本文提出了DPSTA框架，一种基于数据驱动的预测性空间任务分配方法，利用工人的历史轨迹和任务发布信息预测未来时空分布。框架包含工人和任务的预测，以及任务分配策略。通过预测工人可用时间、起始位置和行进路线，结合任务数量和位置预测，实现高效任务分配。实验结果表明，DPSTA在空间众包中表现出优越性能。
Motivation
----------------------------------------------------------------------------------------------------
- 过去的工作集中于讨论空间众包的静态离线场景，但是空间众包是一个实时平台，工人和任务可以动态在线，并且其位置事先未知；
- 最近的一些工作探索了SC中的在线分配方法，其中根据当前任务分配，将新到达的任务分配给合适的工人，并未考虑未进入系统的未来工人/任务；
- 现有研究表明，大多数人都具有重复性的旅程，例如往返工作地点，这使得根据其旅行历史预测工人的位置/路线成为可能；此外通过分析任务执行轨迹，可以获得有关工人任务执行行为的宝贵见解，可以进一步利用这些见解来提高空间众包的质量；
Problem Statement
----------------------------------------------------------------------------------------------------
DPSTA Framework Overview
----------------------------------------------------------------------------------------------------
作者提出一个新颖的空间众包框架DPSTA，包括两个组件：
- 左边是预测组件，根据工人的历史任务执行轨迹和任务的发布历史，来预测未来的时空分布
针对工人和任务的预测提出了不同的策略，具体来看就是，通过将工人的历史任务执行记录视为序列数据，利用频繁模式挖掘的方法来挖掘工人的频繁时间实例。并每个工人在其可用时间内提出了两种空间分布预测策略：
1. 基于时空的循环神经网络（ST-RNN）的位置预测；
2. 基于混合模型的路线预测；
由于可以将空间任务视为空间点事件，因此作者设计了路径约束DeepWalk模型来获取每个时间点下未来任务的数量，然后采用核密度估计方法来预测未来时间实例中任务的位置分布。
- 右边是任务分配组件
在工人时间和行进路线的限制下，将任务分配给合适的工人来最大化的任务分配数。首先为每个工人计算MaxVTS，因为在枚举MaxVTS的所有可能组合
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
