基于羊群效应的移动群智感知系统质量保障方法、设备及介质

1.本发明涉及移动群智感知领域，尤其涉及一种基于羊群效应的移动群智感知系统质量保障方法、设备及介质。


背景技术：

2.移动群智感知(mobile crowdsensing，mcs)是指用户利用具有嵌入式传感器的智能设备完成数据收集任务的感知方式。mcs系统应用于不同领域，如社交网络、医疗保健和智能交通系统。充分且可靠的感知数据是保障mcs系统质量的基本要求，其中，“充分”是对感知数据量的要求，即需要大量参与者参与感知任务和提交感知数据；“可靠”是对感知数据质量的要求，即需要参与者提交高质量的感知数据。
3.由于获取和传输感知数据需要消耗移动设备的物理资源，导致移动用户不愿意主动参与感知任务；而质量越高的数据需要移动设备消耗的感知成本越多，导致参与者们会为了保证利润而降低数据质量。因此，需要设计合适的激励机制，以激励移动用户积极参与感知任务，并且提交高质量的感知数据。
4.现阶段mcs领域中的激励机制主要可以分为货币机制和非货币机制。货币机制采用最直接的货币奖励弥补移动设备的资源消耗，而非货币机制主要包括社会关系机制和声誉机制。其中，社会关系机制利用社会网络效应，即用户之间的社会关系网络，扩散任务信息，吸引了更多参与者；声誉机制根据参与者的表现定义声誉值，并根据参与者的声誉值提供不同价值的奖励，提高了高质量参与者的积极性和数据质量。然而，这些激励机制在实际应用中存在不足之处。一方面，货币机制和声誉机制的核心工作都是基于传统经济学设计参与者的报酬方案，利用高报酬维持住高质量的参与者。具体地，货币机制直接根据参与者的表现进行定价，而声誉机制在综合评估参与者的历史表现后确定其声誉值，最终基于声誉值设计定价方案。因此，在货币机制和声誉机制中，平台的预算会随着数据质量的提高而增加，而对于表现不好的参与者，机制没有提供相应的激励方案，导致这些参与者会因为激励不足而退出任务，无法满足mcs应用对参与者数量的需求。另一方面，社会关系机制要求用户必须处于同一个社会网络中，然后选择具有最大社会影响力的用户作为任务信息扩散的起点，类似于影响力最大化问题。但是，社会关系机制没有考虑对社会网络外的用户的激励，导致新用户池受到社会网络的限制。


技术实现要素：

5.针对现有技术中的不足之处，本发明提供了一种基于羊群效应的移动群智感知系统质量保障方法、设备及介质，包括基于锚定效应的参与者招募机制，以及基于调整启发法的报酬设计机制，在参与者招募过程中向感知任务参与者和移动用户提供决策锚点，并对决策锚点产生的影响进行抽象和量化，从而建立参与者和移动用户的决策模型，然后基于决策模型调整决策锚点，提高参与者数量和数据质量；在基于调整启发法的报酬设计机制
中，设计和调整报酬分布，引导参与者基于报酬不断调整数据质量，维持数据的高质量。
6.第一方面，提供了一种基于羊群效应的移动群智感知系统质量保障方法，包括提高参与者数量及数据质量阶段和维持参与者数据质量阶段；
7.提高参与者数量及数据质量阶段采用基于锚定效应的参与者招募方法，包括：
8.预选先行参与者，根据平台上所有参与者在任务前提交的数据质量参数，评估他们提交高质量数据的能力，称为潜力值，先选择潜力值最高的预设数量参与者作为先行参与者，并分配奖金；
9.确定参与者决策锚点，平台公布先行参与者的信息和奖金信息作为参与者决策锚点，通过抽象和量化参与者决策锚点对其他参与者的决策产生的决策偏差；
10.确定移动用户决策锚点，根据所有参与者提交的数据质量的平均值将参与者分为两类，即提交高质量数据的参与者集合，和相对提交低质量数据的参与者集合，分别提供给移动用户作为不同的决策锚点，分析和量化这两类决策锚点对移动用户决策的影响；
11.确定先行参与者的数量和奖金，当提交高质量数据的参与者集合形成的决策锚点对移动用户决策的影响的量化结果更大时，该集合中的参与者人数在参与者总人数中的比例为羊群阈值；调整先行参与者数量和奖金以调整参与者决策锚点，当其他参与者提交高质量数据的概率达到羊群阈值时，得到最终的先行参与者的数量和奖金；其中，其他参与者提交高质量数据的概率基于决策偏差确定；
12.维持参与者数据质量阶段采用基于调整启发法的报酬设计方法，包括：
13.确定报酬分布，低于报酬分布阈值范围内的报酬满足正态分布，高于报酬分布阈值范围内的报酬满足极值分布；
