移动群智感知激励机制研究综述

刘媛妮，李慧聪，关 鑫，袁 凯，赵国锋,3，段 洁

(1.重庆邮电大学 未来网络研究中心, 重庆 400065；2.重庆市渝中区公安局分局，重庆 400010； 3.重庆市高校光通信与网络重点实验室，重庆 400065)

0 引 言

随着无线通信和传感器技术的快速发展以及无线移动智能终端设备的快速普及，市场上的智能手机和平板电脑集成了全球定位系统(global positioning system,GPS)、加速度计、陀螺仪、麦克风、摄像头等计算和感知功能强大的感知模块，使得人们可以随时随地感知和获取周围环境信息。大量的基于感知信息的应用也不断涌现，如：环境监测、交通监测和社交网络应用等。这些不断增加的应用促进了移动群智感知(mobile crowd sensing，MCS)[1-4]的诞生和发展。

移动群智感知将普通用户的移动智能终端(手机、平板电脑、智能可穿戴设备等)作为基本感知单元，通过移动互联网进行有意识或无意识的协作，形成移动群智感知网络，实现感知任务分配与感知数据收集，然后在云端对这些数据汇集及融合，最终用于群智提取以及以人为中心服务的数据交付。作为一种多用户协作感知的数据收集模式，移动群智感知网络将每个携带感知设备的用户看作是一个独立的传感器，并利用他们之间有意识或无意识的协作完成大规模、复杂的社会感知任务。移动群智感知网络最重要的特点是人将参与数据感知、传输、分析、应用等整个系统的每个过程，既是感知数据的“消费者”，也是感知数据的“生产者”。这种“以人为中心”的感知模式可以充分发挥“人多力量大”、“众人拾柴火焰高”的特点，对未来普适计算(ubiquitous computing)[5]具有重要意义。相对于传统的传感器网络，移动群智感知具有数据收集成本低、设备维护简单、系统可扩展性强等优势。

移动群智感知应用实现的前提在于大量用户的参与。然而，这种“以人为中心”的感知方式也因人的自私性、随机性使移动群智感知的数据收集过程存在一定的困难：①自私性造成的问题。在感知过程中往往需要用户的移动终端收集大量的感知信息，这将会消耗用户终端的资源(电量、流量等)，数据上传会造成花费，导致了用户不愿意无偿参与感知活动；②移动性。用户不断移动造成数据感知过程中断使数据收集质量低，平台需要重新招募用户，任务完成时间被延长，数据质量低也会降低移动群智感知应用的服务质量；③安全性。数据大多是时间和位置敏感的，对隐私泄露的担忧使用户参与积极性较低。为此，研究者提出了移动群智感知的激励机制，通过将感知活动与娱乐游戏、信誉值或报酬支付结合等手段提高用户参与感知活动的积极性和数据收集的质量。因此，研究移动群智感知激励机制，以提高用户参与感知活动的积极性，对于保证移动群智感知应用的服务质量，具有重要的意义。近年来移动群智感知激励机制的研究成为移动群智感知网络的热点研究方向，获得了较多的研究成果。

1 移动群智感知

1.1 移动群智感知概述

文献[6]将移动群智感知定义为移动群智感知是指利用普通用户的移动设备作为基本感知单元，通过移动互联网进行有意识或无意识的协作，实现感知任务分发与感知数据收集，完成大规模的、复杂的社会感知活动。

根据用户的参与程度，可将移动群智感知分为参与式感知(participatory sensing)[7-8]和机会感知(opportunity sensing)[9-10]。例如，在交通路况监测应用中，参与式感知强调用户的主动参与，参与式感知需用户以短信汇报等方式手动上传当时当地交通状况数据，而机会感知通过直接或间接的方式感知用户行为，比如，利用手机中的传感器自动地监测人群的移动情况并进行汇报。

1.2 移动群智感知系统架构

移动群智感知系统通常由群智感知平台和感知用户2部分组成。群智感知平台主要由数据中心的多台服务器构成，感知用户则可利用日常携带或可穿戴的智能设备作为传感器进行数据收集。在感知用户得知群智感知平台下发的感知任务信息后，用户根据自身的情况通过智能设备进行感知任务，并通过移动蜂窝网络(如3G，4G等)以及短距离无线通信(如蓝牙、WiFi等)方式进行数据传输，平台则对数据进行收集、存储和处理，通过对数据的智能提取，移动群智感知的数据可以为多种上层应用提供服务。一个典型的移动群智感知系统架构通常可分为5层,如图1所示。

1)感知层。感知层主要由群智感知终端组成，用户利用智能终端收集原始的感知数据。

2)数据传输层。数据传输层主要负责将感知层收集的数据上传到群智感知平台的服务器中。

3)数据收集层。数据收集层主要是通过激励用户参与、进行用户选择和任务分配等实现感知任务的分配和数据的收集，通过数据匿名化对数据贡献者提供隐私保护，并实现对感知数据的存储。

4)数据处理层。数据处理层主要是对数据收集层存储的原始感知数据进行处理。在群智感知中，由于大量未经训练的用户作为基本的感知单元，感知数据存在不精确、不完整、不一致的问题，因此，需对原始数据进行处理提高数据质量。在数据处理层，主要是对大量的原始数据进行数据过滤清洗、融合与分析，通过处理得到的最终数据将用于实现各种应用。

