群體感知與群智計(jì)算

群體感知與群智計(jì)算目錄從眾包說(shuō)起群體感知與群智計(jì)算MCSC主要工作與成果總結(jié)與展望3從眾包說(shuō)起眾包（Crowdsourcing）是一種分布式的問(wèn)題解決和生產(chǎn)模式；從AI角度，這是人類(lèi)智能與機(jī)器智能的有機(jī)結(jié)合，解決機(jī)器目前還無(wú)法完全自動(dòng)化的問(wèn)題（人工的人工智能）。WikiPedia、OpenStreetMap等均為成功的眾包應(yīng)用，亞馬遜推出了提供眾包服務(wù)的平臺(tái)MechanicalTurk（土耳其機(jī)器人）。Crowdsourcingistheactofoutsourcingtasks,traditionallyperformedbyanemployeeorcontractor,toanundefined,largegroupofpeopleorcommunity(a“crowd”),throughanopencall.——JeffHowe,Wired,no.6,2006眾包例子GigwalkB2C任務(wù)眾包平臺(tái)，2011年開(kāi)始，微軟通過(guò)Gigwalk召集了35個(gè)城市的10萬(wàn)人，為它提供商戶(hù)和餐館的3D全景圖，融入Bing地圖。Twitter翻譯中心，Twitter長(zhǎng)期以來(lái)都支持基于眾包技術(shù)的翻譯，提供一個(gè)自愿提供其他語(yǔ)言服務(wù)的平臺(tái)，支持多達(dá)30種語(yǔ)言。InfoScout以返利的激勵(lì)讓消費(fèi)者通過(guò)移動(dòng)應(yīng)用掃描零售店消費(fèi)票據(jù)；在后臺(tái)則解析識(shí)別這些票據(jù)，包括消費(fèi)地點(diǎn)、品類(lèi)和價(jià)格等，一方面給消費(fèi)者電子存檔，更重要的是從中挖掘有價(jià)值的消費(fèi)信息提供給消費(fèi)品牌。從眾包到眾感，從群體協(xié)作在線(xiàn)任務(wù)完成到時(shí)空感知數(shù)據(jù)、用戶(hù)生成數(shù)據(jù)的收集與共享；以數(shù)據(jù)為中心，實(shí)現(xiàn)在線(xiàn)線(xiàn)下社群協(xié)同感知。目錄從眾包說(shuō)起群體感知與群智計(jì)算MCSC主要工作與成果總結(jié)與展望城市與社會(huì)感知人類(lèi)社會(huì)正面臨一系列復(fù)雜生態(tài)和發(fā)展問(wèn)題，普適感知技術(shù)能為解決這些問(wèn)題提供重要保障?！皩?duì)人和環(huán)境的感知”一直以來(lái)都是重要科學(xué)研究課題，屬?lài)?guó)家重大需求：2016年國(guó)家重點(diǎn)研發(fā)計(jì)劃“云計(jì)算與大數(shù)據(jù)”專(zhuān)項(xiàng)確定的四個(gè)方向之一為“云端融合的感知認(rèn)知與人機(jī)交互”國(guó)家十三五國(guó)家科技創(chuàng)新規(guī)劃“新一代信息技術(shù)”中人本計(jì)算、智能感知為重點(diǎn)發(fā)展方向，且在智慧城市部分指出要“突破城市多尺度立體感知”技術(shù)。城市管理公共安全環(huán)境監(jiān)測(cè)傳統(tǒng)感知網(wǎng)絡(luò)社會(huì)及城市感知任務(wù)具有范圍廣、規(guī)模大、任務(wù)重等特點(diǎn)。目前感知系統(tǒng)還主要依賴(lài)于預(yù)安裝的專(zhuān)業(yè)傳感設(shè)施（如攝像頭、空氣檢測(cè)裝置等）和專(zhuān)業(yè)人員。PM2.5城市攝像頭具覆蓋范圍受限，投資及維護(hù)成本高等特點(diǎn)，使用范圍、對(duì)象和應(yīng)用效果得到了很多限制。8群體感知與群智計(jì)算(MobileCrowdSensingandComputing)以大量普通用戶(hù)及其攜帶的智能設(shè)備作為感知源，利用大眾的廣泛分布性、移動(dòng)性和連接性進(jìn)行大規(guī)模感知。融合顯式或隱式群體智能實(shí)現(xiàn)對(duì)低質(zhì)冗余、碎片化感知數(shù)據(jù)的優(yōu)選和增強(qiáng)理解，進(jìn)而為城市及社會(huì)管理提供智能輔助支持。群體感知與群智計(jì)算8B.Guo,etal.MobileCrowdSensingandComputing:TheReviewofanEmergingHuman-PoweredSensingParadigm",ACMComputingSurveys,2015.線(xiàn)上、線(xiàn)下多種參與模式隱式群體智能：個(gè)體profile、群體結(jié)構(gòu)、群物交互等群體感知典型應(yīng)用2013波士頓爆炸案FBI通過(guò)群體數(shù)據(jù)尋找嫌犯GoogleWaze-群體交通感知2016法國(guó)尼斯恐怖襲擊，警方通過(guò)Twitter為群眾尋找庇護(hù)所SeeClickFix-群體公共管理10MCSC特征與挑戰(zhàn)(1)草根感知(2)跨空間協(xié)作(3)復(fù)雜數(shù)據(jù)處理Spatial-temporalcoverage參與者選擇;Incentivemechanisms激勵(lì)機(jī)制

