一种群智感知任务分配方法及其相关设备

1.本发明涉及群智感知数据获取技术领域，特别涉及一种群智感知任务分配方法及其相关设备。


背景技术：

2.群智感知是结合众包思想和移动设备感知能力的一种新的数据获取模式，仅利用用户的智能设备，就可以以很低的成本动态收集感知数据。
3.群智感知中一个关键的问题是招募足够的参与者以实现任务的高覆盖率。群智感知中的任务有位置的属性，任务的高覆盖率意味着带着感知设备的参与者能够收集大范围地区的数据，群智感知任务覆盖率的高低会决定群智感知服务的有效性。例如，在导航系统中，只有知道了全城的道路交通拥堵信息，才能做出精准的避拥堵的路径推荐，低覆盖率的交通信息会影响路径推荐的有效性。因此，设计一个有效的任务分配方法，去选择合适的参与者以提高群智感知任务的覆盖率是有必要的。在提高群智感知覆盖率的同时，需要考虑任务时效性的约束。因为群智感知任务的时效性决定了过时的数据将变得没有价值。然而，在现实中，参与者的移动轨迹是不确定的。参与者无法保证在规定时间内到达指定的任务区域完成任务。这就使得群智感知任务的最终覆盖率是不确定的，进而无法保证群智感知任务的有效性。因此，如果能设计合理的任务分配机制，通过选择合适的参与者，能够提高覆盖率的同时降低不确定性，便能保证群智感知服务的有效性和稳定性。
4.现有的提高群智感知覆盖率的任务分配方法存在一些问题，当前大部分的分配方法均没有考虑不确定性的影响。当参与者移动轨迹是不确定的时候，平台和参与者自身均无法保证其能否在规定时间内完成任务，即使这些方法通过最优化的方式选择了成本低，质量高的参与者参与任务，也会因为不确定性的存在，使得这些方法在真实环境下的运行结果与预期结果严重偏离。例如：参与者会因为交通拥堵无法覆盖足够的任务区域；某两个目标参与者行驶轨迹相同，收集的数据重复从而造成了浪费。不确定性的存在会使得这些不考虑不确定性的最优任务分配策略失效，变得不再是最优的。除了上述的研究，也有一些任务分配方法考虑了不确定性的影响，但仅仅考虑了不确定性的影响，而没有消除它。这些方法通过招募更多的参与者去降低不确定性产生的影响。通过招聘额外参与者增加冗余从而降低不确定性的做法会降低群智感知任务整体的覆盖率，进而降低群智感知任务的有效性。其他的任务分配方法，希望通过预测用户的移动轨迹来消除不确定性，然而仅仅通过参与者的历史轨迹是很难在预测其未来轨迹时有一个很高的准确率。以出租车司机为例，这些方法只能学习出租车司机自身的移动模式，而出租车未来的轨迹却会受到客户需求、路况、交通管制等多种因素的影响，出租车司机会灵活调整行驶路线，使其最终的行驶轨迹很难被预测。同时，既然预测单个目标参与者移动轨迹的准确率不高，想要预测多个目标参与者，并判断他们未来的轨迹是否会重合，进而浪费资源的难度会更大。由于这些方法降低不确定性的有效性取决于对轨迹的预测精度，因此在低准确率的情况下，这些方法无法有效消除不确定性。


技术实现要素：

5.本发明提供了一种群智感知任务分配方法及其相关设备，其目的是为了在降低不确定性对任务覆盖率的影响的同时提高任务覆盖率。
6.为了达到上述目的，本发明提供了一种群智感知任务分配方法，包括：
7.步骤1，在群智感知平台中获取多个目标参与者的历史轨迹数据，根据历史轨迹数据判断每个目标参与者的移动模式，移动模式包括车辆速度和车辆轨迹的区域分布；
8.步骤2，根据每个目标参与者的移动模式，计算每个目标参与者的自身覆盖率以及自身覆盖率的不确定性，其中，自身覆盖率表征目标参与者的车辆轨迹覆盖的任务区域的数量，自身覆盖率的不确定性表征自身覆盖率的波动；
9.步骤3，分别针对每个目标参与者，将任意两个目标参与者的车辆轨迹进行比对，得到两个车辆轨迹之间的相关性，并根据相关性计算两个目标参与者之间覆盖率的不确定性；
10.步骤4，根据自身覆盖率、自身覆盖率的不确定性以及目标参与者之间覆盖率的不确定性，将多个目标参与者进行组合，得到组合结果，并计算组合结果的整体覆盖率以及整体覆盖率的不确定性；
11.步骤5，根据整体覆盖率以及整体覆盖率的不确定性，计算整体覆盖率的不确定性的范围，基于整体覆盖率的不确定性的范围，设置用于控制整体覆盖率以及整体覆盖率的不确定性的调控因子；
