«上一篇
文章快速检索     高级检索
下一篇»
  哈尔滨工程大学学报  2018, Vol. 39 Issue (12): 2040-2045  DOI: 10.11990/jheu.201808003
0

引用本文  

陈宇, 刘元安, 邵子豪. 基于消错决策理论的数据质量评估方法[J]. 哈尔滨工程大学学报, 2018, 39(12): 2040-2045. DOI: 10.11990/jheu.201808003.
CHEN Yu, LIU Yuanan, SHAO Zihao. Data quality evaluation method based on the error-eliminating decision-making theory[J]. Journal of Harbin Engineering University, 2018, 39(12): 2040-2045. DOI: 10.11990/jheu.201808003.

基金项目

中国科学院重点部署项目(ZDRW-KT-2016-02)

通信作者

陈宇, E-mail:chenyu_bupt@126.com

作者简介

陈宇(1975-), 女, 博士研究生;
刘元安(1963-), 男, 教授, 博士生导师

文章历史

收稿日期:2018-08-01
网络出版日期:2018-10-24
基于消错决策理论的数据质量评估方法
陈宇 1, 刘元安 1, 邵子豪 2     
1. 北京邮电大学 电子工程学院, 北京 100876;
2. 哈尔滨工程大学 计算机科学与技术学院, 黑龙江 哈尔滨 150001
摘要:针对移动群智感知中数据质量难以保障和评估的问题,从规避错误的角度出发,提出了一种基于消错决策理论的移动群智感知数据质量评估方法。通过引入消错决策理论来评估移动用户所提供的感知数据质量,对低质量及异常数据进行识别;考虑到不同感知任务具有不同的数据质量需求,引入权值因子实现数据质量的排序与优化评估。实验结果表明:所提出的方法不仅达到了对低质量和异常数据的准确识别的目标,还实现了对不同任务下的数据质量按需排序。在对低质量和异常数据识别方面,相对于拉依达准则,具有更高的识别准确性;在对数据质量排序上,相对于理想点法、TOPSIS法,具有准确性高和简单高效的优点。
关键词移动群智感知    消错决策理论    数据质量评估    异常数据    
Data quality evaluation method based on the error-eliminating decision-making theory
CHEN Yu 1, LIU Yuanan 1, SHAO Zihao 2     
1. School of Electronic Engineering, Beijing University of Posts and Telecommunications, Beijing 100876, China;
2. College of Computer Science and Technology, Harbin Engineering University, Harbin 150001, China
Abstract: In mobile crowd-sensing scenarios, it is difficult to guarantee and evaluate the quality of data collected from a number of mobile users. To solve this problem, we proposed a novel technique for evaluating the quality of crowd-sensing data based on the error-eliminating decision-making theory with regard to error avoidance as the objective. First, we evaluated the quality of data collected from the mobile users by introducing the error-eliminating decision-making theory, wherein low-quality and abnormal data can be identified. Then, in consideration with various requirements regarding data quality for different sensing tasks, we introduced a weight factor for sequencing and evaluating data quality. Our experimental results show that the proposed method can accurately identify low-quality and abnormal data as well as achieve the on-demand sequencing of data quality with respect to different task requirements. In terms of identifying low-quality and abnormal data, our proposed method demonstrates higher recognition accuracy than the Laidda criterion. Additionally, as compared with the ideal-point and TOPSIS methods, our proposed method exhibits high accuracy and simplicity, proving to be advantageous in terms of data quality ranking.
Keywords: mobile crowd-sensing    error-eliminating decision-making theory    data quality evaluation    abnormal data    

近年来,随着无线通信技术的发展和移动智能终端设备的普及,移动群智感知(mobile crowd sensing, MCS)已成为解决跨时空、大规模数据感知这一前沿问题的可信性方案[1]。这种方法可依赖大量普通用户的移动设备及其具备的多种传感器来完成大规模的感知任务,如环境污染检测[2]、交通流量检测[3]等。现有研究侧重于移动群智感知模型优化和技术实现,但作为移动群智感知的核心评价标准——数据质量将是影响移动群智感知系统能否得以普及的关键因素。