14.调整报酬分布参数，参与者依据历史报酬评估预期报酬和预期报酬增长率，基于预期报酬增长率评估获得目标报酬的概率；设置概率阈值，调整并确定最终的报酬分布参数，使参与者评估的获得目标报酬的概率低于概率阈值，只有选择维持数据质量才能保持报酬的价值。
15.本质上，本方案通过选择首先提交高质量数据的先行参与者作为其他参与者的决策锚点，通过向先行参与者分配奖金，使其他参与者在提交高质量数据和高报酬之间建立联系，提高了数据质量；在此基础上将所有参与者根据提交的数据质量分为两类，作为移动用户的决策锚点，通过调整先行参与者的数量和奖金，增加了提交高质量数据的参与者人数，从而提高了这部分参与者对移动用户决策的吸引力，使更多移动用户参与任务并提交高质量数据；然后，由于所有参与者都提高了数据质量，本方案重新设计报酬分布，既保证了平台的预算，还能够通过调整报酬分布参数引导参与者为了维持报酬而维持数据质量，最终提高了平台收集到的所有数据的质量。同时，相较于现有的机制，本方案不需要所有参与者处于同一个社会网络中，扩大了用户池；本方案也不需要支付高报酬以培育提交高质量数据的参与者，降低了平台预算。
16.进一步地，mcs系统中，平台和参与者就是mcs系统任务的请求者和执行者；参与者的潜力值基于参与者在上一轮任务前上报的预期提交质量，及其实际提交的数据质量计算获得，参与者的潜力值计算公式如下：
17.18.其中，是参与者gi完成任务nj后的潜力值，是gi完成任务nj前的预期提交数据质量，是gi完成任务nj时实际提交的数据质量；
19.其中，α是的系数，且α∈(0,1)，(1-α)是的系数；∈是和的指数因子，使和满足相同的指数增长规律；γ是规模因子，表示和同时增加对的增长幅度的影响，且γ》1；
20.依据潜力值由大到小的顺序对参与者进行排序，选择前μ个参与者成为先行参与者，先行参与者gi奖金值为其中μ为预设值。
21.进一步地，其他参与者基于先行参与者形成的参与者决策锚点进行决策，其他参与者基于参与者决策锚点产生的决策偏差根据如下公式进行计算获得：
[0022][0023]
其中，δ是其他参与者基于参与者决策锚点进行决策时存在的决策偏差，称为羊群因子；θi是参与者gi的潜力值，表示当gi以相同或者更小的潜力值获得更多的奖金时，其他参与者受到的吸引力越大，从而导致产生的决策偏差越大，且的增大具有边际递减的特性，即δ会随着的增加而增加，但是增加速度逐渐减缓；δ是其他参与者基于参与者决策锚点所完成的任务次数；
[0024]
基于羊群因子，构建其他参与者实际提交的数据质量函数：
[0025][0026]
其中，是其他参与者的实际提交数据质量的平均值，是在没有先行参与者作为决策锚点时其他参与者提交数据质量的平均值。δ越大，即其他参与者的决策偏差越大，实际提交的数据质量越高。
[0027]
依据先行参与者的公开信息所形成的决策锚点，其他参与者评估实际提交的数据质量和奖金之间存在联系，即提交高质量数据能够获取奖金，从而提高最终的报酬。
[0028]
进一步地，先行参与者gi的奖金的最优解依据羊群因子δ最大化获得，构建δ最大化问题如下：
[0029][0030][0031]
其中，b是平台的奖金预算；
[0032]
在满足羊群因子最大化的范围内，对先行参与者的选择进行调整，先行参与者的数量μ和奖金满足如下关系，先行参与者的奖金最优解计算结果如下：
[0033][0034]
其中，先行参与者gi的奖金的最优解是先行参与者的数量μ及其潜力值θi的函数。
[0035]
基于先行参与者形成的决策锚点，其他参与者提交高质量数据的概率按照以下公式进行计算：
[0036][0037]
其中，是其他参与者在完成t轮任务后提交高质量数据的概率；是所有参与者实际提交的数据质量的平均值，也是本方案中划分参与者实际提交质量高低的分界值；是在随机因素(如网络延迟、带宽等)影响下参与者实际提交数据质量的随机波动率；且和自变量满足的函数关系为
[0038]
进一步地，将所有参与者依据实际提交的数据质量和平均值的比较结果分成两类，形成两个影响不同的决策锚点，作为移动用户决策的基准，基于这两个决策锚点所产生的影响的量化结果，得到吸引移动用户参与与并提交高质量数据的条件如下：
[0039][0040]
其中，和分别表示参与者gi和gj对移动用户gk的影响程度的量化结果；h是实际提交数据质量高于所有参与者实际提交的数据质量的平均值的参与者的数量，l则是实际提交数据质量低于的参与者的数量；b
k,m
是gk完成任务nm的预期基础报酬；ρ
ik
