近年来,随着通信、集成电路、软件和微电子等领域飞速发展,使得从前仅有通信功能的移动终端设备已经具有了越来越强大的感知、计算和存储能力。正因为智能手机和移动通信网络的发展,使得原来普通的通信工具变成了拥有强大功能的智能通信终端,也使得其成为人们日常生活中必备的一部分。与此同时,平板电脑、可穿戴设备甚至无人机等新型智能设备的出现,进一步扩大了智能设备的范畴。在这样的背景下,随着上述智能终端的普及,它们无论在传感器精度上还是在数量上都已经具备了可以替代传统传感器收集数据的能力,从而促使研究人员提出了一种新型的数据收集方式,即群智感知(Crowd Sensing)。不同于传统的传感器网络,群智感知活动在收集数据之前不需要安装固定的传感器,而是将拥有智能终端的用户作为基本感知节点,并将其设备中所配置的传感器作为感知单元,让终端用户使用自己的智能设备去收集和上传(分享)其附近的环境数据。群智感知需要有普通人作为参与者加入到感知活动中去收集分享数据,普通人群既作为感知数据的“消费者和受益者”,同时也是感知数据的“生产者”。不同于机器,人们有自己的意愿和习惯。每个人的活动时间和路线等往往有着很大概率的不确定性和随机性,从而导致数据不能及时收集以及难以达到所要求的数量;加之不同智能设备内置传感器性能存在一定差异、人为上传虚假数据等情况,这些都会导致收集的数据在精确性、完整性、时效性等方面与真实数值存在差异,不能较好的反应感知区域的真实情况,进而导致数据不能满足感知平台和任务发布者的要求。数据数量不足和质量不高这些问题必然成为制约群智感知活动发展的不利因素。正因为此,如何选择合适的参与者提供高质量的感知数据,如何鼓励参与者愿意提供数据、多提供数据等是群智感知研究中所面临的并且要尽快解决的重要挑战。目前虽然群智感知领域已经出现了各种各样的应用系统,但是仍然缺乏有效的数据收集方法和合理的用户参与激励机制。尽管在传统的传感器网络中,针对数据收集问题已经积累了较多的研究成果,但是这些成果难以直接符合群智感知的场景要求,而且几乎没有考虑对用户激励。针对以上问题,论文提出相应的解决方案,具体来说论文的贡献包括以下四个方面:首先,由于参加群智感知活动会消耗参与者智能设备的资源,如电量、流量等,所以需要一种机制来补偿参与者因收集上传数据消耗的成本。不同于传统的传感器网络,群智感知活动中的参与者有很大的自主性和主观性,数据是群智感知活动的根本,数据来源于参与者主动的收集活动,所以激励机制是群智感知系统中不可缺少的一环。它能够鼓励参与者提供更多、更高质量的数据。所以,论文在考虑得到的数据能够最大满足感知平台要求同时,也要考虑维持一定数量的参与者。试想如果一个感知任务耗费了参与者感知设备太多能量,但是最后得到的回报却不能补偿其因收集数据而耗费的成本,那么他可能采取消极的态度去对待以后的感知任务,甚至退出群智感知活动。因此,论文设计了一个任务困难度(Difficult of Task, DoT)指数去衡量每个任务的困难程度,允许参与者根据单位任务困难度指数下回报的大小选择感知任务。另外一点,为了保证越来越多的参与者加入到群智感知活动中来,一个参与者在一段时间内只允许进行一个任务,剩余的任务需要选择其他未被选中的参与者进行。然后,随着科技的发展,可以收集数据的智能设备种类越来越多。比如安装了车载单元(On-Board Unit, OBU)的汽车具备了收集和分享其周围环境数据的能力。新的感知场景带来了新的问题,以往群智感知激励机制更多针对的是离线场景,这种场景要求许多参与者同时存在于感知区域。以往参与者可能步行或者使用自行车等慢速交通工具到达感知区域进行数据收集。由于参与者的移动速度慢,也就使得参与者可能在执行感知任务期间一直在感知区域。但是,如果将汽车等行进速度快的交通工具作为感知设备,那么离线场景将不再适用。这时就需要一种激励机制,在参与者来到感知区域申请执行任务之后,感知平台能够基于参与者自身属性(索要回报,信誉度等)立刻决定是否选择这个参与者收集数据。对于这种“随来随选”的在线场景,论文作者提出一种基于在线场景的群智感知激励机制。该机制同样考虑了感知平台和参与者双方的利益。对于感知平台来说,所提的激励机制选择可信参与者,尽可能多的收集可用感知数据。对于参与者来说,除了其索要的回报,参与者还可能根据其信誉度值得到额外的奖励,以用来鼓励他提供更多的感知数据。文章所提出的激励机制在预算限制下尽可能多的选择参与者,以使更多的参与者能够得到回报。第三,感知数据收集一直都是群智感知领域研究的重要问题之一。而数据收集问题之一便是收集的数据质量问题。如果没有足够数量的高质量数据,会导致任务发布者不再发起任务,没有了任务感知平台就不再需要选择参与者进行感知活动,最终致使整个群智感知活动停止。为了解决如上问题,论文针对道路交通环境监控系统中参与者提供的GPS数据,论文提出了一种基于单任务的感知数据质量预测方法。该方法基于真实场景设计,即参与者在不同时间以随机顺序逐一到达。当某个参与者到达,所提的方法首先会用先验质量的方式预测其可能上传的高质量数据的数量,接下来再根据预测结果和其索要的回报决定是否选择他上传数据。不同于先验质量方式中的设计信誉度更新方法,论文作者所提方法使用二项——泊松分布(Binomial-Poisson Distribution, BPD)来对参与者可能上传的高质量数据的数量进行建模。并用期望最大方法(Expectation Maximization Method,EM 算法)来估计二项——泊松分布中的参数值。最后,群智感知最大的特点是它改变了只使用专业的传感器收集数据的方式,数据可以通过参与者手中的移动智能设备来获得,进而节省了部署传感器的成本。但是,由于感知收集数据可能干扰参与者其他活动(如打电话、发短信、日常工作和娱乐),且需要征得参与者的允许。而且,不同参与者提供的数据在精确性、时效性等方面存在着差异,意味着有些数据不能够很好的反应感知区域的真实情况。为了解决上述问题,文章提出了一种在有限任务预算下最大化数据可信度的机制。这里总体的数据可信度受两方面影响:参与者的信誉度值和他们的位置分布。高信誉度的参与者更可能提供高可信度的感知数据。与此同时,位置分布均匀可以收集到更全面代表区域情况的数据。所以,文章把要解决的最大化数据可信度问题分成了两个子问题:一个是选择信誉度高的参与者最大化总信誉度值,另一个是在不同格子里选择参与者来最大化感知格子的数量。文章将这两个子问题合并成一个多目标优化问题,并设计一种可信参与者选择方法来解决此多目标优化问题。通过使用真实数据集得到的仿真结果显示,文章所提的方法能够很好的解决数据收集和激励机制中出现的问题,更好的满足感知平台和参与者双方的利益。