[论文解读] IncentMe: Effective Mechanism Design to Stimulate Crowdsensing Participants with Uncertain Mobility

Francesco Restuccia, Pierluca Ferraro+3 more|arXiv (Cornell University)|Apr 30, 2018

Mobile Crowdsensing and Crowdsourcing被引用 5

一句话总结

IncentMe 提出了一种基于博弈论的移动众包反向拍卖机制，考虑了参与者移动的不确定性，确保预算可行、诚实性与个体理性。通过利用子模优化和可并行化的近似算法，在旧金山、罗马和北京的真实出租车移动轨迹数据上，相较于以往工作，其招募效率提升了30%。

ABSTRACT

Mobile crowdsensing harnesses the sensing power of modern smartphones to collect and analyze data beyond the scale of what was previously possible. In a mobile crowdsensing system, it is paramount to incentivize smartphone users to provide sensing services in a timely and reliable manner. Given sensed information is often valid for a limited period of time, the capability of smartphone users to execute sensing tasks largely depends on their mobility, which is often uncertain. For this reason, in this paper we propose IncentMe, a framework that solves this fundamental problem by leveraging game-theoretical reverse auction mechanism design. After demonstrating that the proposed problem is NP-hard, we derive two mechanisms that are parallelizable and achieve higher approximation ratio than existing work. IncentMe has been extensively evaluated on a road traffic monitoring application implemented using mobility traces of taxi cabs in San Francisco, Rome, and Beijing. Results demonstrate that the mechanisms in IncentMe outperform prior work by improving the efficiency in recruiting participants by 30%.

研究动机与目标

• 解决由于交通和路线变化导致移动性不确定时，招募可靠众包参与者所面临的挑战。
• 设计一种激励机制，在确保参与者被真实激励参与的同时保持预算可行。
• 开发计算高效、可并行化的机制，以适应大规模移动众包系统。
• 在时间敏感约束下，最大化感知数据的价值，同时考虑参与者动态可用性。

提出的方法

• 提出一种基于反向拍卖理论的新型框架 IncentMe，用于建模移动众包中的参与者招募。
• 将问题建模为预算价值最大化（BVM）问题，已被证明为 NP-难问题。
• 利用目标函数的子模性，设计两种具有可证明性能保证的近似机制。
• 设计的机制具备诚实性和个体理性，确保参与者报告真实估值并保持参与激励。
• 采用可并行化的算法，实现多项式时间复杂度，适用于大规模部署。
• 使用旧金山、罗马和北京的真实出租车移动轨迹数据对机制进行验证。

实验结果

研究问题

• RQ1 能否设计一种预算可行的激励机制，在参与者移动性不确定的情况下仍能有效招募移动众包参与者？
• RQ2 在参与者动态可用性的背景下，如何保持诚实性和个体理性？
• RQ3 在存在移动不确定性的情况下，针对子模目标函数的 BVM 问题，可达到的近似比是多少？
• RQ4 与现有方法相比，可并行化的机制在多大程度上能提升招募效率？

主要发现

• 在移动性不确定的移动众包中，BVM 问题被证明为 NP-难问题。
• 通过利用子模性和博弈论设计，所提出的机制相比现有方法实现了更高的近似比。
• IncentMe 在真实世界移动轨迹数据上的招募效率相比以往工作提升了 30%。
• 该机制具备预算可行、诚实和个体理性，确保长期参与者参与。
• 算法的可并行性使得其适用于大规模移动众包系统的可扩展部署。
• 在旧金山、罗马和北京的真实出租车轨迹上的评估结果表明，其在不同城市环境中均表现出一致的性能提升。