移動(dòng)群智感知質(zhì)量度量與保障

1、移動(dòng)群智感知質(zhì)量度量與保障摘要：認(rèn)為移動(dòng)群智感知網(wǎng)絡(luò)的感知質(zhì)量包含時(shí)空覆 蓋質(zhì)量和數(shù)據(jù)質(zhì)量?jī)蓚€(gè)層面，前者關(guān)注是否能采集到足夠多 的數(shù)據(jù)，而后者關(guān)注數(shù)據(jù)是否足夠準(zhǔn)確和可信。分別從這兩 個(gè)層面討論了感知質(zhì)量度量和保障的方法，對(duì)移動(dòng)群智感知 網(wǎng)絡(luò)的部署和應(yīng)用具有一定的指導(dǎo)意義和實(shí)用價(jià)值。關(guān)鍵詞： 移動(dòng)群智感知；感知質(zhì)量度量；感知質(zhì)量保 障目前，物聯(lián)網(wǎng)已經(jīng)進(jìn)入深度發(fā)展階段，對(duì)物理環(huán)境更大 規(guī)模、更復(fù)雜、更全面的感知需求越來(lái)越強(qiáng)烈。在過(guò)去十多 年內(nèi)，人們主要關(guān)注以無(wú)線(xiàn)傳感網(wǎng)為代表的固定部署感知網(wǎng) 絡(luò)，用來(lái)對(duì)森林、海洋、火山等自然環(huán)境進(jìn)行監(jiān)測(cè)。然而， 這種傳統(tǒng)感知模式的網(wǎng)絡(luò)部署和維護(hù)成本很高，不適宜進(jìn)行

2、大規(guī)模的城市感知。近幾年來(lái)，人們開(kāi)始關(guān)注一種新型物聯(lián) 網(wǎng)感知模式，即“移動(dòng)群智感知 1-3 ”，或者叫 “以人為中心 的感知 4 ”、“參與感知 5 ”、“機(jī)會(huì)感知 6 ”等。這種感知模 式的產(chǎn)生一方面是由于現(xiàn)實(shí)世界中存在著大量的移動(dòng)感知 節(jié)點(diǎn)，例如，具有多達(dá)十幾種傳感器的智能手機(jī)、各種可穿 戴設(shè)備（如智能手環(huán)、智能手表、智能眼鏡等） 、車(chē)載感知 設(shè)備（如全球定位系統(tǒng)（GPS、第2代車(chē)載自動(dòng)診斷系統(tǒng)（OBD-II）、車(chē)載二氧化碳傳感器等）或其他便攜式電子設(shè)備（如 Intel 的空氣質(zhì)量傳感器） 。這些感知節(jié)點(diǎn)通常由移動(dòng)的 人或車(chē)攜帶，因而更容易實(shí)現(xiàn)對(duì)整個(gè)城市的覆蓋，我們將其 稱(chēng)之為“移動(dòng)感知”

3、 。另一方面，最近學(xué)術(shù)界和工業(yè)界流行 一種“眾包”思想，它是一種新的分布式的問(wèn)題解決模式， 就是將一個(gè)復(fù)雜的問(wèn)題分解成很多個(gè)簡(jiǎn)單的問(wèn)題，然后外包 給大量的普通用戶(hù)來(lái)協(xié)同完成。于是，移動(dòng)感知與眾包思想 的結(jié)合，就產(chǎn)生了這種新型物聯(lián)網(wǎng)感知模式一一移動(dòng)群智感 知，它將普通用戶(hù)的移動(dòng)設(shè)備作為基本感知單元，通過(guò)移動(dòng) 互聯(lián)網(wǎng)進(jìn)行有意識(shí)或無(wú)意識(shí)的協(xié)作，實(shí)現(xiàn)感知任務(wù)分發(fā)與感 知數(shù)據(jù)收集，完成大規(guī)模的、復(fù)雜的社會(huì)感知任務(wù) 3。與傳統(tǒng)的固定部署感知模式相比，移動(dòng)群智感知有三大 優(yōu)點(diǎn)：網(wǎng)絡(luò)部署成本更低、網(wǎng)絡(luò)維護(hù)更容易、系統(tǒng)更具有可 擴(kuò)展性 7，因此更適合完成一些大規(guī)模的、 復(fù)雜的感知任務(wù)， 可應(yīng)用于城市環(huán)境監(jiān)測(cè)、智

