移動(dòng)群智感知質(zhì)量度量與保障理論和方法

胡 健,陶 丹

(北京交通大學(xué) 電子信息工程學(xué)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(dòng)終端處理器、內(nèi)存等硬件設(shè)備的快速發(fā)展和提升,移動(dòng)設(shè)備領(lǐng)域得到了繁榮發(fā)展,攝像頭、麥克風(fēng)、GPS、陀螺儀、加速度計(jì)等傳感器嵌入到以智能手機(jī)、平板電腦為代表的智能移動(dòng)終端中[1].同時(shí)以TD-LTE為代表的第四代移動(dòng)通信技術(shù)的發(fā)展,使得人們可以通過移動(dòng)智能設(shè)備方便快捷地接入互聯(lián)網(wǎng),隨時(shí)隨地獲取所需的服務(wù).據(jù)相關(guān)統(tǒng)計(jì),截至2017年底全球使用移動(dòng)設(shè)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(dòng)智能終端擁有越來越強(qiáng)大的感知、計(jì)算、存儲(chǔ)和通信等能力,可以靈活地提供更大規(guī)模、更復(fù)雜、透徹而全面的感知服務(wù).

學(xué)術(shù)界通常將利用普適的移動(dòng)終端提供感知服務(wù)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(dòng)感知有機(jī)結(jié)合,將普通用戶的移動(dòng)智能設(shè)備作為基本感知單元,通過相互協(xié)作進(jìn)而形成群智感知網(wǎng)絡(luò),實(shí)現(xiàn)感知任務(wù)分發(fā)與感知數(shù)據(jù)收集,完成大規(guī)模的、復(fù)雜的社會(huì)感知任務(wù)[3].有別于基于無線傳感網(wǎng)和物聯(lián)網(wǎng)的感知方式,群智感知是以大量普通用戶作為感知源,強(qiáng)調(diào)利用大眾的廣泛分布性、靈活移動(dòng)性和機(jī)會(huì)連接性進(jìn)行感知,并為城市及社會(huì)管理提供智能輔助支持,廣泛應(yīng)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(wù)等眾多領(lǐng)域[4].

作為一種新型的感知模型,群智感知成為當(dāng)前國內(nèi)外學(xué)術(shù)界、工業(yè)界關(guān)注的焦點(diǎn)和熱點(diǎn)研究領(lǐng)域.國際學(xué)術(shù)界陸續(xù)在IEEE/ACM系列期刊及會(huì)議上發(fā)表了一系列重要研究成果,相關(guān)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(jī)構(gòu)及美國麻省理工學(xué)院、南加利福尼亞大學(xué),英國劍橋大學(xué)、南安普頓大學(xué),新加坡南洋理工大學(xué)等國際知名高校紛紛啟動(dòng)了群智感知算法理論和系統(tǒng)應(yīng)用的研究.我國科研學(xué)者也十分重視該領(lǐng)域研究,清華大學(xué)、北京郵電大學(xué)、上海交通大學(xué)、西北工業(yè)大學(xué)等較早開展該領(lǐng)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(xué)基金、國家重點(diǎn)基礎(chǔ)研究發(fā)展“九七三”計(jì)劃和國家科技重大專項(xiàng)的支持,如:國家自然科學(xué)基金委在2013年將群智感知列為4個(gè)科學(xué)部優(yōu)先資助重點(diǎn)領(lǐng)域之一,設(shè)置了“群智感知網(wǎng)絡(luò)理論與關(guān)鍵技術(shù)”重點(diǎn)項(xiàng)目群.“十三五”國家科技創(chuàng)新規(guī)劃“新一代信息技術(shù)”將人本計(jì)算、智能感知作為重點(diǎn)發(fā)展方向.