对数据质量的研究可溯源到感知质量,是一种感知结果的价值度量[4],用来量化感知信息对用户需求的满足程度。现有研究大都将感知质量与能耗、隐私、感知源等方面进行联合研究[5-6],如Jiang等[5]利用任务相似性和用户异质性,构建了三层数据中心感知模型,最大限度地提高总体收益。Du等[6]使用随机优化理论并结合感知节点选择、采样频率、丢包率、传输功率这四个因素对感知质量最大化问题进行建模。由此可见,感知质量评估可以从整体角度来衡量用户感知行为,从而获得更为准确的感知数据。然而,影响数据质量的因素极其复杂,作为衡量感知系统优劣的直接指标并没有获得足够的研究重视。为此,开展数据质量评估问题的研究可为移动群智感知系统的普及提供依据和支撑。

当前对移动群智感知数据质量的研究大多集中于激励策略[1, 7-9]的设计方面,吴垚等[7]对现有群智感知激励机制进行了全面的总结,包括关键技术、激励方式以及仍然存在的问题,并指出数据质量评估是移动群智感知瓶颈问题能够获得突破的关键所在。南文倩等[8]认为在移动群智感知系统中,用户的参与度将成为影响服务质量的关键因素,据此提出一种动态激励模型以提升感知用户参与度和数据感知质量。Peng等[9]从服务质量和服务提供者的收益两个方面对其激励机制进行改进,提出一种兼顾数据质量提升和总体收益保障的激励方案。Zhang等[1]对现有移动群智感知系统的激励策略做了总结归纳,展望了未来激励机制的设计思路,特别强调了控制数据质量仍然是制约移动群智感知系统实用化的瓶颈问题。

当前对移动群智感知数据质量量化评估方面的研究较少,大部分研究侧重于数据分析阶段,使用数据挖掘[10]、机器学习[11]等方法识别和过滤异常数据,实现数据质量的评估。文献[10]从数据可信度出发,结合聚类和逻辑推理手段,提出一种识别错误和正常数据的方案,并实现虚假数据的过滤,从而实现数据质量的提升。Liu等[11]提出了一种基于上下文感知的数据质量估计方法,通过历史数据训练上下文质量分类器,捕获上下文信息和数据质量之间的关系,据此设计激励手段来引导移动用户的参与度和贡献度。

由此可见,针对数据质量评估问题是制约移动群智感知系统广泛应用的瓶颈问题。本文借鉴了现阶段对数据分析的相关研究成果,从规避错误的角度出发,提出一种基于消错决策理论的数据质量评估方法,弥补了当前对数据质量评估研究的缺失。

1 移动群智感知模型 1.1 群智感知的基本思想

“群智感知”的概念雏形可追溯到美国《连线》的著名记者J. Surowiecki的《The Wisdom of Crowds》一书,其中明确指出了群体感知/决策优于个体感知/决策这一普遍性原理[12],这一思想因而又被称为群体智慧“Crowd Wisdom”或者集体智慧“Collective Intelligence”[13]。群智感知的思想被提出以后,先后经历了众包计算“Crowd sourcing Computing”[14],机会感知“Opportunistic Sensing”[15],并随着智能终端的普及而演化为今天的移动群智感知“MCS”。

1.2 移动群智感知系统模型

本文所构建的移动群智感知系统模型如图 1所示,由任务发布者(即发布者)、数据提供者(即用户)和云平台三部分组成。首先,任务发布者将所需任务和相关激励机制提交到云平台中心。第二,云平台中心将有关信息向用户进行发布。第三,数据提供者使用自己的移动设备收集数据并将数据上传给云平台中心。第四,云平台中心负责评估用户数据质量,对满足任务需求的用户将获得收益。最后,将用户数据提交给任务发布者,任务发布者通过这些数据获得收益。

Download:
图 1 移动群智感知系统模型 Fig. 1 System model of mobile crowdsensing

本文主要考虑的是在云平台中心评估用户上传的数据质量,在未来的研究中会将研究问题进行扩展,使其研究内容涵盖面更广。

2 数据质量评估方法

在移动群智感知中,每个参与者都想通过自身积极的参与,提供高质量的数据从而获取较高的利益,而发布者希望通过参与者提交的高质量数据从而获得最大化的利益。同时,不同的发布任务通常需要不同的数据质量。因此,为保障数据的真实性,提高数据的利用率,对数据质量进行按需分配是非常重要的。

