[發明專利]基于信譽值的動態車輛任務與算力匹配方法

有效

• 申請號: 202110608466.X
• 申請日: 2021-06-01
• 公開（公告）號: CN113240189B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 孫麗珺;郭嘉宸;楊宇燊;王研;毛仕龍
• 申請（專利權）人: 青島科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/30
• 代理公司: 青島匯智海納知識產權代理有限公司 37335
• 代理人: 王丹丹

本發明公開一種基于基于信譽值的動態車輛任務與算力匹配方法，使用深度學習中的Conv?GRU模型對任務數、工人數、工人信譽值、車流量進行預測，并結合強化學習中的DQN算法，對預測所得任務序列進行動態劃分批次，最后在每一個劃分好的批次內，通過KM算法結合工人的信譽度以及任務的重要程度進行二部圖匹配，最終實現算力和任務的最優匹配。本方案不僅考慮了車輛任務的時空特征以及動態性特征，而且結合了車輛信譽值，車輛任務的重要程度等因素，且預測精度較其他方法更高，預測速度更快，批次劃分更加合理，從而使車輛獲得更高的收益；此外，其不需要特殊的部署和額外的硬件設備，成本較低，實用性較強，具有很高的實用價值。

技術領域

本發明屬于眾包任務分配領域，具體涉及一種基于信譽值的動態車輛任務與算力匹配方法。

背景技術

隨著互聯網的快速發展及信息全球化的推進，眾包模式應運而生。眾包是互聯網帶來的新的生產組織形式，其在數據標注、圖書電子化、知識圖譜構建等方面都有著廣泛的應用，是一種分布式解決問題的方式。目前，帶有多種傳感器和網絡的智能手機己經無處不在，這些智能設備能夠產生大量的信息(如照片、視頻、地理位置、行車軌跡等各種各樣的數據)，而空間眾包作為一種新型計算范式可以有效利用這些信息產生經濟效益，得到越來越多的關注。

現有技術中，針對任務分配問題，學者們已有進行大量的研究，主要包括基于靜態場景的研究和基于動態場景的研究：

(1)基于靜態場景的研究指的是眾包平臺事先知道任務和工人的時空屬性，對工人和任務進行匹配。比如，一部分研究人員聚焦工人和任務的相對位置，以此量化任務和工人已知的位置信息，并以最小化最大匹配距離為目標，來對工人和任務進行匹配，而在現實場景中，這顯然是不切實際的，工人和任務不可能一直待在同一個位置，尤其是工人，他們需要通過不停地移動來尋找潛在的任務；也有一部分研究人員聚焦工人的專業技能，將工人的專業技能融入到眾包任務分配中，但是尋找與任務所需技能相匹配的工人需要耗費大量的時間，在任務存續期間普遍較短的前提下，尋找類似的工人難度較大，無法充分保證匹配的成功率；(2)基于動態場景的研究指的是眾包平臺事先并不知道任務和工人的時空屬性，任務和工人隨機出現在眾包平臺內；雖然任務分配的目標函數各不相同，但是其均考慮了當前工人和任務動態出現的情況，采用了完全在線啟發式的策略來解決眾包分配中的NP-hard問題。

在劃分批次階段，現有的任務分配一般是基于固定批次的，考慮到工人和任務是具有時空屬性的，部分工人和任務的截止時間小于批次的截止時間，這樣會導致部分工人或任務在當前批次內沒有得到分配，而無法保留到下一批次內，從而導致匹配率低；另外，由于眾包的任務數是具有很明顯的周期性性時間特征，因此使用傳統的方法很難預測準確；而且，若使用強化學習中Q-learning等方法進行批次劃分，由于Q-learning方法用于更新Q值的Q表在處理數據量較大情況下，其查找和存儲都需要耗費大量的時間和空間；與此同時，Q-learning中的狀態之間具有很強的相關性，也會影響批次劃分的最終結果。而且，在工人-任務匹配階段，現有的眾包分配算法在完成匹配時，并未考慮到工人的歷史信譽值(過去完成任務的情況)和任務的重要程度對匹配的影響，也會對最終的匹配結果造成影響。

綜上可見，當前關于眾包任務分配算法有兩個明顯的不足的地方：一方面是任務分配時只考慮當前加入眾包平臺的任務能力需求和工人的能力水平來進行分配，卻忽略了工人完成工作的歷史信譽值對本次任務分配是否能完成的影響；另一方面是沒有考慮動態劃分批次對于任務分配的影響，在實際生活中，工人和任務都是動態到達的，并且可以在不做出任何通知的情況下隨時離開，因此批次應該是動態的，并非是固定的。分配任務時除了應該讓能者多勞，更應該讓信者優勞，把重要的任務優先交給歷史信譽好的工人完成。

發明內容