目前群智感知的研究方興未艾.然而,國內(nèi)外對(duì)群智感知網(wǎng)絡(luò)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(wǎng)絡(luò)中數(shù)據(jù)傳輸與保護(hù)[5,6]、信息分析與推斷[7,8]、用戶優(yōu)選與激勵(lì)[9]、系統(tǒng)平臺(tái)與應(yīng)用[10,11]等方面,而針對(duì)于感知質(zhì)量度量與保障方面的研究積累并不多.作為移動(dòng)群智感知應(yīng)用的一個(gè)關(guān)鍵性的基礎(chǔ)問題,感知質(zhì)量度量與保障優(yōu)劣是群智感知應(yīng)用成敗的關(guān)鍵.然而,下述移動(dòng)群智感知所獨(dú)有的特點(diǎn)也給感知質(zhì)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(shí)空覆蓋

移動(dòng)群智感知網(wǎng)絡(luò)利用移動(dòng)智能感知設(shè)備進(jìn)行感知,并結(jié)合蜂窩網(wǎng)、WiFi等多種傳輸方式,無需部署維護(hù)感知設(shè)備以及傳輸網(wǎng)絡(luò),大大地降低了系統(tǒng)成本.同時(shí),用戶的泛在特性給科研和應(yīng)用等提供極大的時(shí)間/空間廣度和精度[12].雖然,移動(dòng)群智感知的以上優(yōu)點(diǎn)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(diǎn)是其所不具備的.例如,參與用戶的移動(dòng)性會(huì)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(diǎn)區(qū)域會(huì)形成數(shù)據(jù)冗余,但少量用戶存在的偏僻區(qū)域則會(huì)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(zhì)量

移動(dòng)群智感知中的數(shù)據(jù)是通過移動(dòng)用戶自身攜帶的移動(dòng)智能終端(例如智能手機(jī)或可穿戴設(shè)備)所采集到的,即作為基本單元的感知節(jié)點(diǎn)主要以人與智能終端混合形式存在.移動(dòng)群智感知網(wǎng)絡(luò)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(duì)于用戶感知主客觀行為(屬性/位置/情境/主觀認(rèn)知等)以及所攜帶的感知設(shè)備類型性能(型號(hào)/性能/處理方式等)沒有專業(yè)級(jí)的要求,從而造成感知數(shù)據(jù)質(zhì)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(zhǔn)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(zhì)量,有必要對(duì)這些多源異構(gòu)、且實(shí)時(shí)涌現(xiàn)的海量數(shù)據(jù)進(jìn)行智能分析和挖掘以發(fā)揮其價(jià)值.多源數(shù)據(jù)融合能夠?qū)⒍喾N傳感器提供的數(shù)據(jù)信息進(jìn)行組合,對(duì)有用信息進(jìn)行保留、錯(cuò)誤信息進(jìn)行剔除,通過信息冗余來確保系統(tǒng)可靠性,進(jìn)而實(shí)現(xiàn)信息的優(yōu)化.然而,移動(dòng)用戶感知的數(shù)據(jù)既包括結(jié)構(gòu)化的(標(biāo)量)也包含非結(jié)構(gòu)化的(矢量),時(shí)效性也時(shí)強(qiáng)時(shí)弱,價(jià)值密度也時(shí)高時(shí)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(dòng)群智感知質(zhì)量度量

2.1 基于覆蓋質(zhì)量的度量研究

在傳統(tǒng)的傳感器網(wǎng)絡(luò)中,研究者常常使用覆蓋率作為網(wǎng)絡(luò)感知質(zhì)量的度量指標(biāo)[13].區(qū)域覆蓋、點(diǎn)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(wǎng)絡(luò)中移動(dòng)用戶的移動(dòng)特性,即“以人為中心的感知”,因此無法直接地應(yīng)用到群智感知網(wǎng)絡(luò)中.