在移动群智感知多属性决策问题中,已知有m个用户数据表示为U={u1, u2, …, um},n种数据质量评价指标表示为C={c1, c2, …, cn}。决策矩阵为G=[gi, j],gi, j为用户数据ui在数据质量评价指标cj下的数值。通常数据质量的评价指标分为负相关性指标和正相关性指标,负相关性指标是指用户的数据质量越高,则该评价指标的数值会越小。反之,则为正相关性指标。本文为便于描述,将数据质量评价指标分别记为成本型指标和利益型指标,使用Ccost和Cprofit进行表示,其中Ccost, Cprofit⊆C, Ccost∪Cprofit=C, Ccost∩Cprofit=φ。当确定了每种数据质量评价指标的期望范围后,利用规则可以判断各个用户数据在不同质量评价指标中是否会发生错误,并使用错误值进行描述,根据错误值的偏差,对用户数据进行综合排序。

2.1 数据识别

在移动群智感知数据识别中,首先,计算用户数据的错误值ti, j。当数据质量评价指标为成本型指标时,即cjCcostzjminzjmax分别表示数据质量评价指标期望下限和期望上限。当属性值gi, j小于目标值zjmin或大于目标值zjmax时,表示该用户的负相关性指标不满足实际需求,错误值使用常数ρ表示,为保证数量级是相同的,ρ=1+εε为正无穷小数;当属性值gi, j不小于zjmin且不大于zjmax时,表示存在偏差,属性值越大偏差越大,取值范围为[0, 1]。计算公式如下:

$ \begin{array}{l} {t_{i, j}} = \left\{ \begin{array}{l} \rho , \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{g_{i, j}} > z_j^{\max }{\rm{或}}{g_{i, j}} < z_j^{\min }\\ \frac{{{g_{i, j}} - z_j^{\min }}}{{z_j^{\max } - z_j^{\min }}}, \;\;\;\;\;\;\;z_j^{\min } \le {g_{i, j}} \le z_j^{\max } \end{array} \right.\\ \;\;\;\;\;\;\;\;\;\;i = 1, 2, \cdots , m, j = 1, 2, \cdots , n。\end{array} $ (1)

当数据质量评价指标为利益型指标时,即cjCprofitzjminzjmax分别表示数据质量评价指标期望下限和期望上限,当属性值gi, j大于目标值zjmax时或小于目标值zjmin时表示该用户的正相关性指标不满足需求,错误值使用常数ρ表示,为保证数量级是相同的,ρ=1+εε为正无穷小数;当属性值gi, j不小于zjmin且小于zjmax之间时, 表示存在偏差,属性值越小偏差越大,取值范围为[0, 1]。计算如下:

$ \begin{array}{l} {t_{i, j}} = \left\{ \begin{array}{l} \rho , \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;{g_{i, j}} < z_j^{\min }{\rm{或}}{g_{i, j}} > z_j^{\max }\\ \frac{{z_j^{\max } - {g_{i, j}}}}{{z_j^{\max } - z_j^{\min }}}, \;\;\;\;\;\;\;z_j^{\min } \le {g_{i, j}} \le z_j^{\max } \end{array} \right.\\ \;\;\;\;\;\;\;\;\;\;i = 1, 2, \cdots , m, j = 1, 2, \cdots , n。\end{array} $ (2)

通过式(1)~(2)可以得到每个用户数据ui在每种数据质量评价指标下的错误值序列,记为{ti, 1, ti, 2, …, ti, n}。

接着,计算用户数据ui最大错误值timax并判断合理性,timax计算如下:

$ t_i^{\max } = \max \left\{ {{t_{i, j}}} \right\} $ (3)

timax=ρ时,该用户数据不满足条件,即为错误数据,去除该数据。通过以上方法可以实现对用户数据质量的识别,实现了对低质量与异常数据的处理。

2.2 数据排序

在数据排序中,先对数据质量评价指标进行正规化处理:

$ \left\{ \begin{array}{l} Z_j^{\max } = \frac{{z_j^{\max }}}{{z_j^{\max }}}{\rm{ = }}1\\ Z_j^{\min } = \frac{{z_j^{\min }}}{{z_j^{\max }}} \end{array} \right. $ (4)

数据质量评价指标极限损失值Ej*

$ E_j^* = \frac{{{{\left( {Z_j^{\max } - Z_j^{\min }} \right)}^2}}}{{\sum\limits_{i = 1}^n {{{\left( {Z_i^{\max } - Z_i^{\min }} \right)}^2}} }} $ (5)

为实现对用户数据的排序,还需计算用户数据错误损失序列rui。但在移动群智感知中,由于不同任务的关注度通常是不一样的,例如:在救援车辆最快路径搜索中,需要的数据更加注重准确性与实效性。而在环境污染检测中会更加关注数据的完整性与准确性。因此引入权重ωi,可以实现对不同的任务需求的关注度的改变,使其满足不同情形下对不同数据质量的需求:

$ \begin{array}{l} \left\{ \begin{array}{l} {r_{u!}} = \left\{ {{\omega _1}{t_{1, 1}}E_1^*, {\omega _2}{t_{1, 2}}E_2^*, \cdots , {\omega _j}{t_{1, j}}E_j^*} \right\}\\ {r_{{u_2}}} = \left\{ {{\omega _1}{t_{2, 1}}E_1^*, {\omega _2}{t_{2, 2}}E_2^*, \cdots , {\omega _j}{t_{2, j}}E_j^*} \right\}\\ \cdots \cdots \\ {r_{{u_i}}} = \left\{ {{\omega _1}{t_{i, 1}}E_1^*, {\omega _2}{t_{i, 2}}E_2^*, \cdots , {\omega _j}{t_{i, j}}E_j^*} \right\} \end{array} \right.\\ i = 1, 2, \cdots , m, j = 1, 2, \cdots , n, \sum\limits_{j = 1}^n {{\omega _j} = 1。} \end{array} $ (6)

通过式(6)的计算得到错误损失序列,在这里将错误损失序列rui看成n维空间上的坐标点,坐标点越接近原点O则用户ui的数据质量越好,表示为

$ {R_i} = \sqrt {\sum\limits_{j = 1}^n {{{\left( {{\omega _j}{t_{i, j}}E_j^*} \right)}^2}} } , \;\;\;\;i = 1, 2, \cdots , m $ (7)
2.3 算法描述

根据以上分析,可归纳移动群智感知用户数据质量评估方法如下。

算法:用户数据质量评估实现

输入:用户数据

输出:用户数据质量排序

1) 初始化

2) 确定用户数据质量评价指标cj

3) for i=1, 2, …, m, j=1, 2, …, n do

4) 计算gi, j

5) 判断质量评价指标cj

6) if cjCcost

7) 通过式(1)计算用户数据的错误值timax

8) else

9) 通过式(2)计算用户数据的错误值timax

10) end if

11) 通过式(3)计算用户数据最大错误值timax

12) if timax=ρ

13) 通过式(5)计算数据质量评价指标极限损失值Ej*

14) 通过式(6)计算用户数据错误损失序列rui

15) 对用户数据进行排序

16) else

17) 剔除该用户数据

18) end for

以上算法是一种基于消错决策理论[16]的数据质量评估方法。消错决策理论是一种以减少或规避错误损失为研究目的的理论,该方法从错误损失的角度去看待问题,通过降低错误的损失并对满足需求的合理数据进行排序,从而实现更好的数据质量识别与分类的效果。算法1的实现原理为:首先,用户在接收到数据感知任务后,使用智能终端收集相关数据,生成用户数据集U={u1, u2, …, um};其次,确定用户数据质量评价指标,从错误损失的角度,损失剔除低质量数据,并对满足数据质量要求的用户数据进行排序;再次,考虑到不同感知任务对数据质量评价指标的关注度是不同的,由此引入权重因子,实现与实际需求相符的数据质量识别与分类效果,最终实现对数据质量的准确评估;最后,根据评估结果,确定满足数据质量条件的用户集合Nu。算法的复杂性为O(mn)。通过第1行和第2行确定用户数据质量评价指标种类cj,从第3行至第18行,使用消错决策方法对各个用户数据在不同质量评价指标中是否会发生错误进行判断,据此对用户数据进行描述。根据错误值的偏差程度,对用户数据进行综合排序。从用户数据质量角度出发,最终实现对移动群智感知高数据质量的选择。

