胡 健,陶 丹

(北京交通大學 電子信息工程學院 智能感知與信息處理研究所,北京 100044)

1 引 言

近年來,伴隨著移動終端處理器、內存等硬件設備的快速發(fā)展和提升,移動設備領域得到了繁榮發(fā)展,攝像頭、麥克風、GPS、陀螺儀、加速度計等傳感器嵌入到以智能手機、平板電腦為代表的智能移動終端中[1].同時以TD-LTE為代表的第四代移動通信技術的發(fā)展,使得人們可以通過移動智能設備方便快捷地接入互聯(lián)網,隨時隨地獲取所需的服務.據(jù)相關統(tǒng)計,截至2017年底全球使用移動設備用戶人數(shù)已突破50億.這些搭載了各種各樣傳感器的移動智能終端擁有越來越強大的感知、計算、存儲和通信等能力,可以靈活地提供更大規(guī)模、更復雜、透徹而全面的感知服務.

學術界通常將利用普適的移動終端提供感知服務的新型感知模式稱之為社群感知或群智感知[2].人們將眾包(Crowdsourcing)思想與移動感知有機結合,將普通用戶的移動智能設備作為基本感知單元,通過相互協(xié)作進而形成群智感知網絡,實現(xiàn)感知任務分發(fā)與感知數(shù)據(jù)收集,完成大規(guī)模的、復雜的社會感知任務[3].有別于基于無線傳感網和物聯(lián)網的感知方式,群智感知是以大量普通用戶作為感知源,強調利用大眾的廣泛分布性、靈活移動性和機會連接性進行感知,并為城市及社會管理提供智能輔助支持,廣泛應用在環(huán)境監(jiān)控、城市管理、智能交通、公共安全與社交服務等眾多領域[4].

作為一種新型的感知模型,群智感知成為當前國內外學術界、工業(yè)界關注的焦點和熱點研究領域.國際學術界陸續(xù)在IEEE/ACM系列期刊及會議上發(fā)表了一系列重要研究成果,相關論文數(shù)量呈快速增長趨勢.微軟研究院、IBM研究院等科研機構及美國麻省理工學院、南加利福尼亞大學,英國劍橋大學、南安普頓大學,新加坡南洋理工大學等國際知名高校紛紛啟動了群智感知算法理論和系統(tǒng)應用的研究.我國科研學者也十分重視該領域研究,清華大學、北京郵電大學、上海交通大學、西北工業(yè)大學等較早開展該領域探索并取得一些較具影響的研究成果,研究得到了國家自然科學基金、國家重點基礎研究發(fā)展“九七三”計劃和國家科技重大專項的支持,如:國家自然科學基金委在2013年將群智感知列為4個科學部優(yōu)先資助重點領域之一,設置了“群智感知網絡理論與關鍵技術”重點項目群.“十三五”國家科技創(chuàng)新規(guī)劃“新一代信息技術”將人本計算、智能感知作為重點發(fā)展方向.

目前群智感知的研究方興未艾.然而,國內外對群智感知網絡的研究都尚處于起步階段,現(xiàn)有研究往往集中在群智感知網絡中數(shù)據(jù)傳輸與保護[5,6]、信息分析與推斷[7,8]、用戶優(yōu)選與激勵[9]、系統(tǒng)平臺與應用[10,11]等方面,而針對于感知質量度量與保障方面的研究積累并不多.作為移動群智感知應用的一個關鍵性的基礎問題,感知質量度量與保障優(yōu)劣是群智感知應用成敗的關鍵.然而,下述移動群智感知所獨有的特點也給感知質量管理的研究帶來巨大的挑戰(zhàn).