4、能交通、城市管理、公共安全等 領(lǐng)域。然而，很少有人關(guān)注移動(dòng)群智感知網(wǎng)絡(luò)的感知質(zhì)量問(wèn)題。 我們認(rèn)為，移動(dòng)群智感知網(wǎng)絡(luò)的感知質(zhì)量包含時(shí)空覆蓋質(zhì)量 和數(shù)據(jù)質(zhì)量?jī)蓚€(gè)層面，前者關(guān)注是否能采集到足夠多的數(shù)據(jù)， 而后者關(guān)注數(shù)據(jù)是否足夠準(zhǔn)確和可信。然而，在移動(dòng)群智感知模式下，用戶(hù)的屬性、位置、情境等方面的動(dòng)態(tài)變化性使得我們很難對(duì)時(shí)空覆蓋質(zhì)量進(jìn)行 度量和保障；而用戶(hù)感知設(shè)備、感知方式、主觀認(rèn)知能力、 參與態(tài)度等方面的異構(gòu)性也使得我們很難對(duì)感知數(shù)據(jù)的質(zhì) 量進(jìn)行相關(guān)的度量和保障。因此，文章分別從時(shí)空覆蓋質(zhì)量和數(shù)據(jù)兩個(gè)層面討論感 知質(zhì)量度量與保障的問(wèn)題以及對(duì)應(yīng)的解決方法，對(duì)移動(dòng)群智 感知網(wǎng)絡(luò)的部署和應(yīng)用具有一定的指導(dǎo)

5、意義和實(shí)用價(jià)值。1 時(shí)空覆蓋質(zhì)量度量與保障 隨著移動(dòng)感知設(shè)備的持有者隨機(jī)地到達(dá)城市的各個(gè)地 方，這些節(jié)點(diǎn)即可隨時(shí)隨地進(jìn)行感知。這種移動(dòng)性對(duì)許多應(yīng) 用的感知質(zhì)量起著重要的作用。以城市空氣質(zhì)量監(jiān)測(cè)為例， 假定我們計(jì)劃使用大量的出租車(chē)攜帶空氣質(zhì)量傳感器，對(duì)北 京的五環(huán)內(nèi)區(qū)域進(jìn)行監(jiān)測(cè)，構(gòu)建每天早上 6 點(diǎn)到晚上 12 點(diǎn) 時(shí)間段的空氣質(zhì)量感知地圖。事實(shí)上，有兩個(gè)基本問(wèn)題有待 解決：怎樣度量這些出租車(chē)提供的感知機(jī)會(huì)以及它們能達(dá)到 的感知質(zhì)量？需要部署多少輛出租車(chē)能達(dá)到所需的感知質(zhì) 量？首先，我們從時(shí)間維度來(lái)考慮。在傳統(tǒng)的固定部署的傳 感網(wǎng)中，研究者常常使用覆蓋率來(lái)度量感知質(zhì)量，通常需要 監(jiān)測(cè)區(qū)域內(nèi)每個(gè)點(diǎn)

6、總是被至少一個(gè)傳感器節(jié)點(diǎn)覆蓋，這種網(wǎng) 絡(luò)的覆蓋質(zhì)量一般不會(huì)隨著時(shí)間而改變。然而，由于人的移 動(dòng)性，移動(dòng)群智感知網(wǎng)絡(luò)的覆蓋質(zhì)量是動(dòng)態(tài)變化的?？紤]到 感知覆蓋的時(shí)空變化因素，我們將整個(gè)監(jiān)測(cè)區(qū)域劃分為多個(gè) 網(wǎng)格單元，將每個(gè)網(wǎng)格單元被連續(xù)覆蓋兩次的間隔時(shí)間作為 一個(gè)新的度量指標(biāo)，稱(chēng)之為覆蓋間隔時(shí)間，用來(lái)描述每個(gè)網(wǎng) 格單元被覆蓋的機(jī)會(huì)。通過(guò)對(duì)北京和上海兩個(gè)城市的出租車(chē) 移動(dòng)軌跡數(shù)據(jù)集進(jìn)行分析，我們發(fā)現(xiàn)覆蓋間隔時(shí)間服從截?cái)?的帕累托分布。 進(jìn)一步地， 我們提出一個(gè)稱(chēng)作 “機(jī)會(huì)覆蓋率” 的度量指標(biāo)來(lái)表示城市監(jiān)測(cè)區(qū)域的整體感知質(zhì)量與節(jié)點(diǎn)個(gè) 數(shù)之間的關(guān)系，其定義為在特定時(shí)間間隔內(nèi)能被覆蓋的網(wǎng)格 單元占所有網(wǎng)格單

7、元的比例的期望值，可以表示成關(guān)于覆蓋 間隔時(shí)間分布的函數(shù)。圖 1 顯示基于北京和上海兩個(gè)出租車(chē) 移動(dòng)軌跡數(shù)據(jù)集的機(jī)會(huì)覆蓋率與節(jié)點(diǎn)個(gè)數(shù)和時(shí)間間隔呈單 調(diào)遞增關(guān)系。于是，我們可以推導(dǎo)出至少需要多少節(jié)點(diǎn)能使 在特定的時(shí)間間隔內(nèi)機(jī)會(huì)覆蓋率不小于指定的閾值。例如， 根據(jù)對(duì)兩個(gè)出租車(chē)移動(dòng)軌跡數(shù)據(jù)集的分析，我們需要分別在 北京和上海 900平方千米的區(qū)域內(nèi)至少部署 1 700輛和 1 900 輛出租車(chē)，才能保證其在 1 個(gè)小時(shí)的時(shí)間間隔內(nèi)機(jī)會(huì)覆蓋率 不小于 50%。更詳細(xì)的分析方法和結(jié)果請(qǐng)見(jiàn)文獻(xiàn) 8 。盡管不 同城市可能需要不同的節(jié)點(diǎn)個(gè)數(shù)滿(mǎn)足所需的機(jī)會(huì)覆蓋率，我 們提出的模型和方法可以對(duì)網(wǎng)絡(luò)規(guī)劃問(wèn)題提供一般

8、性的指 導(dǎo)。其次，我們從空間維度考慮。一個(gè)監(jiān)測(cè)區(qū)域的環(huán)境現(xiàn)象 （如 PM 2.5 濃度、二氧化碳濃度、 噪音等） 可以表示為一個(gè) 二維信號(hào)，類(lèi)似于一個(gè)圖像。在大部分環(huán)境監(jiān)測(cè)應(yīng)用中，移動(dòng)感知節(jié)點(diǎn)將采集到的感知數(shù)據(jù)發(fā)送到數(shù)據(jù)中心，然后數(shù)據(jù) 中心匯集現(xiàn)有數(shù)據(jù)，并利用空間插值技術(shù)估計(jì)未知數(shù)據(jù)，從 而得到一個(gè)完整的感知地圖，相當(dāng)于一個(gè)感知圖像。如圖 2 所示，移動(dòng)群智感知網(wǎng)絡(luò)就像一個(gè)“城市攝像機(jī)” ，而每個(gè) 移動(dòng)感知節(jié)點(diǎn)就相當(dāng)于這個(gè)攝像機(jī)的每個(gè)“像素” 。在傳統(tǒng) 的圖像系統(tǒng)中，分辨率是度量圖像質(zhì)量的一個(gè)重要指標(biāo)。從 這個(gè)概念得到啟發(fā)，我們利用群智感知分辨率作為指標(biāo)來(lái)度 量感知圖像的質(zhì)量。分辨率越高，則代

