联合区域热度与社交属性的移动群智感知参与者选择策略

本文主要探讨了移动群智感知领域中如何有效选择参与者以提高任务数据的可靠性和任务完成效率，尤其是在用户稀疏的区域。作者提出了一个联合区域热度和社交属性感知的参与者选择机制，旨在解决当前群智感知平台面临的数据质量问题和任务延迟问题。 该机制首先关注区域热度的评估，通过分析区域内的活跃用户数、用户的平均停留时间和区域历史感知任务的完成情况来确定区域的热度。区域热度是衡量一个地区用户参与度和任务完成可能性的重要指标。在高热度区域，用户多且活跃，任务完成的可能性更高；而在低热度区域，由于用户较少，任务完成的挑战更大。 接下来，该机制考虑了用户社交属性对任务完成的影响。通过结合用户的状态信息（如在线状态、活动频率等）和历史感知任务记录，计算出用户的意愿度（表示用户对执行任务的积极性）、信誉度（反映用户过去完成任务的质量）和活跃度。这些社交属性是决定用户能否高效、高质量完成任务的关键因素。 根据区域热度的不同，该机制采取了两种不同的选择策略。在高热度区域，机制倾向于选择那些具有高意愿度、高信誉度和高活跃度的用户，以最大化任务完成的质量。而在低热度区域，为了确保任务的及时完成，机制可能优先选择那些即使属性稍弱但能完成任务的用户，以最大化任务完成的数量。 实验结果显示，这种联合区域热度和社交属性感知的参与者选择机制能显著提高整体数据质量，并能在低热度区域实现及时可靠的感知任务完成。与SUR和GGA-I两种传统算法相比，失败率分别下降了66.7%和50.6%，显示出该机制的有效性。 关键词：移动群智感知；参与者选择；区域热度；用户特征 中图分类号：TP393 文献标识码：A doi:10.11959/j.issn.1000−0801.2020050 这个研究为移动群智感知领域的任务分配策略提供了新的思路，通过融合区域热度和社交属性，有望提升整个系统的效率和可靠性，尤其对于那些用户分布不均的场景具有重要的实际应用价值。