1)泛在用戶帶來的非均勻時空覆蓋

移動群智感知網絡利用移動智能感知設備進行感知,并結合蜂窩網、WiFi等多種傳輸方式,無需部署維護感知設備以及傳輸網絡,大大地降低了系統(tǒng)成本.同時,用戶的泛在特性給科研和應用等提供極大的時間/空間廣度和精度[12].雖然,移動群智感知的以上優(yōu)點能夠代替?zhèn)鞲衅鞯褥o態(tài)部署模式,但傳感器靜態(tài)部署方式所帶來的數(shù)據(jù)格式統(tǒng)一、散布均勻等優(yōu)點是其所不具備的.例如,參與用戶的移動性會造成采集數(shù)據(jù)分布是不均衡的,大量用戶聚集的城市熱點區(qū)域會形成數(shù)據(jù)冗余,但少量用戶存在的偏僻區(qū)域則會引起數(shù)據(jù)量稀疏.

2)混合感知帶來的差異化數(shù)據(jù)質量

移動群智感知中的數(shù)據(jù)是通過移動用戶自身攜帶的移動智能終端(例如智能手機或可穿戴設備)所采集到的,即作為基本單元的感知節(jié)點主要以人與智能終端混合形式存在.移動群智感知網絡用戶大都是松耦合組織,任何有意愿參與的用戶都可以向系統(tǒng)提供數(shù)據(jù),對于用戶感知主客觀行為(屬性/位置/情境/主觀認知等)以及所攜帶的感知設備類型性能(型號/性能/處理方式等)沒有專業(yè)級的要求,從而造成感知數(shù)據(jù)質量的參差不齊.特別地,用戶惡意參與行為也可能引起感知數(shù)據(jù)的不可靠和不準確.

3)多源數(shù)據(jù)帶來的融合型數(shù)據(jù)分析

混合感知帶來差異化的數(shù)據(jù)質量,有必要對這些多源異構、且實時涌現(xiàn)的海量數(shù)據(jù)進行智能分析和挖掘以發(fā)揮其價值.多源數(shù)據(jù)融合能夠將多種傳感器提供的數(shù)據(jù)信息進行組合,對有用信息進行保留、錯誤信息進行剔除,通過信息冗余來確保系統(tǒng)可靠性,進而實現(xiàn)信息的優(yōu)化.然而,移動用戶感知的數(shù)據(jù)既包括結構化的(標量)也包含非結構化的(矢量),時效性也時強時弱,價值密度也時高時低,這些都給融合型數(shù)據(jù)分析帶來了不小的挑戰(zhàn).

2 移動群智感知質量度量

2.1 基于覆蓋質量的度量研究

在傳統(tǒng)的傳感器網絡中,研究者常常使用覆蓋率作為網絡感知質量的度量指標[13].區(qū)域覆蓋、點覆蓋、路徑覆蓋、K重覆蓋等多種覆蓋問題得到了廣泛研究,積累了很多成熟的理論和方法[14,15].然而,這些研究成果顯然沒能考慮到群智感知網絡中移動用戶的移動特性,即“以人為中心的感知”,因此無法直接地應用到群智感知網絡中.

Chon等人[16]率先研究了“以地點為中心”的移動群智感知應用的覆蓋質量,即自動識別或跟蹤用戶每天訪問的不同地點來幫助用戶認識和分析自己的日常行為模式,用已經訪問過的地點數(shù)量與地點總數(shù)的比值作為覆蓋率.此時的覆蓋問題刻畫為:多長時間內多少用戶采集數(shù)據(jù)能覆蓋到多少人們經常訪問的地方？Zhao等人[17]考慮到網絡中移動用戶的位置隨時空變化,整個監(jiān)測區(qū)域被細化為一系列網格單元,將每個網格單元被連續(xù)覆蓋兩次的間隔時間——“覆蓋間隔時間”作為度量指標,并揭示覆蓋間隔時間服從截斷的帕累托分布.進一步提出“機會覆蓋率”來刻畫監(jiān)測區(qū)域的整體感知質量與節(jié)點數(shù)目之間的關系,其定義為在特定時間間隔內被覆蓋的網格單元占所有網格單元的比例的期望值,可以表示成關于覆蓋間隔時間分布的函數(shù).針對城市感知網絡,Liu等人[18]率先從時空兩個角度定義了“城市分辨率”這一新的指標來度量城市感知圖像的質量,通過對大量實測出租車移動軌跡數(shù)據(jù)集分析與建模,揭示城市環(huán)境下感知節(jié)點規(guī)模與感知質量的重要關系.研究成果為城市感知研究建立了新的度量指標體系,提供的基礎性模型與方法,奠定了城市中群智感知網絡的規(guī)劃準則.Nistorica 等人[19]基于三種人群移動模型,提出一種計算完成群智感知任務所需要的最佳用戶規(guī)模的方法以最小化網絡資源和激勵成本.

