群體感知與群智計算

群體感知與群智計算目錄從眾包說起群體感知與群智計算MCSC主要工作與成果總結與展望3從眾包說起眾包（Crowdsourcing）是一種分布式的問題解決和生產(chǎn)模式；從AI角度，這是人類智能與機器智能的有機結合，解決機器目前還無法完全自動化的問題（人工的人工智能）。WikiPedia、OpenStreetMap等均為成功的眾包應用，亞馬遜推出了提供眾包服務的平臺MechanicalTurk（土耳其機器人）。Crowdsourcingistheactofoutsourcingtasks,traditionallyperformedbyanemployeeorcontractor,toanundefined,largegroupofpeopleorcommunity(a“crowd”),throughanopencall.——JeffHowe,Wired,no.6,2006眾包例子GigwalkB2C任務眾包平臺，2011年開始，微軟通過Gigwalk召集了35個城市的10萬人，為它提供商戶和餐館的3D全景圖，融入Bing地圖。Twitter翻譯中心，Twitter長期以來都支持基于眾包技術的翻譯，提供一個自愿提供其他語言服務的平臺，支持多達30種語言。InfoScout以返利的激勵讓消費者通過移動應用掃描零售店消費票據(jù)；在后臺則解析識別這些票據(jù)，包括消費地點、品類和價格等，一方面給消費者電子存檔，更重要的是從中挖掘有價值的消費信息提供給消費品牌。從眾包到眾感，從群體協(xié)作在線任務完成到時空感知數(shù)據(jù)、用戶生成數(shù)據(jù)的收集與共享；以數(shù)據(jù)為中心，實現(xiàn)在線線下社群協(xié)同感知。目錄從眾包說起群體感知與群智計算MCSC主要工作與成果總結與展望城市與社會感知人類社會正面臨一系列復雜生態(tài)和發(fā)展問題，普適感知技術能為解決這些問題提供重要保障?！皩θ撕铜h(huán)境的感知”一直以來都是重要科學研究課題，屬國家重大需求：2016年國家重點研發(fā)計劃“云計算與大數(shù)據(jù)”專項確定的四個方向之一為“云端融合的感知認知與人機交互”國家十三五國家科技創(chuàng)新規(guī)劃“新一代信息技術”中人本計算、智能感知為重點發(fā)展方向，且在智慧城市部分指出要“突破城市多尺度立體感知”技術。城市管理公共安全環(huán)境監(jiān)測傳統(tǒng)感知網(wǎng)絡社會及城市感知任務具有范圍廣、規(guī)模大、任務重等特點。目前感知系統(tǒng)還主要依賴于預安裝的專業(yè)傳感設施（如攝像頭、空氣檢測裝置等）和專業(yè)人員。PM2.5城市攝像頭具覆蓋范圍受限，投資及維護成本高等特點，使用范圍、對象和應用效果得到了很多限制。8群體感知與群智計算(MobileCrowdSensingandComputing)以大量普通用戶及其攜帶的智能設備作為感知源，利用大眾的廣泛分布性、移動性和連接性進行大規(guī)模感知。融合顯式或隱式群體智能實現(xiàn)對低質(zhì)冗余、碎片化感知數(shù)據(jù)的優(yōu)選和增強理解，進而為城市及社會管理提供智能輔助支持。群體感知與群智計算8B.Guo,etal.MobileCrowdSensingandComputing:TheReviewofanEmergingHuman-PoweredSensingParadigm",ACMComputingSurveys,2015.線上、線下多種參與模式隱式群體智能：個體profile、群體結構、群物交互等群體感知典型應用2013波士頓爆炸案FBI通過群體數(shù)據(jù)尋找嫌犯GoogleWaze-群體交通感知2016法國尼斯恐怖襲擊，警方通過Twitter為群眾尋找庇護所SeeClickFix-群體公共管理10MCSC特征與挑戰(zhàn)(1)草根感知(2)跨空間協(xié)作(3)復雜數(shù)據(jù)處理Spatial-temporalcoverage參與者選擇;Incentivemechanisms激勵機制

