不完全信息场景下空间众包任务定价算法研究.pdf

不完全信息下空间众包任务定价算法研究

摘要

在数字化时代的浪潮中，众包已经转变为一种创新的工作模式，它突破了传统工作

的界限，将任务分散到全球各地的人们手中。作为众包形式之一的空间众包，特别强调

了地理位置的重要性，它依赖于工人的空间分布和流动性来完成具体任务。在这一过程

中，众包平台扮演着至关重要的角色，不仅作为任务发布者与众包工人之间的纽带，更

是确保任务高效完成的关键因素。

空间众包中的任务定价是一个关键环节，合理的定价策略能够显著提升任务的完成

率和质量。目前，大多数研究聚焦于平台分配任务模式(SAT)，在该模式下，研究者通

常从工人与任务的空间关系(例如距离、时间等)出发，计算工人执行任务的成本，以此

为基础进行任务分配和定价。与SAT模式相比，工人选择任务模式(WST)的应用场景更

为广泛。WST模式通常依赖于收集到的工人个人信息来向工人推荐适合的任务和报酬，

但由于数据安全和传感器技术的限制，工人的个人信息往往是不完整的，这给任务定价

和匹配带来了挑战。针对这一问题，本研究提出了一种适用于信息不完全环境下的众包

任务定价算法。研究内容包括：

(1)构建了一个基于不完全信息的空间众包场景，定义了工人的行为模式和任务属性，

并提出了相应的约束条件和优化目标，以反映现实世界的复杂性和不确定性，为算法的

开发提供了坚实的理论基础。

(2)提出了基于WST模式的空间众包定价算法(CTP)，适用于信息不完全的环境。

CTP算法分为两个阶段：首先，利用支持向量机回归(SVR)预测任务价格，提出并使用

降维函数的灰狼优化算法优化超参数，以提高SVR的预测精度；其次，在价格调整阶

段，引入基于最佳响应策略的价格调整机制，以平衡工人冗余选择，最大化任务与工人

的匹配数量，降低平均价格。在纽约出租车数据集上的测试结果显示，CTP算法在处理

信息不完全的空间众包任务时，性能优于传统方法。

(3)提出了变长步长众包任务定价算法(VCTP)。VCTP算法采用深度强化学习中的软

演员-评论家(SAC)算法来自适应地选择价格调整步长。实验证明，VCTP算法在保持出

色性能的同时，显著减少了运行时间，并能进一步平衡工人与平台的收益分配，这对于

实时众包平台具有重要价值。

关键词：任务定价；空间众包；不完全信息；维度扩展

不完全信息下空间众包任务定价算法研究

Abstract

Inthewaveofthedigitalage,crowdsourcinghastransformedintoaninnovativework

modelthatbreaksthroughtheboundariesoftraditionalworkanddistributestaskstopeople

aroundtheworld.Spatialcrowdsourcing,oneoftheformsofcrowdsourcing,particularly

emphasizestheimportanceofgeographicallocationandreliesonthespatialdistributionand

mobilityofworkerstocompletespecifictasks.Inthisprocess,crowdsourcingplatformsplay

avitalrole,notonlyasalinkbetweentaskpublishersandcrowdsourcingworkers,butalsoas

akeyfactorinensuringthattasksarecompletedefficiently.

Taskpricinginspatialcrowdsourcingisakeylink,andareasonablepricingstrategycan

significantlyimprovethecompletionrateandqualityoftasks.Atpresent,mostresearch

focusesontheplatformalloc