12.步骤6，根据调控因子对整体覆盖率以及整体覆盖率的不确定性进行求解，得到组合权重矩阵，并基于组合权重矩阵确定目标参与者的组合方案；
13.步骤7，根据目标参与者的组合方案进行任务分配，得到任务分配结果。
14.进一步来说，在步骤2中，每个目标参与者的自身覆盖率为：
[0015][0016]
其中，表示第i个目标参与者完成第t轮任务所产生的覆盖率均值，表示第i个目标参与者完成第t轮任务的车辆轨迹经过的区域集合，表示区域集合中目标区域的数量，lm表示区域集合中第m个目标区域，vm表示第m个目标区域的覆盖率；
[0017]
根据每个目标参与者的自身覆盖率的标准差，每个目标参与者自身覆盖率的不确定性为：
[0018][0019]
其中，表示第i个目标参与者的自身覆盖率的不确定性，ni表示第i个目标参与者累计完成任务的数量，vi表示目标参与者完成所有任务所产生的覆盖率均值。
[0020]
进一步来说，在步骤3中，引用全局序列比对算法计算两个目标参与者之间覆盖率的不确定性为：
[0021][0022]
其中，表示第i1个目标参与者和第i2个目标参与者之间覆盖率的不确定性，表示第i1个目标参与者优化的最优比对路径，表示第i2个目标参与者优化的最优比对路径，表示最优比对路径的长度，表示和中一样节点的个数。
[0023]
进一步来说，在步骤4中，将多个目标参与者进行组合，得到组合结果，并对组合结果中的各个目标参与者的自身覆盖率进行加权计算，得到整体覆盖率v
p
为：
[0024][0025]
其中，i表示组合目标参与者的人数；wi表示第i个目标参与者在组合中所占的权重；
[0026]
根据两个目标参与者之间覆盖率的相关性，通过对目标参与者的自身覆盖率进行两两加权组合相加，得到整体覆盖率的不确定性为：
[0027][0028]
其中，表示整体覆盖率的不确定性。
[0029]
进一步来说，在步骤5中，调控因子的表达式为：
[0030][0031][0032][0033]
其中，λ为群智感知平台设置的对于不确定性与覆盖率的权衡，范围为(0,1)，λ越大，群智感知平台越倾向于增加任务整体覆盖率的不确定性；表示组合目标参与者后整体覆盖率的不确定性的最大值；表示组合目标参与者后整体覆盖率的不确定性的最小值；f(
·
)表示在最优的情况下时v
p
关于φ
p
的函数关系，a＝v
t
a-1
v，b＝v
t
a-11i
，，v表示所有目标参与者完成任务的覆盖率均值构成的矩阵，a表示目标参与者之间覆盖率的协方差矩阵，1i表示1
×
i全为1的矩阵，v
t
表示v的矩阵
转置，a-1
表示矩阵a求逆，表示矩阵1i转置，λi为第i个目标参与者的不确定性的协方差矩阵的特征值，表示所有目标参与者自身覆盖率的不确定性的最小值，表示所有目标参与者自身覆盖率的不确定性的最大值。
[0034]
进一步来说，在步骤6中，根据调控因子对整体覆盖率以及整体覆盖率的不确定性进行求解，得到组合权重矩阵为：
[0035][0036]
其中，a-1
表示矩阵a求逆，v
p
表示整体覆盖率，表示整体覆盖率，表示整体覆盖率的不确定性，v表示所有目标参与者完成任务的覆盖率均值构成的矩阵。
[0037]
进一步来说，目标参与者的组合方案为组合权重矩阵中前大的权重对应的目标参与者，表示选择目标参与者的数量。
[0038]
本发明还提供了一种群智感知任务分配装置，包括：
[0039]
获取模块，用于在群智感知平台中获取多个目标参与者的历史轨迹数据，根据历史轨迹数据判断每个目标参与者的移动模式，移动模式包括车辆速度和车辆轨迹的区域分布；
[0040]
计算模块，用于根据每个目标参与者的移动模式，计算每个目标参与者的自身覆盖率以及自身覆盖率的不确定性，其中，自身覆盖率表征目标参与者的车辆轨迹覆盖的任务区域的数量，自身覆盖率的不确定性表征自身覆盖率的波动；
[0041]
比对模块，用于分别针对每个目标参与者，将任意两个目标参与者的车辆轨迹进行比对，得到两个车辆轨迹之间的相关性，并根据相关性计算两个目标参与者之间覆盖率的不确定性；
[0042]
