[发明专利]基于韦纳归因的群智感知任务分配方法、系统及设备

说明书

本发明公开了一种基于韦纳归因的群智感知任务分配方法、系统及设备，其中方法包括确定参与者的归因偏差因子；根据归因偏差因子的作用，得到对于参与者的最优权重矩阵，并根据最优权重矩阵中各任务权重的大小，确定参与者最优的任务完成顺序；根据参与者对于报酬和不确定性相互作用下的偏好程度，得到报酬不确定性偏好权重；结合最优权重矩阵和报酬不确定性偏好权重，计算出对于参与者的最优任务完成数量；确定最终报酬分配，在对预期完成率和预期报酬进行评估权衡后，确定各地区的报酬补偿因子，报酬补偿因子的确定则是根据各地区的补偿权重决定。本方案不需要提高任务的报酬，就能提高任务完成的覆盖率，提高了群智感知任务的总体完成质量。

技术领域

本发明涉及群智感知数据获取技术领域，尤其涉及一种基于韦纳归因的群智感知任务分 配方法、系统及设备。

背景技术

群智感知是结合了众包思想和移动设备感知能力的一种全新模式，其通过已有的移动设 备(包括手机，平板电脑等)形成感知网络，可以不必大范围的铺设感知设备便能收集感知 数据。

群智感知服务的有效性和最终完成的质量会受到任务完成的地区覆盖率的影响，其中覆 盖率是指每个地区任务完成数占任务需求数的比值。比如，城市全面的实时环境数据有助于 城市的规划建设，然而要达到规划目的的需要的数据集要求能覆盖整个城市。覆盖率低的数 据会给城市带来片面的决策，产生不利的后果，因此提高覆盖率是群智感知中亟需解决的一 个问题。由于大多数地区的人口分布不均匀并且用户习惯于在自己常驻的地区移动，使得人 口稀疏的偏远地区任务的参与者较少进而导致该地区覆盖率很低。因此，设计一个有效的任 务分配方法，并以此改变参与者的任务选择行为，使得参与者的分布与任务分布一致，可以 提高最终的任务覆盖率。

现有的，目的是提高任务覆盖率的群智感知任务分配方法可以分为两类，金钱类的分配 方法和非金钱类的分配方法。金钱式的任务分配方法往往是指平台使用报酬等手段改变参与 者选择任务的决策行为，并以此实现平台目标。非金钱式的任务分配方法是指平台使用货币 报酬以外的其他方式来改变参与者的决策行为，并以此实现平台目标。然而当前的任务分配 方法没有考虑不确定性对参与者决策的影响。不确定性是指决策者对于未来的收益和损失的 分布范围和状态是不能确知的。当前绝大多数研究在设计任务分配方法时，假设决策中涉及 到参与者的成本和收益是确定可知的，然后这些研究便根据这些确定值计算各个方案的最终 收益，并以此确定收益最大化的决策方案。然而参与者在使用报酬和成本进行决策时，如果 存在不确定性，不确定性会作为一个隐性成本影响参与者的决策行为，使得其决策偏离最佳 决策。因此，基于确定的成本和收益的决策假设会使得任务分配方法最终的效果偏离预期的 效果。并且当把不确定性考虑进节点的行为决策后，可以更加高效的达到平台的需求。除了 上述占大多数的没有考虑不确定性的任务分配方法的研究，当前存在极少数讨论了基于概率 而非基于确定的成本和收益的任务分配方法。但这些研究假设参与者能够完整的评估所有选 择的预期概率以及预期收益，并以此进行决策。然而概率权重理论指出，在不确定性存在的 情况下，在讨论参与者决策时需要给每个选项附以相对应的权重。这是因为不同的参与者会 对由概率导致的不确定性有不同的选择概率。在不确定性的作用下，即使面对两个报酬相同 的任务，不同的参与者也会对这两个任务有不同的选择概率。研究表明，如果针对不同的不 确定性，为每个决策赋予相应的概率权重，可以更准确地解释参与者的决策行为。而研究发 现，群智感知中存在不确定性。

发明内容

针对上述现有技术的不足之处，本发明提供了一种基于韦纳归因的群智感知任务分配方 法、系统及设备，该方案将不确定性用以量化不同地区的任务对于参与者任务选择决策的影 响，首先通过参与者的归因偏差因子，来减弱不确定性的作用，然后根据韦纳归因理论设计 了报酬支付算法，促使参与者最终选择的任务分布与需求一致，以提高最终的任务完成覆盖 率。

第一方面，提供了一种基于韦纳归因的群智感知任务分配方法，包括：