5)应用层。该层通过各种群智感知应用程序为用户提供各种类型的应用服务。

图1 移动群智感知系统架构Fig.1 System architecture of mobile crowd sensing

相较于需部署固定传感节点的传统的传感器网络而言，移动群智感知系统架构具有以下优点。

1)感知设备的维护更加简单。移动群智感知采用的感知设备实际上是人们日常携带的移动智能终端，因而不需要专门派遣人员进行定期维护；

2)感知范围广。人的泛在性和移动性使得移动群智感知能够轻松应对大范围的数据收集任务；

3)方便部署且数据收集成本较低。智能移动终端由人们日常携带因而部署起来十分方便，仅需要在感知区域内招募合适的感知节点即可，并且相较于昂贵的专业感知设备，以普通的移动设备作为基本的感知单元可以大大降低数据收集的成本。与传统的无线传感器网络相比，移动群智感知具有网络部署成本低、维护简单、系统可扩展性强以及采集数据类型广泛等优势。但感知数据质量相对较低，当前大部分智能移动终端都是集成了低成本、低功耗的传感器，由于人的随机移动，设备的可用性，网络环境的变化等都有可能影响数据的完整性和数据收集的质量，此外，由于用户的行为不可控制，用户可能上传虚假的感知数据，使得感知数据质量较低。

1.3 移动群智感知应用

目前，移动群智感知已广泛应用于环境监测[11-14]、交通状况监测[15-18]、社交行为分析[19-20]、移动社交推荐[21-24]等方面。

1)环境监测。环境监测应用主要包括空气污染监测[11]、噪声污染监测和水污染监测。在空气污染监测方面，文献[12]利用移动群智感知设计了一个细粒度城市PM2.5三维监测系统BlueAer。在噪声污染监测方面，Rana等[13]设计了用于感知城市环境噪音的系统Ear-Phone，手机用户通过收集途径区域的噪音数据，通过WiFi上传至服务器后得到噪音强度、位置等信息，并汇集大量用户的感知数据构造城市的环境噪音地图。在水污染监测方面，IBM研究中心的CreekWatch[14]系统通过用户拍照或文本描述来记录不同地方的水质或垃圾数量，用来跟踪水污染。

2)交通状况监测。利用普适的移动感知设备对路况信息进行收集、处理后反馈给用户，向用户提供更智能的出行路线和驾驶辅助。文献[15]基于群智感知数据生成最优的车辆共乘计划，提出了一种出租车共乘服务T-Share。Liu等[16]提出一种基于参与式感知的城市交通监测系统，利用乘坐公交车的智能手机用户完成交通感知任务，在该系统中，公交车乘坐者既是交通信息的提供者也是交通信息的消费者。文献[17]利用公共汽车乘客感知的周围环境信息估计公交车站公共汽车到达的时间，避免了用户长时间盲目地等待。B-Planner[18]计划利用出租车的GPS数据和乘客上下车记录，对夜班车路线规划给予建议。

3)社交行为分析。用户可以通过移动社交网络相互分享感知信息，通过感知信息的比较和分析来更加了解自己的行为习惯，获取对自己有用的知识，进而改善自己的行为模式。例如达特茅斯学院的CenceMe[19]利用手机采集的数据推测用户行为模式(开车、步行等)、习惯、情绪、环境等，发布至在线社交网络平台共享，实现用户在虚拟世界的存在。在Reddy等[20]的DietSense计划中人们对自己所吃的食物进行拍照，在社区内共享自己的饮食习惯并和社区内的其他成员比较各自的饮食习惯。一个典型的应用就是糖尿病患者可在社区内了解其他糖尿病患者的饮食和控制自己的饮食，或给他人提供良好的建议。

4)移动社交推荐。利用移动群智感知系统收集的大量的数据并结合推荐技术，可以给用户提供更加丰富的推荐，包括位置推荐、旅程推荐和服务推荐等。文献[21]利用用户在FourSquare中的点击量和评论提出了个性化位置推荐系统，可以为用户推荐与用户偏好相似的地点。文献[22]利用基于位置的社交网络数据提出了一个旅游套餐推荐系统，帮助用户决定旅游路线。T-Finder[23]是一种出租车服务推荐系统，其一方面帮助出租车司机规划路线以便其能快速地接到客人最大化其效用，另一方面向用户推荐在可行范围内容易搭乘到出租车的地点。GroupMe[24]是一种社交活动援助系统，该系统结合移动感知数据挖掘[25]技术促进社交活动的组织(例如晚宴等)。

2 移动群智感知激励机制

2.1 激励机制概述

移动群智感知应用的实现需要依赖广泛的、大量的移动感知设备的参与。然而，在执行感知任务的过程中会消耗用户资源(电量、存储、流量等)或面临隐私泄露(位置信息等)的威胁，用户通常不愿意无偿地参与到感知任务中来。为了有足够的用户参与感知从而保证移动群智感知应用的服务质量，需设计合适的激励机制激励用户参与。因此，移动群智感知激励机制研究为移动群智感知研究的重点研究问题之一。

2.2 激励机制工作阶段

根据移动群智感知系统架构(见图1)，激励机制涉及的主体包括群智感知平台和感知用户。感知用户为被激励的对象。激励机制又可称为参与者招募和选择机制。一个典型的移动群智感知过程可划分为任务下发、任务分配、任务执行和数据融合4个部分。其中，在任务分配阶段，平台在分配任务的同时需有一定的激励机制激励用户参与感知任务，才能保证足够的用户愿意参与感知，进而确保移动群智感知应用的服务质量。即通过某种激励方式达到群智感知平台和参与者效用最大化。因此，激励机制工作在任务分配阶段[26-27]。

在任务分配阶段，激励机制的研究主要是通过具体的激励方式达到一定的激励效果。若用户在执行感知任务后所得到的报酬不大于其感知成本时，用户就会失去参与感知的兴趣。那么在激励机制设计的过程中需考虑多种因素，包括用户效用、平台效用、数据质量、任务覆盖率等问题。

3 移动群智感知激励机制分类

3.1 移动群智感知激励机制分类概要

在移动群智感知激励机制的研究中，不同的激励机制应用于不同的应用背景和解决不同的问题，没有哪一种激励机制能解决所有的问题。大多数激励机制设计工作重点在于通过不同的激励方式对用户的感知成本进行补偿[28-29]，而很少从隐私保护的角度设计激励机制[30-31]。

根据激励方式的不同，将现有的激励机制分为娱乐游戏、信誉值和报酬支付三大类，前2种激励机制为非金钱的激励机制，报酬支付方式的激励效果往往优于前2种。表1分别从激励方式、机制名称、应用范围以及研究目的和问题几个方面对移动群智感知激励机制相关文献进行分类概要。可以看出，在激励机制的设计中通过合适的激励方式激励足够多的用户参与感知的同时研究了数据质量问题、预算平衡问题、任务覆盖问题和参与水平问题等。只有结合上述研究问题，才能使移动群智感知应用有较高的服务质量。

3.2 基于娱乐游戏的激励机制

娱乐游戏是指通过基于位置的游戏激励用户参与到移动群智感知任务中，此类机制的研究重点在于通过设置合适于感知任务的与位置相关的娱乐游戏来丰富用户体验。

文献[32]为建立某区域内的WiFi覆盖地图，设计了一个室外游戏，游戏玩家携带配有GPS和WiFi的移动设备参与游戏。游戏规则为玩家需拾取散布在游戏区域上的虚拟硬币，然后将硬币上传到服务器以获得游戏点数，更好的网络连接增加了成功收集并上传硬币的可能性，因此,玩家有动力去找到WiFi覆盖信号强的地点，通过玩家的移动，可以帮助建立和更新该区域的WiFi覆盖地图。

Ostereiersuche[33]是一个基于位置的手机游戏，游戏玩家根据导航提示在指定位置搜索藏有优惠券的虚拟鸡蛋，通过收集3种不同的优惠券可赢得奖品，利用玩家收集虚拟鸡蛋的动作获取玩家的移动轨迹，结合大量的用户轨迹可以揭示空间结构和空间元素。

表1 移动群智感知激励机制分类概要

Han等[34]将游戏激励加入到参与式感知项目BudBurst中，BudBurst是一项根据用户观察植物记录的观测结果，并将结果上传到服务器网站来研究气候变化对植物生长影响的项目。用户可以通过2种方式获得游戏积分：①使用本地植物列表和交互式地图启动植物观测，②根据发布的位置找到相应的植物，拍摄照片并记录观测结果。

基于游戏的激励机制通常将感知任务以室外游戏的形式表示，以游戏的趣味性吸引用户参与，可以达到激励用户参与的目的。因此，位置相关的感知任务更容易与娱乐游戏相结合，但也不是所有的感知任务都能够简单地游戏化。

3.3 基于信誉值的激励机制

信誉值激励是指用户通过执行感知任务得到一定的信誉值，用户可以从中获得满足感(社会地位等)，平台也可以根据用户的信誉值选取质量高的用户执行感知任务。此类机制侧重于通过用户为维护自身的社会地位、利益等而带来的参与感知任务的积极性，以提高感知任务的质量。

文献[35]为了解决机会网络中自私节点不愿意转发消息而降低网络性能的问题，提出基于信誉的激励机制IRONMAN，激励用户参与消息转发提高网络性能。该机制利用社交网络信息引导的信任关系去检测和惩罚自私节点，实验结果表明，该机制有较高的、及时的自私节点检测准确率，能最大化网络中合作节点的比例。同时表明社交网络信息可以用来改善现有的激励机制。

文献[36]为设计适用于用户连续到达的在线激励机制，并达到最大化社会福利的目的。提出一种基于异质信誉值的激励机制，该机制将社会地位与实时吞吐量相结合，多阶段选择用户。结果表明，该算法的性能能接近最优并趋于稳定。

总的来说，基于信誉值的激励机制通过社交关系和信誉积分激励用户完成目标任务，其社会地位、名誉、利益等因素能激励用户参与。在通过实名认证的网络中，用户的积极性往往更高。

3.4 基于报酬支付的激励机制

娱乐游戏激励和信誉值激励均属于非金钱的激励机制，文献[38]指出采取金钱的激励机制，即基于报酬支付的激励机制，往往比非金钱的激励方式更能提高用户参与的兴趣。现有的移动群智感知中基于报酬支付的激励机制主要通过将博弈论[39]和市场经济学中的拍卖机制[40]相结合设计激励机制。机制的设计主要分为用户选择和报酬支付2个过程。

