Profit-Oriented Task Allocation for Mobile Crowdsensing With Worker Dynamics: Cooperative Offline Solution and Predictive Online Solution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mobile crowdsensing (MCS) is a new paradigm of data collection with large-scale sensing. A group of mobile users are recruited as workers to move around in a specific region and carry out sensing tasks. A challenging problem of MCS is task allocation, especially when the MCS platform needs to assign tasks to selected workers among a large user pool and consider mixed spatial and temporal features, including locations and time windows of tasks, and trajectories and arrival time of workers. In this paper, we take into account these features and study the task allocation problem that assigns tasks to workers over time and guarantees the tasks are accomplished before their deadlines. We consider an offline scenario where the MCS platform is informed of all the information of tasks and workers in advance, and an online scenario where the platform does not know the information of workers before they enter the system. For the offline scenario, we provide a cooperative ant colony algorithm with swarm intelligence to approximate the optimal solution in large-scale cases. For the online scenario with incomplete information, we propose several online algorithms, among which the predictive online algorithm exploits historical records of workers and performs the best. Finally, we conduct simulations and evaluate the differences among the online solutions and offline solutions. The results show that the proposed online solutions can approach the offline optimal solution in small-scale cases, and its approximation obtained by the cooperative offline solution in large-scale cases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle