通过效用感知移动代理选择增强驾驶式感知的时空覆盖

近年来，驾驶式感知范式因对城市区域具成本效益的监测而日益流行。驾驶式感知是一种众包感知形式，其中装备传感器的车辆（亦称移动代理）是主要的数据采集代理。提升驾驶式感知效能面临诸多挑战，其中之一便是筛选非专用移动代理以挂载数量有限的传感器。我们将此问题称为移动代理选择问题，其对驾驶式感知平台及所得数据集的时空覆盖具有显著影响。此处挑战在于，在考量地理区域相对重要性的同时实现最大时空覆盖。本文在 SCOUTS 项目背景下解决该问题，其目标是精确制图并分析城市热岛现象。我们的工作作出若干主要技术贡献。首先，我们刻画了移动代理选择问题的表征模型。该模型考虑车辆（本例中为公共交通巴士）轨迹与城市区域相对重要性，并将其表述为优化问题。其次，我们提供两种基于移动代理效用（覆盖）值的算法：一种基于热点的算法将搜索空间限定于重要子区域，以及一种效用感知遗传算法使后者能进行无偏选择。第三，我们设计了一种高效的覆盖冗余最小化算法，其在每一步选择可为时空覆盖带来最大提升的移动代理。本文基于美国佐治亚州雅典市的真实数据集展开系列实验，以证明所提方法的有效性。