Online/offlinecollaborationCross-communitysensingDataquality,trust,privacy數(shù)據(jù)質(zhì)量，可信，隱私；Cross-spacedatamining跨空間數(shù)據(jù)挖掘兩個(gè)科學(xué)問(wèn)題：如何選擇和調(diào)諧泛在、互補(bǔ)的群體感知能力實(shí)現(xiàn)高質(zhì)量感知？如何實(shí)現(xiàn)對(duì)低質(zhì)、冗余群體感知數(shù)據(jù)的高效處理和語(yǔ)義理解？目錄從眾包說(shuō)起群體感知與群智計(jì)算MCSC主要工作與成果總結(jié)與展望研究進(jìn)展群體感知參與者選擇跨空間協(xié)作增強(qiáng)感知參與式感知數(shù)據(jù)優(yōu)選多模態(tài)群體數(shù)據(jù)融合(1.1)面向單任務(wù)的參與者選擇問(wèn)題定義群體感知是協(xié)作式感知，社會(huì)因素會(huì)影響用戶(hù)的參與性；針對(duì)城市空間中的單個(gè)感知任務(wù)，研究如何選擇合適的參與者實(shí)現(xiàn)任務(wù)參與度最大化。研究方案綜合考慮任務(wù)內(nèi)容、時(shí)空情境和社會(huì)影響特征，對(duì)感知節(jié)點(diǎn)能力進(jìn)行多角度刻畫(huà)；提出基于信用分布的影響力最大化算法(CD-UIP)發(fā)現(xiàn)高社會(huì)影響力的參與者。感知任務(wù)任務(wù)內(nèi)容時(shí)空情景社會(huì)影響感知節(jié)點(diǎn)集合面向單任務(wù)的參與者選擇感知群體參與任務(wù)的歷史記錄提取任務(wù)時(shí)空、內(nèi)容等特征，建立參與者對(duì)任務(wù)的偏好模型?；趨⑴c者交互關(guān)系和信用分布計(jì)算參與者的交互影響力。CD-UIP利用參與者偏好優(yōu)化節(jié)點(diǎn)的交互影響力，并采用貪心算法確定任務(wù)參與度最大化的感知節(jié)點(diǎn)集。時(shí)空任務(wù)內(nèi)容交互感知群體交互網(wǎng)絡(luò)感知節(jié)點(diǎn)偏好信用分布參與度最大化感知節(jié)點(diǎn)集CD-UIP交互影響力最大影響力面向單任務(wù)的參與者選擇WhoShouldIInviteforMyParty?CombiningUserPreferenceandInfluenceMaximizationforSocialEvents,ACMUbiComp’15,2015(CCFA類(lèi)).為了驗(yàn)證基于信用分布的影響力最大化算法（CD-UIP）對(duì)高影響力感知節(jié)點(diǎn)的發(fā)現(xiàn)能力，以感知群體參與城市空間任務(wù)為背景，采用豆瓣同城用戶(hù)活動(dòng)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明CD-UIP算法能有效發(fā)現(xiàn)高影響力的感知節(jié)點(diǎn)，提高群體對(duì)感知任務(wù)的參與度。與多個(gè)基準(zhǔn)方法相比，CD-UIP算法實(shí)現(xiàn)了最小的任務(wù)參與度預(yù)測(cè)誤差，以及最高的群體參與度。問(wèn)題定義在多任務(wù)感知環(huán)境下，為提高感知資源的有效利用率，需要對(duì)感知能力進(jìn)行優(yōu)化組合。感知節(jié)點(diǎn)和感知任務(wù)的數(shù)量關(guān)系存在兩種情況：感知節(jié)點(diǎn)資源匱乏或充足。研究方案針對(duì)感知節(jié)點(diǎn)資源匱乏情況，提出改進(jìn)的最小費(fèi)用最大流多任務(wù)分配模型，在最小化移動(dòng)距離的同時(shí)，實(shí)現(xiàn)任務(wù)完成率最大化；針對(duì)感知節(jié)點(diǎn)資源充足情況，提出雙目標(biāo)優(yōu)化的多任務(wù)分配方法，最小化移動(dòng)距離和激勵(lì)成本。感知節(jié)點(diǎn)匱乏感知節(jié)點(diǎn)充足(1.2)面向多任務(wù)的參與者選擇情況1：感知節(jié)點(diǎn)匱乏問(wèn)題定義

