本發(fā)明涉及一種車聯(lián)網(wǎng)眾包方法，具體涉及一種面向城市空間信息采集的車聯(lián)網(wǎng)眾包方法，屬于車載自組織網(wǎng)絡技術領域。

背景技術：

隨著城市化進程的不斷推進和車輛智能化應用的不斷增強，車載自組織網(wǎng)絡一直是智能交通系統(tǒng)研究的熱點問題。車載自組織網(wǎng)絡不僅能夠使車輛之間實現(xiàn)互聯(lián)，同樣能實現(xiàn)車輛與外界基礎設施互聯(lián)。類似于移動網(wǎng)絡，將車輛視為網(wǎng)絡中的節(jié)點，能夠進行信息的傳遞，實現(xiàn)車輛與外界的通信。通過車輛網(wǎng)絡屬性對城市空間進行優(yōu)化，實現(xiàn)智能出行。移動眾包作為一種新的技術手段吸引著人們的關注，在這種機制下眾包參與者可以被理解為“移動傳感器節(jié)點”潛移默化地完成相應任務，有效降低傳統(tǒng)規(guī)模較大的工作導致的資源浪費，提高工作完成效率。移動眾包機制的低消耗特性和高覆蓋特性，使得移動手機用戶作為參與者在環(huán)境污染檢測，道路交通通行狀況檢測，無線信號強度檢測，停車位檢測等數(shù)據(jù)檢測收集中得到了實際的應用。將眾包機制與車載自組織網(wǎng)絡相結合，利用車輛作為移動傳感器節(jié)點進行信息的采集，能夠高效的利用車輛資源，輔助智能交通的實現(xiàn)。

目前將眾包機制應用到車聯(lián)網(wǎng)中的研究較少，本發(fā)明的面向城市空間信息采集的車聯(lián)網(wǎng)眾包方法主要涉及到了車輛軌跡預測和眾包兩方面的內容，在車輛軌跡預測領域，應用比較多的預測算法是基于馬爾科夫鏈的序列預測，這種算法不能解決預測問題中常見冷啟動問題，利用馬爾科夫鏈預測必須有歷史行為數(shù)據(jù)支撐，否則就退化成為隨機預測。在眾包機制方面，目前研究主要集中在移動社交網(wǎng)絡領域，可以分為不考慮地理位置影響的眾包機制、當前地理位置有關的眾包機制、考慮未來地理位置影響的眾包機制三種，研究最多的是與當前地理位置有關的眾包機制，由于眾包任務的執(zhí)行與地理位置和車輛的行為習慣有很強的聯(lián)系，因此不僅需要考慮車輛的當前地理位置，而且還要結合用戶的未來行駛方向，才能使得任務執(zhí)行更加高效。

技術實現(xiàn)要素：

本發(fā)明的目的在于，要充分利用車輛的行駛軌跡信息和眾包機制的高覆蓋、低消耗特性，將眾包機制應用到車聯(lián)網(wǎng)中，利用車輛代替移動手機，對車載自組織網(wǎng)絡中所出現(xiàn)的信息進行探測收集，減少重復數(shù)據(jù)的收集，合理的規(guī)劃車輛資源，讓車輛變?yōu)橐苿拥膫鞲衅?，讓?shù)據(jù)的收集更加便捷。

本發(fā)明為了解決上述技術問題，提出了一種面向城市空間信息采集的車聯(lián)網(wǎng)眾包方法。本方法技術方案的思想是根據(jù)車輛歷史軌跡數(shù)據(jù)，構建車輛，具有馬爾科夫性質的三階地點鏈以及下一時刻地點之間的三階張量，根據(jù)基于置信系數(shù)的貝葉斯個性化排序規(guī)范進行張量分解，利用隨機梯度下降算法迭代求解參數(shù)，得到車輛去往下一地點的概率；根據(jù)求得的概率構建車輛與任務的二分圖，利用KM算法求解二分圖的最大匹配，最終得到車輛執(zhí)行道路任務的指派最優(yōu)方案。

