラインを上回る性能を発揮する。

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.

研究の動機と目的

• オポチュニスティックモードでは低交通量地域のカバレッジが不足し、参加型モードでは高コストとユーザーの抵抗が生じるという、純粋なオポチュニスティックまたは参加型タスク割り当ての限界を是正すること。
• ワーカーの好みを尊重しつつ、総インcentive予算制約下でタスク完了数を最大化する統合フレームワークを統合すること。
• 将来のタスク割り当てを予測し、参加型ワーカーの密度と移動性を考慮しながら、オフラインでのオポチュニスティックワーカー選定とオンラインでの参加型ワーカー割り当てを共同最適化すること。
• 日常的な移動経路と意図的な移動を協調的に活用することで、センシング効率とリソース利用効率を向上させること。

提案手法

• 2段階フレームワーク：日常的な移動中にタスクを完了するオフラインでのオポチュニスティックワーカー選定、その後、未完了タスクに対してオンラインで参加型ワーカーを割り当てること。
• 参加型ワーカーの密度と移動性を考慮し、参加型タスク割り当ての予測を統合した、グリーディベースのオポチュニスティックワーカー選定アルゴリズム。
• インセンティブモデル：オポチュニスティックワーカーにはセンシング期間中に固定報酬が支払われる一方、参加型ワーカーには移動距離に応じた報酬が支払われる。
• 実世界の移動データを用いて、予算制約下でのタスク完了とパフォーマンス評価をシミュレートすること。
• 総予算制約下で両フェーズを共同最適化し、完了タスク数を最大化すること。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてオポチュニスティックモードと参加型モードを効果的に統合し、モバイルクラウドセンシングにおけるタスク完了率を向上させることができるか？
• RQ2 オンラインフェーズで参加型ワーカーの必要性を予測しながら、オポチュニスティックワーカーを最適に選定する方法は何か？
• RQ3 参加型ワーカーの密度と移動性を考慮することで、固定予算下での全体的なタスク完了率はどのように向上するか？
• RQ4 ハイブリッドアプローチは、タスク完了率とコスト効率の両面で、純粋なオポチュニスティックまたは参加型手法を上回ることができるか？

主な発見

• 同じ予算制約下で実世界の移動データを用いた実験において、HyTaskerは純粋なオポチュニスティックまたは参加型手法よりも顕著に高いタスク完了率を達成した。
• オフラインとオンラインフェーズの共同最適化により、オポチュニスティックワーカーのみで失敗する低交通量地域におけるタスクカバレッジが向上した。
• 参加型ワーカーの密度と移動性をモデル化することで、タスク割り当て予測の精度が向上し、不必要なインcentiveが削減された。
• フレームワークは多様なワーカーの好みを効果的に反映し、センシング品質を損なわず、過度なコストを発生させることなく参加意欲を高めた。