[论文解读] 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 15

一句话总结

HyTasker 提出了一种用于移动众包感知的混合任务分配框架，该框架在固定预算下通过两阶段优化，结合了机会式和参与式工人模式。通过在离线阶段联合选择机会式工人，并在在线阶段考虑未来任务分配的同时分配参与式工人，HyTasker 实现了比单一模式更高的任务完成率，在真实移动数据上的表现优于基线方法。

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.

研究动机与目标

• 为解决纯机会式或参与式任务分配在移动众包感知中的局限性，其中机会式模式在低流量区域缺乏覆盖，而参与式模式则带来高成本和用户抵触。
• 在统一框架中整合两种模式，尊重工人偏好，并在总激励预算约束下最大化任务完成率。
• 通过预测未来任务分配，联合优化离线阶段的机会式工人选择与在线阶段的参与式工人分配，同时考虑参与式工人的密度和移动性。
• 通过协调利用常规轨迹和有针对性的移动，提升感知效率和资源利用率。

提出的方法

• 两阶段框架：首先离线选择在常规移动过程中完成任务的机会式工人，随后在线分配参与式工人以填补未完成的任务。
• 基于贪心策略的机会式工人选择算法，联合优化工人选择与预测的参与式任务分配，同时考虑参与式工人的密度和移动性。
• 激励建模：机会式工人在感知周期内获得固定奖励，而参与式工人则根据行驶距离获得补偿。
• 使用真实世界移动数据模拟任务完成情况，并在预算约束下评估性能。
• 在总预算约束下联合优化两个阶段，以最大化完成任务的数量。

实验结果

研究问题

• RQ1 如何有效结合机会式和参与式任务分配模式，以提升移动众包感知中的任务完成率？
• RQ2 在预测在线阶段需要参与式工人的情况下，如何最优地选择机会式工人？
• RQ3 在固定预算下，考虑参与式工人的密度和移动性如何提升整体任务完成率？
• RQ4 在任务完成率和成本效率方面，混合方法是否能优于纯机会式或参与式方法？

主要发现

• 在相同预算约束下，HyTasker 在真实世界移动数据上的任务完成率显著高于纯机会式或参与式方法。
• 离线与在线阶段的联合优化显著提升了任务覆盖度，尤其是在仅靠机会式工人会失效的低流量区域。
• 通过建模参与式工人的密度和移动性，HyTasker 提高了任务分配预测的准确性，并减少了不必要的激励支出。
• 该框架能有效适应多样化的工人偏好，在不降低感知质量或产生过高成本的前提下提升了参与度。