Crowdsensing paradigm facilitates a wide range of data collection, where great efforts have been made to address its fundamental issues of matching workers to their assigned tasks and processing the collected data. In this paper, we reexamine these issues by considering the spatio-temporal worker mobility and task arrivals, which more fit the actual situation. Specifically, we study the location-aware and location diversity based dynamic crowdsensing system, where workers move over time and tasks arrive stochastically. We first exploit offline crowdsensing by proposing a combinatorial algorithm, for efficiently distributing tasks to workers. After that, we mainly study the online crowdsensing, and further consider an indispensable aspect of worker's fair allocation. Apart from the stochastic characteristics and discontinuous coverage, the non-linear expectation is incurred as a new challenge concerning fairness issue. Based on Lyapunov optimization with perturbation parameters, we propose online control policy to overcome those challenges. Hereby, we can maintain system stability and achieve a time average sensing utility arbitrarily close to the optimum. Finally, we propose an optimization framework to aggregate the sensing data which can estimate worker expertise and task truth simultaneously. Performance evaluations on real and synthetic data set validate the proposed algorithm, where 80 percent gain of fairness is achieved at the expense of 12 percent loss of sensing value on average.

中文翻译：

---

位置感知人群感知：动态任务分配和真相推理

人群感知范式促进了广泛的数据收集，其中已经付出了巨大努力来解决其将工人与其分配的任务相匹配并处理收集到的数据的基本问题。在本文中，我们通过考虑更符合实际情况的时空工人流动性和任务到达来重新审视这些问题。具体来说，我们研究了基于位置感知和位置多样性的动态人群感知系统，其中工人随时间移动，任务随机到达。我们首先通过提出一种组合算法来利用离线人群感知，以有效地将任务分配给工作人员。之后，我们主要研究在线人群感知，并进一步考虑工人公平分配不可或缺的一个方面。除了随机特性和不连续覆盖外，非线性期望作为公平问题的新挑战而产生。基于带有扰动参数的 Lyapunov 优化，我们提出了在线控制策略来克服这些挑战。因此，我们可以保持系统稳定性并实现任意接近最佳值的时间平均传感效用。最后，我们提出了一个优化框架来聚合可以同时估计工人专业知识和任务真相的传感数据。对真实和合成数据集的性能评估验证了所提出的算法，其中以平均 12% 的传感值损失为代价实现了 80% 的公平性增益。我们提出了在线控制策略来克服这些挑战。因此，我们可以保持系统稳定性并实现任意接近最佳值的时间平均传感效用。最后，我们提出了一个优化框架来聚合可以同时估计工人专业知识和任务真相的传感数据。对真实和合成数据集的性能评估验证了所提出的算法，其中以平均 12% 的传感值损失为代价实现了 80% 的公平性增益。我们提出了在线控制策略来克服这些挑战。因此，我们可以保持系统稳定性并实现任意接近最佳值的时间平均传感效用。最后，我们提出了一个优化框架来聚合可以同时估计工人专业知识和任务真相的传感数据。对真实和合成数据集的性能评估验证了所提出的算法，其中以平均 12% 的传感值损失为代价实现了 80% 的公平性增益。