n個(gè)位置不同的任務(wù)T={t1,t2,...,tn}，m個(gè)位置不同的感知節(jié)點(diǎn)U={u1,u2,...,um}約束為保證感知質(zhì)量，每個(gè)任務(wù)由至少p個(gè)感知節(jié)點(diǎn)完成，任務(wù)不同p值不同感知節(jié)點(diǎn)資源不足，為保證工作質(zhì)量，每個(gè)感知節(jié)點(diǎn)需要完成q個(gè)任務(wù)任務(wù)多為緊急任務(wù)，需獲取感知節(jié)點(diǎn)的具體位置以提高任務(wù)完成效率雙優(yōu)化目標(biāo)最小化完成任務(wù)所移動(dòng)的距離最大化完成的任務(wù)個(gè)數(shù)

最小費(fèi)用最大流多任務(wù)分配模型基于最小費(fèi)用最大流模型進(jìn)行求解最小費(fèi)用

最小化移動(dòng)距離最大流

最大化完成任務(wù)數(shù)結(jié)合感知能力優(yōu)化問(wèn)題對(duì)該模型進(jìn)行三方面改進(jìn)在流網(wǎng)絡(luò)中添加源點(diǎn)和匯點(diǎn)，從源點(diǎn)流入的最大流為m*q，流入?yún)R點(diǎn)的最大流為n*p。添加綠色的節(jié)點(diǎn)層代表用戶(hù)完成的任務(wù)集合。添加黃色節(jié)點(diǎn)層表示任務(wù)的完成情況。為了驗(yàn)證最小費(fèi)用最大流多任務(wù)分配模型的效率，以城市感知任務(wù)為背景，采用了法國(guó)電信D4D數(shù)據(jù)集初始化感知節(jié)點(diǎn)和感知任務(wù)的位置進(jìn)行實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，相對(duì)于貪婪算法我們提出的模型可以選出完成任務(wù)移動(dòng)距離較短的參與者；當(dāng)任務(wù)個(gè)數(shù)從10增加到20時(shí)，移動(dòng)距離的減少量從4%提高到了30%。實(shí)驗(yàn)結(jié)果1情況2：感知節(jié)點(diǎn)充足問(wèn)題定義n個(gè)位置不同的任務(wù)T={t1,t2...,tj...,tn}，m個(gè)位置不同的區(qū)域A={A1,A2...Ai...Am}，每個(gè)區(qū)域包含多個(gè)感知節(jié)點(diǎn)Ai={u1,u2,u3...}約束每個(gè)任務(wù)由p個(gè)感知節(jié)點(diǎn)完成，任務(wù)不同p值不同感知節(jié)點(diǎn)資源充足，每個(gè)感知節(jié)點(diǎn)只需要完成一個(gè)任務(wù)為保證感知節(jié)點(diǎn)隱私，只獲取感知節(jié)點(diǎn)所在的區(qū)域目標(biāo)最小化完成任務(wù)所移動(dòng)的距離最小化激勵(lì)成本