3 实验结果与分析 3.1 实验设置

实验使用的数据集为Dartmouth College Wi-Fi campus trace,该数据集是在开源中间件NSense上进行的实验。它以收集声音为例,包含时间戳、测试点和其他感知节点的距离、感知声音的收集方式(分为3个级别:STATIONARY、WALKING和RUNNING)以及感知声音的所处环境(分为4个级别:QUIET、NORMAL、ALERT和NOISY)。替考文献[17-18]的评价指标方法并结合真实数据集Dartmouth College Wi-Fi campus trace,将其总结为四种数据指标:

指标1  响应时间(c1)。即任务请求者发布任务的时间和用户提交任务的时间差值。

指标2  距离(c2)。即用户距离任务的地理位置的距离。

指标3  数据传输无错性(c3)。即用户在不同感知声音的收集方式下准确传输无错声音数据的比例。

指标4  数据完整性(c4)。即用户在不同感知声音所处环境下感知无噪声的声音数据比例。

实验中将数据集Dartmouth College Wi-Fi campus trace的时间戳定义为指标1,测试点和其他感知节点的距离定义为指标2,感知声音的收集方式定义为指标3,感知声音的所处环境定义为指标4。对现有数据集进行预处理,即对响应时间和距离进行定义,对数据传输无错性和数据完整性进行量化,确定合理范围如表 1所示。本文的实验都是在MATLAB2013b上进行实现的。

表 1 指标量化 Table 1 Index quantification

表 1中,本文将响应时间量化为[10,90],距离量化为[0, 5 000],数据传输无错性量化为[0.3, 0.9],以及数据完整性量化为[0.3, 0.9]。同时针对不同级别的感知声音收集方式和所处环境分别进行了量化,这样做的目的是保证数据的多样性,提高评估的准确性。

3.2 数据识别对比

在移动群智感知中,对数据质量的评估准确率越高,所得的数据总体质量也会越好,从而用户可能获得的收益越大。传统异常数据检测方法如狄克逊准则、格拉布斯准则和肖维勒准只适用于小样本情况下的数据检测,在大样本数据下将无法保证检测的准确性,只有拉依达准则适用于大样本情况。根据拉依达准则判断依据可知,若被检测数据的任一分量与其对应均值差超过3倍标准差,则判定该数据为异常数据。因此本文所提方法将与拉依达准则进行性能对比。根据方法检测结果的异常数据识别准确率Xdr对比两种方法在性能上的优劣,Xdr表示为

$ {X_{dr}} = \frac{{{\rm{su}}{{\rm{m}}_{tr}}}}{{{\rm{su}}{{\rm{m}}_{ar}}}} $ (8)

式中:sumtr表示被判为异常数据中的真正异常数据的总数,sumar表示实际异常数据的总数。图 2给出了两种方法在不同异常数据规模下的准确率。

Download:
图 2 准确率对比 Fig. 2 Accuracy comparison

图 2可以看出:1)本文所提方法的准确率远高于拉依达准则,且准确率接近于1。其原因是本文所提方法的出发点是剔除错误异常数据,当有数值发生偏离时,即不在合理的数据范围内,该类数据将被剔除。2)随着异常数据比重的不断增加,拉依达准则的检测率急剧下降,而所提方法的准确率几乎不变;这是因为拉依达准则中,判断异常数据的方法是基于方差的,随着异常数据的不断增加会导致总体数据的方差偏差加大,一些与真实值偏差较小的异常值会被误认为正常值,从而导致数据质量评估准确率下降,而本文所提方法只与每一类数据质量的评价指标界限有关,与异常数据比重无关,因此准确率不会发生变化。