组合模块，用于根据自身覆盖率、自身覆盖率的不确定性以及目标参与者之间覆盖率的不确定性，将多个目标参与者进行组合，得到组合结果，并计算组合结果的整体覆盖率以及整体覆盖率的不确定性；
[0043]
调控因子设置模块，用于根据整体覆盖率以及整体覆盖率的不确定性，计算整体覆盖率的不确定性的范围，基于整体覆盖率的不确定性的范围，设置用于控制整体覆盖率以及整体覆盖率的不确定性的调控因子；
[0044]
求解模块，用于根据调控因子对整体覆盖率以及整体覆盖率的不确定性进行求解，得到组合权重矩阵，并基于组合权重矩阵确定目标参与者的组合方案；
[0045]
任务分配模块，用于根据目标参与者的组合方案进行任务分配，得到任务分配结果。
[0046]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时，实现群智感知任务分配方法。
[0047]
本发明还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现群智感知任务分配方法。
[0048]
本发明的上述方案有如下的有益效果：
[0049]
本发明通过在群智感知平台中获取多个目标参与者的历史轨迹数据，根据历史轨
迹数据判断每个目标参与者的移动模式；根据每个目标参与者的移动模式，计算每个目标参与者的自身覆盖率以及自身覆盖率的不确定性，自身覆盖率表征目标参与者的车辆轨迹覆盖的任务区域的数量，自身覆盖率的不确定性表征自身覆盖率的波动；分别针对每个目标参与者，将任意两个目标参与者的车辆轨迹进行比对，得到两个车辆轨迹之间的相关性，并根据相关性计算两个目标参与者之间覆盖率的不确定性；根据自身覆盖率、自身覆盖率的不确定性以及目标参与者之间覆盖率的不确定性，将多个目标参与者进行组合，得到组合结果，并计算组合结果的整体覆盖率以及整体覆盖率的不确定性；根据整体覆盖率以及整体覆盖率的不确定性，计算整体覆盖率的不确定性的范围，基于整体覆盖率的不确定性的范围，设置用于控制整体覆盖率以及整体覆盖率的不确定性的调控因子；根据调控因子对整体覆盖率以及整体覆盖率的不确定性进行求解，得到组合权重矩阵，并基于组合权重矩阵确定目标参与者的组合方案；根据目标参与者的组合方案进行任务分配，得到任务分配结果；与现有技术相比，本发明通过量化参与者自身覆盖率的不确定性以及参与者之间的不确定性，利用波动衡量了参与者自身的不确定性，利用相关性衡量了参与者间的不确定性，并通过组合参与者消除整体任务完成的不确定性。并通过最优化方法找到了最优的参与者组合，以最大化任务覆盖率并且最小化任务完成的不确定性，能够在任务时效性的约束下，提高群智感知任务的覆盖率，并降低覆盖率的不确定性，使得群智感知的服务更加稳定。
[0050]
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
[0051]
图1为本发明实施例的流程示意图；
[0052]
图2为本发明实施例提供的任务分配示意图；
[0053]
图3为本发明实施例中覆盖率的不确定性的变化图；
[0054]
图4为本发明实施例与现有技术在覆盖率上的对比图。
具体实施方式
[0055]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例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前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0057]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本
发明中的具体含义。
[0058]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0059]
本发明针对现有的问题，提供了一种群智感知任务分配方法及其相关设备。
[0060]
如图1所示，本发明的实施例提供了一种群智感知任务分配方法，包括：
[0061]
步骤1，在群智感知平台中获取多个目标参与者的历史轨迹数据，根据历史轨迹数据判断每个目标参与者的移动模式，移动模式包括车辆速度和车辆轨迹的区域分布；