Chon等人[16]率先研究了“以地點(diǎn)為中心”的移動(dòng)群智感知應(yīng)用的覆蓋質(zhì)量,即自動(dòng)識(shí)別或跟蹤用戶每天訪問的不同地點(diǎn)來幫助用戶認(rèn)識(shí)和分析自己的日常行為模式,用已經(jīng)訪問過的地點(diǎn)數(shù)量與地點(diǎn)總數(shù)的比值作為覆蓋率.此時(shí)的覆蓋問題刻畫為:多長時(shí)間內(nèi)多少用戶采集數(shù)據(jù)能覆蓋到多少人們經(jīng)常訪問的地方？Zhao等人[17]考慮到網(wǎng)絡(luò)中移動(dòng)用戶的位置隨時(shí)空變化,整個(gè)監(jiān)測區(qū)域被細(xì)化為一系列網(wǎng)格單元,將每個(gè)網(wǎng)格單元被連續(xù)覆蓋兩次的間隔時(shí)間——“覆蓋間隔時(shí)間”作為度量指標(biāo),并揭示覆蓋間隔時(shí)間服從截?cái)嗟呐晾弁蟹植?進(jìn)一步提出“機(jī)會(huì)覆蓋率”來刻畫監(jiān)測區(qū)域的整體感知質(zhì)量與節(jié)點(diǎn)數(shù)目之間的關(guān)系,其定義為在特定時(shí)間間隔內(nèi)被覆蓋的網(wǎng)格單元占所有網(wǎng)格單元的比例的期望值,可以表示成關(guān)于覆蓋間隔時(shí)間分布的函數(shù).針對(duì)城市感知網(wǎng)絡(luò),Liu等人[18]率先從時(shí)空兩個(gè)角度定義了“城市分辨率”這一新的指標(biāo)來度量城市感知圖像的質(zhì)量,通過對(duì)大量實(shí)測出租車移動(dòng)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(diǎn)規(guī)模與感知質(zhì)量的重要關(guān)系.研究成果為城市感知研究建立了新的度量指標(biāo)體系,提供的基礎(chǔ)性模型與方法,奠定了城市中群智感知網(wǎng)絡(luò)的規(guī)劃準(zhǔn)則.Nistorica 等人[19]基于三種人群移動(dòng)模型,提出一種計(jì)算完成群智感知任務(wù)所需要的最佳用戶規(guī)模的方法以最小化網(wǎng)絡(luò)資源和激勵(lì)成本.

2.2 基于數(shù)據(jù)質(zhì)量的度量研究

作為面向應(yīng)用的技術(shù),移動(dòng)群智感知質(zhì)量問題已不僅僅是單純的覆蓋含義,更與數(shù)據(jù)質(zhì)量緊密相關(guān).用戶感知方式的隨意性以及不同用戶的使用習(xí)慣都會(huì)影響感知數(shù)據(jù)的正確表達(dá)和解釋.由此產(chǎn)生的感知數(shù)據(jù)會(huì)存在不準(zhǔn)確、不完整、不一致等問題.因此,評(píng)估用戶數(shù)據(jù)質(zhì)量是十分必要的.

移動(dòng)群智感知數(shù)據(jù)質(zhì)量受到多方面影響,主要來自感知設(shè)備類型、采集數(shù)據(jù)環(huán)境與方式、用戶主觀認(rèn)知能力與參與態(tài)度等[13].當(dāng)前關(guān)于群智感知網(wǎng)絡(luò)中數(shù)據(jù)感知質(zhì)量度量的研究較少.文獻(xiàn)[20]只考慮最簡單的二進(jìn)制型任務(wù)數(shù)據(jù)結(jié)果的度量.例如,當(dāng)用戶發(fā)現(xiàn)街道內(nèi)某個(gè)特定的位置存在垃圾的時(shí)候,上報(bào)1以標(biāo)定,否則上報(bào)0.其中一種簡單的方法是通過投票方式確定,一旦當(dāng)事件發(fā)生的用戶數(shù)目大于某個(gè)特定閾值的時(shí)候,才能確定該事情的發(fā)生.然而,在相當(dāng)一部分的實(shí)際群智感知網(wǎng)絡(luò)中,移動(dòng)用戶的感知到的數(shù)據(jù)要比0-1數(shù)據(jù)復(fù)雜得多.就復(fù)雜的污染源監(jiān)控場景而言,文獻(xiàn)[21]提出了一種基于最大期望算法的真實(shí)污染源識(shí)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(zhǔn)確地識(shí)別真實(shí)污染源和校正用戶的感知設(shè)備.文獻(xiàn)[22]提出一種解決群智感知網(wǎng)絡(luò)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(duì)連續(xù)信號(hào)型任務(wù),Kousopoulos等人[23]提出了一種感知數(shù)據(jù)質(zhì)量的度量方法,計(jì)算某個(gè)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(zhì)量指標(biāo).

