Trajectory Penetration Characterization for Efficient Vehicle Selection in HD Map Crowdsourcing
Notice bibliographique
Résumé
In this article, we investigate the worker (i.e., vehicle) selection problem in vehicle-based crowdsourcing (VBC), where vehicles in a specific area are recruited by the crowdsourcing platform to collect geographical information in real driving scenarios for autonomous driving. Given a limited recruitment budget, we formulate a cumulative platform utility maximization problem (CMP) to obtain the optimal worker set. The CMP is unsolvable directly as the platform has no prior information of workers at the initial stage (also known as “cold start”) and the cost of collecting all workers' information is prohibitive. To solve the problem, we first conduct a comprehensive data analytics on two real-world vehicle traces and obtain two crucial observations: 1) trajectory of individual vehicle is highly uncertain that it is difficult to make accurate prediction and 2) the overall distribution of vehicular trajectory penetration (measured by collection quantity and coverage) has a diurnal pattern and varies with weekly periodicity. Inspired by the insights, we propose the performance transfer-based online worker selection (POSE) scheme, which works independently from trajectory prediction with two components, i.e., transfer learning-based performance estimation and online worker selection (OWS). Based on the diurnal pattern, the former component collects a short-period trajectory penetration data of vehicles for model fitting, which can output a specific numerical distribution. With the fitting model, we can identify and select vehicles with high trajectory penetration at the initial stage to cope with the “cold start” problem. Then, we map the worker selection problem into a multiarmed bandit problem and develop upper confidence bound-based approach to solve it. Extensive trace-driven simulations are carried out and the results demonstrate the efficiency of POSE in terms of cumulative platform utility.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».