多目標(biāo)優(yōu)化的多任務(wù)分配方法提出兩種雙目標(biāo)優(yōu)化方法：線(xiàn)性加權(quán)法：通過(guò)設(shè)置不同的權(quán)重，將多個(gè)縮放的優(yōu)化目標(biāo)組合起來(lái)目標(biāo)函數(shù)約束法：將其中的一個(gè)優(yōu)化目標(biāo)作為主要的優(yōu)化目標(biāo)，其余的通過(guò)添加不同的約束作為約束條件目標(biāo)函數(shù)約束條件（移動(dòng)距離最短）（激勵(lì)成本約束）

為了驗(yàn)證多目標(biāo)優(yōu)化的多任務(wù)分配方法，采用與實(shí)驗(yàn)結(jié)果一相同的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明相對(duì)于貪婪算法，提出的算法在感知節(jié)點(diǎn)充足情況下可最小化移動(dòng)總距離和激勵(lì)成本，完成多任務(wù)分配。實(shí)驗(yàn)結(jié)果2綜合考慮成本和移動(dòng)距離，圖中紅色點(diǎn)的非劣解相對(duì)較好。與貪心算法相比，提出的兩種優(yōu)化方法可以得到單目標(biāo)優(yōu)化問(wèn)題的最優(yōu)解。TaskMe:Multi-TaskAllocationinMobileCrowdSensing,ACMUbiComp,2016(CCFA類(lèi)).ActiveCrowd:AFrameworkforOptimizedMulti-TaskAllocationinMobileCrowdsensingSystems,IEEETHMS,2016(CCFB類(lèi))研究進(jìn)展332235334454553443參與者任務(wù)群體感知參與者選擇跨空間協(xié)作增強(qiáng)感知參與式感知數(shù)據(jù)優(yōu)選跨空間異構(gòu)數(shù)據(jù)融合跨空間協(xié)作增強(qiáng)感知問(wèn)題：物理空間與信息空間在信息感知和收集能力方面具有差異性和互補(bǔ)性，如何利用其協(xié)作而提高信息感知能力？方案：物理空間與信息空間關(guān)聯(lián)，為實(shí)現(xiàn)城市公共信息快速有效傳輸和共享，進(jìn)行跨空間轉(zhuǎn)發(fā)，利用物理空間交互特征來(lái)對(duì)信息空間內(nèi)容進(jìn)行增強(qiáng)感知和理解。物理世界的海報(bào)往往具有有限時(shí)空覆蓋范圍和較低傳播速度，為信息共享帶來(lái)局限性跨空間協(xié)作增強(qiáng)感知分布式采集可能帶來(lái)重復(fù)信息轉(zhuǎn)發(fā)，采用SIFT方法進(jìn)行重復(fù)轉(zhuǎn)發(fā)發(fā)現(xiàn)與分組；在每個(gè)分組中根據(jù)物理空間感知情境信息(如光強(qiáng)、加速度、拍攝角度等)在信息空間進(jìn)行高質(zhì)量數(shù)據(jù)選擇。跨空間協(xié)作增強(qiáng)感知提出一系列物理空間群物交互特征(交互信息熵、交互偏好、數(shù)量分布等)對(duì)信息空間語(yǔ)義進(jìn)行理解

(hot,pop,surprise,social,…)采用多標(biāo)簽分類(lèi)和啟發(fā)式規(guī)則相結(jié)合方法進(jìn)行語(yǔ)義標(biāo)注。實(shí)驗(yàn)驗(yàn)證38參與者，8周數(shù)據(jù)采集，2035張海報(bào)信息。FlierMeet:AMobileCrowdsensingSystemforCross-SpacePublicInformationReposting,Tagging,andSharing,IEEETrans.onMobileComputing,2015(CCFA類(lèi)).研究進(jìn)展群體感知參與者選擇跨空間感知協(xié)作增強(qiáng)參與式感知數(shù)據(jù)優(yōu)選多模態(tài)群體數(shù)據(jù)融合群體協(xié)作式可視事件感知與呈現(xiàn)社交網(wǎng)絡(luò)的重要功能“拍照、分享”照片除了社交用途之外，還可以用來(lái)事件分析收集事件素材事件回溯事件總結(jié)