上述研究成果的基本思想都是利用網(wǎng)絡(luò)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(zhǔn)確性帶來的影響,然而這些方法并不能很好地應(yīng)對(duì)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(dòng)群智感知數(shù)據(jù)的可信性問題.例如:考慮到用戶信譽(yù)度的高低在一定程度上決定了用戶感知數(shù)據(jù)的質(zhì)量好壞,文獻(xiàn)[12]建立信譽(yù)系統(tǒng)評(píng)估用戶歷史感知數(shù)據(jù)的可信性.

3 移動(dòng)群智感知質(zhì)量保障

3.1 移動(dòng)群智感知覆蓋增強(qiáng)

覆蓋質(zhì)量增強(qiáng)是移動(dòng)群智感知質(zhì)量保障研究的一個(gè)基本出發(fā)點(diǎn),即通過優(yōu)化配置移動(dòng)群智感知節(jié)點(diǎn)分布實(shí)現(xiàn)整個(gè)網(wǎng)絡(luò)感知質(zhì)量增強(qiáng),進(jìn)而確保感知全面性.總結(jié)目前移動(dòng)群智感知質(zhì)量增強(qiáng)方法主要包括兩類:基于網(wǎng)絡(luò)節(jié)點(diǎn)優(yōu)配的覆蓋增強(qiáng)和基于參與用戶優(yōu)選的覆蓋增強(qiáng).

3.1.1 基于網(wǎng)絡(luò)節(jié)點(diǎn)優(yōu)配的覆蓋增強(qiáng)

在傳統(tǒng)的傳感器網(wǎng)絡(luò)中,優(yōu)化部署被看作為覆蓋增強(qiáng)問題的重要途徑,并反映了傳感器網(wǎng)絡(luò)所能提供的感知服務(wù)質(zhì)量[24].研究成果表明,合理選擇節(jié)點(diǎn)部署策略,優(yōu)化節(jié)點(diǎn)數(shù)目及布局,能夠最大限度地利用和整合傳感器網(wǎng)絡(luò)資源,進(jìn)而實(shí)現(xiàn)網(wǎng)絡(luò)覆蓋性能優(yōu)化.節(jié)點(diǎn)部署策略具體包括冗余部署、節(jié)點(diǎn)移動(dòng)、新增節(jié)點(diǎn)、混合部署等,目前已經(jīng)積累了基于幾何圖論、虛擬勢場、仿生優(yōu)化等的節(jié)點(diǎn)優(yōu)化布局方法[25].例如,早期固定部署傳感器網(wǎng)絡(luò)通常需要密集部署大量節(jié)點(diǎn)保證網(wǎng)絡(luò)覆蓋和連通性,但節(jié)點(diǎn)分布的隨機(jī)性會(huì)導(dǎo)致網(wǎng)絡(luò)覆蓋空洞.文獻(xiàn)[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(wǎng)中的最小暴露路徑問題.Tao等[27,28]基于圖論知識(shí)快速判定已知網(wǎng)絡(luò)部署情況下是否能夠成柵欄覆蓋,并設(shè)計(jì)滿足不同目標(biāo)函數(shù)的策略優(yōu)化有向節(jié)點(diǎn)布局,并通過額外部署固定節(jié)點(diǎn)改善網(wǎng)絡(luò)柵欄覆蓋性能.研究者隨即引入移動(dòng)傳感器節(jié)點(diǎn),利用其靈活的移動(dòng)性實(shí)現(xiàn)感知薄弱區(qū)和盲區(qū)的覆蓋增強(qiáng)[29].由此,傳統(tǒng)的覆蓋部署策略由靜態(tài)覆蓋擴(kuò)展為動(dòng)態(tài)覆蓋,傳感網(wǎng)絡(luò)類型也由單一網(wǎng)絡(luò)演化為混合網(wǎng)絡(luò).針對(duì)混合型傳感器網(wǎng)絡(luò),文獻(xiàn)[30]從固定部署節(jié)點(diǎn)和移動(dòng)節(jié)點(diǎn)資源互補(bǔ)出發(fā),實(shí)現(xiàn)成本有效的目標(biāo)覆蓋增強(qiáng).