[0062]
步骤2，根据每个目标参与者的移动模式，计算每个目标参与者的自身覆盖率以及自身覆盖率的不确定性，其中，自身覆盖率表征目标参与者的车辆轨迹覆盖的任务区域的数量，自身覆盖率的不确定性表征自身覆盖率的波动；
[0063]
步骤3，分别针对每个目标参与者，将任意两个目标参与者的车辆轨迹进行比对，得到两个车辆轨迹之间的相关性，并根据相关性计算两个目标参与者之间覆盖率的不确定性；
[0064]
步骤4，根据自身覆盖率、自身覆盖率的不确定性以及目标参与者之间覆盖率的不确定性，将多个目标参与者进行组合，得到组合结果，并计算组合结果的整体覆盖率以及整体覆盖率的不确定性；
[0065]
步骤5，根据整体覆盖率以及整体覆盖率的不确定性，计算整体覆盖率的不确定性的范围，基于整体覆盖率的不确定性的范围，设置用于控制整体覆盖率以及整体覆盖率的不确定性的调控因子；
[0066]
步骤6，根据调控因子对整体覆盖率以及整体覆盖率的不确定性进行求解，得到组合权重矩阵，并基于组合权重矩阵确定目标参与者的组合方案；
[0067]
步骤7，根据目标参与者的组合方案进行任务分配，得到任务分配结果。
[0068]
本发明实施例中，先建立一个群智感知系统环境，如图2所示，群智感知任务分配机制中包括：任务请求方、群智感知平台和参与者；参与者可以是拥有智能设备(例如手机或平板电脑)的出租车司机，参与者集合为g＝{g1,g2,
…
,gi,
…
,gi}，其中gi表示第i个参与者，i表示参与者总数。假设l＝{l1,l2,
…
,lm,
…
,lm}表示需要完成任务地区的集合，lm表示第m个任务地区的任务。群智感知平台与参与者的主要交互包括：
[0069]
(1)群智感知平台发布任务信息，在每一次任务发布时，群智感知平台会发布m个任务及其任务区域；
[0070]
(2)参与者决定是否参与任务，参与者会根据自身情况决定是否参与任务，并将决策情况返回给群智感知平台；
[0071]
(3)群智感知平台选择参与者，群智感知平台收到参与者的决策后，会根据本发明所提供的群智感知任务分配方法从愿意参与任务的参与者中选择合适的目标参与者参与任务；
[0072]
(4)目标参与者完成任务，目标参与者开始收集数据，在收集完成后，目标参与者将收集到的数据发送给群智感知平台；
[0073]
(5)群智感知平台确认数据。
[0074]
具体来说，目标参与者的自身覆盖率体现为该目标参与者在规定时间内，其移动的轨迹所经过的区域的任务覆盖率；目标参与者在高任务覆盖率区域活动，或者扩大其单
位时间内的活动范围都会增加其完成任务的覆盖率；由于目标参与者的移动轨迹具有不确定性，无法预测未来目标参与者的自身覆盖率，因此通过目标参与者的历史轨迹数据中的历史覆盖率均值来评估目标参与者当前的自身覆盖率，计算每个目标参与者的自身覆盖率为：
[0075][0076]
其中，表示第i个目标参与者完成第t轮任务所产生的覆盖率均值，表示第i个目标参与者完成第t轮任务的车辆轨迹经过的区域集合，表示区域集合中目标区域的数量，lm表示区域集合中第m个目标区域，vm表示第m个目标区域的覆盖率。
[0077]
由于目标参与者的移动轨迹是不确定的，所以其完成任务的覆盖率也是不确定的，直观的体现就是在不同时段参与者完成任务的覆盖率存在波动性，所以，将目标参与者自身覆盖率的不确定性定义为过去完成任务覆盖率的标准差，计算每个目标参与者自身覆盖率的不确定性为：
[0078][0079]
其中，表示第i个目标参与者的自身覆盖率的不确定性，ni表示第i个目标参与者累计完成任务的数量，vi表示目标参与者完成所有任务所产生的覆盖率均值。
[0080]
具体来说，由于目标参与者的自身覆盖率的不确定性会受到参与者间相关性的影响，如果两个目标参与者的相关性较高，则其轨迹经过的任务区域较为相似，则同时选择这两个目标参与者会增加完成任务的不确定性；计算两个目标参与者之间的相关性，需要比较所有目标参与者所经过的任务区域，且存在时间空间错位的情况，即在不同时间段，两个目标参与者可能经过同一段区域，因此引用全局序列比对算法计算两个目标参与者之间覆盖率的不确定性为：
[0081][0082]