Online/offlinecollaborationCross-communitysensingDataquality,trust,privacy數(shù)據(jù)質(zhì)量，可信，隱私；Cross-spacedatamining跨空間數(shù)據(jù)挖掘兩個科學問題：如何選擇和調(diào)諧泛在、互補的群體感知能力實現(xiàn)高質(zhì)量感知？如何實現(xiàn)對低質(zhì)、冗余群體感知數(shù)據(jù)的高效處理和語義理解？目錄從眾包說起群體感知與群智計算MCSC主要工作與成果總結與展望研究進展群體感知參與者選擇跨空間協(xié)作增強感知參與式感知數(shù)據(jù)優(yōu)選多模態(tài)群體數(shù)據(jù)融合(1.1)面向單任務的參與者選擇問題定義群體感知是協(xié)作式感知，社會因素會影響用戶的參與性；針對城市空間中的單個感知任務，研究如何選擇合適的參與者實現(xiàn)任務參與度最大化。研究方案綜合考慮任務內(nèi)容、時空情境和社會影響特征，對感知節(jié)點能力進行多角度刻畫；提出基于信用分布的影響力最大化算法(CD-UIP)發(fā)現(xiàn)高社會影響力的參與者。感知任務任務內(nèi)容時空情景社會影響感知節(jié)點集合面向單任務的參與者選擇感知群體參與任務的歷史記錄提取任務時空、內(nèi)容等特征，建立參與者對任務的偏好模型?；趨⑴c者交互關系和信用分布計算參與者的交互影響力。CD-UIP利用參與者偏好優(yōu)化節(jié)點的交互影響力，并采用貪心算法確定任務參與度最大化的感知節(jié)點集。時空任務內(nèi)容交互感知群體交互網(wǎng)絡感知節(jié)點偏好信用分布參與度最大化感知節(jié)點集CD-UIP交互影響力最大影響力面向單任務的參與者選擇WhoShouldIInviteforMyParty?CombiningUserPreferenceandInfluenceMaximizationforSocialEvents,ACMUbiComp’15,2015(CCFA類).為了驗證基于信用分布的影響力最大化算法（CD-UIP）對高影響力感知節(jié)點的發(fā)現(xiàn)能力，以感知群體參與城市空間任務為背景，采用豆瓣同城用戶活動數(shù)據(jù)集進行實驗。實驗結果表明CD-UIP算法能有效發(fā)現(xiàn)高影響力的感知節(jié)點，提高群體對感知任務的參與度。與多個基準方法相比，CD-UIP算法實現(xiàn)了最小的任務參與度預測誤差，以及最高的群體參與度。問題定義在多任務感知環(huán)境下，為提高感知資源的有效利用率，需要對感知能力進行優(yōu)化組合。感知節(jié)點和感知任務的數(shù)量關系存在兩種情況：感知節(jié)點資源匱乏或充足。研究方案針對感知節(jié)點資源匱乏情況，提出改進的最小費用最大流多任務分配模型，在最小化移動距離的同時，實現(xiàn)任務完成率最大化；針對感知節(jié)點資源充足情況，提出雙目標優(yōu)化的多任務分配方法，最小化移動距離和激勵成本。感知節(jié)點匱乏感知節(jié)點充足(1.2)面向多任務的參與者選擇情況1：感知節(jié)點匱乏問題定義

n個位置不同的任務T={t1,t2,...,tn}，m個位置不同的感知節(jié)點U={u1,u2,...,um}約束為保證感知質(zhì)量，每個任務由至少p個感知節(jié)點完成，任務不同p值不同感知節(jié)點資源不足，為保證工作質(zhì)量，每個感知節(jié)點需要完成q個任務任務多為緊急任務，需獲取感知節(jié)點的具體位置以提高任務完成效率雙優(yōu)化目標最小化完成任務所移動的距離最大化完成的任務個數(shù)

最小費用最大流多任務分配模型基于最小費用最大流模型進行求解最小費用

最小化移動距離最大流

最大化完成任務數(shù)結合感知能力優(yōu)化問題對該模型進行三方面改進在流網(wǎng)絡中添加源點和匯點，從源點流入的最大流為m*q，流入?yún)R點的最大流為n*p。添加綠色的節(jié)點層代表用戶完成的任務集合。添加黃色節(jié)點層表示任務的完成情況。為了驗證最小費用最大流多任務分配模型的效率，以城市感知任務為背景，采用了法國電信D4D數(shù)據(jù)集初始化感知節(jié)點和感知任務的位置進行實驗驗證。實驗結果表明，相對于貪婪算法我們提出的模型可以選出完成任務移動距離較短的參與者；當任務個數(shù)從10增加到20時，移動距離的減少量從4%提高到了30%。實驗結果1情況2：感知節(jié)點充足問題定義n個位置不同的任務T={t1,t2...,tj...,tn}，m個位置不同的區(qū)域A={A1,A2...Ai...Am}，每個區(qū)域包含多個感知節(jié)點Ai={u1,u2,u3...}約束每個任務由p個感知節(jié)點完成，任務不同p值不同感知節(jié)點資源充足，每個感知節(jié)點只需要完成一個任務為保證感知節(jié)點隱私，只獲取感知節(jié)點所在的區(qū)域目標最小化完成任務所移動的距離最小化激勵成本