相比于群智感知網(wǎng)絡(luò),雖然傳統(tǒng)的無線傳感器網(wǎng)絡(luò)存在部署成本高、可擴(kuò)展性差等缺點(diǎn),但是冗余部署的固定節(jié)點(diǎn)可以提供相對(duì)穩(wěn)定可靠的感知質(zhì)量.受到群體活動(dòng)規(guī)律、個(gè)人參與意愿等影響,群智感知區(qū)域質(zhì)量差異性較大,這給群智感知網(wǎng)絡(luò)中基于網(wǎng)絡(luò)節(jié)點(diǎn)優(yōu)配的覆蓋增強(qiáng)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(dòng)群智感知中的覆蓋是與人移動(dòng)的機(jī)會(huì)性具有密切關(guān)聯(lián)的機(jī)會(huì)覆蓋問題.Ding等人[24]探索性地研究由固定部署節(jié)點(diǎn)和移動(dòng)節(jié)點(diǎn)構(gòu)建的混合群智感知網(wǎng)絡(luò)中的機(jī)會(huì)覆蓋增強(qiáng)問題,通過基于幾何圖論分析固定部署節(jié)點(diǎn)和移動(dòng)節(jié)點(diǎn)對(duì)覆蓋質(zhì)量的影響,設(shè)計(jì)機(jī)會(huì)覆蓋部署策略.

3.1.2 基于參與用戶優(yōu)選的覆蓋增強(qiáng)

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(shí)感知任務(wù)對(duì)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(wù)按照某種特性進(jìn)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(xiàn)[32]較早開展“以人為中心”的移動(dòng)群智感知網(wǎng)絡(luò)中覆蓋質(zhì)量研究.假設(shè)移動(dòng)用戶的移動(dòng)基于理論的離散馬爾科夫模型,通過選取節(jié)點(diǎn)子集以實(shí)現(xiàn)對(duì)感興趣區(qū)域覆蓋性能的改善.文獻(xiàn)[33]提出了一種群智感知網(wǎng)絡(luò)中的用戶選擇方法,在所有興趣點(diǎn)都被覆蓋的情況下實(shí)現(xiàn)總體成本的最小化.但上述研究工作僅僅是針對(duì)感興趣區(qū)域進(jìn)行覆蓋,研究成果難以擴(kuò)展到整個(gè)區(qū)域范疇.針對(duì)區(qū)域覆蓋增強(qiáng),Reddy等人[34]較早地提出了一種面向時(shí)空覆蓋的參與者優(yōu)選方法,均衡因?yàn)橛脩舴植疾痪鶆蚨斐傻臄?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(gòu).文獻(xiàn)[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(yīng)用需求.Cardone等人[36]研究在參與者數(shù)目一定時(shí),如何使得感知任務(wù)的空間覆蓋范圍最大化的問題.Zhang等人[37]設(shè)計(jì)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(gè)多目標(biāo)優(yōu)化的方案,實(shí)現(xiàn)參與者數(shù)目和激勵(lì)支付同時(shí)最小化.根據(jù)群智感知任務(wù)的空間分布,Tong 等人[38]設(shè)計(jì)了一種全局的在線微任務(wù)分配模式,結(jié)合帶權(quán)二分圖的最優(yōu)匹配算法,提出一種高效的在線任務(wù)分配算法.

另外,相關(guān)實(shí)驗(yàn)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(lì)用戶優(yōu)化時(shí)空分布從而實(shí)現(xiàn)群智感知網(wǎng)絡(luò)覆蓋增強(qiáng),也是保證群智感知質(zhì)量的一個(gè)研究熱點(diǎn).自研究伊始,用戶激勵(lì)機(jī)制就引起了學(xué)者的極大關(guān)注同時(shí)積累了大量研究成果[39].例如:文獻(xiàn)[40]采用動(dòng)態(tài)激勵(lì)機(jī)制提高感知任務(wù)不同側(cè)面的覆蓋.Zheng等人[41]研究基于一定的預(yù)算下實(shí)現(xiàn)網(wǎng)絡(luò)感興趣區(qū)域的最大化覆蓋的激勵(lì)機(jī)制.Guo等人[42]提出了一種動(dòng)態(tài)用戶激勵(lì)機(jī)制,在提高用戶參與性的同時(shí),實(shí)現(xiàn)高質(zhì)量數(shù)據(jù)感知.