本發(fā)明的具體實現(xiàn)步驟如下：

一種面向城市空間信息采集的車輛網(wǎng)眾包方法，該方法包括以下步驟：

步驟一、利用車輛歷史軌跡數(shù)據(jù)，根據(jù)車輛地點轉移的馬爾科夫性質，設計一種基于張量分解的地點預測方法，該過程包括以下步驟：

(1)構建車輛行駛的道路網(wǎng)模型，G＝(I,R),其中i∈I表示路口，r_ij∈R表示由路口i與鄰接路口j確定的路段；

(2)構建<車輛序號(v)，三階馬爾科夫地點鏈(c)，下一時刻地點(l)>三元組；

(3)根據(jù)三元組構建三階張量，利用Pairwise Interaction Tensor Factorization(PITF)算法表示張量中的元素，其中元素的參數(shù)設為Θ，表示如下：

其中，表示所有車輛的特征向量形成的矩陣，大小為表示所有車輛的總數(shù)量，為車輛三階馬爾科夫地點鏈的特征向量形成的矩陣，大小為L^V為車輛v下一次將要去的地點的特征向量形成的矩陣，由于其刻畫的是與車輛之間的聯(lián)系，因此用來表示，其大小為與的意義相同，因其刻畫的是與三階馬爾科夫地點鏈之間的聯(lián)系，因此用表示，其大小為F為特征向量的維度；

(4)對三階張量依照基于置信權重的貝葉斯個性化規(guī)范進行張量分解；

(5)利用隨機梯度下降算法迭代求解最優(yōu)的參數(shù)Θ；

步驟二、根據(jù)步驟一中求解的最優(yōu)參數(shù)還原三階張量中每一個元素值，對張量中由車輛序號，三階馬爾科夫地點鏈兩個維度確定的數(shù)據(jù)進行歸一化處理轉化為概率形式；

步驟三、根據(jù)步驟二地點預測概率值，通過如下基于地點預測的車輛網(wǎng)眾包選擇方法進行車輛網(wǎng)眾包：

(1)給定時間點t以及小時間槽Δt，獲取車輛在道路網(wǎng)上的靜態(tài)分布；

(2)根據(jù)道路r_ij與車輛v構建二分圖得到車輛執(zhí)行任務的概率矩陣：

其中v_j表示第j輛車，1≤j≤m，m表示車輛總數(shù)，t_i表示第i項任務，1≤i≤n，n表示任務總數(shù)，r_j表示第j輛車執(zhí)行任務時的消耗，r_j>0，p_ij表示車輛v_j執(zhí)行任務t_i的概率，每項任務t_i都傾向于選擇正在駛向路口i的車輛v_j，因此利用數(shù)學公式定義車輛v_j執(zhí)行任務t_i的效率為p_ij/r_j；

根據(jù)效率對車輛進行選擇執(zhí)行相應道路的任務使得安排成功的概率最大，其目標函數(shù)為P，

s.t.

(3)對上述目標函數(shù)P進行求解，得到最優(yōu)方案使得選中車輛執(zhí)行眾包任務成功的概率最大。

作為優(yōu)選，所述步驟一(2)三元組的三階馬爾科夫地點鏈(c)為：當前時刻t所處位置，上一時刻t-1所處位置，以及t-2時刻所處位置的組合。

作為優(yōu)選，所述步驟一(3)中利用PITF表示張量中元素即車輛v在三階馬爾科夫地點鏈c情況下轉移到地點l的評估分值，具體表示如下：

其中：表示的是車輛自身行駛偏好與下一時刻地點之間相互關系，表示車輛對下一時刻地點的f維隱式特征向量，表示下一時刻地點對車輛的f維隱式特征向量；表示的是三階馬爾科夫序列與下一時刻地點之間相互關系，表示對三階馬爾科夫序列下一時刻地點的f維隱式特征向量，表示下一時刻地點對三階馬爾科夫序列的f維隱式特征向量。

作為優(yōu)選，步驟一(4)所述依照基于置信權重的貝葉斯個性化規(guī)范(BPRC)進行張量分解，其目標函數(shù)為：

其中BPRC-obj表示的是利用基于置信權重的貝葉斯個性化規(guī)范對張量中元素分解還原的目標函數(shù)，v表示車輛，V表示所有車輛的集合，L_v表示車輛v經(jīng)過的所有地點的集合，L_v^t表示車輛v在t時刻可能出現(xiàn)地點的集合，l_i與l_j分別表示兩個地點，為車輛v在三階馬爾科夫地點鏈c下傾向于轉移到地點l_i的張量元素值，為車輛v在三階馬爾科夫地點鏈c下傾向于轉移到地點l_j的張量元素值，置信權重C_vij表示車輛v相比較于l_j地點更傾向于去往l_i地點的成立程度，其通過下式計算：T_i和T_j分別表示在歷史數(shù)據(jù)中車輛v處于當前三階馬爾科夫地點鏈時，轉移到l_i和l_j兩個地點的次數(shù)，σ(x)為sigmod函數(shù)‖Θ‖²表示所述張量元素的參數(shù)集合的二范式，λ_Θ為與模型有關的正則化參數(shù)。

