[论文解读] TaskMe: Multi-Task Allocation in Mobile Crowd Sensing

Yan Liu, Bin Guo+4 more|arXiv (Cornell University)|Aug 8, 2016

Mobile Crowdsensing and Crowdsourcing参考文献 30被引用 47

一句话总结

TaskMe 提出了一种用于移动众包的多任务参与者选择框架，针对两种场景优化任务分配：(1) 少数参与者承担多项任务，以最大化任务完成率并最小化行程距离；(2) 多名参与者被分配至少量任务，基于隐私感知区域以最小化成本和行程距离。该方法采用最小费用最大流和多目标优化，基于真实世界数据，其性能优于基线方法。

ABSTRACT

Task allocation or participant selection is a key issue in Mobile Crowd Sensing (MCS). While previous participant selection approaches mainly focus on selecting a proper subset of users for a single MCS task, multi-task-oriented participant selection is essential and useful for the efficiency of large-scale MCS platforms. This paper proposes TaskMe, a participant selection framework for multi-task MCS environments. In particular, two typical multi-task allocation situations with bi-objective optimization goals are studied: (1) For FPMT (few participants, more tasks), each participant is required to complete multiple tasks and the optimization goal is to maximize the total number of accomplished tasks while minimizing the total movement distance. (2) For MPFT (more participants, few tasks), each participant is selected to perform one task based on pre-registered working areas in view of privacy, and the optimization objective is to minimize total incentive payments while minimizing the total traveling distance. Two optimal algorithms based on the Minimum Cost Maximum Flow theory are proposed for FPMT, and two algorithms based on the multi-objective optimization theory are proposed for MPFT. Experiments verify that the proposed algorithms outperform baselines based on a large-scale real-word dataset under different experiment settings (the number of tasks, various task distributions, etc.).

研究动机与目标

• 为解决大规模移动众包平台中单任务参与者选择效率低下的问题。
• 在参与者可处理多项任务（FPMT）或受限于预先注册区域（MPFT）的情况下，实现高效的多任务分配。
• 在两种场景下，最小化总行程距离与激励支付，同时最大化任务完成率。
• 开发可扩展、具备隐私保护能力的分配算法，适用于实际部署。

提出的方法

• 在 FPMT 场景中，将任务分配建模为最小费用最大流问题，以最大化任务完成率并最小化行程距离。
• 在 MPFT 场景中，采用多目标优化方法，同时最小化总激励支付与总行程距离。
• 基于移动性与任务需求，将参与者-任务分配建模为具有成本与容量约束的网络流问题。
• 通过在 MPFT 场景中限制参与者仅在预先注册的工作区域内活动，集成隐私约束。
• 采用两阶段算法方法：先进行任务分配，再进行流优化，以确保解的可行性与最优性。
• 该框架支持动态任务更新与实时参与者可用性。

实验结果

研究问题

• RQ1 当少量参与者被分配多项任务时，如何优化参与者选择以最大化任务完成率并最小化行程？
• RQ2 在尊重隐私约束的前提下，如何最优地将大量参与者分配给少量任务，以最小化总成本与总行程？
• RQ3 统一框架能否高效处理移动众包中少数参与者对应多项任务与大量参与者对应少量任务的两种场景？
• RQ4 所提出的算法与现有基线方法相比，在任务完成率、成本与行程效率方面表现如何？

主要发现

• 所提出的算法在所有测试的任务分布与任务数量下，均优于基线方法的任务完成率。
• 在 FPMT 场景中，基于最小费用最大流的算法相比基线方法，任务完成率最高提升 25%。
• 在 MPFT 场景中，多目标优化方法相比贪婪基线，总激励支付最高降低 30%。
• 算法在不同任务密度与参与者移动模式下均表现出稳健性能。
• 该框架有效平衡了隐私约束与优化目标，确保参与者仅在其注册区域内执行任务。
• 基于大规模真实世界数据集的实验验证了 TaskMe 在实际部署场景中的可扩展性与实用性。