[论文解读] From Participatory Sensing to Mobile Crowd Sensing

Bin Guo, Zhiwen Yu+2 more|arXiv (Cornell University)|Jan 14, 2014

Mobile Crowdsensing and Crowdsourcing参考文献 14被引用 124

一句话总结

本文将移动众包感知（Mobile Crowd Sensing, MCS）视为参与式感知的演进，通过移动社交网络和移动感知技术，整合显性和隐性用户参与。论文提出了MCS系统的参考框架，强调人机智能的融合，并概述了大规模、公民驱动感知中的关键挑战与未来研究方向。

ABSTRACT

The research on the efforts of combining human and machine intelligence has a long history. With the development of mobile sensing and mobile Internet techniques, a new sensing paradigm called Mobile Crowd Sensing (MCS), which leverages the power of citizens for large-scale sensing has become popular in recent years. As an evolution of participatory sensing, MCS has two unique features: (1) it involves both implicit and explicit participation; (2) MCS collects data from two user-participant data sources: mobile social networks and mobile sensing. This paper presents the literary history of MCS and its unique issues. A reference framework for MCS systems is also proposed. We further clarify the potential fusion of human and machine intelligence in MCS. Finally, we discuss the future research trends as well as our efforts to MCS.

研究动机与目标

• 考察从参与式感知向移动众包感知（MCS）的转变，作为新型大规模感知范式。
• 识别并阐明MCS中的独特挑战，包括双重数据源和混合参与模式。
• 提出一个全面的MCS系统参考框架，以指导设计与实现。
• 探索MCS应用中人机智能协同融合的机制。
• 概述MCS的未来研究趋势与开放性问题，以推动学术与实际应用的发展。

提出的方法

• 提出MCS系统的参考框架，对数据采集、用户参与模型和数据融合机制等组件进行结构化组织。
• 将用户参与划分为显性和隐性两种模式，利用自愿贡献与移动设备的被动数据。
• 整合来自两个主要来源的数据：移动社交网络和移动感知应用。
• 分析移动互联网与感知技术在实现可扩展、实时数据采集中的作用。
• 强调人类智能（如上下文输入、反馈）与机器智能（如数据处理、模式识别）的融合。
• 通过文献综述追溯参与式感知的演进，并将MCS定位为其下一代形式。

实验结果

研究问题

• RQ1 移动众包感知（MCS）在参与模式与数据源方面与传统参与式感知有何不同？
• RQ2 设计可扩展MCS系统时面临的关键架构与运行挑战是什么？
• RQ3 如何在MCS中有效融合人类与机器智能，以提升数据质量与系统实用性？
• RQ4 MCS标准化参考框架的关键组件与设计原则是什么？
• RQ5 在现实应用中推进MCS的最有前景的未来研究方向是什么？

主要发现

• MCS是参与式感知的自然演进，其特征为双重参与模式：显性和隐性。
• 移动社交网络与移动感知的整合，实现了比传统方法更丰富、更多样化的数据采集。
• 提出了MCS系统的参考框架，为系统设计与互操作性提供了基础结构。
• MCS中人类与机器智能的融合，提升了数据准确性、上下文感知能力与应用适应性。
• 本文识别出数据质量、用户参与动机与隐私等关键挑战，这些仍是MCS研究的核心。
• 未来研究预计将聚焦于智能数据融合、激励机制以及真实环境中可扩展的部署。