多目標優(yōu)化的多任務分配方法提出兩種雙目標優(yōu)化方法：線性加權法：通過設置不同的權重，將多個縮放的優(yōu)化目標組合起來目標函數(shù)約束法：將其中的一個優(yōu)化目標作為主要的優(yōu)化目標，其余的通過添加不同的約束作為約束條件目標函數(shù)約束條件（移動距離最短）（激勵成本約束）

為了驗證多目標優(yōu)化的多任務分配方法，采用與實驗結果一相同的數(shù)據(jù)進行實驗。實驗結果表明相對于貪婪算法，提出的算法在感知節(jié)點充足情況下可最小化移動總距離和激勵成本，完成多任務分配。實驗結果2綜合考慮成本和移動距離，圖中紅色點的非劣解相對較好。與貪心算法相比，提出的兩種優(yōu)化方法可以得到單目標優(yōu)化問題的最優(yōu)解。TaskMe:Multi-TaskAllocationinMobileCrowdSensing,ACMUbiComp,2016(CCFA類).ActiveCrowd:AFrameworkforOptimizedMulti-TaskAllocationinMobileCrowdsensingSystems,IEEETHMS,2016(CCFB類)研究進展332235334454553443參與者任務群體感知參與者選擇跨空間協(xié)作增強感知參與式感知數(shù)據(jù)優(yōu)選跨空間異構數(shù)據(jù)融合跨空間協(xié)作增強感知問題：物理空間與信息空間在信息感知和收集能力方面具有差異性和互補性，如何利用其協(xié)作而提高信息感知能力？方案：物理空間與信息空間關聯(lián)，為實現(xiàn)城市公共信息快速有效傳輸和共享，進行跨空間轉(zhuǎn)發(fā)，利用物理空間交互特征來對信息空間內(nèi)容進行增強感知和理解。物理世界的海報往往具有有限時空覆蓋范圍和較低傳播速度，為信息共享帶來局限性跨空間協(xié)作增強感知分布式采集可能帶來重復信息轉(zhuǎn)發(fā)，采用SIFT方法進行重復轉(zhuǎn)發(fā)發(fā)現(xiàn)與分組；在每個分組中根據(jù)物理空間感知情境信息(如光強、加速度、拍攝角度等)在信息空間進行高質(zhì)量數(shù)據(jù)選擇。跨空間協(xié)作增強感知提出一系列物理空間群物交互特征(交互信息熵、交互偏好、數(shù)量分布等)對信息空間語義進行理解

(hot,pop,surprise,social,…)采用多標簽分類和啟發(fā)式規(guī)則相結合方法進行語義標注。實驗驗證38參與者，8周數(shù)據(jù)采集，2035張海報信息。FlierMeet:AMobileCrowdsensingSystemforCross-SpacePublicInformationReposting,Tagging,andSharing,IEEETrans.onMobileComputing,2015(CCFA類).研究進展群體感知參與者選擇跨空間感知協(xié)作增強參與式感知數(shù)據(jù)優(yōu)選多模態(tài)群體數(shù)據(jù)融合群體協(xié)作式可視事件感知與呈現(xiàn)社交網(wǎng)絡的重要功能“拍照、分享”照片除了社交用途之外，還可以用來事件分析收集事件素材事件回溯事件總結

問題：目前工作多關注于照片事后檢索，可否做到實時事件感知及呈現(xiàn)？巴黎暴恐案（Flickr）自行車撞人案（新聞）事件總結（論文）群體協(xié)作式可視事件感知與呈現(xiàn)InstantSense：群體協(xié)作式實時事件感知與多粒度呈現(xiàn)（幼兒園表演）事件發(fā)現(xiàn)與協(xié)作式感知數(shù)據(jù)選擇與多粒度呈現(xiàn)自發(fā)->協(xié)作分散->匯聚子事件挖掘關鍵、細節(jié)群體智能融合的事件定位拍照位置和感知對象位置之間有差異（幾米到幾十米），地理臨近的多個事件需要做區(qū)分；用梯形框模型刻畫拍照情境；劃分空間網(wǎng)格，基于概率分布（拍照行為空間特征）計算單照片覆蓋不同網(wǎng)格的定位權重；通過群體感知數(shù)據(jù)融合，計算各網(wǎng)格的累積權重并定位?；趥€體/群體行為的子事件分割方法a)Multi-reportertriggeredsegmentation(MR)b)Twice-presstriggeredsegmentation(TP)c)Multi-reporterconstraintedTP(TP_MR)根據(jù)群體拍照人數(shù)比例分割事件依賴閾值平衡召回率和精度根據(jù)個體再拍照行為分割事件高召回率，低精度結合MR和TP低召回率，高精度三種方法各有優(yōu)缺點，不同的應用場景選擇不同的方法MachineIntelligence，已有工作基于圖像相似度進行分割；HumanIntelligence，根據(jù)機會社群中用戶拍照行為規(guī)律進行分割多粒度事件呈現(xiàn)關鍵幀式子事件總結Highlightsummary(HLSM)全覆蓋式子事件總結Sub-eventsummary(SESM)多方位覆蓋每個子事件覆蓋全部子事件基于信息熵排序dd:拍照人離事件中心的距離，θ