根据有无用户报价的过程可将基于报酬支付的激励机制分为以平台为中心的激励机制和以用户为中心的激励机制。在以平台为中心的激励机制中，无用户报价的过程，此类机制侧重于研究如何选择用户以及采用何种报酬支付决策以最大化平台效用。在以用户为中心的激励机制中，存在用户上报竞价的过程，此类机制重点研究如何确定赢标集和报酬支付决策以最小化平台成本、最大化平台效用和最大化社会福利，以及考虑预算平衡问题、参与水平问题、任务覆盖问题和数据质量问题，以保证机制的可行性和感知任务的质量。

3.4.1 以平台为中心的激励机制

在基于报酬支付的激励机制中，若没有用户上报竞价的过程，对于支付给感知用户的报酬，平台具有绝对的控制权，则称之为以平台为中心的激励机制。以平台为中心的激励模型如图2所示。首先，平台发布任务信息及任务的总酬劳，然后，收到任务信息的用户结合自身情况决定是否参与感知，最后，平台对用户进行报酬支付。

图2 以平台为中心的激励模型Fig.2 Platform-centric incentive model

当假设用户是异质的前提下，平分报酬的方式不适用于此情景，根据报酬支付的方式将此情形下以平台为中心的激励机制分为基于时间的报酬支付、基于贡献值的报酬支付以及基于数据质量的报酬支付。

1)基于时间的报酬支付。基于时间的报酬支付根据参与者参与感知的时间长短对参与者进行报酬支付。文献[42]中提出以平台为中心的激励模型，利用stackelberg game设计激励机制，共包括3个阶段。①平台发布任务描述和总报酬R；②每个用户制定自己的感知计划即感知时间ti以最大化自身效用；③平台根据用户的感知时间对用户进行支付以最大化自身的效用。第2阶段为非合作博弈阶段，称之为感知时间决策博弈(sensing time determination game，STD)。用户i的效用函数计算公式为

(1)

平台的的效用函数计算公式为

朱光潜认为，美不完全在外物，也不完全在人心，它是心物结合后所产生的婴儿。因而引导学生用心去关心身边的人，留意身边的事，并细细地去体悟，他们的情感世界将会渐渐丰富起来，流露笔端的情感也将渐渐真切起来。下面是一位学生的一篇习作：

(2)

(1)式和(2)式中：u={1,2,…,n}为用户集；ki为用户单位时间内的成本；λ>1为系统参数。在假设平台知道所有用户的感知成本的前提下，在STD阶段通过纳什均衡(Nash equilibrium)确定唯一能使用户效用最大化的最佳感知策略ti, 平台通过唯一的纳什均衡预测用户的行为，从而选择最优的R最大化自身效用。

2)基于贡献值的报酬支付。在移动群智感知应用中，感知任务有其对应的任务价值，对于用户来说，完成相应的任务就具有相应的贡献值，基于贡献值的报酬支付即平台根据参与者的贡献大小对参与者进行报酬支付。文献[43]中为激励用户参与感知并达到服务器平台利益最大化的目的，提出全付拍卖的方式来激励参与者参与，即服务器只支付参与者中贡献最大的参与者，而不是所有的参与者。文中全付拍卖支付给参与者的报酬不是一个固定的值，而是关于所有参与者最大贡献的函数。这个支付报酬往往比较高，这就在一定程度上激励参与者参与并达到服务器平台利益最大化的目的。

3)基于数据质量的报酬支付。在移动群智感知数据收集中，较高的数据质量是实现移动群智感知应用高服务质量的关键。数据质量一般包括数据的完整性和准确性。例如，文献[44]针对长期的移动群智感知应用，为最大化平台预期利润并激励用户普遍参与，提出基于边际质量的激励机制，该机制根据用户上传内容质量的高低对用户进行报酬支付以达到激励用户的效果。

总而言之，在以平台为中心的激励机制中，平台根据用户的感知时间、任务的价值、数据质量等因素对参与者进行报酬支付。虽然平台对支付的多少有绝对的控制权，可以很容易地控制预算达到自身效用最大化，但是这样会使参与者处于被动状态，此种情况下参与者的积极性往往不高。

3.4.2 以用户为中心的激励机制

在基于报酬支付的激励机制中，若有用户报价的性质，即用户有反向竞标价格，对于支付给感知用户的报酬，平台没有绝对的控制权，则称之为以用户为中心的激励机制。以用户为中心的激励模型如图3所示。平台与用户之间的交互描述为以下5个步骤。

1)平台发布任务信息；

2)对任务感兴趣的用户i根据自身情况上报竞价bi；

3)平台根据感知用户的反馈信息选择合适的赢标集S执行感知任务；

4)用户上传感知数据；

5)平台支付报酬pi。

图3 以用户为中心的激励模型Fig.3 User-centric incentive model

用户i的效用表达式为

(3)

平台的效用表达式为

(4)

(3)式和(4)式中：ci为用户的感知成本；v(s)为用户集S完成的感知任务的总价值。

以用户为中心的激励机制研究的本质是在研究用户与平台之间最大化各自效用及最小化代价的决策博弈。通常基于竞拍模型设计机制，机制的设计主要分为赢标者选择和报酬支付2个过程，机制一般满足计算效率、个体理性、可行性和真实性。计算效率是指机制能在多项式时间内输出结果，个体理性即用户的效用为非负，可行性是指平台的支付不大于任务的总价值，真实性即没有用户能通过上报不同于自身价值的竞价来提高效用。根据对赢标者选择的实时性要求，可将以用户为中心的激励机制分为离线激励机制和在线激励机制。