3.2 移動(dòng)群智感知數(shù)據(jù)分析

數(shù)據(jù)質(zhì)量是移動(dòng)群智感知質(zhì)量保障方法研究的另一基本出發(fā)點(diǎn),即基于感知數(shù)據(jù)時(shí)空相關(guān)性及社會(huì)關(guān)聯(lián),利用智能分析方法實(shí)現(xiàn)網(wǎng)絡(luò)感知數(shù)據(jù)的質(zhì)量優(yōu)化,確保網(wǎng)絡(luò)感知質(zhì)量[43].目前在群智感知網(wǎng)絡(luò)領(lǐng)域積累了一系列數(shù)據(jù)去噪、增強(qiáng)、恢復(fù)、融合等質(zhì)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(shí)時(shí)性要求高、數(shù)據(jù)量大的應(yīng)用,研究者們也提出了云計(jì)算、邊緣計(jì)算等新型計(jì)算模式以實(shí)現(xiàn)高效的數(shù)據(jù)分析.

3.2.1 基于信息恢復(fù)的數(shù)據(jù)分析

針對(duì)GPS、Wi-Fi、加速計(jì)、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(shí)空相關(guān)性過濾異常數(shù)據(jù)并恢復(fù)缺失數(shù)據(jù),以解決移動(dòng)群智感知網(wǎng)絡(luò)數(shù)據(jù)稀疏性問題,也將直接影響整個(gè)感知結(jié)果的數(shù)據(jù)質(zhì)量.針對(duì)大規(guī)模網(wǎng)絡(luò)應(yīng)用,先后出現(xiàn)了基于空間插值[44]、壓縮感知[45-47]、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)[48]以及協(xié)同過濾[49]等缺失信息恢復(fù)方法.文獻(xiàn)[44]提出采用傳統(tǒng)的插值方法,對(duì)已知點(diǎn)的數(shù)據(jù)進(jìn)行平均、加權(quán)等運(yùn)算推求相鄰區(qū)域的未知點(diǎn)數(shù)據(jù).此類方法計(jì)算簡單,但準(zhǔn)確度有限.空間插值壓縮感知理論利用信號(hào)的稀疏性從包含信號(hào)重要信息的少量測量中精確或近似精確地恢復(fù)原始信號(hào),在大規(guī)模網(wǎng)絡(luò)應(yīng)用如道路交通重建[46]、環(huán)境數(shù)據(jù)恢復(fù)[45]以及目標(biāo)定位[50]被廣泛采用.基于噪音感知數(shù)據(jù)的空間相關(guān)性,文獻(xiàn)[22]提出利用壓縮感知方法對(duì)稀疏的噪聲數(shù)據(jù)進(jìn)行恢復(fù).壓縮感知的理論前提是感知數(shù)據(jù)的內(nèi)在結(jié)構(gòu)可以被稀疏化表示.然而,移動(dòng)群智感知應(yīng)用中的多源異構(gòu)數(shù)據(jù)并不能很好滿足.Hao等人[47]擴(kuò)展了壓縮感知理論,提出了基于密度差異意識(shí)的增強(qiáng)型數(shù)據(jù)恢復(fù)方法.在壓縮感知階段依舊采用便于實(shí)現(xiàn)的隨機(jī)抽樣,而在數(shù)據(jù)恢復(fù)階段設(shè)計(jì)了硬閾值恢復(fù)算法以及基于極大似然估計(jì)的加權(quán)恢復(fù)算法.針對(duì)城市中稀疏的車輛數(shù)據(jù),文獻(xiàn)[48]提出一種概率的車流量估計(jì)和預(yù)測方法,引入動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)以表征對(duì)網(wǎng)絡(luò)的時(shí)空依賴性,通過對(duì)大規(guī)模歷史數(shù)據(jù)的學(xué)習(xí)實(shí)現(xiàn)對(duì)車流量的實(shí)時(shí)評(píng)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(gòu)建感知地圖,并進(jìn)一步建立信號(hào)相關(guān)矩陣表征不同類型數(shù)據(jù)相關(guān)性,以實(shí)現(xiàn)網(wǎng)絡(luò)空白區(qū)域信息彌補(bǔ).另外,針對(duì)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(shí)空域特征統(tǒng)計(jì)學(xué)習(xí)和超分辨率相結(jié)合的方法分別進(jìn)行低質(zhì)圖像和視頻進(jìn)行恢復(fù)性增強(qiáng)也是一個(gè)重要的研究領(lǐng)域[51,52].例如Guo等人[43]考慮到物理世界海報(bào)的有限時(shí)空覆蓋范圍,利用物理空間交互特征來對(duì)信息共建內(nèi)容進(jìn)行增強(qiáng)感知和理解,采用多標(biāo)簽分類和啟發(fā)式規(guī)則相結(jié)合方法進(jìn)行語義標(biāo)注.