作為優(yōu)選，對步驟一(5)中所述的參數(shù)Θ利用隨機梯度下降算法求解最優(yōu)值時，參數(shù)Θ的初始化選取為高斯分布，選取的高斯分布符合Θ～N(0,σ_ΘI)，為了減少未知的超參數(shù)的數(shù)量方便后續(xù)求解，使用高斯分布的方差直接設定為λΘI，λΘ為與模型有關的正則化參數(shù)，I為單位矩陣。

作為優(yōu)選，步驟二所述歸一化處理采用top one歸一化算法將數(shù)值轉化為概率，具體如下：對張量中還原后的數(shù)據(jù)，利用top one概率方法對同一車輛，同一三階馬爾科夫地點鏈所確定的下一時刻所有地點數(shù)據(jù)通過如下公式進行歸一化處理：

其中s_i表示張量中的元素值，φ(s_i)＝exp(s_i)，n表示同一車輛，同一三階馬爾科夫地點鏈所確定的下一時刻所有地點的數(shù)量。

作為優(yōu)選，步驟三(3)所述對目標函數(shù)P求解得到車輛與道路任務的最大匹配采用Kuhn-Munkres算法。

有益效果：

本發(fā)明針對車載自組織網(wǎng)絡領域的信息收集問題，綜合考慮車輛行駛習慣信息，根據(jù)車輛的行駛意愿指派相應的道路信息收集任務，能夠節(jié)約信息收集的成本，減少數(shù)據(jù)收集的冗余；提出的張量預測算法能夠較為準確的預測出車輛未來行駛動向，根據(jù)車輛的行駛來指派任務提高了工作的效率，讓車輛變?yōu)橐苿拥膫鞲衅?，讓?shù)據(jù)的收集更加便捷。

附圖說明

圖1是本發(fā)明面向城市空間信息采集的車聯(lián)網(wǎng)眾包方法的流程圖。

圖2是本發(fā)明基于張量分解的地點預測方法的流程圖。

圖3是本發(fā)明實施例中道路網(wǎng)結構示意圖。

圖4是本發(fā)明實施例中轉移矩陣的創(chuàng)建示意圖。

圖5是本發(fā)明實施例中轉移張量的創(chuàng)建示意圖。

圖6是本發(fā)明基于地點預測的眾包車輛選擇方法的流程圖。

圖7是本發(fā)明實施例中實驗選定區(qū)域以及路口示意圖。

圖8是本發(fā)明實施例中3階馬爾科夫鏈預測結果對比。

圖9是本發(fā)明實施例中2階馬爾科夫鏈預測結果對比。

圖10是本發(fā)明實施例中1階馬爾科夫鏈預測結果對比。

圖11是本發(fā)明實施例中階數(shù)對馬爾科夫鏈預測準確率影響對比圖。

圖12是本發(fā)明實施例中階數(shù)對馬爾科夫鏈張量預測準確率影響對比圖。

圖13是本發(fā)明實施例中二階與三階馬爾科夫鏈張量預測在時刻上的對比圖。

圖14是本發(fā)明實施例中不同預測算法結果對比圖。

圖15是本發(fā)明實施例中不同算法下車輛選擇準確率對比圖。

具體實施方式

下面結合附圖與實施例對本發(fā)明進行詳細介紹。

如圖1所示為一種面向城市空間信息采集的車聯(lián)網(wǎng)眾包方法流程示意圖，從圖中可以看出，根據(jù)車輛行駛軌跡構建三階張量，然后對張量元素進行分解還原，根據(jù)還原結果得到車輛去往下一點的概率，通過概率構建車輛與任務之間的二分圖，然后利用二分圖最大匹配算法得到最優(yōu)的車輛選擇方案。下面對該流程進行詳細介紹。