2.2 基于數(shù)據(jù)質量的度量研究

作為面向應用的技術,移動群智感知質量問題已不僅僅是單純的覆蓋含義,更與數(shù)據(jù)質量緊密相關.用戶感知方式的隨意性以及不同用戶的使用習慣都會影響感知數(shù)據(jù)的正確表達和解釋.由此產生的感知數(shù)據(jù)會存在不準確、不完整、不一致等問題.因此,評估用戶數(shù)據(jù)質量是十分必要的.

移動群智感知數(shù)據(jù)質量受到多方面影響,主要來自感知設備類型、采集數(shù)據(jù)環(huán)境與方式、用戶主觀認知能力與參與態(tài)度等[13].當前關于群智感知網絡中數(shù)據(jù)感知質量度量的研究較少.文獻[20]只考慮最簡單的二進制型任務數(shù)據(jù)結果的度量.例如,當用戶發(fā)現(xiàn)街道內某個特定的位置存在垃圾的時候,上報1以標定,否則上報0.其中一種簡單的方法是通過投票方式確定,一旦當事件發(fā)生的用戶數(shù)目大于某個特定閾值的時候,才能確定該事情的發(fā)生.然而,在相當一部分的實際群智感知網絡中,移動用戶的感知到的數(shù)據(jù)要比0-1數(shù)據(jù)復雜得多.就復雜的污染源監(jiān)控場景而言,文獻[21]提出了一種基于最大期望算法的真實污染源識別方法和傳感器自校正方法,具體來說就是依靠不可靠的用戶感知數(shù)據(jù)就能準確地識別真實污染源和校正用戶的感知設備.文獻[22]提出一種解決群智感知網絡中數(shù)據(jù)不完全性的方法,但解決方案沒有充分考慮感知數(shù)據(jù)誤差問題.另外,針對連續(xù)信號型任務,Kousopoulos等人[23]提出了一種感知數(shù)據(jù)質量的度量方法,計算某個用戶提交的歷史數(shù)據(jù)與所有用戶數(shù)據(jù)的平均值之間的累積誤差,并將此作為該用戶的感知數(shù)據(jù)質量指標.

上述研究成果的基本思想都是利用網絡中的群體智慧來抵御或者降低感知數(shù)據(jù)不可靠性和不準確性帶來的影響,然而這些方法并不能很好地應對惡意用戶攻擊行為所帶來的不良后果.因此,出現(xiàn)了一些研究成果解決移動群智感知數(shù)據(jù)的可信性問題.例如:考慮到用戶信譽度的高低在一定程度上決定了用戶感知數(shù)據(jù)的質量好壞,文獻[12]建立信譽系統(tǒng)評估用戶歷史感知數(shù)據(jù)的可信性.

3 移動群智感知質量保障

3.1 移動群智感知覆蓋增強

覆蓋質量增強是移動群智感知質量保障研究的一個基本出發(fā)點,即通過優(yōu)化配置移動群智感知節(jié)點分布實現(xiàn)整個網絡感知質量增強,進而確保感知全面性.總結目前移動群智感知質量增強方法主要包括兩類:基于網絡節(jié)點優(yōu)配的覆蓋增強和基于參與用戶優(yōu)選的覆蓋增強.