3.2.2 基于信息融合的數(shù)據(jù)分析

移動(dòng)群智感知數(shù)據(jù)是多源異構(gòu)的,有必要進(jìn)行智能分析和挖掘以發(fā)揮其價(jià)值.傳統(tǒng)常用的數(shù)據(jù)融合主要有以下幾種:加權(quán)平均、貝葉斯、卡爾曼濾波、D-S證據(jù)合成、模糊推理、神經(jīng)網(wǎng)絡(luò)、粗糙集等方法,在無線傳感網(wǎng)絡(luò)、車聯(lián)網(wǎng)等大規(guī)模網(wǎng)絡(luò)得到普遍應(yīng)用.移動(dòng)用戶產(chǎn)生海量的感知數(shù)據(jù),包括結(jié)構(gòu)化的和非結(jié)構(gòu)化的,時(shí)效性強(qiáng)和時(shí)效性弱的,價(jià)值密度高和價(jià)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(shí)現(xiàn)信息優(yōu)化.例如,Nericell系統(tǒng)[53]實(shí)現(xiàn)對(duì)城市交通和道路質(zhì)量的監(jiān)控和評(píng)估,通過融合來自汽車駕駛員智能手機(jī)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(jī)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(jī)共生”的思想出發(fā),文獻(xiàn)[55]利用貝葉斯預(yù)測模型融合人類智能和機(jī)器智能兩者貢獻(xiàn)以實(shí)現(xiàn)群智感知中用戶行為的預(yù)測.

特別地,移動(dòng)群智感知數(shù)據(jù)采集過程除了獲取的直接數(shù)據(jù)內(nèi)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(gòu)數(shù)據(jù)融合的商業(yè)推薦,充分關(guān)聯(lián)信息空間和物理空間信息,對(duì)商鋪類型選擇進(jìn)行理解與決策.Guo等人[57]設(shè)計(jì)并開發(fā)CrowdStory系統(tǒng),實(shí)現(xiàn)多模態(tài)數(shù)據(jù)融合的微博社會(huì)事件刻畫,將群體貢獻(xiàn)數(shù)據(jù)根據(jù)時(shí)空情境和文本聚類形成多線索動(dòng)態(tài)演化描述,根據(jù)視覺相關(guān)性和交互情境等群體智能實(shí)現(xiàn)線索間關(guān)聯(lián)關(guān)系生成.現(xiàn)有融合數(shù)據(jù)內(nèi)容、群體信息和情境信息的數(shù)據(jù)分析方法多是針對(duì)某類特定應(yīng)用提出,缺乏普適性.而且,對(duì)于群智感知應(yīng)用中高實(shí)時(shí)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(zhì)量度量

移動(dòng)群智感知質(zhì)量度量是一個(gè)復(fù)雜的問題,受到多種因素的共同制約和影響,其中覆蓋質(zhì)量和數(shù)據(jù)質(zhì)量是衡量感知質(zhì)量的兩個(gè)重要指標(biāo).雖然研究者考慮感知覆蓋的時(shí)空變化因素,但對(duì)于移動(dòng)群智感知用戶群體性和移動(dòng)性的特點(diǎn)刻畫尚不充分.另外,與移動(dòng)群智感知網(wǎng)絡(luò)感知質(zhì)量密切相關(guān)的數(shù)據(jù)質(zhì)量研究工作大都是針對(duì)不同任務(wù)類型開展,缺乏通用的度量指標(biāo)和方法.未來針對(duì)覆蓋質(zhì)量,如何建立揭示“時(shí)—空—人”三要素與感知模型主要參數(shù)之間的關(guān)系形成基于時(shí)空的度量方法;針對(duì)數(shù)據(jù)質(zhì)量,如何聯(lián)合數(shù)據(jù)時(shí)空相關(guān)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(shè)計(jì)通用且有效的質(zhì)量度量方法將成為研究趨勢.