其中，表示第i1个目标参与者和第i2个目标参与者之间覆盖率的不确定性，表示第i1个目标参与者优化的最优比对路径，表示第i2个目标参与者优化的最优比对路径，表示最优比对路径的长度，表示和中一样节点的个数。
[0083]
本发明实施例采用的全局序列比算法可以更准确的比较两个序列之间的相似性，还可以利用动态规划，以更快的速度进行复杂的比较从而计算出最佳比对结果。
[0084]
具体来说，由于每个目标参与者的自身覆盖率都是独立的，因此还需要讨论由不同目标参与者组合而成的整体覆盖率，整体覆盖率可以由各个目标参与者的自身覆盖率加权得到；本发明实施例将多个目标参与者进行组合，得到组合结果，并对组合结果中的各个
目标参与者的自身覆盖率进行加权计算，得到整体覆盖率v
p
为：
[0085][0086]
其中，i表示组合结果中目标参与者的人数；wi表示第i个目标参与者在组合结果中所占的权重。
[0087]
具体来说，由于不确定性不仅包括单个目标参与者的不确定性，还包括两个目标参与者之间的相关性引起的不确定性，这使得整体的不确定性不能通过简单的加权求和得到，需要通过将目标参与者两两进行组合再相加去获得；因此本发明实施例根据两个目标参与者之间覆盖率的相关性，通过对目标参与者的自身覆盖率两两进行加权再组合相加，得到整体覆盖率的不确定性为：
[0088][0089]
其中，表示整体覆盖率的不确定性。
[0090]
具体来说，本发明实施例定义了群智感知平台的最优化目标为：
[0091]
(1)在相同的不确定性下，任务完成的覆盖率最高；
[0092]
(2)在相同任务覆盖率的情况下，任务完成覆盖率的不确定性最低。
[0093]
对于上述的两个目标优化问题的求解，会得到一系列最优的组合解，这一系列最优组合解对应着不同的任务完成覆盖率和不确定性，因此还需要根据群智感知平台对于不确定性与覆盖率的权衡来确定调控因子，以确定最适合群智感知平台的唯一最优解，最优化目标的表达式为：
[0094][0095]
其中，表示因为组合权重不同，产生的无数对可能的组合覆盖率和不确定性的组合对。
[0096]
具体来说，在不同的情况下，目标参与者不确定性的不同会使得群智感知平台可以设置调控因子的范围是不同的，因此，为了方便对该因子进行的规范化设置，本发明实施例对调控因子进行归一化处理，进而对该调控因子进行标准化设置，假设设置的值为只要找到了与调控因子的映射关系，便能确定调控因子的大小，但只有知道了组合结果的不确定性和组合结果的覆盖率在最优情况下的关系，才能得到最终的调控因子的大小。
[0097]
为了让群智感知平台可以进行标准化设置，本发明实施例对调控因子进行归一化处理，即调控因子的表达式为：
[0098][0099]
其中，为群智感知平台设置的对于不确定性与覆盖率的权衡，范围为(0,1)，越大，群智感知平台越倾向于增加任务整体覆盖率的不确定性；表示组合目标参与者后整体覆盖率的不确定性的最大值；表示组合目标参与者后整体覆盖率的不确定性的最小值；f(
·
)表示在最优的情况下时v
p
关于的函数关系，a＝v
t
a-1
v，b＝v
t
a-11i
，，v表示所有目标参与者完成任务的覆盖率均值构成的矩阵，a表示目标参与者之间覆盖率的协方差矩阵，1i表示1
×
i全为1的矩阵，v
t
表示v的矩阵转置，a-1
表示矩阵a求逆，表示矩阵a求逆，表示和的协方差，表示矩阵1i转置。
[0100]
调控因子的大小不可能大于所有组合结果的最大覆盖率，同时，为了避免次优解的存在，需要让调控因子大于所有组合结果中最小的覆盖率的不确定性，所以得出了组合结果的不确定性的范围，便可得出调控因子的范围。
[0101]
其中，按如下公式计算：
[0102][0103]
其中，λi为第i个目标参与者的不确定性的协方差矩阵的特征值，表示所有目标参与者自身覆盖率的不确定性的最小值；
[0104]
其中，按如下公式计算：
[0105][0106]
表示所有目标参与者自身覆盖率的不确定性的最大值。
[0107]
调控因子体现的是在不确定性变化时，组合覆盖率变化的基准，通过对这个最优化问题求解得到的最优的组合权重矩阵，便可用来确定最优的目标参与者组合。根据调控因子对整体覆盖率以及整体覆盖率的不确定性进行求解，得到组合权重矩阵为：