:拍照方向根據(jù)拍照人是否多樣，判斷事件是否為關鍵時刻，從而挑選最具代表性的k張照片內(nèi)容封面F:拍照人集合“子事件分割”從時間軸對照片流進行分割，“多方位覆蓋”（遠近、方位）從空間角度保證照片集對事件的全面展示，“時間優(yōu)先”及時展示事件的發(fā)展變化。實驗結果HuihuiChen,BinGuo,etal.,TowardReal-timeandCooperativeMobileVisualSensingandSharing,IEEEINFOCOM’16,2016(CCFA類)與圖片新聞對比數(shù)量多尺度Highlight相似性對比人工對事件總結進行評價訓練合適的閾值rAR_th=0.4評估定位精度與定位誤差子事件分割方法的比較研究進展群體感知參與者選擇跨空間感知協(xié)作增強參與式感知數(shù)據(jù)優(yōu)選多模態(tài)群體數(shù)據(jù)融合36多模態(tài)數(shù)據(jù)融合的微博社會事件刻畫問題：目前工作多關注于用文本對事件進行總結；研究融合多模態(tài)數(shù)據(jù)，用其互補性對事件進行細粒度刻畫（多側面、動態(tài)演化、語義關聯(lián)）。微博實時分享、傳播信息的平臺用戶眾多（群體感知）多模態(tài)數(shù)據(jù)文本時間圖像用戶交互…37多模態(tài)數(shù)據(jù)融合的微博社會事件刻畫CrowdStory：多模態(tài)數(shù)據(jù)融合的微博社會事件刻畫（天津爆炸事件）多模態(tài)數(shù)據(jù)融合的微博社會事件刻畫

基于多模態(tài)數(shù)據(jù)融合的動態(tài)演化事件脈絡生成將群體貢獻數(shù)據(jù)根據(jù)時空情境和文本聚類形成多線索動態(tài)演化描述根據(jù)視覺相似性和交互情境等群體智能實現(xiàn)線索間關聯(lián)關系生成39多模態(tài)數(shù)據(jù)融合的微博社會事件刻畫跨媒體可視數(shù)據(jù)優(yōu)選在各個子事件線索內(nèi)，通過最小支配集和子模性方法進行文本數(shù)據(jù)優(yōu)選；針對各子事件文本集合，通過SIFT特征聚類得到圖像詞袋模型，進而對成對文本和圖像訓練映射到共享子空間；通過圖像聚類確保選擇圖像的多樣性，通過跨媒體挖掘確保相關性。40數(shù)據(jù)集及示例結果EventOri-PostsImageRepostsCommentTianjin3031,119572,446275,850Paris5121,339456,88261,612數(shù)據(jù)來自新浪微博CrowdStory:Multi-layeredEventStorylineGenerationwithMobileCrowdsourcedData,ACMUbiComp’16跨空間異構數(shù)據(jù)融合的商業(yè)推薦問題：來自不同空間的群體貢獻數(shù)據(jù)內(nèi)在關聯(lián)、互為影響，如何對其融合實現(xiàn)智能決策？實施：提出基于跨空間感知數(shù)據(jù)關聯(lián)的智能推薦算法;具體應用于城市商業(yè)領域，對于某城市商業(yè)區(qū)新開的商鋪，為投資者推薦最合適的商鋪類型。場景地點A計劃開餐飲類型店西餐？火鍋？川菜？自助？……跨空間異構數(shù)據(jù)融合的商業(yè)推薦商鋪基本數(shù)據(jù)名稱類型地點評價評分…地理數(shù)據(jù)周圍環(huán)境信息交通數(shù)據(jù)利用不同空間提供的數(shù)據(jù)，互相補充，將信息空間和物理空間相關聯(lián)，對商鋪類型選擇進行理解和決策?？缈臻g異構數(shù)據(jù)融合的商業(yè)推薦