3.3 数据排序对比

在实验数据集中随机抽取11位用户数据并加入1位不符合规定的错误用户数据进行评估。用户数据如表 2所示。

表 2 用户数据 Table 2 User data

通过式(1)、(2)得到12位用户的最大错误值t1maxt2maxt3maxt4maxt5maxt6maxt7maxt8maxt9maxt10maxt11maxt12max分别为0.85、0.69、0.7、0.5、0.32、0.7、0.42、ρ、0.8、0.13、0.97、0.7。根据式(3)可知,用户u8的数据不符合要求,因此需要将其剔除,从而初步实现了对异常用户数据的识别。在剔除错误数据后,使用算法1对其余正确用户数据进行排序,通过式(4)和(5)可得到各评价指标的极限错误损失值,分别为E1*=0.29、E2*=0.37、E3*=0.17、E4*=0.17,最终得到的用户数据质量排序结果:u10>u5>u7> u3>u4>u6>u12>u9> u2>u1>u11,其中u8为错误数据。

考虑到不同的数据质量需求,数据选择的方法存在较大差异,最终选择结果将直接影响每个发布者的最终收益。据此,实验中使用了两种数据选择策略进行方法有效性验证,分别是时间优选和质量优选。

1) 时间优选。该策略更关注用户的响应时间和任务距离,适用于紧急情形下的数据质量评估。因此在时间优选策略中,指标1和指标2将获得较大权重。实验中采取的权重参数为:ω1=0.35,ω2=0.35,ω3=0.15,ω4=0.15。

2) 质量优先。该策略更关注用户的收集方式与收集声音所处的环境,通常适用于范围广、数据量需求大情况下的数据质量评估。因此,在质量优选策略中,指标3和指标4将获得较大权重。实验中采取的权重参数为:ω1=0.15,ω2=0.15,ω3=0.35,ω4=0.35。

最终,使用算法1实现了对其用户数据的准确筛选与排序,同时为了说明本方法的可行性,还与传统的理想点法和TOPSIS法进行了对比。由于使用这三种方法必须提前获得属性的权重信息,为了计算方便,假设每个属性的权重相等,即为0.25。对比结果如表 3所示。

表 3 不同方法对比 Table 3 Comparison of different methods

通过观察表 3,可以发现本文提出的方法具有以下特点:1)它可以提前识别错误数据,提高了数据处理效率。2)在考虑时间与质量优选策略时,通过引入权重,可以更好满足任务发布者对不同数据质量的需求。3)在不需要考虑时间与质量优选策略时,无需计算权重,方法简单高效,排序结果与理想点法基本一致。

本文所提方法可以准确的识别异常错误数据,能够合理地对用户数据进行排序,保障了高质量的用户数据,最终满足了移动群智感知中对高质量数据的需求。

4 结论

1) 本文针对移动群智感知系统中的数据质量评估问题,从规避错误的角度出发,提出了一种基于消错决策理论的数据质量评估方法,弥补了当前对数据质量评估研究的缺失。

2) 实验结果表明:所提出的方法不仅实现了对低质量和异常数据的识别,还通过权值的引入,实现了移动群智感知中对不同任务需求数据进行按需排序,更符合实际需求。

3) 在对低质量和异常数据识别中,相对于拉依达准则,具有识别准确性高的优点;在对数据质量排序上,相对于理想点法、TOPSIS法,具有排序准确性更高、方法简单高效并可按需分配的优点。

