A Task Bundling based Multi-Platform Cooperation Mechanism for Mobile Crowdsensing
Notice bibliographique
Résumé
Mobile crowdsensing (MCS) is a cost-effective sensing paradigm by incentivizing mobile users to perform sensing tasks using their smartphones with rich embedded sensors. An important problem in MCS is how to achieve high task completion rate for location dependent tasks since some of them can be far away from potential users. Most existing work in this aspect assumes that there is only one service platform without consideration of existence of multiple platforms and also impact of their cooperation on task completion rate. In this paper, we design a task bundling based multi-platform cooperation mechanism (TBMCM) for completion of location dependent sensing tasks. The design objective is to maximize the system profit while improving the task completion rate. TBMCM works in a slot-by-slot manner. In each slot, each platform first assigns its tasks and task bundles to its registered users through reverse auctions and then submits information about its idle users and not-assigned-yet unpopular tasks to a cross-platform cooperation managing entity (CCM) for cross-platform cooperation. Then, the CCM entity releases the tasks and task bundles created using its collected tasks to the idle users. Meanwhile, each platform has the option to bundle its own tasks with the tasks provided by the CCM entity. A task bundling method is then designed to perform effective bundling between unpopular and popular tasks for improved task completion rate. We show the proposed mechanism satisfies individual and cooperative rationality. Extensive simulation results show the high performance of TBMCM in terms of task completion rate and system profit.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».