問(wèn)題：目前工作多關(guān)注于照片事后檢索，可否做到實(shí)時(shí)事件感知及呈現(xiàn)？巴黎暴恐案（Flickr）自行車(chē)撞人案（新聞）事件總結(jié)（論文）群體協(xié)作式可視事件感知與呈現(xiàn)InstantSense：群體協(xié)作式實(shí)時(shí)事件感知與多粒度呈現(xiàn)（幼兒園表演）事件發(fā)現(xiàn)與協(xié)作式感知數(shù)據(jù)選擇與多粒度呈現(xiàn)自發(fā)->協(xié)作分散->匯聚子事件挖掘關(guān)鍵、細(xì)節(jié)群體智能融合的事件定位拍照位置和感知對(duì)象位置之間有差異（幾米到幾十米），地理臨近的多個(gè)事件需要做區(qū)分；用梯形框模型刻畫(huà)拍照情境；劃分空間網(wǎng)格，基于概率分布（拍照行為空間特征）計(jì)算單照片覆蓋不同網(wǎng)格的定位權(quán)重；通過(guò)群體感知數(shù)據(jù)融合，計(jì)算各網(wǎng)格的累積權(quán)重并定位?；趥€(gè)體/群體行為的子事件分割方法a)Multi-reportertriggeredsegmentation(MR)b)Twice-presstriggeredsegmentation(TP)c)Multi-reporterconstraintedTP(TP_MR)根據(jù)群體拍照人數(shù)比例分割事件依賴(lài)閾值平衡召回率和精度根據(jù)個(gè)體再拍照行為分割事件高召回率，低精度結(jié)合MR和TP低召回率，高精度三種方法各有優(yōu)缺點(diǎn)，不同的應(yīng)用場(chǎng)景選擇不同的方法MachineIntelligence，已有工作基于圖像相似度進(jìn)行分割；HumanIntelligence，根據(jù)機(jī)會(huì)社群中用戶(hù)拍照行為規(guī)律進(jìn)行分割多粒度事件呈現(xiàn)關(guān)鍵幀式子事件總結(jié)Highlightsummary(HLSM)全覆蓋式子事件總結(jié)Sub-eventsummary(SESM)多方位覆蓋每個(gè)子事件覆蓋全部子事件基于信息熵排序dd:拍照人離事件中心的距離，θ

:拍照方向根據(jù)拍照人是否多樣，判斷事件是否為關(guān)鍵時(shí)刻，從而挑選最具代表性的k張照片內(nèi)容封面F:拍照人集合“子事件分割”從時(shí)間軸對(duì)照片流進(jìn)行分割，“多方位覆蓋”（遠(yuǎn)近、方位）從空間角度保證照片集對(duì)事件的全面展示，“時(shí)間優(yōu)先”及時(shí)展示事件的發(fā)展變化。實(shí)驗(yàn)結(jié)果HuihuiChen,BinGuo,etal.,TowardReal-timeandCooperativeMobileVisualSensingandSharing,IEEEINFOCOM’16,2016(CCFA類(lèi))與圖片新聞對(duì)比數(shù)量多尺度Highlight相似性對(duì)比人工對(duì)事件總結(jié)進(jìn)行評(píng)價(jià)訓(xùn)練合適的閾值rAR_th=0.4評(píng)估定位精度與定位誤差子事件分割方法的比較研究進(jìn)展群體感知參與者選擇跨空間感知協(xié)作增強(qiáng)參與式感知數(shù)據(jù)優(yōu)選多模態(tài)群體數(shù)據(jù)融合36多模態(tài)數(shù)據(jù)融合的微博社會(huì)事件刻畫(huà)問(wèn)題：目前工作多關(guān)注于用文本對(duì)事件進(jìn)行總結(jié)；研究融合多模態(tài)數(shù)據(jù)，用其互補(bǔ)性對(duì)事件進(jìn)行細(xì)粒度刻畫(huà)（多側(cè)面、動(dòng)態(tài)演化、語(yǔ)義關(guān)聯(lián)）。微博實(shí)時(shí)分享、傳播信息的平臺(tái)用戶(hù)眾多（群體感知）多模態(tài)數(shù)據(jù)文本時(shí)間圖像用戶(hù)交互…37多模態(tài)數(shù)據(jù)融合的微博社會(huì)事件刻畫(huà)CrowdStory：多模態(tài)數(shù)據(jù)融合的微博社會(huì)事件刻畫(huà)（天津爆炸事件）多模態(tài)數(shù)據(jù)融合的微博社會(huì)事件刻畫(huà)

