| 失效链接处理 |
|
空间众包中的预测任务分配-数据驱动的方法 PDF 下载
本站整理下载：
提取码：1234
相关截图：
 主要内容： 移动工人）引起了越来越多的关注。空间众包的主要问题之一是任务分配，它将任务分配 给适当的工作人员。然而，现有的工作通常假设静态离线场景，其中所有工作人员和任务的 时空信息都是先验确定和已知的。对工人和任务的动态时空分布的不清楚往往会导致较差的 分配结果。在本工作中，我们研究了一个新的空间众包问题，即预测任务分配(PTA)，其目 的是通过考虑到当前和未来的工人/任务，这些工人/任务动态地进入系统，并且预测未知的 位置。我们提出了一个两阶段的数据驱动框架。预测阶段混合不同的学习模型来预测未来工 人的位置和路线，并设计了一种图嵌入方法来估计未来任务的分布。在分配分量中，我们提 出了大规模应用的贪婪算法和基于图分区分解的最优算法。在两个真实数据集上的广泛实验 证明了我们的框架的有效性。 关键词：预测，任务分配，空间众包 1 导言随着全球定位系统智能设备的普及和无线网络的高可用性，一种新的众包类型使人们能 够作为多模态传感器实时收集和共享各种类型的高保真时空数据，也称为空间众包(SC)，引 起了越来越多的关注。具体而言，通过空间众包，请求者可以将空间任务（即拍摄照片/视 频，监视交通状况并报告本地热点）动态地发送给 SC 服务器，并且服务器根据工作人员的 位置和其他约束将其分配给这些任务，称为任务分配。 在 SC 中对任务分配进行了广泛的研究，其中大多数主要基于静态离线场景的假设，即 工人和任务的位置是显式或隐式的先验已知的。然而，在实际场景中，空间众包是一个实时 平台，在这个平台上，工人和任务在预先未知的位置下动态地在线。最近的一些工作探索了 SC 中的在线分配方法，其中新到达的任务根据当前的任务分配[1]-[3]分配给合适的工人。然 而，它们没有考虑到尚未进入该系统的未来工人/任务。 现有的研究表明，大多数人的旅行都是重复的，比如去和离开工作地点，这使得根据她 以前的旅行历史预测工人的位置/路线成为可能[4]。此外，通过分析工作人员执行空间任务 的任务执行轨迹，我们不仅可以了解个人的移动模式，而且可以获得关于她的任务执行行为 的有价值的见解，这可以进一步用于提高空间众包的质量。彭等人[5]是第一个利用历史数 据通过预测下一次实例中工人/任务的空间分布来提高任务分配工人/任务的空间分布。在这 项工作中，我们将在这个方向上更进一步，并使用数据驱动的方法来预测工作人员的位置/ 路线和任务的位置更长的时间，然后基于这个预测优化全局任务分配。 图 1 说明了动态空间任务分配问题的一个例子，其中三个工作人员的路径表示为 Pw1、 Pw2和 Pw3，空间任务显示为{S1,...,S8}。每个路径都是具有时间戳的位置序列(即路径 Pw2的位 置 L82和 L93分别具有时间戳 2 和 3)，当前时间实例为 3。每个工人都与她的可到达距离范围 相关联，该距离范围设置为 1.2。此外，每个空间任务，在不同的时间实例中发布和过期， 都被标记为其位置，在那里只执行一次。我们工作中的在线空间众包问题是在当前和未来的 时间戳中向合适的工作人员分配任务，以便最大限度地增加分配任务的总数。 |
| Java1234官方群25： | 
|
| Java1234官方群25： | 838462530 |
苏公网安备 32061202001004号