参考文献
[1]
ZHANG Xinglin, YANG Zheng, SUN Wei, et al. Incentives for mobile crowd sensing:a survey[J]. IEEE communications surveys & tutorials, 2016, 18(1): 54-67. (0)
[2]
ALVEAR O, CALAFATE C, CANO J C, et al. Crowdsensing in smart cities:overview, platforms, and environment sensing issues[J]. Sensors, 2018, 18(2): 460. DOI:10.3390/s18020460 (0)
[3]
WANG Xiong, ZHANG Jinbei, TIAN Xiaohua, et al. Crowdsensing-based consensus incident report for road traffic acquisition[J]. IEEE transactions on intelligent transportation systems, 2018, 19(8): 2536-2547. DOI:10.1109/TITS.2017.2750169 (0)
[4]
GUO Bin, WANG Zhu, YU Zhiwen, et al. Mobile crowd sensing and computing:The review of an emerging human-powered sensing paradigm[J]. ACM computing surveys, 2015, 48(1): 7. (0)
[5]
JIANG Changkun, GAO Lin, DUAN Lingjie, et al. Exploiting data reuse in mobile crowdsensing[C]//2016 IEEE Global Communications Conference. Washington, DC, USA, 2017: 1-6. (0)
[6]
DU Pengfei, YANG Qinghai, HE Qingsu, et al. Energy-aware quality of information maximisation for wireless sensor networks[J]. IET communications, 2016, 10(17): 2281-2289. DOI:10.1049/iet-com.2015.1064 (0)
[7]
吴垚, 曾菊儒, 彭辉, 等. 群智感知激励机制研究综述[J]. 软件学报, 2016, 27(8): 2025-2047.
WU Yao, ZENG Juru, PENG Hui, et al. Survey on incentive mechanisms for crowd sensing[J]. Journal of software, 2016, 27(8): 2025-2047. (0)
[8]
南文倩, 郭斌, 陈荟慧, 等. 基于跨空间多元交互的群智感知动态激励模型[J]. 计算机学报, 2015, 38(12): 2412-2425.
NAN Wenqian, GUO Bin, CHEN Huihui, et al. A cross-space, multi-interaction-based dynamic incentive mechanism for mobile crowd sensing[J]. Chinese journal of computers, 2015, 38(12): 2412-2425. (0)
[9]
PENG Dan, WU Fan, CHEN Guihai. Data quality guided incentive mechanism design for crowdsensing[J]. IEEE transactions on mobile computing, 2018, 17(2): 307-319. DOI:10.1109/TMC.2017.2714668 (0)
[10]
ZHOU Tongqing, CAI Zhiping, CHEN Yueyue, et al. Improving data credibility for mobile crowdsensing with clustering and logical reasoning[C]//Second International Conference on Cloud Computing and Security. Nanjing, 2016: 138-150. (0)
[11]
LIU Shengzhong, ZHENG Zhenzhe, WU Fan, et al. Context-aware data quality estimation in mobile crowdsensing[C]//IEEE INFOCOM 2017-IEEE Conference on Computer Communications. Atlanta, GA, USA, 2017: 1-9. (0)
[12]
SUROWIECKI J. The wisdom of crowds:Why the many are smarter than the few and how collective wisdom shapes business, economics, societies and nations[J]. Personnel psychology, 2006, 59(4): 982-985. DOI:10.1111/peps.2006.59.issue-4 (0)
[13]
MALONE T W, LAUBACHER R, DELLAROCAS C. Harnessing crowds: mapping the genome of collective intelligence. MIT Sloan Research Paper No. 4732-09[R]. Cambridge, Massachusetts: Massachusetts Institute of Technology, 2009. (0)
[14]
DOAN A, RAMAKRISHNAN R, HALEVY A Y. Crowdsourcing systems on the world-wide web[J]. Communications of the ACM, 2011, 54(4): 86-96. DOI:10.1145/1924421 (0)
[15]
LANE N D, MILUZZO E, LU Hong, et al. A survey of mobile phone sensing[J]. IEEE communications magazine, 2010, 48(9): 140-150. DOI:10.1109/MCOM.2010.5560598 (0)
[16]
HUANG Haoran, CAI Ken. A method of fuzzy multiple attribute decision making based on the error-eliminating theory[J]. Journal of intelligent & fuzzy systems, 2016, 31(4): 2119-2127. (0)
[17]
MARJANOVIĆ M, SKORIN-KAPOV L, PRIPUŽIĆ K, et al. Energy-aware and quality-driven sensor management for green mobile crowd sensing[J]. Journal of network and computer applications, 2016, 59: 95-108. DOI:10.1016/j.jnca.2015.06.023 (0)
[18]
丁小欧, 王宏志, 张笑影, 等. 数据质量多种性质的关联关系研究[J]. 软件学报, 2016, 27(7): 1626-1644.
DING Xiaoou, WANG Hongzhi, ZHANG Xiaoying, et al. Association relationships study of multi-dimensional data quality[J]. Journal of software, 2016, 27(7): 1626-1644. (0)