基于深度强化学习的稀疏移动群智感知小区选择
人工智能
2018-05-25 v2 分布式、并行与集群计算
摘要
稀疏移动群智感知（Sparse Mobile CrowdSensing, MCS）是一种新颖的 MCS 范式，其在 MCS 过程中引入数据推断，以在保障质量的同时降低感知成本。由于目标感知区域中不同小区（子区域）的感知数据可能导致不同水平的数据推断质量，小区选择（即选择从参与者的哪些小区收集感知数据）是一个关键问题，它将影响为保障特定质量水平所需收集的数据总量（即数据收集成本）。为解决该问题，本文提出一种用于稀疏 MCS 的基于深度强化学习的小区选择机制，称为 DR-Cell。首先，我们合理建模强化学习中的关键概念，包括状态、动作与奖励，并提出使用深度循环 Q 网络学习 Q 函数，以在小区选择过程中帮助决定在特定状态下哪个小区是更好的选择。此外，若存在多个需在同一目标区域执行的关联 MCS 任务，我们利用迁移学习技术减少训练 Q 函数所需的数据量。在多个真实感知数据集上的实验验证了 DR-Cell 相对于最先进的小区选择机制的有效性：在相同数据推断质量保障下，感知小区数量最多减少 15%。
引用
@article{arxiv.1804.07047,
title = {Cell Selection with Deep Reinforcement Learning in Sparse Mobile Crowdsensing},
author = {Leye Wang and Wenbin Liu and Daqing Zhang and Yasha Wang and En Wang and Yongjian Yang},
journal= {arXiv preprint arXiv:1804.07047},
year = {2018}
}