9、表所部署的移動(dòng)群智 感知網(wǎng)絡(luò)越能準(zhǔn)確地捕獲到環(huán)境現(xiàn)象的變化。然而，與傳統(tǒng) 數(shù)字圖像系統(tǒng)中的分辨率定義不同，我們不能簡(jiǎn)單地將像素 數(shù)（即移動(dòng)感知節(jié)點(diǎn)個(gè)數(shù)） 看做群智感知分辨率。 這是因?yàn)椋?數(shù)字?jǐn)z像機(jī)的像素會(huì)形成一個(gè)精細(xì)的網(wǎng)格，而城市攝像機(jī)的 像素在城市中則呈現(xiàn)分散化的動(dòng)態(tài)化分布。為了解決這個(gè)問(wèn) 題，我們首次提出“城市分辨率”這一新的指標(biāo)來(lái)度量城市 感知圖像的質(zhì)量。簡(jiǎn)單地說(shuō)，我們分別基于移動(dòng)群智感知網(wǎng) 絡(luò)和n x n網(wǎng)格化部署的感知網(wǎng)絡(luò)采集到的部分感知數(shù)據(jù)， 利用空間插值技術(shù)來(lái)估計(jì)未知數(shù)據(jù)，得到兩個(gè)完整的監(jiān)測(cè)區(qū) 域感知數(shù)據(jù)矩陣，然后利用相關(guān)系數(shù)來(lái)評(píng)估兩個(gè)矩陣的相似 性，如果它們的相似性足夠高，則

10、認(rèn)為該移動(dòng)群智感知網(wǎng)絡(luò) 的城市分辨率是r=n x n。我們分別使用3種不同變化度的 二維信號(hào)，通過(guò)蒙特卡羅仿真研究了分辨率 r 與移動(dòng)感知節(jié) 點(diǎn)個(gè)數(shù)s之間的關(guān)系，發(fā)現(xiàn)它們之間存在一個(gè)近似的線(xiàn)性關(guān)系：r= a 2S，其中，在真實(shí)的人或車(chē)移動(dòng)模型下，a 的參考值范圍是 0.5， 0.6。一方面，基于該線(xiàn)性關(guān)系，我們就可 以根據(jù)移動(dòng)群智感知網(wǎng)絡(luò)的節(jié)點(diǎn)個(gè)數(shù)推出所能達(dá)到的感知 質(zhì)量；另一方面，我們也可以反過(guò)來(lái)推出，需要部署多少移 動(dòng)感知節(jié)點(diǎn)能達(dá)到所需的城市分辨率需求。同樣以北京和上 海兩個(gè)出租車(chē)移動(dòng)軌跡數(shù)據(jù)集為例，圖 3 顯示了其城市分辨 率分布情況?？梢钥闯觯嘶蜍?chē)密集分布的區(qū)域具有更高的 城市分辨率

11、，例如北京的中心和東部區(qū)域，以及上海的中心 和西南區(qū)域。更詳細(xì)的介紹請(qǐng)見(jiàn)文獻(xiàn)9。上面提到的方法主要適用于城市環(huán)境監(jiān)測(cè)、交通擁堵?tīng)顩r和道路健康 狀況監(jiān)測(cè)等需要對(duì)整個(gè)城市的每個(gè)區(qū)域進(jìn)行連續(xù)監(jiān)測(cè)的大 規(guī)模城市感知應(yīng)用。 與此不同， Chon 等人則研究了 “以地方 為中心”的移動(dòng)群智感知應(yīng)用的覆蓋質(zhì)量10 。所謂以地方為中心的應(yīng)用，就是自動(dòng)識(shí)別或跟蹤用戶(hù)每天訪(fǎng)問(wèn)的不同地 方（如咖啡館、超市、辦公室、家、學(xué)校等） ，來(lái)幫助用戶(hù) 認(rèn)識(shí)和分析自己的日常行為模式，或者獲取基于位置的搜索 和信息推薦等服務(wù)。構(gòu)建和部署這些應(yīng)用的前提是對(duì)用戶(hù)訪(fǎng) 問(wèn)的每個(gè)地方采集足夠的感知數(shù)據(jù)（如GPS位置、聲音、圖像、光照、 W