1)离线激励机制。假设参与者有足够的耐心，在平台收集了所有感兴趣用户的信息后决定赢标集和支付报酬。

文献[45]为提高用户参与感知应用的积极性，设计基于逆向竞拍模型的激励机制CSII激励用户参与，该机制利用物理空间和网络空间的数据即离线数据和在线数据估计任务的价值和参与者的能力，从而更好地选择合适的参与者参与以及报酬支付决策，以提高任务的完成质量和用户参与积极性。 文献[46]基于逆向竞拍框架设计激励机制时考虑任务与位置的相关性，用户根据自身所在的位置上报感知任务及竞价，并证明选择最优的赢标集是NP难的，文献以1+ln(n)为因子设计近似最优算法，其中，n为用户所能承受的最大任务数。通过赢标价决策算法决定赢标价以最小化社会成本，同时利用关键支付价格决策保证机制的真实性。不过该机制的设计并未考虑用户上报错误的位置信息的情形。以上工作根据任务属性，包括任务的价值、任务与位置的相关性进行赢标者选择和报酬支付，以实现任务的近似最优分配和效用最大化。

文献[49]为激励大量用户参与感知的同时保证感知数据的真实性。在基于竞拍模型设计激励机制时将社交概念“裙带关系”引入到参与式感知中形成担保网络，即用户必须有担保者才能参与感知，用户可以作为担保者，同时也可作为被担保者。在此机制中担保者与被担保者均可从中获利，在实际情况中，用户更倾向于与自身有社交关系的用户作为担保者，该机制不仅能保证数据的真实性而且能最大化感知活动组织者的效用。将社交关系与激励机制相结合的思想除了适用于参与式感知以外，同样适用于P2P(peer to peer)系统、众包系统等。Koutsopoulos I等[50]对于参与式感知应用中数据收集者的激励机制设计问题，为最小化平台补偿参与者的总成本，基于逆向竞拍模型设计激励机制，结合用户贡献的数据量和数据质量进行用户选择和报酬支付。

Krontiris I等[51]为激励用户参与感知的同时帮助服务提供者选择高质量的感知数据，提出多属性拍卖机制，不仅考虑用户的竞价信息，同时考虑位置精度和失标次数，可通过失标次数来衡量用户的可性度。平台可通过多属性拍卖过程影响数据质量，同时，用户可根据拍卖结果提高自身的感知数据的质量，从而提高竞价。仿真实验结果表明，获取的感知数据的效用可随着属性的增加而增加，即多属性拍卖的效用高于单一属性逆向拍卖的效用，但是高的效用会带来高的感知成本。随着参与用户的增加，由于用户之间的竞争增强导致获取感知数据的效用增加，相反地，随着所需求的赢标者的数量增加，由于用户之间的竞争较小导致获取感知数据的效用降低，但还是高于单一属性逆向拍卖的效用。

文献[52]为在一定的预算前提下鼓励用户完成一组二进制的标记工作，通过连续贝叶斯方法对收集的标记进行聚类，并基于平台与用户之间的逆向竞拍模型设计激励机制，平台根据任务的难度水平和工作者的质量选择赢标者并根据汇总的用户竞价对用户进行报酬支付。最终平台能在一定预算内实现较高的效用。

对于离线激励机制的设计，平台在了解所有用户的竞价信息之后做出用户是否参与感知的决策，因此，平台很容易将支付控制在预算之内，该类机制的设计主要针对各类应用研究数据质量问题、参与水平问题、预算平衡问题、任务覆盖问题等。

2)在线激励机制。在实际应用中，用户总是在不同时间以随机顺序逐一在线到达，平台需在不同时间根据当前已到达用户的信息来作出是否选择当前用户的决策。

文献[53]针对现有的激励机制(大多考虑离线情况)设计在线激励机制。实际情况中，用户随机到达，平台必须在用户离开之前决定是否选择用户参与感知，针对这种情况，文章提出2种在线激励机制，分别为用户到达与离开的时间间隔为零的在线激励机制(online mechanism under zero arrival-departure interval case，OMZ)，以及用户到达与离开的时间间隔为非零值的在线激励机制(online mechanism under general case，OMG)。分别适用于零“到达-离开”间隔模型和一般间隔模型。任务发起者在指定的截止时间之前选择一个用户集来执行感知任务使其获得的价值最大化，并且支付给这些用户的总报酬不超过指定的预算限制。

文献[54]指出连续的低质量的数据会降低感知服务的可用性和精确性，为避免无效的感知和不必要的支付，该文献基于竞拍模型提出一种基于质量的激励机制，该机制通过最大似然估计和贝叶斯推理来估计感知数据的质量，从而选择数据质量高的用户，并结合数据质量和用户竞价进行报酬支付。相比于统一定价方案而言，基于质量的报酬支付能使服务提供方获得较高的利润。

ZHANG等[55]指出在基于邻近的移动群智感知系统中，每个用户的资源有限且用户都是个体理性的，为保证交易的公平性，提出一种多市场动态拍卖机制激励用户参与感知。该机制根据用户的报价选择用户和支付报酬，满足真实性、可行性、个体理性和计算效率。

GAO等在文献[56]中指出在参与式感知中，能激励用户长期参与感知活动是至关重要的，为激励用户长期参与感知活动，该文献基于VCG(vickrey-clarke-groves)竞拍模型设计激励机制在线选择用户，将感知时间划分为多个时隙，在每个时隙中最大化社会福利以激励用户长期参与感知，其中，社会福利为用户效用与平台效用之和。