3.1.1 基于網絡節(jié)點優(yōu)配的覆蓋增強

在傳統(tǒng)的傳感器網絡中,優(yōu)化部署被看作為覆蓋增強問題的重要途徑,并反映了傳感器網絡所能提供的感知服務質量[24].研究成果表明,合理選擇節(jié)點部署策略,優(yōu)化節(jié)點數(shù)目及布局,能夠最大限度地利用和整合傳感器網絡資源,進而實現(xiàn)網絡覆蓋性能優(yōu)化.節(jié)點部署策略具體包括冗余部署、節(jié)點移動、新增節(jié)點、混合部署等,目前已經積累了基于幾何圖論、虛擬勢場、仿生優(yōu)化等的節(jié)點優(yōu)化布局方法[25].例如,早期固定部署傳感器網絡通常需要密集部署大量節(jié)點保證網絡覆蓋和連通性,但節(jié)點分布的隨機性會導致網絡覆蓋空洞.文獻[26]提出一種稱為“變形蟲優(yōu)化”的新型仿生優(yōu)化算法來解決無線傳感網中的最小暴露路徑問題.Tao等[27,28]基于圖論知識快速判定已知網絡部署情況下是否能夠成柵欄覆蓋,并設計滿足不同目標函數(shù)的策略優(yōu)化有向節(jié)點布局,并通過額外部署固定節(jié)點改善網絡柵欄覆蓋性能.研究者隨即引入移動傳感器節(jié)點,利用其靈活的移動性實現(xiàn)感知薄弱區(qū)和盲區(qū)的覆蓋增強[29].由此,傳統(tǒng)的覆蓋部署策略由靜態(tài)覆蓋擴展為動態(tài)覆蓋,傳感網絡類型也由單一網絡演化為混合網絡.針對混合型傳感器網絡,文獻[30]從固定部署節(jié)點和移動節(jié)點資源互補出發(fā),實現(xiàn)成本有效的目標覆蓋增強.

相比于群智感知網絡,雖然傳統(tǒng)的無線傳感器網絡存在部署成本高、可擴展性差等缺點,但是冗余部署的固定節(jié)點可以提供相對穩(wěn)定可靠的感知質量.受到群體活動規(guī)律、個人參與意愿等影響,群智感知區(qū)域質量差異性較大,這給群智感知網絡中基于網絡節(jié)點優(yōu)配的覆蓋增強研究帶來了巨大的挑戰(zhàn)[31],此方面的研究成果少之又少.Zhao等人[17]指出移動群智感知中的覆蓋是與人移動的機會性具有密切關聯(lián)的機會覆蓋問題.Ding等人[24]探索性地研究由固定部署節(jié)點和移動節(jié)點構建的混合群智感知網絡中的機會覆蓋增強問題,通過基于幾何圖論分析固定部署節(jié)點和移動節(jié)點對覆蓋質量的影響,設計機會覆蓋部署策略.

3.1.2 基于參與用戶優(yōu)選的覆蓋增強

群智感知涉及到大量的用戶,這些用戶具有多元性、多樣性和自主性;同時感知任務對環(huán)境和完成要求具有差異性、依賴性和不確定性,因此很多研究將感知任務按照某種特性進行劃分,比如物理空間位置,并制定靈活的用戶選擇策略.文獻[32]較早開展“以人為中心”的移動群智感知網絡中覆蓋質量研究.假設移動用戶的移動基于理論的離散馬爾科夫模型,通過選取節(jié)點子集以實現(xiàn)對感興趣區(qū)域覆蓋性能的改善.文獻[33]提出了一種群智感知網絡中的用戶選擇方法,在所有興趣點都被覆蓋的情況下實現(xiàn)總體成本的最小化.但上述研究工作僅僅是針對感興趣區(qū)域進行覆蓋,研究成果難以擴展到整個區(qū)域范疇.針對區(qū)域覆蓋增強,Reddy等人[34]較早地提出了一種面向時空覆蓋的參與者優(yōu)選方法,均衡因為用戶分布不均勻而造成的數(shù)據(jù)感知不完整性;并提出基于參與式感知的參與者選擇架構.文獻[35]研究感興趣環(huán)境參數(shù)在特定區(qū)域的分布,繪制出感興趣環(huán)境參數(shù)的密度分布圖,通過優(yōu)選感興趣環(huán)境參數(shù)覆蓋密度高的區(qū)域的參與者來滿足應用需求.Cardone等人[36]研究在參與者數(shù)目一定時,如何使得感知任務的空間覆蓋范圍最大化的問題.Zhang等人[37]設計了一種參與者選擇框架CrowdRecruiter,在確?？臻g覆蓋率的情況下,提出了一個多目標優(yōu)化的方案,實現(xiàn)參與者數(shù)目和激勵支付同時最小化.根據(jù)群智感知任務的空間分布,Tong 等人[38]設計了一種全局的在線微任務分配模式,結合帶權二分圖的最優(yōu)匹配算法,提出一種高效的在線任務分配算法.