12、i-Fi 信號(hào)指紋等）來(lái)建立各種模型。這里的覆蓋 問(wèn)題就是：多長(zhǎng)時(shí)間內(nèi)多少用戶(hù)采集數(shù)據(jù)能覆蓋到多少人們 經(jīng)常訪(fǎng)問(wèn)的地方？為此，Chon等人在韓國(guó)招募了 85人并在兩個(gè)月時(shí)間內(nèi)收集了大約 4.8 萬(wàn)次用戶(hù)訪(fǎng)問(wèn)不同地方的感知 數(shù)據(jù)然后進(jìn)行分析，得到了一些有趣的結(jié)果：僅僅利用少量 的用戶(hù)（ 85 人），就能對(duì)人們常去的地方提供高覆蓋率（最 流行的地方的 15%）；用戶(hù)訪(fǎng)問(wèn)地方的個(gè)數(shù)服從冪律分布， 基于該模型可估計(jì)出需要多少用戶(hù)能達(dá)到所需的地方覆蓋 率；用戶(hù)對(duì)泄露個(gè)人隱私的擔(dān)心并沒(méi)有帶來(lái)太大的影響，例 如，用戶(hù)允許在 93%的食物相關(guān)的地方收集聲音數(shù)據(jù)， 在 82% 的所有類(lèi)型的地方收集聲音數(shù)據(jù)。以上

13、方法主要用來(lái)度量時(shí)空覆蓋質(zhì)量，而保障時(shí)空覆蓋 質(zhì)量則需要綜合利用多種方法： （ 1）可以將固定部署感知模 式和移動(dòng)群智感知模式相結(jié)合，在移動(dòng)用戶(hù)很難到達(dá)的空白 區(qū)域，通過(guò)優(yōu)化部署固定的感知網(wǎng)絡(luò)來(lái)保障時(shí)空覆蓋質(zhì)量； （2）利用空間插值、壓縮感知等方法來(lái)彌補(bǔ)感知數(shù)據(jù)的缺 失，也可以利用感知現(xiàn)象的時(shí)空相關(guān)性，或者天氣、交通、 重大事件等外部因素與感知現(xiàn)象的關(guān)聯(lián)性，采用機(jī)器學(xué)習(xí)的 方法來(lái)實(shí)現(xiàn)未知數(shù)據(jù)的準(zhǔn)確估計(jì)； （ 3）設(shè)計(jì)合適的激勵(lì)機(jī)制 來(lái)鼓勵(lì)更多的用戶(hù)來(lái)參與這些感知活動(dòng)。2 感知數(shù)據(jù)質(zhì)量度量與保障 感知數(shù)據(jù)質(zhì)量受很多方面因素的影響，主要包括： ?用戶(hù)所使用的感知設(shè)備類(lèi)型。例如，價(jià)格高昂的高端 手機(jī)