是gi与gk之间的相关程度，相关性矩阵之间的相关程度，相关性矩阵分别表示gi和gk完成任务nm的实际提交数据质量；wi和wj分别表示gi和gj的权重，重，ti和tj分别表示gi和gj完成的任务数，|t|表示任务总数；
[0041]
移动用户选择对其影响的量化结果更大的决策锚点进行决策，当提交高质量数据的参与者集合形成的决策锚点对移动用户决策的影响的量化结果更大时，移动用户选择基于这一类参与者形成的决策锚点。
[0042]
进一步地，满足提交高质量数据的参与者集合形成的决策锚点对移动用户决策的影响的量化结果更大条件下的最小阈值为羊群阈值
[0043][0044][0045]
式中，为满足约束条件的最小值，称为羊群阈值；是满足约束条件下提交高质量数据的参与者集合中参与者数量在所有参与者中的占比；
[0046]
基于羊群因子δ最大化，实现最大化，调整先行参与者数量和奖金，使得满足时，得到最终的先行参与者的数量和奖金。
[0047]
更具体地，是提交高质量数据的参与者数量的最小比例，等价于参与者提交高质量数据的最小概率，在羊群因子δ最大化的条件下，大部分参与者和移动用户均提交高质量数据；
[0048]
当时，构建平台奖金预算的最小化问题：
[0049][0050][0051]
其中，是所有先行参与者的奖金之和，约束条件表示参与者提交高质量数据的概率必须高于羊群阈值；
[0052]
先行参与者数量以及达到羊群阈值前先行参与者最少需要完成的任务次数的关系基于平台奖金预算最小化问题最终获得：
[0053][0054]
其中，μ是先行参与者数量，t是先行参与者完成的任务轮次。
[0055]
由于参与者提交高质量数据的概率高于羊群阈值，移动用户也会基于提交高质量数据的参与者集合所形成的决策锚点进行决策，从而参与任务并提交高质量数据，平台可以判定在参与者中形成了“羊群”。至此，提高参与者数量及数据质量阶段结束，进入维持参与者数据质量阶段。
[0056]
进一步地，维持参与者数据质量阶段基于调整启发法调整报酬，报酬分布方案如下所示：
[0057][0058][0059]
其中，是调整后的报酬满足的分布，是这一阶段参与者gi完成任务nj的报酬；是报酬分布阈值，目的是将不同价值的报酬分为两种分布：由于参与者都提交高质量数据，令小于的报酬满足正态分布，称为正态分布报酬，使大多数参与者获得的报酬基本相同；而大于的报酬满足极值分布，称为极值分布报酬，使价值越高的报酬被获得的概率越小；μb和μe分别是正态分布和极值分布的均值，σb和σe分别是正态分布和极值分布的标准差；ζ是高报酬决定因子，决定了报酬分布的范围，ζ的取值越高，参与者获得的最高报酬的价值越高；
[0060]
其中，是正态分布报酬的概率密度函数，则是极值分布报酬的概率密度函数，则约束条件的不等式左边表示在维持参与者数据质量阶段中每次任务支付的报酬；另外，br和nr分别表示剩余平台预算以及剩余任务数，则表示剩余的平台预算能够支付给每一次任务的报酬，而是上一个阶段中支付的报酬平均值，也作为当前阶段的目标报酬，则不等式的右边表示上一个阶段中支付的报酬平均值和剩余的平台预算能够支付的报酬的较小值；因此，约束条件表示当前阶段的报酬预算需要低于上一阶段，同时不能超过平台的剩余预算。
[0061]
进一步地，参与者的不同的历史报酬对其决策的影响权重值函数如下：
[0062][0063]
其中，w(j)是参与者gi第j轮任务的报酬的权重值，1≤j≤k，k是gi完成的任务总数；λ是影响力衰减因子，λ∈(0,1)，β是极值因子，β∈(0,1)；λ取值越大，任务之间的间隔越长，该任务的报酬的权重值越低；β取值越大，极值报酬的权重值越大。
[0064]
参与者对下一轮任务的预期报酬基于其获得的历史报酬和对应的权重值计算获得：
[0065][0066]
其中，是参与者gi对第k+1轮任务的预期报酬；和分别表示第k轮任务中正态分布报酬和极值分布报酬的均值；
[0067]
参与者的预期报酬增长率函数表示如下：
[0068][0069]
其中，表示参与者gi在第k+1轮任务的预期报酬的增长率，是参与者gi在第k轮任务中获得的报酬，t为完成一轮任务的时间。
[0070]
基于预期报酬增长率，参与者计算获得目标报酬的概率。对于参与者而言，目标报酬是在提高参与者数量及数据质量阶段中平台支付的报酬平均值
[0071]
构建参与者获得目标报酬的概率函数：
[0072][0073]