基于多模態(tài)數(shù)據(jù)融合的動(dòng)態(tài)演化事件脈絡(luò)生成將群體貢獻(xiàn)數(shù)據(jù)根據(jù)時(shí)空情境和文本聚類(lèi)形成多線(xiàn)索動(dòng)態(tài)演化描述根據(jù)視覺(jué)相似性和交互情境等群體智能實(shí)現(xiàn)線(xiàn)索間關(guān)聯(lián)關(guān)系生成39多模態(tài)數(shù)據(jù)融合的微博社會(huì)事件刻畫(huà)跨媒體可視數(shù)據(jù)優(yōu)選在各個(gè)子事件線(xiàn)索內(nèi)，通過(guò)最小支配集和子模性方法進(jìn)行文本數(shù)據(jù)優(yōu)選；針對(duì)各子事件文本集合，通過(guò)SIFT特征聚類(lèi)得到圖像詞袋模型，進(jìn)而對(duì)成對(duì)文本和圖像訓(xùn)練映射到共享子空間；通過(guò)圖像聚類(lèi)確保選擇圖像的多樣性，通過(guò)跨媒體挖掘確保相關(guān)性。40數(shù)據(jù)集及示例結(jié)果EventOri-PostsImageRepostsCommentTianjin3031,119572,446275,850Paris5121,339456,88261,612數(shù)據(jù)來(lái)自新浪微博CrowdStory:Multi-layeredEventStorylineGenerationwithMobileCrowdsourcedData,ACMUbiComp’16跨空間異構(gòu)數(shù)據(jù)融合的商業(yè)推薦問(wèn)題：來(lái)自不同空間的群體貢獻(xiàn)數(shù)據(jù)內(nèi)在關(guān)聯(lián)、互為影響，如何對(duì)其融合實(shí)現(xiàn)智能決策？實(shí)施：提出基于跨空間感知數(shù)據(jù)關(guān)聯(lián)的智能推薦算法;具體應(yīng)用于城市商業(yè)領(lǐng)域，對(duì)于某城市商業(yè)區(qū)新開(kāi)的商鋪，為投資者推薦最合適的商鋪類(lèi)型。場(chǎng)景地點(diǎn)A計(jì)劃開(kāi)餐飲類(lèi)型店西餐？火鍋？川菜？自助？……跨空間異構(gòu)數(shù)據(jù)融合的商業(yè)推薦商鋪基本數(shù)據(jù)名稱(chēng)類(lèi)型地點(diǎn)評(píng)價(jià)評(píng)分…地理數(shù)據(jù)周?chē)h(huán)境信息交通數(shù)據(jù)利用不同空間提供的數(shù)據(jù)，互相補(bǔ)充，將信息空間和物理空間相關(guān)聯(lián)，對(duì)商鋪類(lèi)型選擇進(jìn)行理解和決策?？缈臻g異構(gòu)數(shù)據(jù)融合的商業(yè)推薦