另外,相關實驗數(shù)據(jù)表明:提高用戶參與積極性也是群智高效感知的重要途徑.激勵用戶優(yōu)化時空分布從而實現(xiàn)群智感知網絡覆蓋增強,也是保證群智感知質量的一個研究熱點.自研究伊始,用戶激勵機制就引起了學者的極大關注同時積累了大量研究成果[39].例如:文獻[40]采用動態(tài)激勵機制提高感知任務不同側面的覆蓋.Zheng等人[41]研究基于一定的預算下實現(xiàn)網絡感興趣區(qū)域的最大化覆蓋的激勵機制.Guo等人[42]提出了一種動態(tài)用戶激勵機制,在提高用戶參與性的同時,實現(xiàn)高質量數(shù)據(jù)感知.

3.2 移動群智感知數(shù)據(jù)分析

數(shù)據(jù)質量是移動群智感知質量保障方法研究的另一基本出發(fā)點,即基于感知數(shù)據(jù)時空相關性及社會關聯(lián),利用智能分析方法實現(xiàn)網絡感知數(shù)據(jù)的質量優(yōu)化,確保網絡感知質量[43].目前在群智感知網絡領域積累了一系列數(shù)據(jù)去噪、增強、恢復、融合等質量保障的數(shù)據(jù)分析方法.面向群智感知中感知周期短、實時性要求高、數(shù)據(jù)量大的應用,研究者們也提出了云計算、邊緣計算等新型計算模式以實現(xiàn)高效的數(shù)據(jù)分析.

