[发明专利]基于信誉值的动态车辆任务与算力匹配方法

说明书

本发明公开一种基于基于信誉值的动态车辆任务与算力匹配方法，使用深度学习中的Conv‑GRU模型对任务数、工人数、工人信誉值、车流量进行预测，并结合强化学习中的DQN算法，对预测所得任务序列进行动态划分批次，最后在每一个划分好的批次内，通过KM算法结合工人的信誉度以及任务的重要程度进行二部图匹配，最终实现算力和任务的最优匹配。本方案不仅考虑了车辆任务的时空特征以及动态性特征，而且结合了车辆信誉值，车辆任务的重要程度等因素，且预测精度较其他方法更高，预测速度更快，批次划分更加合理，从而使车辆获得更高的收益；此外，其不需要特殊的部署和额外的硬件设备，成本较低，实用性较强，具有很高的实用价值。

技术领域

本发明属于众包任务分配领域，具体涉及一种基于信誉值的动态车辆任务与算力匹配方法。

背景技术

随着互联网的快速发展及信息全球化的推进，众包模式应运而生。众包是互联网带来的新的生产组织形式，其在数据标注、图书电子化、知识图谱构建等方面都有着广泛的应用，是一种分布式解决问题的方式。目前，带有多种传感器和网络的智能手机己经无处不在，这些智能设备能够产生大量的信息(如照片、视频、地理位置、行车轨迹等各种各样的数据)，而空间众包作为一种新型计算范式可以有效利用这些信息产生经济效益，得到越来越多的关注。

现有技术中，针对任务分配问题，学者们已有进行大量的研究，主要包括基于静态场景的研究和基于动态场景的研究：

(1)基于静态场景的研究指的是众包平台事先知道任务和工人的时空属性，对工人和任务进行匹配。比如，一部分研究人员聚焦工人和任务的相对位置，以此量化任务和工人已知的位置信息，并以最小化最大匹配距离为目标，来对工人和任务进行匹配，而在现实场景中，这显然是不切实际的，工人和任务不可能一直待在同一个位置，尤其是工人，他们需要通过不停地移动来寻找潜在的任务；也有一部分研究人员聚焦工人的专业技能，将工人的专业技能融入到众包任务分配中，但是寻找与任务所需技能相匹配的工人需要耗费大量的时间，在任务存续期间普遍较短的前提下，寻找类似的工人难度较大，无法充分保证匹配的成功率；(2)基于动态场景的研究指的是众包平台事先并不知道任务和工人的时空属性，任务和工人随机出现在众包平台内；虽然任务分配的目标函数各不相同，但是其均考虑了当前工人和任务动态出现的情况，采用了完全在线启发式的策略来解决众包分配中的NP-hard问题。

在划分批次阶段，现有的任务分配一般是基于固定批次的，考虑到工人和任务是具有时空属性的，部分工人和任务的截止时间小于批次的截止时间，这样会导致部分工人或任务在当前批次内没有得到分配，而无法保留到下一批次内，从而导致匹配率低；另外，由于众包的任务数是具有很明显的周期性性时间特征，因此使用传统的方法很难预测准确；而且，若使用强化学习中Q-learning等方法进行批次划分，由于Q-learning方法用于更新Q值的Q表在处理数据量较大情况下，其查找和存储都需要耗费大量的时间和空间；与此同时，Q-learning中的状态之间具有很强的相关性，也会影响批次划分的最终结果。而且，在工人-任务匹配阶段，现有的众包分配算法在完成匹配时，并未考虑到工人的历史信誉值(过去完成任务的情况)和任务的重要程度对匹配的影响，也会对最终的匹配结果造成影响。

综上可见，当前关于众包任务分配算法有两个明显的不足的地方：一方面是任务分配时只考虑当前加入众包平台的任务能力需求和工人的能力水平来进行分配，却忽略了工人完成工作的历史信誉值对本次任务分配是否能完成的影响；另一方面是没有考虑动态划分批次对于任务分配的影响，在实际生活中，工人和任务都是动态到达的，并且可以在不做出任何通知的情况下随时离开，因此批次应该是动态的，并非是固定的。分配任务时除了应该让能者多劳，更应该让信者优劳，把重要的任务优先交给历史信誉好的工人完成。

发明内容