4.2 覆蓋增強(qiáng)

移動(dòng)群智感知覆蓋增強(qiáng)是一個(gè)基礎(chǔ)而重要的問題,目前大部分成果都集中在研究和設(shè)計(jì)滿足一定約束條件的用戶選擇策略、用戶激勵(lì)機(jī)制.但研究工作或者從覆蓋質(zhì)量出發(fā),或者從數(shù)據(jù)質(zhì)量出發(fā),約束條件不夠完備.

基于節(jié)點(diǎn)優(yōu)化部署的網(wǎng)絡(luò)覆蓋增強(qiáng)方法,在移動(dòng)傳感網(wǎng)絡(luò)、混合傳感網(wǎng)絡(luò)被廣泛認(rèn)同和采用,而在移動(dòng)群智感知網(wǎng)絡(luò)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(lì)等方法,從網(wǎng)絡(luò)節(jié)點(diǎn)優(yōu)配出發(fā)的節(jié)點(diǎn)二次部署方法可以快速、針對(duì)性地實(shí)現(xiàn)網(wǎng)絡(luò)中感知盲區(qū)修補(bǔ),獲得移動(dòng)群智感知質(zhì)量增強(qiáng)而備受關(guān)注.另外,目前絕大多數(shù)用戶優(yōu)選及激勵(lì)機(jī)制是基于單目標(biāo)開展的,而充足的用戶資源以及群智感知平臺(tái)上并發(fā)出現(xiàn)的任務(wù)為研究基于多目標(biāo)多任務(wù)的用戶優(yōu)選以及激勵(lì)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(qiáng)整個(gè)網(wǎng)絡(luò)的感知質(zhì)量.

4.3 數(shù)據(jù)分析

針對(duì)移動(dòng)群智感知應(yīng)用,基于信息恢復(fù)和信息融合的數(shù)據(jù)分析仍存在諸多挑戰(zhàn).對(duì)于信息恢復(fù),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(nèi)在結(jié)構(gòu)可以被稀疏化表示.然而,移動(dòng)群智感知應(yīng)用中的多源異構(gòu)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(shí)空關(guān)聯(lián)性,設(shè)計(jì)行之有效的缺失信息恢復(fù)方法顯得迫切而必要.

目前,移動(dòng)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(fù)用,即使少量的研究成果也是針對(duì)某類特定應(yīng)用提出難以推廣使用.群智感知網(wǎng)絡(luò)中普遍采取“分布式采集,集中式認(rèn)知”的計(jì)算模式,雖然在一定程度上可以緩解海量異構(gòu)性型感知數(shù)據(jù)的處理給資源有限的移動(dòng)終端帶來巨大的壓力,但忽略了泛在移動(dòng)終端所具有的一定計(jì)算和處理能力.充分考慮海量數(shù)據(jù)呈現(xiàn)的實(shí)時(shí)持續(xù)涌現(xiàn)趨勢,設(shè)計(jì)云計(jì)算與端計(jì)算協(xié)同的計(jì)算模型,進(jìn)而提高多模態(tài)數(shù)據(jù)融合的計(jì)算效率將成為研究熱點(diǎn).

5 總 結(jié)

移動(dòng)群智感知質(zhì)量度量和保障相關(guān)研究方興未艾,在國內(nèi)外仍處于初期的探索階段,開展相關(guān)研究對(duì)豐富與完善群智感知網(wǎng)絡(luò)理論與關(guān)鍵技術(shù)體系,建立信息感知新途徑,推動(dòng)物聯(lián)網(wǎng)發(fā)展都具有重要意義.