[0108][0109]
其中，a-1
表示矩阵a求逆，v
p
表示整体覆盖率，表示整体覆盖率，表示整体覆盖率的不确定性，v表示所有目标参与者完成任务的覆盖率均值构成的矩阵；目标参与者的组合方案为组合权重矩阵中前大的权重对应的目标参与者，表示选择目标参与者的数量。
[0110]
本发明实施例与现有技术相比，本发明通过量化参与者自身覆盖率的不确定性以
及参与者之间的不确定性，利用波动衡量了参与者自身的不确定性，利用相关性衡量了参与者间的不确定性，并通过组合参与者消除整体任务完成的不确定性。并通过最优化方法找到了最优的参与者组合，以最大化任务覆盖率并且最小化任务完成的不确定性，能够在任务时效性的约束下，提高群智感知任务的覆盖率，并降低覆盖率的不确定性，使得群智感知的服务更加稳定。
[0111]
在本发明实施例中，首先评估了目标参与者对组合结果的不确定性的影响，如图3所示，展示的是组合结果的不确定性随目标参与者的数量变化的趋势。由图可见，随着组合结果中目标参与者数量的增加，不确定性的最大值和最小值均有所下降，这是因为随着目标参与者数量的增加，可供选择的目标参与者组合增加了；同时，由于相关性较低时，目标参与者的覆盖率波动不会同步发生，当组合结果中某个目标参与者的覆盖率下降时，另一个目标参与者的覆盖率可能上升，从而减少组合结果的不确定性。同时可以发现，组合结果的不确定性的范围的大小不会随着目标参与者数量的变化而变化，处于一个比较稳定的波动的范围。由此可见，最后目标参与者组合可以降低整体覆盖率的整体不确定性。
[0112]
为了更进一步评估本发明实施例提供的方法的性能，本发明实施例也与最新的dlmv机制进行对比，如图4所示。该图的设置是，随机挑选五个参与者，并从五个参与者中选择三个目标参与者参与任务，并比较这三个目标参与者的自身覆盖度的大小。由图可以发现，本发明实施例所提供的方法的不确定性小于对比方法的不确定性。同时，本发明实施例所提供的方法的平均覆盖度为13.63，远大于对比方法的11.35。这既体现了我们发明能够在覆盖率与不确定性之间找到最优解，能够最大化整体覆盖率与最小化整体不确定性；也能够通过调节调控因子去权衡不确定性与覆盖率，在这两者之间进行调整。
[0113]
本发明还提供了一种群智感知任务分配装置，包括：
[0114]
获取模块，用于在群智感知平台中获取多个目标参与者的历史轨迹数据，根据历史轨迹数据判断每个目标参与者的移动模式，移动模式包括车辆速度和车辆轨迹的区域分布；
[0115]
计算模块，用于根据每个目标参与者的移动模式，计算每个目标参与者的自身覆盖率以及自身覆盖率的不确定性，其中，自身覆盖率表征目标参与者的车辆轨迹覆盖的任务区域的数量，自身覆盖率的不确定性表征自身覆盖率的波动；
[0116]
比对模块，用于分别针对每个目标参与者，将任意两个目标参与者的车辆轨迹进行比对，得到两个车辆轨迹之间的相关性，并根据相关性计算两个目标参与者之间覆盖率的不确定性；
[0117]
组合模块，用于根据自身覆盖率、自身覆盖率的不确定性以及目标参与者之间覆盖率的不确定性，将多个目标参与者进行组合，得到组合结果，并计算组合结果的整体覆盖率以及整体覆盖率的不确定性；
[0118]
调控因子设置模块，用于根据整体覆盖率以及整体覆盖率的不确定性，计算整体覆盖率的不确定性的范围，基于整体覆盖率的不确定性的范围，设置用于控制整体覆盖率以及整体覆盖率的不确定性的调控因子；
[0119]
求解模块，用于根据调控因子对整体覆盖率以及整体覆盖率的不确定性进行求解，得到组合权重矩阵，并基于组合权重矩阵确定目标参与者的组合方案；
[0120]
任务分配模块，用于根据目标参与者的组合方案进行任务分配，得到任务分配结
programmable gate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0128]