3.2.1 基于信息恢復的數(shù)據(jù)分析

針對GPS、Wi-Fi、加速計、陀螺儀等獲取的數(shù)值型感知數(shù)據(jù),基于數(shù)據(jù)之間的時空相關性過濾異常數(shù)據(jù)并恢復缺失數(shù)據(jù),以解決移動群智感知網絡數(shù)據(jù)稀疏性問題,也將直接影響整個感知結果的數(shù)據(jù)質量.針對大規(guī)模網絡應用,先后出現(xiàn)了基于空間插值[44]、壓縮感知[45-47]、動態(tài)貝葉斯網絡[48]以及協(xié)同過濾[49]等缺失信息恢復方法.文獻[44]提出采用傳統(tǒng)的插值方法,對已知點的數(shù)據(jù)進行平均、加權等運算推求相鄰區(qū)域的未知點數(shù)據(jù).此類方法計算簡單,但準確度有限.空間插值壓縮感知理論利用信號的稀疏性從包含信號重要信息的少量測量中精確或近似精確地恢復原始信號,在大規(guī)模網絡應用如道路交通重建[46]、環(huán)境數(shù)據(jù)恢復[45]以及目標定位[50]被廣泛采用.基于噪音感知數(shù)據(jù)的空間相關性,文獻[22]提出利用壓縮感知方法對稀疏的噪聲數(shù)據(jù)進行恢復.壓縮感知的理論前提是感知數(shù)據(jù)的內在結構可以被稀疏化表示.然而,移動群智感知應用中的多源異構數(shù)據(jù)并不能很好滿足.Hao等人[47]擴展了壓縮感知理論,提出了基于密度差異意識的增強型數(shù)據(jù)恢復方法.在壓縮感知階段依舊采用便于實現(xiàn)的隨機抽樣,而在數(shù)據(jù)恢復階段設計了硬閾值恢復算法以及基于極大似然估計的加權恢復算法.針對城市中稀疏的車輛數(shù)據(jù),文獻[48]提出一種概率的車流量估計和預測方法,引入動態(tài)貝葉斯網絡以表征對網絡的時空依賴性,通過對大規(guī)模歷史數(shù)據(jù)的學習實現(xiàn)對車流量的實時評估.為獲得更高的城市分辨率,Kang等人[49]提出基于協(xié)同過濾的方法,以矩陣的形式構建感知地圖,并進一步建立信號相關矩陣表征不同類型數(shù)據(jù)相關性,以實現(xiàn)網絡空白區(qū)域信息彌補.另外,針對攝像頭低分辨率、惡劣天氣造成模糊的圖像和視頻數(shù)據(jù),采用時空域特征統(tǒng)計學習和超分辨率相結合的方法分別進行低質圖像和視頻進行恢復性增強也是一個重要的研究領域[51,52].例如Guo等人[43]考慮到物理世界海報的有限時空覆蓋范圍,利用物理空間交互特征來對信息共建內容進行增強感知和理解,采用多標簽分類和啟發(fā)式規(guī)則相結合方法進行語義標注.

3.2.2 基于信息融合的數(shù)據(jù)分析

移動群智感知數(shù)據(jù)是多源異構的,有必要進行智能分析和挖掘以發(fā)揮其價值.傳統(tǒng)常用的數(shù)據(jù)融合主要有以下幾種:加權平均、貝葉斯、卡爾曼濾波、D-S證據(jù)合成、模糊推理、神經網絡、粗糙集等方法,在無線傳感網絡、車聯(lián)網等大規(guī)模網絡得到普遍應用.移動用戶產生海量的感知數(shù)據(jù),包括結構化的和非結構化的,時效性強和時效性弱的,價值密度高和價值密度低的,這些都給融合型的數(shù)據(jù)分析帶來新的研究思路.多模態(tài)數(shù)據(jù)融合可以較好地實現(xiàn)信息優(yōu)化.例如,Nericell系統(tǒng)[53]實現(xiàn)對城市交通和道路質量的監(jiān)控和評估,通過融合來自汽車駕駛員智能手機采集到的加速度、位置、音頻等數(shù)據(jù).ParkNet系統(tǒng)[54]使用安裝在車輛上的超聲波傳感器聯(lián)合智能手機來探測城市街道上可用的停車位,利用環(huán)境指紋提高定位精度.從“人機共生”的思想出發(fā),文獻[55]利用貝葉斯預測模型融合人類智能和機器智能兩者貢獻以實現(xiàn)群智感知中用戶行為的預測.

特別地,移動群智感知數(shù)據(jù)采集過程除了獲取的直接數(shù)據(jù)內容外,也隱含了豐富的群體和情境信息.Yu等人[56]研究基于跨空間異構數(shù)據(jù)融合的商業(yè)推薦,充分關聯(lián)信息空間和物理空間信息,對商鋪類型選擇進行理解與決策.Guo等人[57]設計并開發(fā)CrowdStory系統(tǒng),實現(xiàn)多模態(tài)數(shù)據(jù)融合的微博社會事件刻畫,將群體貢獻數(shù)據(jù)根據(jù)時空情境和文本聚類形成多線索動態(tài)演化描述,根據(jù)視覺相關性和交互情境等群體智能實現(xiàn)線索間關聯(lián)關系生成.現(xiàn)有融合數(shù)據(jù)內容、群體信息和情境信息的數(shù)據(jù)分析方法多是針對某類特定應用提出,缺乏普適性.而且,對于群智感知應用中高實時性、短周期感知數(shù)據(jù)處理缺乏有效的數(shù)據(jù)分析理論和方法.

