用于采样新鲜信息的在线定价激励

如今，内容提供商（如Tripadvisor）邀请驾驶员等移动用户对多样路径的新鲜信息进行采样，以控制信息年龄（AoI）。然而，自私的驾驶员倾向于穿越最短路径，而非其他具有额外时间与燃油成本路径。为激励驾驶员路由并采样多样路径，本文首次提出在线定价，使提供商经济地奖励驾驶员进行多样路由，并随时间与空间路径域控制实际AoI动态。该在线定价优化问题需在不知晓驾驶员成本甚至到达的情况下求解，且因时间与空间维度的维数灾难而难以处理。若仅存在一条非最短路径，我们利用马尔可夫决策过程（MDP）技术分析问题，据此设计线性时间算法以返回最优在线定价，其中较大AoI需要较高定价奖励。若存在若干非最短路径，我们证明一次对一条路径定价是最优的，但选择当前AoI最大的路径并非最优。随后我们提出一种新的后向聚类计算方法，并开发近似算法随时间交替对不同路径定价。或许令人惊讶的是，我们的近似比分析表明，给定更多路径时，算法性能更接近最优。