其中，表示参与者gi在第k+1轮任务时获得目标报酬的概率，是参与者在第k轮任务中获得的报酬，表示所有参与者提交低质量数据时所获得的报酬均值，是目标报酬。
[0074]
进一步地，设置概率阈值表示参与者判断能够获得目标报酬的最小概率，参与者根据判断结果是否继续提交高质量数据；
[0075]
当时，参与者获得目标报酬的概率较低，只有通过提交高质量数据来维持报酬；
[0076]
当时，参与者获得目标报酬的概率较高，不需要维持数据质量，对此，调整报酬分布均值，降低参与者获得目标报酬概率的计算结果，报酬分布调整大小按照如下公式计算获得：
[0077][0078]
其中，表示第k轮任务的极值分布报酬的均值的调整量，是第k轮任务的极值分布报酬的均值；
[0079]
减小报酬分布均值后，参与者的预期报酬、预期报酬增长率，以及获得目标报酬的概率均相应减小，直到小于概率阈值，参与者只有维持数据质量才能维持报酬。
[0080]
第二方面，提供了一种电子设备，包括：
[0081]
存储器，其存储有计算机程序；
[0082]
处理器，用于执行所述计算机程序时，实现如上所述的基于羊群效应的移动群智感知系统质量保障方法。
[0083]
第三方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于羊群效应的移动群智感知系统质量保障方法。
[0084]
有益效果
[0085]
本发明提出了一种基于羊群效应的移动群智感知系统质量保障方法、设备及介质，与现有的技术相比，现有mcs系统中的激励机制基于传统经济学的成本-效益模型设计，而本发明考虑了羊群效应对用户的激励作用，建立了能够影响mcs系统任务的参与者和系统用户决策的系统环境，并向环境中的参与者和用户提供决策锚点；基于决策锚点构建参与者和用户的决策模型，通过分析和量化决策锚点的影响，引入羊群因子反映参与者和用户的实际决策偏差，提高了参与者实际决策中确定提交的数据质量，同时促使用户选择像提交高质量数据的参与者一样参与任务；当参与者的数据质量均提高后，调整报酬方案，保证大部分参与者获得的报酬价值相近，同时设置极值报酬，在此基础上适当地调整报酬分布参数，以影响参与者对获得目标报酬的预期概率，防止参与者在预期能够获得目标报酬的情况下降低数据质量，维持住了参与者的数据质量。同时，相较于对比的机制(任务报酬和数据质量满足正比例关系；用户数量受到平台上的参与者的社交网络的范围限制)，本方案不需要保证任务报酬始终与参与者提交的数据质量成正比，减少了mcs系统应用的总成本，同时大量吸引用户成为新的参与者和提交高质量数据，本方案能有更实际和更有效的激励效果。
附图说明
[0086]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0087]
图1是本发明实施例提供的mcs系统与参与者之间协同工作的流程示意图；
[0088]
图2是图1提供的实施例中属性计算的流程图；
[0089]
图3是本发明实施例提供的相同数据下使用本发明实施例与现有的具有代表性的方法，移动用户参与率比较示意图；
[0090]
图4是本发明实施例提供的相同数据下使用本发明实施例与现有的具有代表性的方法，mcs系统成本比较示意图。
具体实施方式
[0091]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
[0092]
生活中的羊群效应具有不需要付出成本就可以吸引大量人群完成统一目标的特
点，并且羊群效应作用时不需要向人群提供货币激励，人群也不需要像社会关系机制所要求的处于同一个社会网络，领头人不需要如声誉机制一样受到特定培育且其选择具有随机性。因为羊群效应中的头羊并不要求是最优秀的，而是第一个做这个事情的。对此，行为经济学中的锚定效应和调整启发法给出了合理的解释。其中，锚定效应的研究表明，人们会基于锚点做出最终的决策。在羊群效应中，头羊是导致羊群跟随的主要影响因素，锚定效应将头羊定义为羊群的决策锚点。因此，在mcs的实际应用中，首先提交高质量数据的先行参与者会成为其他参与者、甚至未参与任务的移动用户的决策锚点，从而影响他们的决策。而调整启发法的研究表明，在最终决策之前，人们会在锚点的影响下不断进行决策调整，导致决策偏差。因此，在mcs的实际应用中，参与者们在完成感知任务的过程中会不断根据锚点调整数据质量，导致参与者最终提交的数据质量和其最初的选择产生偏差。基于此，本发明提供了一种考虑羊群效应对移动用户决策影响的、更有效的方法，以提高mcs系统应用的参与者数量和感知数据质量。具体方案如下述实施例所述。
