ICDE-2020 论文简析:空间众包中的预测任务分配 : 一种数据驱动的方法 Predictive Task Assignment in Spatial Crowdsourcing

研究背景

随着全球定位系统智能设备的普及和无线网络的高可用性，一种新的众包类型使人们能够作为多模态传感器即时收集和共享各种类型的高保真时空数据，也称为空间众包(SC)。通过空间众包，请求者可以将空间任务（即拍摄照片/视频，监视交通状况并报告本地热点）动态地发送给SC服务器，并且服务器根据工作人员的位置和其他约束将其分配给这些任务，称为任务分配。

但是目前对于任务分配，大多数研究主要基于静态离线场景的假设，即工人和任务的位置是显式或隐式的先验已知的。然而，在实际场景中，空间众包是一个实时平台，工人和任务在预先未知的位置下动态地在线。最近的一些工作探索了SC中的在线分配方法，其中新到达的任务根据当前的任务，分配给合适的工人。然而，它们没有考虑到尚未进入该系统的未来工人/任务。

研究目标

• 使用数据驱动的方法来预测系统工作人员未来时间内的路线和任务的位置，然后基于这个预测优化全局任务分配。

问题挑战

目前的任务分配方法只是试图最大化当前的分配（即局部优化而不是全局优化），而不考虑未来的工人/任务，这些任务可能动态地出现在未来的时间实例中。当未来的工人/任务先验地为人所知时，任务分配问题可以简化为经典的最大覆盖问题及其变体。

• 因此时空众包的主要挑战来自于系统中到达的工人/任务的活力，这使得在在线场景中得到一个最优解决方案是不可行的。

作者贡献

• 为空间众包提供了一个数据驱动的预测空间任务分配(DPSTA)框架，目的是在给定的时间内动态出现工作人员和任务时，优化全局任务分配；
• 提出了两种新的策略，根据工人的旅行历史来预测未来的地点和路线；
• 设计了一种有效的图嵌入机制来估计任务的时空分布；
• 提出了贪婪和最优的任务分配算法来权衡分配效率和有效性；
• 通过真实世界的数据集进行实验证实了上述提出的解决方案在实时分配空间任务方面是有效的。

总体模型

1 基本概念

在学习模型之前有几个概念需要先了解一下：

• ① 空间任务 <s.r,s.l,s.e,s.c>：表示是在时间s.r发布的任务，将在地点s.l执行，并将在s.e(s.r≤s.e)过期，其中s.l是 2D 空间中的一个点。每个任务s也被标记为s.c类。
• ② 可用工人 w=<w.φ，w.range，w.P>：给定一组时间实例，T={t，t+1，…，t+n}(t 是当前时间实例)，一个可用的工人与它的可用时间实例 w.φ { t+k，t+k+1，…，t+g}（⊂T），可达距离 w.range，以及相应的旅行路线 w.P（w.P由一组时间戳的位置组成）。
• ③ 任务序列 R(Sw)=(S1，S2，…，S|Sw|)：给定一个工作人员 w 和一组分配给她的Sw的任务，一个 Sw上的任务序列表示 w 访问 Sw 中每个任务的顺序。在任务 si∈Sw(即完成任务si的时间)处 w 的到达时间可以计算如下：
  
• ④基于特定位置的有效任务集 (L-VTS) ：给定一个时间实例集T和一个工作人员w的起始位置 w.l，这样得到的任务集 Sw被称为 w 的特定位置有效任务集。
• ⑤ 基于特定路线的有效任务集 (R-VTS) ：给定工人 w 的时间实例集 T 和路线 w.p，这样得到的任务集 Sw被称为 w 的特定位置有效任务集。
• ⑥ 定点/特殊路线最大有效任务集(L/R-MaxVTS）：给定一组时间实例 T，如果其超集中没有一个对工作人员 w 仍然有效，则特定于 Location/Route 的有效任务集 Sw是最大的，称为定点/特殊路线最大有效任务集(L/R-MaxVTS)。
• ⑦ 空间任务分配对<worker，VTS>：给定一组时间实例 T={t，t+1，…，t+n}，一组在 T 期间可用的工作人员和任务，空间任务分配由一组<worker，VTS>对组成，以<w1,VTS(w1)>、<w2,VTS(w2)> 的形式表示，让 A.S 表示分配给所有工人的一组任务，即 A.S=∪w∈WSw，A 表示所有可能的赋值方式。

2 DPSTA 框架

了解完这几个主要的概念后，