所述存储器在一些实施例中可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器在另一些实施例中也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(smc，smart media card)，安全数字(sd，secure digital)卡，闪存卡(flash card)等。进一步地，所述存储器还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0129]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本发明实施例方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0130]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种群智感知任务分配方法，其特征在于，包括：步骤1，在群智感知平台中获取多个目标参与者的历史轨迹数据，根据所述历史轨迹数据判断每个所述目标参与者的移动模式，所述移动模式包括车辆速度和车辆轨迹的区域分布；步骤2，根据每个所述目标参与者的移动模式，计算每个所述目标参与者的自身覆盖率以及所述自身覆盖率的不确定性，其中，所述自身覆盖率表征所述目标参与者的车辆轨迹覆盖的任务区域的数量，所述自身覆盖率的不确定性表征所述自身覆盖率的波动；步骤3，分别针对每个所述目标参与者，将任意两个所述目标参与者的车辆轨迹进行比对，得到两个车辆轨迹之间的相关性，并根据所述相关性计算两个所述目标参与者之间覆盖率的不确定性；步骤4，根据所述自身覆盖率、所述自身覆盖率的不确定性以及所述目标参与者之间覆盖率的不确定性，将多个所述目标参与者进行组合，得到组合结果，并计算所述组合结果的整体覆盖率以及所述整体覆盖率的不确定性；步骤5，根据所述整体覆盖率以及所述整体覆盖率的不确定性，计算所述整体覆盖率的不确定性的范围，基于所述整体覆盖率的不确定性的范围，设置用于控制所述整体覆盖率以及所述整体覆盖率的不确定性的调控因子；步骤6，根据所述调控因子对所述整体覆盖率以及所述整体覆盖率的不确定性进行求解，得到组合权重矩阵，并基于所述组合权重矩阵确定所述目标参与者的组合方案；步骤7，根据所述目标参与者的组合方案进行任务分配，得到任务分配结果。2.根据权利要求1所述的群智感知任务分配方法，其特征在于，在所述步骤2中，每个所述目标参与者的自身覆盖率为：其中，表示第i个目标参与者完成第t轮任务所产生的覆盖率均值，表示第i个目标参与者完成第t轮任务的车辆轨迹经过的区域集合，表示区域集合中目标区域的数量，l
m
表示区域集合中第m个目标区域，v
m
表示第m个目标区域的覆盖率；根据每个所述目标参与者的自身覆盖率的标准差，每个所述目标参与者自身覆盖率的不确定性为：其中，表示第i个目标参与者的自身覆盖率的不确定性；n
i
表示第i个目标参与者累计完成任务的数量；v
i
表示目标参与者完成所有任务所产生的覆盖率均值。3.根据权利要求2所述的群智感知任务分配方法，其特征在于，在所述步骤3中，引用全局序列比对算法计算两个所述目标参与者之间覆盖率的不确定性为：
其中，表示第i1个目标参与者和第i2个目标参与者之间覆盖率的不确定性；表示第i1个目标参与者优化的最优比对路径；表示第i2个目标参与者优化的最优比对路径；表示最优比对路径的长度；表示和中一样节点的个数。4.根据权利要求3所述的群智感知任务分配方法，其特征在于，在所述步骤4中，将多个所述目标参与者进行组合，得到组合结果，并对所述组合结果中的各个所述目标参与者的自身覆盖率进行加权计算，得到整体覆盖率v
p
为：其中，i表示组合目标参与者的人数；w
i
表示第i个目标参与者在组合中所占的权重；根据两个所述目标参与者之间覆盖率的相关性，通过对所述目标参与者的自身覆盖率进行两两加权组合相加，得到所述整体覆盖率的不确定性为：其中，表示整体覆盖率的不确定性。5.根据权利要求4所述的群智感知任务分配方法，其特征在于，在所述步骤5中，所述调控因子的表达式为：的表达式为：的表达式为：其中，为群智感知平台设置的对于不确定性与覆盖率的权衡，范围为(0,1)，越大，群智感知平台越倾向于增加任务整体覆盖率的不确定性；表示组合目标参与者后整体覆盖率的不确定性的最大值；表示组合目标参与者后整体覆盖率的不确定性的最小值；f(