对于在线激励机制，参与者线上随机加入竞价也可随机退出竞价，因此，平台必须在其加入竞价时就要确定其是否被选择执行感知任务，在这种情况下，平台对支付不易控制，该类激励的设计在研究支付控制的同时研究数据质量问题、参与水平问题等。

3.5 移动群智感知激励机制分类小结

根据激励方式将现有的移动群智感知激励机制的分类总结如图4。现有的激励方式主要分为娱乐游戏、信誉值和报酬支付三大类。对于基于报酬支付的激励机制，若在机制的设计过程中没有用户上报竞价的过程，则该机制为以平台为中心的激励机制，反之，则为以用户为中心的激励机制。在以平台为中心的激励机制中，根据平台如何对用户进行报酬支付将其分为基于时间的报酬支付、基于贡献值的报酬支付和基于数据质量的报酬支付。在以用户为中心的激励机制中，如果用户有足够的耐心等待服务器平台收集了所有用户的信息之后决定赢标集，则该机制为离线激励机制，反之，为在线激励机制。

图4 激励机制分类Fig.4 A taxonomy of incentive mechanism

4 总结与展望

目前，移动群智感知激励机制的研究取得了一定的进展，未来对移动群智感知激励机制的研究，有以下几个方面值得关注。

1)自适应性。目前激励机制的设计考虑了用户的位置信息，例如，用户位置与任务的相关性，但对用户位置的移动性研究不足。由于移动群智感知是以人为中心的感知模式，而人一方面具有高动态性，用户参与感知的范围和能力不同，另一方面又有行为可预测性，即用户具有移动的轨迹规律和时间周期性。如何将两者结合设计高效的激励机制是需要深入研究的内容。

2)协同。移动群智感知中可能存在结构和通信模式都不相同的异质用户，目前的激励机制的研究很少考虑异质用户间的协同工作，如何实现异质用户之间的互联互通和协同工作以提高感知任务完成的效率和质量，也是未来研究有待加强的一个内容。

3)以用户为中心。在现有的基于报酬支付的激励机制的设计中，大多以最大化平台效用或最小化平台成本为目的，没有优先考虑用户的利益，用户参与的积极性往往不高，这是此类激励机制激励效果受限的主要原因。因此，如何设计以用户为中心的激励机制，优先考虑用户利益是值得研究的课题。

4)隐私安全。现有的激励机制大多旨在对用户在感知过程中产生的成本进行补偿，而对用户面临隐私(位置信息等)暴露的威胁研究甚少，尤其是对位置敏感的移动群智感知应用来说，研究如何降低由于位置信息泄露造成的隐私风险是至关重要的。

总之，作为一种能够充分利用人们自身携带的移动智能终端进行感知的新型感知模式，移动群智感知对于实现未来普适计算具有重大影响。本文对移动群智感知激励机制的研究进展情况进行了详细的阐述。从移动群智感知体系架构和应用对移动群智感知进行了详细的介绍，并从娱乐游戏、信誉值和报酬支付3个方面对现有的激励机制进行分类综述，针对目前的研究现状，给出了未来的研究方向，包括自适应性、协同、以用户为中心和隐私安全。有关移动群智感知激励机制的研究有待深入开展，未来的研究工作也将由此展开。

参考文献：

[1] MA H, ZHAO D, YUAN P. Opportunities in mobile crowd sensing[J]. Communications Magazine IEEE, 2014, 52(8):29-35.

[2] GANTI R K, YE F, LEI H. Mobile crowdsensing: current state and future challenges[J]. Communications Magazine IEEE, 2011, 49(11):32-39.

[3] GUO B, YU Z, ZHOU X, et al. From participatory sensing to Mobile Crowd Sensing[J]. Computer Science, 2014, 6(4):593-598.

[4] SHU L, CHEN Y F, HUO Z, et al. When mobile crowd sensing meets traditional industry[J]. IEEE Access, 2017, PP(99): 1-1.

[5] REN J, ZHANG Y, ZHANG K, et al. Exploiting mobile crowdsourcing for pervasive cloud services: challenges and solutions[J]. IEEE Communications Magazine, 2015, 53(3): 98-105.

[6] 刘云浩.群智感知计算[J].中国计算机学会通讯, 2012, 8(10): 38-41.

LIU Y. Crowd sensing computation [J]. China Computer Federation, 2012, 8(10): 38-41.

[7] 李怀瑜,朱瀚,肖汉,等.基于位置的参与式感知服务[J].北京大学学报：自然科学版, 2014, 50(2): 341-347.

LI H, ZHU H, XIAO H, et al. Location-based participatory sensing services[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2014, 50(2): 341-347.

[8] XU Z, ZHANG H, SUGUMARAN V, et al. Participatory sensing-based semantic and spatial analysis of urban emergency events using mobile social media[J]. EURASIP Journal on Wireless Communications and Networking, 2016, 2016(1): 1-9.

[9] JOHNSON H, LAVESSON N, OLIVEIRA D, et al. Trustworthy opportunistic sensing: A Social Computing Paradigm[C]// IEEE International Conference on Information Reuse and Integration. Las Vegas, NV, USA: IEEE Press, 2011:513-518.

[10] FIORE M, NORDIO A, CHIASSERINI C F. Driving Factors Toward Accurate Mobile Opportunistic Sensing in Urban Environments[J]. IEEE Transactions on Mobile Computing, 2016, 15(10): 2480-2493.