[0093]
实施例1
[0094]
如图1、图2所示，本实施例提供了一种基于羊群效应的移动群智感知系统质量保障方法，包括：
[0095]
步骤1：构建mcs系统环境，并根据系统中已有的参与者提交的数据质量信息进行先行参与者选择。假设环境中移动用户集合为g＝{g1,g2,
…
,gi}，任务集合为n＝{n1,n2,
…
,nj}，参与者gi完成任务nj实际提交的数据质量为基础报酬为b
i,j
，成本为对于本发明进行仿真实验。具体参数如表1所示。
[0096]
表1仿真参数
[0097][0098]
要求参与者在任务前上报自己选择预期提交的数据质量值为根据下面公式计算参与者的潜力值：
[0099][0100]
其中，α是质量参数的比例系数，∈和γ组成规模因子，表示参与者的潜力值及相应的质量参数之间满足的规模效应程度。在本实例中，α＝0.5，∈＝2，γ＝0.1。
[0101]
将计算获得的潜力值θi(i＝1,2,
…
,i)按照从大到小的顺序进行排序，选择最潜力值最大的μ个参与者成为先行参与者。已知mcs系统的奖金预算为b，暂时按照潜力值大小的比例分配奖金，使得先行参与者gi的奖金为
[0102]
步骤2：量化参与者决策锚点及决策偏差，构建参与者的决策模型。
[0103]
根据下面公式计算参与者决策锚点作用了t轮任务后，参与者的决策产生的决策偏差δ：
[0104][0105]
其中，δ又称为羊群因子，δ∈(0,1)。
[0106]
基于参与者决策锚点，根据下面的公式计算参与者实际提交的数据质量：
[0107][0108]
其中，是没有决策锚点作用时所有参与者提交数据质量的平均值，是参与者基于决策锚点实际提交数据质量的平均值，t是已经完成的任务数量。根据t和δ的定义，t*δ》0，即基于决策锚点提高了参与者实际提交的数据质量。
[0109]
根据下列公式最大化δ，以最大化
[0110][0111][0112]
因此，当时，δ取得最大值。
[0113]
基于先行参与者形成的决策锚点，其他参与者提交高质量数据的概率按照以下公式进行计算：
[0114][0115]
其中，是其他参与者在完成t轮任务后提交高质量数据的概率；是所有参与者实际提交的数据质量的平均值，也是本方案中划分参与者实际提交质量高低的分界值；是在随机因素(如网络延迟、带宽等)影响下参与者实际提交数据质量的随机波动率；且和自变量满足的函数关系为
[0116]
步骤3：分析并量化mcs系统上已有的参与者对移动用户形成的决策锚点，招募移动用户。
[0117]
将所有参与者依据实际提交的数据质量和平均值的比较结果分成两类：高于平均值的参与者集合为gh＝{g1,g2,
…
,gh}，低于平均值的参与者集合为g
l
＝{g1,g2,
…
,g
l
}。
[0118]
相比较下，当提交高质量数据的参与者对移动用户决策影响的量化结果更高时，
移动用户选择参与任务并提交高质量数据，表达式如下：
[0119][0120]
其中，是参与者gi(gi∈gh∪g
l
)对移动用户gk的影响程度的量化结果，b
k,m
是gk完成任务nm的预期基础报酬，ρ
ik
是gi与gk之间的相关程度，相关性矩阵之间的相关程度，相关性矩阵wi和wj分别表示gi和gj的权重，ti和tj分别表示gi和gj完成的任务数，|t|表示任务总数(ti《|t|,tj《|t|,|t|》1)，所以wi、wj取值范围均为(0,1)。
[0121]
在满足上述条件的基础上，成功招募移动用户、获得一批提交高质量数据的参与者的最小阈值为羊群阈值
[0122][0123][0124]
式中，为满足约束条件的最小值，称为羊群阈值；是满足约束条件下提交高质量数据的参与者集合中参与者数量在所有参与者中的占比。基于羊群因子δ最大化，实现最大化，调整先行参与者数量和奖金，使得满足时，得到最终的先行参与者的数量和奖金。即大部分参与者和移动用户均提交高质量数据。
[0125]
步骤4：在已经提高了参与者的数据质量的前提下，重新设计报酬分布。
[0126]
参与者在这一阶段的报酬为满足的报酬分布如下：
[0127][0128][0129]
其中，是调整后的报酬满足的分布，是这一阶段参与者gi完成任务ηj的报酬；是报酬分布阈值，目的是将不同价值的报酬分为两种分布：由于参与者都提交高质量数据，令小于的报酬满足正态分布，称为正态分布报酬，使大多数参与者获得的报酬基本相同；而大于的报酬满足极值分布，称为极值分布报酬，使价值越高的报酬被获得的概率越小；μb和μe分别是正态分布和极值分布的均值，σb和σe分别是正态分布和极值分