4 亟待解決問題及研究方向

4.1 混合感知質量度量

移動群智感知質量度量是一個復雜的問題,受到多種因素的共同制約和影響,其中覆蓋質量和數(shù)據(jù)質量是衡量感知質量的兩個重要指標.雖然研究者考慮感知覆蓋的時空變化因素,但對于移動群智感知用戶群體性和移動性的特點刻畫尚不充分.另外,與移動群智感知網絡感知質量密切相關的數(shù)據(jù)質量研究工作大都是針對不同任務類型開展,缺乏通用的度量指標和方法.未來針對覆蓋質量,如何建立揭示“時—空—人”三要素與感知模型主要參數(shù)之間的關系形成基于時空的度量方法;針對數(shù)據(jù)質量,如何聯(lián)合數(shù)據(jù)時空相關度與參與用戶屬性形成基于主客觀的度量方法;兩者兼而有之,設計通用且有效的質量度量方法將成為研究趨勢.

4.2 覆蓋增強

移動群智感知覆蓋增強是一個基礎而重要的問題,目前大部分成果都集中在研究和設計滿足一定約束條件的用戶選擇策略、用戶激勵機制.但研究工作或者從覆蓋質量出發(fā),或者從數(shù)據(jù)質量出發(fā),約束條件不夠完備.

基于節(jié)點優(yōu)化部署的網絡覆蓋增強方法,在移動傳感網絡、混合傳感網絡被廣泛認同和采用,而在移動群智感知網絡中鮮有研究.相比于目前普遍采用的基于覆蓋約束的用戶優(yōu)選與激勵等方法,從網絡節(jié)點優(yōu)配出發(fā)的節(jié)點二次部署方法可以快速、針對性地實現(xiàn)網絡中感知盲區(qū)修補,獲得移動群智感知質量增強而備受關注.另外,目前絕大多數(shù)用戶優(yōu)選及激勵機制是基于單目標開展的,而充足的用戶資源以及群智感知平臺上并發(fā)出現(xiàn)的任務為研究基于多目標多任務的用戶優(yōu)選以及激勵研究提供了可能性,尤其在用戶資源匱乏情況下可以很好地增強整個網絡的感知質量.

4.3 數(shù)據(jù)分析

針對移動群智感知應用,基于信息恢復和信息融合的數(shù)據(jù)分析仍存在諸多挑戰(zhàn).對于信息恢復,現(xiàn)有大部分采用平均插值、壓縮感知等方法,理論前提是感知數(shù)據(jù)的內在結構可以被稀疏化表示.然而,移動群智感知應用中的多源異構數(shù)據(jù)不能很好地滿足要求.深入探索感知數(shù)據(jù)類型和時空關聯(lián)性,設計行之有效的缺失信息恢復方法顯得迫切而必要.

目前,移動群智感知數(shù)據(jù)融合的研究大都是現(xiàn)成理論與算法的復用,即使少量的研究成果也是針對某類特定應用提出難以推廣使用.群智感知網絡中普遍采取“分布式采集,集中式認知”的計算模式,雖然在一定程度上可以緩解海量異構性型感知數(shù)據(jù)的處理給資源有限的移動終端帶來巨大的壓力,但忽略了泛在移動終端所具有的一定計算和處理能力.充分考慮海量數(shù)據(jù)呈現(xiàn)的實時持續(xù)涌現(xiàn)趨勢,設計云計算與端計算協(xié)同的計算模型,進而提高多模態(tài)數(shù)據(jù)融合的計算效率將成為研究熱點.

5 總 結

移動群智感知質量度量和保障相關研究方興未艾,在國內外仍處于初期的探索階段,開展相關研究對豐富與完善群智感知網絡理論與關鍵技術體系,建立信息感知新途徑,推動物聯(lián)網發(fā)展都具有重要意義.