[11] HASENFRATZ D, SAUKH O, WALSER C, et al. Deriving high-resolution urban air pollution maps using mobile sensor nodes[J]. Pervasive & Mobile Computing, 2015，16(B):268-285.

[12] HU Y, DAI G, FAN J, et al. BlueAer: A fine-grained urban PM2.5 3D monitoring system using mobile sensing[C]// IEEE International Conference on Computer Communications. San Francisco, CA, USA: IEEE Press, 2016:1-9.

[13] RANA R K, CHOU C T, KANHERES S, et al. Ear-Phone: An end-to-end participatory urban noise Mapping[C]//Proceedings of the 9th ACM/IEEE International Conference on Information Processing in Sensor Networks. New York, NY, USA: ACM Press, 2010: 105-116.

[14] KIM S, ROBSON C, ZIMMERMAN T, et al. Creek watch: pairing usefulness and usability for successful citizen science[C]//In Proc. of ACM SIGCHI. Vancouver, BC, Canada: ACM Press, 2011: 2125-2134.

[15] MA S, ZHENG Y, WOLFSON O. T-share: A large-scale dynamic taxi ridesharing service[C]// IEEE International Conference on Data Engineering. IEEE Computer Society. washington, DC, USA: IEEE Press, 2013:410-421.

[16] LIU Z D, JIANG S Q, ZHOU P F. A participatory urban traffic monitoring system: the power of bus riders[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, PP(99): 1-14.

[17] ZHOU P, ZHENG Y, LI M. How Long to Wait? Predicting Bus Arrival Time With Mobile Phone Based Participatory Sensing[J]. IEEE Transactions on Mobile Computing, 2014, 13(6):1228-1241.

[18] CHEN C, ZHANG D, ZHOU Z H, et al. B-Planner: Night bus route planning using large-scale taxi GPS traces[C]// Pervasive Computing and Communications (PerCom), 2013 IEEE International Conference on. San Diego, CA, USA: IEEE Press, 2013:225-233.

[19] MILUZZO E, LANE N D, FODOR K, et al. Sensing meets mobile social networks: the design, implementation and evaluation of the CenceMe application [C]// Proceedings of the 6th ACM conference on Embedded network sensor systems. New York, NY, USA: ACM Press, 2008: 337-350.

[20] HYMAN J, HYMAN J, et al. Image browsing, processing, and clustering for participatory sensing: lessons from a DietSense prototype[C]//workshop on Embedded Networked Sensors. New York, NY, USA: ACM Press, 2007: 13-17.

[21] YANG D, ZHANG D, YU Z, et al. Fine-Grained preference-aware location search leveraging crowdsourced digital footprints from LBSNs[C]// ACM International Joint Conference on Pervasive and Ubiquitous Computing. New York, NY, USA: ACM Press, 2013:479-488.

[22] YU Z, FENG Y, XU H, et al. Recommending travel packages based on mobile crowdsourced data[J]. IEEE Communications Magazine. China: IEEE Press, 2014, 52(8):56-62.

[23] YUAN N J, ZHENG Y, ZHANG L, et al. T-Finder: A Recommender System for Finding Passengers and Vacant Taxis[J]. IEEE Transactions on Knowledge & Data Engineering, 2013, 25(10):2390-2403.

[24] GUO B, YU Z, ZHANG D, et al. Toward a Group-Aware Smartphone Sensing System[J]. IEEE Pervasive Computing, 2014, 13(4):80-88.

[25] AGRAWAL N, JAWDEKAR A. A Survey Report On Current Research and Development of Data Processing In Web Usage Data Mining[J]. International Journal of Database Theory and Application, 2016, 9(5): 101-110.

[26] MA P, TAO D. 5W1H model for incentive mechanism in mobile crowd sensing[C]// IEEE International Conference on Consumer Electronics-Taiwan. Nantou, Traiwan, China: IEEE Press, 2016: 1-2.

[27] ZHANG D, WANG L, XIONG H, et al. 4W1H in mobile crowd sensing[J]. IEEE Communications Magazine, 2014, 52(8):42-48.

[28] HUANG L, ZHU Y, YU J, et al. Group Buying Based Incentive Mechanism for Mobile Crowd Sensing[C]// IEEE International Conference on Sensing, Communication, and NETWORKING. IEEE. Shanghai, China: IEEE Press, 2016: 1-9.

[29] LUO S, SUN Y, JI Y, et al. Stackelberg game Based Incentive Mechanisms for Multiple Collaborative Tasks in Mobile Crowdsourcing[J]. Mobile Networks and Applications, 2016, 21(3):506-522.

[30] ALSHEIKH M A, JIAO Y, NIYATO D, et al. The Accuracy-Privacy Tradeoff of Mobile Crowdsensing[J]. IEEE lommunications Magazine, 2017, 55(6): 132-139.

[31] WEN T, ZHU Y M, LIU T. P2: A location privacy-preserving auction mechanism for mobile crowd Sensing[C]∥Global Communication Conference(GLOBECOM), IEEE 2016. Shanghai, China: IEEE Press, 2016: 1-6.

[32] BARKHUUS L, CHALMERS M, TENNENT P, et al. Picking Pockets on the Lawn: The Development of Tactics and Strategies in a Mobile Game[M].Ubiquitous Computing, UbiComp 2005. Lecture Notes in Computer Science. Berlin, Heidelberg: Spring, 2005.