布的标准差；ζ是高报酬决定因子，决定了报酬分布的范围，ζ的取值越高，参与者获得的最高报酬的价值越高。
[0130]
其中，是正态分布报酬的概率密度函数，则是极值分布报酬的概率密度函数，则约束条件的不等式左边表示在维持参与者数据质量阶段中每次任务支付的报酬；另外，br和nr分别表示剩余平台预算以及剩余任务数，则表示剩余的平台预算能够支付给每一次任务的报酬，而是上一个阶段中支付的报酬平均值，也作为当前阶段的目标报酬，则不等式的右边表示上一个阶段中支付的报酬平均值和剩余的平台预算能够支付的报酬的较小值；因此，约束条件表示当前阶段的报酬预算需要低于上一阶段，同时不能超过平台的剩余预算。
[0131]
步骤5：基于报酬分布，更新参与者的决策模型。
[0132]
基于报酬分布和参与者的历史报酬，参与者的决策模型如下：
[0133]
不同的历史报酬对参与者预期报酬的权重值按下列公式计算：
[0134][0135]
其中，w(j)是第j(1≤j≤k，k是gi完成的任务总数)轮任务的报酬的权重值；λ是影响力衰减因子，λ∈(0,1)，β是极值因子，β∈(0,1)。
[0136]
参与者gi对第k+1轮任务的预期报酬按下列公式计算：
[0137][0138]
其中，是参与者gi对第k+1轮任务的预期报酬；和分别表示第k轮任务中正态分布报酬和极值分布报酬的均值；由以下公式计算：
[0139][0140]
参与者的预期报酬增长率按照如下公式计算：
[0141][0142]
其中，表示参与者在第k+1轮任务的预期报酬的增长率，t为完成一轮任务的时间。
[0143]
确定参与者的目标报酬为参与者获得目标报酬的概率函数按下列公式计算：
[0144][0145]
其中，表示参与者在第k+1轮任务时获得目标报酬的概率，是参与者在第k轮任务中获得的报酬，表示所有参与者提交低质量数据时所获得的报酬均值。
[0146]
步骤6：调整报酬分布，维持参与者的数据质量。
[0147]
根据概率阈值当时，参与者获得目标报酬的概率较低，只有通过提交高质量数据来维持报酬；
[0148]
而当时，参与者获得目标报酬的概率较高，不需要维持数据质量；对此，调整报酬分布均值，降低参与者获得目标报酬概率的计算结果，报酬分布调整大小按照如下公式计算获得：
[0149][0150]
其中，表示第k轮任务的极值分布报酬的均值的调整量，是第k轮任务的极值分布报酬的均值；
[0151]
减小报酬分布均值后，参与者的预期报酬、预期报酬增长率，以及获得目标报酬的概率均相应减小，直到小于概率阈值，参与者只有维持数据质量才能维持报酬。
[0152]
为了更进一步评估本发明的性能，本发明也与其它目前有代表性的方法(social-aware，pace)进行比较，如图3和图4所示。验证结果表明，本发明(heim)的性能均优于其它目前最先进的方法。其中图3显示在平台上移动用户数量相同情况下的任务参与者率。可以看到使用heim方法时参与率一直稳定上升，这是因为平台上的新用户的决策都会受到机制所设置的决策锚点的影响，从而参与任务，而在使用social-aware方法时，由于激励机制是建立在参与者的社会关系网络之上的，所以当新用户处于另一个社会网络中，则无法利用当前的机制激励其参与任务，导致参与率呈现高低起伏的状态。图4显示参与者数量相同的情况下的成本，可以看到随着参与者数量的增加，使用pace方法时平台付出的激励成本也会大幅度增加，而使用heim方法时只需要弥补参与者的任务损耗。
[0153]
实施例2
[0154]
本实施例提供了一种电子设备，包括：
[0155]
存储器，其存储有计算机程序；
[0156]
处理器，用于执行所述计算机程序时，实现如实施例1所述的基于羊群效应的移动群智感知系统质量保障方法。
[0157]
实施例3
[0158]
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如实施例1所述的基于羊群效应的移动群智感知系统质量保障方法。
[0159]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序