特征提取與地理相關到市中心的距離交通便利性人群密度與商業(yè)相關競爭性

多樣性

互補性預測算法提出基于特征融合的偏好學習的矩陣分解算法。實驗結果ShopTypeRecommendationLeveragingtheDatafromSocialMediaandLocation-basedServices,ACMTransactionsonKnowledgeDiscoveryfromData,2016.WheretoPlacetheNextOutlet?HarnessingCross-SpaceUrbanDataforMulti-ScaleChainStoreRecommendation,ACMUbiComp’16,poster,2016數(shù)據(jù)集：國內(nèi)典型的第三方點評網(wǎng)站-大眾點評結合百度LBS的數(shù)據(jù)進行實驗得到的結果表明，BL-G-CoSVD能夠較好地對新開商鋪的人氣值進行預測。TimeInterval2013-6-1to2014-6-1Numberofchafingdish624Numberofcafe997Numberofsnackshop11087Numberofdessertshop4130群體感知智能市政服務系統(tǒng)傳統(tǒng)市政問題感知基于熱線、巡視員等方式，具有感知不及時、不完全等特點；通過群體感知實現(xiàn)精細化市政問題采集和管理，并提供數(shù)據(jù)分析和智能決策支持。問題上報維修跟蹤施工公告群體感知智能市政服務系統(tǒng)信息空間物理空間社會空間感知層方法/技術層應用層智能養(yǎng)護問題預警突發(fā)任務參與者選擇出行輔助可視化決策跨空間數(shù)據(jù)感知增強基于時空關聯(lián)的數(shù)據(jù)優(yōu)選跨空間數(shù)據(jù)關聯(lián)表達…47群體感知智能市政服務系統(tǒng)物理空間智能輔助式問題上報，進一步將通過微博、電信等通道獲得信息空間信息，形成跨空間群體感知數(shù)據(jù)集。群體感知智能市政服務系統(tǒng)PublicSense:RefinedUrbanSensingandPublicFacilityManagementwithCrowdsourcedData,IEEEUIC’15,2015.ComplaintRoadPearsonCoefficientPipelinePrimary0.414**Residential0.588**RoadsurfacePrimary0.417**Residential0.565**ManholecoverPrimary0.378**Residential0.435**SidewalkPrimary0.348**Residential0.428**ReferencesYanLiu,BinGuo*,etal."TaskMe:Multi-TaskAllocationinMobileCrowdSensing",ACMUbiComp'16,Hindenburg,Germany,2016.JiafanZhang,BinGuo*,etal."CrowdStory:Multi-layeredEventStorylineGenerationwithMobileCrowdsourcedData",ACMUbiComp'16,Hindenburg,Germany,Poster,2016.QianruWang,BinGuo*,etal."CrowdWatch:PedestrianSafetyAssistancewithMobileCrowdSensing",ACMUbiComp'16,Hindenburg,Germany,Poster,2016.HuihuiChen,BinGuo*,etal.,“TowardReal-timeandCooperativeMobileVisualSensingandSharing,”IEEEINFOCOM’16,SanFrancesco,USA,2015.BinGuo*,etal.“TaskMe:ACross-Community,Quality-EnhancedIncentiveMechanismforMobileCrowdSensing”,ACMUbiComp’15,Poster,September7-11,Japan.ZhiwenYu,RongDu,BinGuo,etal.,“WhoShouldIInviteforMyParty?CombiningUserPreferenceandInfluenceMaximizationforSocialEvents”,ACMUbiComp’15.BinGuo,etal.“FlierMeet:Cross-SpacePublicInformationRepostingwithMobileCrowdSensing”,ACMUbiComp’14,Poster,Seattle,USA,2014.RongDu,ZhiwenYu,TaoMei,ZhitaoWang,ZhuWang,andBinGuo.“PredictingActivityAttendanceinEvent-BasedSocialNetworks:ContentContextandSocialInfluence,”ACMUbiComp’14,Seattle,USA,2014.HuangXu,ZhiwenYu,HuiXiong,BinGuo.“LearningCareerMobilityandHumanActivityPatternsforJobChangeAnalysis”,

IEEEICDM’15,

AtlanticCity,USA,2015.ReferencesBinGuo,etal.“OpportunisticIoT:ExploringtheHarmoniousInteractionbetweenHumanandtheInternetofThings”,

JournalofNetworkandComputerApplications,Vol.36,No.6,2013(ESI高被引和熱點論文).BinGuo,etal.“MobileCrowdSensingandComputing:TheReviewofanEmergingHuman-PoweredSensingParadigm”,ACMComputingSurveys,2015(SCI一區(qū)).BinGuo,etal.“FlierMeet:AMobileCrowdsensingSystemforCr