14、的傳感器一般比那些價(jià)格低廉的低端手機(jī)的傳感器精 度要高。?用戶(hù)采集數(shù)據(jù)的環(huán)境和方式。例如，把手機(jī)拿在手里 采集環(huán)境噪聲的數(shù)據(jù)質(zhì)量比把手機(jī)放在衣服口袋或手提包 里采集環(huán)境噪聲的數(shù)據(jù)質(zhì)量高。?用戶(hù)的主觀認(rèn)知能力。例如，基于移動(dòng)群智感知的圖 像搜索應(yīng)用依賴(lài)用戶(hù)對(duì)圖像的識(shí)別能力，而不同用戶(hù)對(duì)同一 圖像的認(rèn)知可能是不一樣的。?用戶(hù)的參與態(tài)度。例如，有的用戶(hù)會(huì)嚴(yán)格按照要求來(lái) 采集數(shù)據(jù)，而有些用戶(hù)會(huì)比較隨意，甚至有些惡意用戶(hù)會(huì)上 傳虛假偽造的數(shù)據(jù)。以上因素都會(huì)造成感知數(shù)據(jù)質(zhì)量的參差不齊。下面，我 們首先根據(jù)感知任務(wù)或?qū)ο蟮念?lèi)型來(lái)介紹幾種典型的感知 數(shù)據(jù)的質(zhì)量度量和保障的方法：?面向二進(jìn)制型任務(wù)的方法。二進(jìn)制

15、型任務(wù)的結(jié)果只有 兩種。事件檢測(cè)是一種典型的二進(jìn)制型任務(wù)，即判斷某種事 件是否發(fā)生。最簡(jiǎn)單的方法是投票，即當(dāng)判定事件發(fā)生的用 戶(hù)數(shù)量超過(guò)特定閾值的時(shí)候，才最終確定事件發(fā)生。?面向多類(lèi)別型任務(wù)的方法。多類(lèi)別型任務(wù)的結(jié)果多于 兩種，例如，用戶(hù)對(duì)某個(gè)事物的評(píng)價(jià)可以打分為15的某個(gè)分?jǐn)?shù)。投票法雖然也可以用來(lái)度量結(jié)果的不確定性，但還 不夠準(zhǔn)確。最大期望法是一種常用的更準(zhǔn)確的方法，它采用 迭代的方式工作，即首先根據(jù)用戶(hù)的感知數(shù)據(jù)來(lái)估計(jì)用戶(hù)的 可靠性，然后根據(jù)用戶(hù)的可靠性來(lái)估計(jì)最終的任務(wù)結(jié)果，并 不斷重復(fù)上述過(guò)程。?面向連續(xù)信號(hào)型任務(wù)的方法。對(duì)區(qū)域環(huán)境現(xiàn)象的連續(xù) 監(jiān)測(cè)屬于連續(xù)信號(hào)型任。 Koutsopoul

16、os 針對(duì)這類(lèi)任務(wù)提出了 一種感知數(shù)據(jù)質(zhì)量度量方法，即計(jì)算某個(gè)用戶(hù)提交的歷史數(shù) 據(jù)與所有用戶(hù)數(shù)據(jù)的平均值之間的累積誤差作為該用戶(hù)的 感知數(shù)據(jù)質(zhì)量指標(biāo) 11 。以上 3 種方法的基本思想都是發(fā)揮集體的智慧來(lái)抵御個(gè) 人數(shù)據(jù)不準(zhǔn)確的影響，從而提高整體數(shù)據(jù)的可靠性。然而， 這些方法并不能充分應(yīng)對(duì)惡意用戶(hù)的攻擊。 Mousa 等人總結(jié) 了串謀攻擊、女巫攻擊、GPS欺騙等11種可能的惡意用戶(hù)攻 擊方式 1 2 。面對(duì)這些攻擊，一般有兩類(lèi)方法解決感知數(shù)據(jù) 的可信性問(wèn)題：?可信平臺(tái)模塊。這類(lèi)方法是在用戶(hù)的移動(dòng)感知設(shè)備設(shè) 置專(zhuān)門(mén)的硬件模塊，保證用戶(hù)感知和上報(bào)到數(shù)據(jù)中心的數(shù)據(jù) 是由真實(shí)的、授權(quán)的感知設(shè)備所采集，還