·
)表示在最优的情况下时v
p
关于的函数关系，a＝v
t
a-1
v，b＝v
t
a-11i
，，v表示所有目标参与者完成任务的覆盖率均值构成的矩阵，a表示目标参与者之间覆盖率的协方差矩阵，1
i
表示1
×
i全为1的矩阵，v
t
表示v的矩阵转
置，a-1
表示矩阵a求逆，表示矩阵1
i
转置，λ
i
为第i个目标参与者的不确定性的协方差矩阵的特征值，表示所有目标参与者自身覆盖率的不确定性的最小值，表示所有目标参与者自身覆盖率的不确定性的最大值。6.根据权利要求5所述的群智感知任务分配方法，其特征在于，在所述步骤6中，根据所述调控因子对所述整体覆盖率以及所述整体覆盖率的不确定性进行求解，得到组合权重矩阵为：其中，a-1
表示矩阵a求逆，v
p
表示整体覆盖率，表示整体覆盖率，表示整体覆盖率的不确定性，v表示所有目标参与者完成任务的覆盖率均值构成的矩阵。7.根据权利要求6所述的群智感知任务分配方法，其特征在于，所述目标参与者的组合方案为所述组合权重矩阵中前大的权重对应的目标参与者，表示选择目标参与者的数量。8.一种群智感知任务分配装置，其特征在于，包括：获取模块，用于在群智感知平台中获取多个目标参与者的历史轨迹数据，根据所述历史轨迹数据判断每个所述目标参与者的移动模式，所述移动模式包括车辆速度和车辆轨迹的区域分布；计算模块，用于根据每个所述目标参与者的移动模式，计算每个所述目标参与者的自身覆盖率以及所述自身覆盖率的不确定性，其中，所述自身覆盖率表征所述目标参与者的车辆轨迹覆盖的任务区域的数量，所述自身覆盖率的不确定性表征所述自身覆盖率的波动；比对模块，用于分别针对每个所述目标参与者，将任意两个所述目标参与者的车辆轨迹进行比对，得到两个车辆轨迹之间的相关性，并根据所述相关性计算两个所述目标参与者之间覆盖率的不确定性；组合模块，用于根据所述自身覆盖率、所述自身覆盖率的不确定性以及所述目标参与者之间覆盖率的不确定性，将多个所述目标参与者进行组合，得到组合结果，并计算所述组合结果的整体覆盖率以及所述整体覆盖率的不确定性；调控因子设置模块，用于根据所述整体覆盖率以及所述整体覆盖率的不确定性，计算所述整体覆盖率的不确定性的范围，基于所述整体覆盖率的不确定性的范围，设置用于控制所述整体覆盖率以及所述整体覆盖率的不确定性的调控因子；求解模块，用于根据所述调控因子对所述整体覆盖率以及所述整体覆盖率的不确定性进行求解，得到组合权重矩阵，并基于所述组合权重矩阵确定所述目标参与者的组合方案；任务分配模块，用于根据所述目标参与者的组合方案进行任务分配，得到任务分配结果。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当该计算机程序被处理器执行时，实现如权利要求1至7任一项所述的群智感知任务分配方法。10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上
运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的群智感知任务分配方法。

技术总结
本发明提供了一种群智感知任务分配方法及其相关设备，包括：在群智感知平台中获取多个目标参与者的历史轨迹数据并判断每个目标参与者的移动模式，计算每个目标参与者的自身覆盖率以及不确定性；分别针对任意两个目标参与者进行车辆轨迹比对，计算两个目标参与者之间覆盖率的不确定性；根据自身覆盖率、不确定性以及目标参与者之间覆盖率的不确定性，将多个目标参与者进行组合得到组合结果，并计算组合结果的整体覆盖率、不确定性以及不确定性的范围，基于不确定性的范围设置调控因子；根据调控因子得到组合权重矩阵并确定目标参与者的最优组合方案；根据最优组合方案得到任务分配结果；在降低不确定性对任务覆盖率的影响的同时提高任务覆盖率。同时提高任务覆盖率。同时提高任务覆盖率。


技术研发人员：刘佳琦 许虎城 李登 曾志文
受保护的技术使用者：中南大学
技术研发日：2023.06.06
技术公布日：2023/9/5