特征提取與地理相關(guān)到市中心的距離交通便利性人群密度與商業(yè)相關(guān)競(jìng)爭(zhēng)性

多樣性

互補(bǔ)性預(yù)測(cè)算法提出基于特征融合的偏好學(xué)習(xí)的矩陣分解算法。實(shí)驗(yàn)結(jié)果ShopTypeRecommendationLeveragingtheDatafromSocialMediaandLocation-basedServices,ACMTransactionsonKnowledgeDiscoveryfromData,2016.WheretoPlacetheNextOutlet?HarnessingCross-SpaceUrbanDataforMulti-ScaleChainStoreRecommendation,ACMUbiComp’16,poster,2016數(shù)據(jù)集：國(guó)內(nèi)典型的第三方點(diǎn)評(píng)網(wǎng)站-大眾點(diǎn)評(píng)結(jié)合百度LBS的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)得到的結(jié)果表明，BL-G-CoSVD能夠較好地對(duì)新開(kāi)商鋪的人氣值進(jìn)行預(yù)測(cè)。TimeInterval2013-6-1to2014-6-1Numberofchafingdish624Numberofcafe997Numberofsnackshop11087Numberofdessertshop4130群體感知智能市政服務(wù)系統(tǒng)傳統(tǒng)市政問(wèn)題感知基于熱線(xiàn)、巡視員等方式，具有感知不及時(shí)、不完全等特點(diǎn)；通過(guò)群體感知實(shí)現(xiàn)精細(xì)化市政問(wèn)題采集和管理，并提供數(shù)據(jù)分析和智能決策支持。問(wèn)題上報(bào)維修跟蹤施工公告群體感知智能市政服務(wù)系統(tǒng)信息空間物理空間社會(huì)空間感知層方法/技術(shù)層應(yīng)用層智能養(yǎng)護(hù)問(wèn)題預(yù)警突發(fā)任務(wù)參與者選擇出行輔助可視化決策跨空間數(shù)據(jù)感知增強(qiáng)基于時(shí)空關(guān)聯(lián)的數(shù)據(jù)優(yōu)選跨空間數(shù)據(jù)關(guān)聯(lián)表達(dá)…47群體感知智能市政服務(wù)系統(tǒng)物理空間智能輔助式問(wèn)題上報(bào)，進(jìn)一步將通過(guò)微博、電信等通道獲得信息空間信息，形成跨空間群體感知數(shù)據(jù)集。群體感知智能市政服務(wù)系統(tǒng)PublicSense:RefinedUrbanSensingandPublicFacilityManagementwithCrowdsourcedData,IEEEUIC’15,2015.ComplaintRoadPearsonCoefficientPipelinePrimary0.414**Residential0.588**RoadsurfacePrimary0.417**Residential0.565**ManholecoverPrimary0.378**Residential0.435**SidewalkPrimary0.348**Residential0.428**ReferencesYanLiu,BinGuo*,etal."TaskMe:Multi-TaskAllocationinMobileCrowdSensing",ACMUbiComp'16,Hindenburg,Germany,2016.JiafanZhang,BinGuo*,etal."CrowdStory:Multi-layeredEventStorylineGenerationwithMobileCrowdsourcedData",ACMUbiComp'16,Hindenburg,Germany,Poster,2016.QianruWang,BinGuo*,etal."CrowdWatch:PedestrianSafetyAssistancewithMobileCrowdSensing",ACMUbiComp'16,Hindenburg,Germany,Poster,2016.HuihuiChen,BinGuo*,etal.,“TowardReal-timeandCooperativeMobileVisualSensingandSharing,”IEEEINFOCOM’16,SanFrancesco,USA,2015.BinGuo*,etal.“TaskMe:ACross-Community,Quality-EnhancedIncentiveMechanismforMobileCrowdSensing”,ACMUbiComp’15,Poster,September7-11,Japan.ZhiwenYu,RongDu,BinGuo,etal.,“WhoShouldIInviteforMyParty?CombiningUserPreferenceandInfluenceMaximizationforSocialEvents”,ACMUbiComp’15.BinGuo,etal.“FlierMeet:Cross-SpacePublicInformationRepostingwithMobileCrowdSensing”,ACMUbiComp’14,Poster,Seattle,USA,2014.RongDu,ZhiwenYu,TaoMei,ZhitaoWang,ZhuWang,andBinGuo.“PredictingActivityAttendanceinEvent-BasedSocialNetworks:ContentContextandSocialInfluence,”ACMUbiComp’14,Seattle,USA,2014.HuangXu,ZhiwenYu,HuiXiong,BinGuo.“LearningCareerMobilityandHumanActivityPatternsforJobChangeAnalysis”,

IEEEICDM’15,

AtlanticCity,USA,2015.ReferencesBinGuo,etal.“OpportunisticIoT:ExploringtheHarmoniousInteractionbetweenHumanandtheInternetofThings”,

JournalofNetworkandComputerApplications,Vol.36,No.6,2013(ESI高被引和熱點(diǎn)論文).BinGuo,etal.“MobileCrowdSensingandComputing:TheReviewofanEmergingHuman-PoweredSensingParadigm”,ACMComputingSurveys,2015(SCI一區(qū)).BinGuo,etal.“FlierMeet:AMobileCrowdsensingSystemforCr