产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0160]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0161]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0162]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0163]
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
[0164]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0165]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种基于羊群效应的移动群智感知系统质量保障方法，其特征在于，包括提高参与者数量及数据质量阶段和维持参与者数据质量阶段；提高参与者数量及数据质量阶段采用基于锚定效应的参与者招募方法，包括：预选先行参与者，根据平台上所有参与者在任务前提交的数据质量参数，评估他们提交高质量数据的能力，称为潜力值，先选择潜力值最高的预设数量参与者作为先行参与者，并分配奖金；确定参与者决策锚点，平台公布先行参与者的信息和奖金信息作为参与者决策锚点，通过抽象和量化参与者决策锚点对其他参与者的决策产生的决策偏差；确定移动用户决策锚点，根据所有参与者提交的数据质量的平均值将参与者分为两类，即提交高质量数据的参与者集合，和相对提交低质量数据的参与者集合，分别提供给移动用户作为不同的决策锚点，分析和量化这两类决策锚点对移动用户决策的影响；确定先行参与者的数量和奖金，当提交高质量数据的参与者集合形成的决策锚点对移动用户决策的影响的量化结果更大时，该集合中的参与者人数在参与者总人数中的比例为羊群阈值；调整先行参与者数量和奖金以调整参与者决策锚点，当其他参与者提交高质量数据的概率达到羊群阈值时，得到最终的先行参与者的数量和奖金；其中，其他参与者提交高质量数据的概率基于决策偏差确定；维持参与者数据质量阶段采用基于调整启发法的报酬设计方法，包括：确定报酬分布，低于报酬分布阈值范围内的报酬满足正态分布，高于报酬分布阈值范围内的报酬满足极值分布；调整报酬分布参数，参与者依据历史报酬评估预期报酬和预期报酬增长率，基于预期报酬增长率评估获得目标报酬的概率；设置概率阈值，调整并确定最终的报酬分布参数，使参与者评估的获得目标报酬的概率低于概率阈值，只有选择维持数据质量才能保持报酬的价值。2.根据权利要求1所述的基于羊群效应的移动群智感知系统质量保障方法，其特征在于，先行参与者通过如下方法得到：通过下式计算得到参与者的潜力值：其中，是参与者g
i
完成任务n
j
后的潜力值，是g
i
完成任务n
j
前的预期提交数据质量，是g
i
完成任务n
j
时实际提交的数据质量；其中，α是的系数，且α∈(0,1)，(1-α)是的系数；∈是和的指数因子；γ是规模因子，且γ>1；依据潜力值由大到小的顺序对参与者进行排序，选择前μ个参与者成为先行参与者，先行参与者g
i
奖金值为其中μ为预设值。3.根据权利要求2所述的基于羊群效应的移动群智感知系统质量保障方法，其特征在于，其他参与者基于先行参与者形成的参与者决策锚点进行决策，其他参与者基于参与者决策锚点产生的决策偏差根据如下公式进行计算获得：
其中，δ是其他参与者基于参与者决策锚点进行决策时存在的决策偏差，称为羊群因子；θ
i
是参与者g
i
的潜力值，t是其他参与者基于参与者决策锚点所完成的任务次数；基于羊群因子，构建其他参与者实际提交的数据质量函数：其中，是其他参与者的实际提交数据质量的平均值，是在没有先行参与者作为决策锚点时其他参与者提交数据质量的平均值。4.根据权利要求3所述的基于羊群效应的移动群智感知系统质量保障方法，其特征在于，吸引移动用户参与与并提交高质量数据的条件如下：其中，和分别表示参与者g
i
和g
j
对移动用户g
k
的影响程度的量化结果；h是实际提交数据质量高于所有参与者实际提交的数据质量的平均值的参与者的数量，l则是实际提交数据质量低于的参与者的数量；b
k,m
是g
k
完成任务n
m
的预期基础报酬；ρ
ik
是g
i
与g
k
之间的相关程度；分别表示g
i
和g
k
完成任务n
m
的实际提交数据质量；w
i
和w
j
分别表示g
i
和g
j
