[论文解读] Prediction-Based Task Assignment on Spatial Crowdsourcing.

Peng Cheng, Xiang Lian+2 more|arXiv (Cornell University)|Dec 27, 2015

Mobile Crowdsensing and Crowdsourcing参考文献 17被引用 9

一句话总结

本文提出了一种基于预测的时空众包（PB-SC）框架，通过整合实时及未来的工作员与任务位置，实现全局最优的任务分配。该框架引入了高效的近似算法——贪心算法与分治算法，在旅行预算约束下最大化总分配质量，并证明了PB-SC问题为NP难问题，且在真实与合成数据上均表现出高效率与高有效性。

ABSTRACT

With the rapid development of mobile devices, the spatial crowdsourcing has recently attracted much attention from the database community. Specifically, the spatial crowdsourcing refers to a system that automatically assigns a number of location-based workers with spatial tasks nearby . Previous works on the spatial crowdsourcing usually designed task assignment strategies that maximize some assignment scores. However, their assignment strategies only considered the existing workers and tasks in the spatial crowdsourcing system, which might achieve local optimality, due to the unavailability of future workers/tasks that may join the system. Thus, in this paper, our goal is to achieve globally optimal task assignments at the current timestamp, by taking into account not only the existing, but also those future workers/tasks. We formalize an important problem, namely prediction-based spatial crowdsourcing (PB-SC), which finds a global optimal strategy for worker-and-task assignments for multiple rounds, based on both existing and predicted task/worker locations, such that the total assignment quality score of multiple rounds is maximized, under the constraint of the travel budget. The PB-SC problem is very challenging, in terms of the prediction accuracy and efficiency. In this paper, we design an effective prediction method to estimate spatial distributions of workers and tasks in the future, and then utilize the predicted ones in our procedure of worker-and-task assignments. We prove that, the PB-SC problem is NP-hard, and thus intractable. Therefore, we propose efficient approximation algorithms, greedy and divide-and-conquer, to deal with the PB-SC problem, by considering both current and future task/worker distributions. Through extensive experiments, we demonstrate the efficiency and effectiveness of our PB-SC processing approaches on real/synthetic data.

研究动机与目标

• 解决现有时空众包系统仅考虑当前工作员与任务所带来的局限，避免产生次优的、局部最优的分配结果。
• 将PB-SC问题形式化为多轮分配挑战，旨在最大化随时间推移的总分配质量，同时结合当前及预测的未来工作员与任务分布。
• 设计一种有效的预测方法，以估计未来工作员与任务的空间分布，从而为长期分配决策提供依据。
• 开发高效的近似算法（贪心与分治）以在旅行预算约束下求解NP难的PB-SC问题。
• 通过在真实与合成时空众包数据集上的大量实验，验证所提方法的有效性与高效性。

提出的方法

• 提出一种预测模型，基于历史移动模式与时间趋势，估计未来工作员与任务的空间分布。
• 将PB-SC问题形式化为多轮分配优化任务，目标是在多个时间间隔内最大化累积分配质量得分。
• 证明PB-SC问题为NP难问题，从而说明需要采用近似算法而非精确解法。
• 设计一种贪心近似算法，基于预测的质量增益与旅行成本约束，迭代地将任务分配给工作员。
• 开发一种分治算法，将分配空间划分为子问题，以提升可扩展性与解的质量。
• 将预测的工作员与任务位置整合到分配过程中，实现前瞻性的、全局最优的决策，而非被动的、局部的决策。

实验结果

研究问题

• RQ1 时空众包系统如何通过预判未来工作员与任务的可用性，实现全局最优的任务分配？
• RQ2 将预测的未来工作员与任务分布纳入系统，对整体分配质量与系统效率有何影响？
• RQ3 如何通过高效的近似算法应对PB-SC问题的NP难特性，使其能够扩展至真实世界的时空众包工作负载？
• RQ4 在基于预测的分配策略中，解的质量与计算效率之间存在何种权衡？
• RQ5 在真实与合成的时空众包数据上，所提出的贪心算法与分治算法在性能与可扩展性方面如何比较？

主要发现

• PB-SC问题被正式证明为NP难问题，表明对于大规模实例，寻找精确最优解在计算上不可行。
• 所提出的贪心与分治近似算法在总分配质量得分上显著优于忽略未来预测的基线方法。
• 预测模型能有效估计未来工作员与任务的空间分布，从而提升分配准确性与整体系统性能。
• 在真实与合成数据集上的实验表明，所提方法保持了高效率，即使在工作员与任务数量增加时也表现出良好的可扩展性。
• 在大规模数据集上，分治算法在解的质量上优于贪心方法，而两种算法在数据量增加时均表现出良好的可扩展性。
• 引入未来预测可显著提升分配质量，证明了主动而非被动的任务分配策略具有显著价值。