[33] JORDAN K O, SHEPTYKIN I, GRüTER B, et al. Identification of structural landmarks in a park using movement data collected in a location-based game[C]// ACM Sigspatial International Workshop on Computational MODELS of Place.[S.l.]: ACM Press, 2013:1-8.

[34] HAN K, GRAHAM E A, VASSALLO D, et al. Enhancing Motivation in a Mobile Participatory Sensing Project through Gaming[C]// IEEE Third International Conference on Privacy, Security, Risk and Trust. Boston, MA, USA: IEEE Press, 2011:1443-1448.

[35] BIGWOOD G, HENDERSON T. IRONMAN: Using Social Networks to Add Incentives and Reputation to Opportunistic Networks[C]// Passat/socialcom 2011, Privacy, Security, Risk and Trust. Boston, MA, USA: IEEE Press, 2011:65-72.

[36] SUN J. An incentive scheme based on heterogeneous belief values for crowd sensing in mobile social networks[C]// Global Communications Conference (GLOBECOM), 2013 IEEE. Atlanta, GA, USA: IEEE Press, 2014: 1717-1722.

[37] YU T, ZHOU Z, ZHANG D, et al. INDAPSON: An incentive data plan sharing system based on self-organizing network[C]// IEEE INFOCOM 2014-IEEE Conference on Computer Communications. Toronto, ON, Canada: IEEE Press, 2014:1545-1553.

[38] REDDY S, ESTRIN D, HANSEN M, et al. Examining micro-payments for participatory sensing data collections[C]// UBICOMP 2010: Ubiquitous Computing, International Conference. New York, NY, USA. ACM Press, 2010:33-36.

[39] FUDENBERG D, TIROLE J. Game theory[M]. England: MIT Press, 1991.

[40] MYERSON R. Optimal auction design[M].[S.l.]: Math of Operations Research, 1981: 58-73.

[41] DUAN L, KUBO T, SUGIYAMA K, et al. Incentive mechanisms for smartphone collaboration in data acquisition and distributed computing[J]. Proceedings-IEEE INFOCOM, 2012, 131(5):1701-1709.

[42] YANG D, XUE G, FANG X, et al. Crowdsourcing to smartphones: incentive mechanism design for mobile phone sensing[C]// International Conference on Mobile Computing and Networking. New York, NY, USA: ACM Press, 2012:173-184.

[43] LUO T, TAN H P, XIA L. Profit-maximizing incentive for participatory sensing[C]// INFOCOM, 2014 Proceedings IEEE. Toronto, ON, Canada: IEEE Press, 2014:127-135.

[44] SUN J. Long-term profit-maximizing incentive for crowd sensing in mobile social networks[J]. Computer Science, 2015:1-8.

[45] 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 W, GUO B, CHEN H H, 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.

[46] FENG Z, ZHU Y, ZHANG Q, et al. TRAC: Truthful auction for location-aware collaborative sensing in mobile crowdsourcing[C]// INFOCOM, 2014 Proceedings IEEE. Toronto, ON, Canada: IEEE Press, 2014:1231-1239.

[47] JAIMES L G, LAURENS I J V, RAIJ A. A location-based incentive algorithm for consecutive crowd sensing tasks[J]. IEEE Latin America Transactions, 2016, 14(2):811-817.

[48] ZHENG Z, WU F, GAO X, et al. A Budget Feasible Incentive Mechanism for Weighted Coverage Maximization in Mobile Crowdsensing[J]. IEEE Transactions on Mobile Computing, 2016, PP(99):1-1.

[49] LUO T, KANHERE S S, TAN H P. SEW-ing a Simple Endorsement Web to incentivize trustworthy participatory sensing[C]// Eleventh IEEE International Conference on Sensing, Communication, and NETWORKING. Singapore, Singapore: IEEE Press, 2014:636-644.

[50] KOUTSOPOULOS I. Optimal incentive-driven design of participatory sensing systems[J]. IEEE INFOCOM, 2013,12(11):1402-1410.

[51] KRONTIRIS I, ALBERS A. Monetary incentives in participatory sensing using multi-attributive auctions[J]. International Journal of Parallel Emergent & Distributed Systems, 2012, 27(4):317-336.

[52] ZHANG Q, WEN Y, TIAN X, et al. Incentivize crowd labeling under budget constraint[C]// Computer Communications. Kowloon, Hong Kong, China: IEEE Press, 2015:2812-2820.

[53] ZHAO D, LI X Y, MA H. How to crowdsource tasks truthfully without sacrificing utility: Online incentive mechanisms with budget constraint[C]// IEEE INFOCOM 2014-IEEE Conference on Computer Communications. Toronto, ON, Canada: IEEE Press, 2014:1213-1221.

[54] PENG D, WU F, CHEN G. Pay as how well you do: a quality based incentive mechanism for crowd sensing[C]// ACM International Symposium on Mobile Ad Hoc NETWORKING and Computing. Hangzhou, China: ACM Press, 2015: 177-186.[55] ZHANG H, LIU B, SUSANTO H, et al. Incentive mechanism for proximity-based Mobile Crowd Service systems[C]// IEEE INFOCOM 2016-IEEE Conference on Computer Communications. San Francisco, CA, USA: IEEE Press, 2016: 1-9.

[56] GAO L, HOU F, HUANG J. Providing long-term participation incentive in participatory sensing[C]// Computer Communications. Kowloon, Hong Kong ,China: IEEE Press, 2015:2803-2811.