的权重；移动用户选择对其影响的量化结果更大的决策锚点进行决策，当提交高质量数据的参与者集合形成的决策锚点对移动用户决策的影响的量化结果更大时，移动用户选择基于这一类参与者形成的决策锚点。5.根据权利要求4所述的基于羊群效应的移动群智感知系统质量保障方法，其特征在于，满足提交高质量数据的参与者集合形成的决策锚点对移动用户决策的影响的量化结果更大条件下的最小阈值为羊群阈值大条件下的最小阈值为羊群阈值大条件下的最小阈值为羊群阈值其他参与者提交高质量数据的概率按照以下公式进行计算：其中，是其他参与者在完成t轮任务后提交高质量数据的概率；是在随机因素影响下参与者实际提交数据质量的随机波动率；且和自变量满足的函数关系为
基于羊群因子δ最大化，实现最大化，调整先行参与者数量和奖金，使得满足时，得到最终的先行参与者的数量和奖金。6.根据权利要求1至5任一项所述的基于羊群效应的移动群智感知系统质量保障方法，其特征在于，报酬分布方案如下所示：征在于，报酬分布方案如下所示：其中，是报酬满足的分布，是这一阶段参与者g
i
完成任务n
j
的报酬；是报酬分布阈值；令小于的报酬满足正态分布；而大于的报酬满足极值分布；μ
b
和μ
e
分别是正态分布和极值分布的均值，σ
b
和σ
e
分别是正态分布和极值分布的标准差；ζ是高报酬决定因子；其中，是正态分布报酬的概率密度函数，则是极值分布报酬的概率密度函数，则约束条件的不等式左边表示在维持参与者数据质量阶段中每次任务支付的报酬；另外，b
r
和n
r
分别表示剩余平台预算以及剩余任务数，而是目标报酬，则不等式的右边表示目标报酬和剩余的平台预算能够支付的报酬中的较小值。7.根据权利要求6所述的基于羊群效应的移动群智感知系统质量保障方法，其特征在于，参与者的不同的历史报酬对其决策的影响权重值函数如下：其中，w(j)是参与者g
i
第j轮任务的报酬的权重值，1≤j≤k，k是g
i
完成的任务总数；λ是影响力衰减因子，λ∈(0,1)，β是极值因子，β∈(0,1)；参与者对下一轮任务的预期报酬基于其获得的历史报酬和对应的权重值计算获得：其中，是参与者g
i
对第k+1轮任务的预期报酬；和分别表示第k轮任务中正态分
布报酬和极值分布报酬的均值；参与者的预期报酬增长率函数表示如下：其中，表示参与者g
i
在第k+1轮任务的预期报酬的增长率，是参与者g
i
在第k轮任务中获得的报酬，t为完成一轮任务的时间；构建参与者获得目标报酬的概率函数：其中，表示参与者g
i
在第k+1轮任务时获得目标报酬的概率，表示所有参与者提交低质量数据时所获得的报酬均值，是目标报酬。8.根据权利要求7所述的基于羊群效应的移动群智感知系统质量保障方法，其特征在于，设置概率阈值表示参与者判断能够获得目标报酬的最小概率，参与者根据判断结果是否继续提交高质量数据；当时，调整报酬分布均值，降低参与者获得目标报酬概率的计算结果，报酬分布调整大小按照如下公式计算获得：其中，表示第k轮任务的极值分布报酬的均值的调整量，是第k轮任务的极值分布报酬的均值；减小报酬分布均值后，参与者的预期报酬、预期报酬增长率，以及获得目标报酬的概率均相应减小，直到小于概率阈值，参与者只有维持数据质量才能维持报酬。9.一种电子设备，其特征在于，包括：存储器，其存储有计算机程序；处理器，用于执行所述计算机程序时，实现如权利要求1至8任一项所述的基于羊群效应的移动群智感知系统质量保障方法。10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于羊群效应的移动群智感知系统质量保障方法。

技术总结
本发明公开了一种基于羊群效应的移动群智感知系统质量保障方法、设备及介质，首先选择提交高质量数据的先行参与者作为其他参与者的决策锚点，通过向先行参与者分配奖金，使其他参与者在提交高质量数据和高报酬之间建立联系，提高了数据质量；在此基础上将所有参与者根据提交的数据质量分为两类，作为移动用户的决策锚点，通过调整先行参与者的数量和奖金，增加了提交高质量数据的参与者人数，从而提高了这部分参与者对移动用户决策的吸引力，使更多移动用户参与任务并提交高质量数据；然后，重新设计报酬分布，既保证了平台的预算，还能够通过调整报酬分布参数引导参与者为了维持报酬而维持数据质量，最终提高了平台收集到的所有数据的质量。的所有数据的质量。的所有数据的质量。


技术研发人员：李登 梁颖秋 刘佳琦 许虎城
受保护的技术使用者：中南大学
技术研发日：2022.06.14
技术公布日：2022/11/1