[发明专利]基于多臂老虎机和Shapley值的群智感知数据动态交易方法

说明书

本发明涉及一种基于多臂老虎机和Shapley值的群智感知数据动态交易方法，属于大数据和群智感知技术领域。本发明首先利用Shapley值判定每个“工人”的数据对“买家”的边际贡献，包括考虑新数据的直接贡献和考虑冗余数据的间接贡献。之后，“买家”会选择边际贡献较高的“工人”，并给出意向的交易价格。为了提高交易的成功率并得到最大的回报，“买家”实施一定的学习策略。针对给出高价保证交易成功，和试探底线获得更大回报的两难问题，利用上下文形式的多臂老虎机模型进行学习，该策略在每个轮次中选择可观察到的最佳价格，逐渐进行调整以适应“工人”的心理底线。采用本方法推断出的“工人”的价格预期更接近实际值，“买家”由此获得更大回报。

技术领域

本发明涉及一种群智感知下的数据动态交易方法，尤其涉及一种基于多臂老虎机和Shapley值的数据动态交易方法，属于大数据和群智感知技术领域。

背景技术

近年来，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，大多数智能手机和平板电脑集成了全球定位系统(global positioningsystem，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，获取相关数据。大量基于感知信息的应用不断涌现，如：环境监测、交通监测、社交网络应用等。这些不断增加的应用，促进了群智感知(crowd sensing)的诞生和发展。

在群智感知场景下，一些机构(如气象中心、交通管理部门等)，迫切需要即时的分布式数据，成为购买数据的一方，称之为“买家”；通过智能终端上传感知数据的各类用户，作为销售数据的一方，称之为“工人”。当供需关系一直存在时，总会有“买家”为有价值的数据付费，自然地形成一个数据市场。这种货币形式的数据交易机制，可以视为动态的零和游戏。双方都是为了最大化自己的利益，这同时意味着对方的损失。从“买家”的角度出发，它的目标是以最低的价格获得更多有价值的数据。

目前，在群智感知的场景下形成的数据市场仍然存在一些限制，使得该场景无法实现完全的市场化，从而推向更广泛的应用场景。假定“工人”之间在交易市场上是无法通信的，这意味着“工人”们不能看到对方且无法商量彼此的出价，进而无法形成卖家联盟来控制价格。也就是说，“买家”是可以从这个市场中得知所有“工人”的出价，而“工人”只知道自己的出价，却不知道整个市场的行情。

为了使“买家”的利益最大化，需要对不同“工人”的表现进行衡量。其中，感知数据的价值会影响“买家”的最终决策。一些传统方案认为，“工人”的表现或者数据的客观质量完全决定了当前数据对特定“买家”的价值。或者说，环境因素会对数据的价值造成很大的影响，例如收集数据的用时和采集数据的地点等。但这些观点都比较片面。可以将数据交易的过程划分为多个时间轮次，随着时间轮次的渐进，“买家”会逐渐得到更多的数据。也就是说，在大多数时间下，可以认为“买家”本身就保存有一个数据集。在这个前提下，即便是相同的感知数据，它们对于不同的“买家”来说，价值也很可能是不同的。举例来说，假设当前有“买家”A和B，A已经有了数据1，而B没有，则数据1对B的价值有更大概率更高一些。因此，“买家”有倾向于选择对其更有价值的数据的趋势。

在数据市场中，除了数据的价值之外，另一个重要的影响因素是买卖双方最终的交易价格。如何确定有价值的数据的交易价格，是该场景下一个巨大的挑战。可以想到的方法是，买卖双方进行谈判，经过多轮的商讨，最终渐进得到一个双方可接受的价格并签订合同。但是，由于通信成本高昂，因此该方法在投标一类回合较少的场景下更加适用。而在群智感知中，由于参与的实体非常多，尤其是“工人”的数量可能远大于“买家”的数量，让每个“买家”与数量如此庞大的群体一一签订合同，只是理论上可行的方法。