17、可以采用簽名和硬 件加密機(jī)制來(lái)保護(hù)感知數(shù)據(jù)只能由授權(quán)用戶(hù)訪(fǎng)問(wèn)。與此類(lèi)似， 我們基于“安全數(shù)碼相機(jī)”的思想，利用 MD5 算法和基于 隨機(jī)數(shù)的加密算法設(shè)計(jì)了一個(gè)圖像篡改檢測(cè)方法來(lái)保障用 戶(hù)上傳圖像數(shù)據(jù)的真實(shí)性 13。?信譽(yù)系統(tǒng)。這類(lèi)方法是評(píng)估和記錄用戶(hù)的歷史感知數(shù) 據(jù)的可信性，并將其用在未來(lái)的系統(tǒng)交互過(guò)程中，對(duì)于信譽(yù) 度低的用戶(hù)感知數(shù)據(jù)采用的可能性也比較低，同時(shí)也會(huì)采用 相應(yīng)的激勵(lì)或懲罰措施。貝葉斯系統(tǒng)是一種常用的具體方法14。3 結(jié)束語(yǔ)作為物聯(lián)網(wǎng)的新型感知模式，移動(dòng)群智感知促進(jìn)了大量 創(chuàng)新應(yīng)用的出現(xiàn)，同時(shí)也面臨一系列新的問(wèn)題與挑戰(zhàn)。文章 分別從時(shí)空覆蓋質(zhì)量和數(shù)據(jù)質(zhì)量?jī)蓚€(gè)層面分析了移動(dòng)群智 感知

18、網(wǎng)絡(luò)中感知質(zhì)量度量和保障的各種問(wèn)題，并提供了一些 對(duì)應(yīng)的解決方法。隨著相關(guān)技術(shù)的不斷進(jìn)步和成熟，移動(dòng)群 智感知質(zhì)量度量與保障將對(duì)移動(dòng)群智感知網(wǎng)絡(luò)的快速發(fā)展 和廣泛應(yīng)用提供重要的支撐作用。參考文獻(xiàn)1 GANTI R K， YE F， and LEI H. Mobile Crowdsensing ： Current State and Future Challenges J. IEEE Communications Magazine， 2011， 49 （ 11）： 32-392 MA H D， ZHAO D， and YUAN P. Opportunities in Mobile Crowd S

19、ensing J. IEEE Communications Magazine， 2014， 52（8）： 29-353 劉云浩 . 群智感知計(jì)算 J.中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊， 2012， 8 （10）： 38-414 CAMPBELL A， EISENMAN S， LANE N， et al. The Rise of People-Centric Sensing J. IEEE Internet Computing， 2008 ， 12 （ 4）： 12-215 BURKE J， ESTRIN D， HANSEN M， et al. Participatory Sensing C / Worksh

20、op on World-Sensor-Web ， Co-Locatedwith ACM SenSys， Boulder ， Colorado， USA， 2006： 1-56 LANE N， EISENMAN S， MUSOLESI M， et al. Urban Sensing Systems： Opportunistic or Participatory ？ C / in Proceedings of HotMobile ， Silverado Resort， Napa Valley， USA， 2008： 11-167 趙東，馬華東 . 群智感知網(wǎng)絡(luò)的發(fā)展及挑戰(zhàn) J. 信息 通信技術(shù)，

21、2014（ 05）： 66-708 ZHAO D， MA H D， LIU L， and LI X Y. Opportunistic Coverage for Urban Vehicular Sensing J. Computer Communications ， 2015： 71-85. doi ： 10.1016/com.2015.01.0189 LIU L， WEI W， ZHAO D， and MA H D. Urban Resolution ： New metric for Measuring the Quality of Urban Sensing J. IEEE Transation on Mobile Computing， 2015（ 09）： 21-25. doi： 10.1109/TMC.2015.240478610 CHON Y， LANE N， KIM Y， et al. Understanding the Coverage and Scalability of Place-Centric Crowd SensingC/ in Proceedings of ACM UbiComp， Zurich， Switzerland