圖2是本發(fā)明實施例中基于張量分解預測方法流程圖，具體流程如下：

對應圖2中的第一步，首先，獲取車輛歷史軌跡數(shù)據(jù)，對軌跡數(shù)據(jù)進行處理并且對單個用戶的軌跡數(shù)據(jù)按照時間先后進行排序，得到單一車輛正常行駛的軌跡鏈。

對應圖2中的第二步，然后，對每條軌跡鏈的三個點分別進行組合，形成三階馬爾科夫鏈并用唯一的數(shù)字來表示，該三階馬爾科夫鏈用來描述車輛當前位置維度信息，本實施例選取三階馬爾科夫鏈作為三階張量的第二個維度，不僅是因為三階馬爾科夫鏈能夠擬合車輛的軌跡信息，更是出于對道路結構的考慮，車輛不可能越過道路行駛，因此道路結構信息在軌跡預測中也必須考慮在內，通過一些道路限制能夠更好的輔助軌跡的預測。如圖3所示，車輛即將出現(xiàn)在路口C處。利用一階馬爾科夫鏈，那么只需要考慮當前C位置，則下一時刻的地點將會是候選集合(B,E,F,G)中的一個。如果增加馬爾科夫鏈的序列長度，從該車輛的軌跡鏈中再向前拓展一個位置，知道這輛車來自位置E，那么根據(jù)常識可以判斷車輛不太可能回到E位置。利用序列(E，C)進行預測，則下一時刻的地點將極有可能會是候選集合(B,F,G)中的一個。此外，如果將馬爾科夫鏈的長度擴展到三階，知道該車輛行駛的軌跡序列是(D，E，C)，則基于二階馬爾科夫鏈回到位置E的概率將進一步降低。并且車輛具有較少的概率去到位置B，這是因為車輛的高速性，通過圖示可以發(fā)現(xiàn)D點與B點的距離大于從D到E再到C的距離，也就是說如果車輛傾向于去往B地點時，在D點的時候就會發(fā)生轉移，而不必繞路到C點。因此，通過三階馬爾科夫鏈能夠很好的捕捉到路網(wǎng)的結構，提升預測的精準度。

本發(fā)明中使用v_i表示車輛i，因此V＝{v₁,v₂,...,v_|V|}表示的是整個車輛軌跡數(shù)據(jù)中所有車輛的集合，并且車輛的總數(shù)量是|V|。令L表示車輛軌跡數(shù)據(jù)集中所有的地點的集合，l_t∈L表示某一車輛當前時刻所處的地點，l_t+1∈L表示的是車輛的下一時刻將要去向的地點，在算法中這個地點就是最終預測的地點，t表示時刻。C＝{c₁,c₂,...,c_|C|}代表車輛軌跡所組成的三階馬爾科夫鏈所有情況的集合，c_i∈C表示i情況下的馬爾科夫鏈，|C|表示三階馬爾科夫鏈的總數(shù)量；L^v表示的是車輛v歷史數(shù)據(jù)中經(jīng)過的所有地點的集合，表示所有車輛的軌跡集合。

接下來，對應圖2中第三步，對車輛軌跡數(shù)據(jù)進行預處理，構建成<車輛序號，三階馬爾科夫鏈數(shù)學表示，下一時刻地點>的三元組，用此三元組作為輸入數(shù)據(jù)，通過該輸入數(shù)據(jù)按照下述過程構建張量：

首先根據(jù)馬爾科夫鏈序列預測模型，已知當前三階馬爾科夫鏈所屬的地點信息，計算下一時刻出現(xiàn)地點的概率，公式如下所示。

p(l_t+1|l_t,l_t-1,l_t-2)

c＝{l_t,l_t-1,l_t-2}，用來表示三階馬爾科夫鏈，則C表示所有的三階馬爾科夫鏈的集合，C^v表示車輛v所有的三階馬爾科夫地點鏈的集合，因此概率形式變成了如下所示，

p(L^v|C^v)

公式中表示的是馬爾科夫鏈集合與地點集合之間轉移概率，在地點預測中，最關鍵的是要表示出給定了目標車輛訪問地點的三階馬爾科夫鏈后，計算下一次某一個地點可能被訪問的概率。為了清楚的表示這一思想，公式中預測下一時刻地點集合的式子改寫成預測某一地點的被訪問概率，而某一地點被訪問概率可以看成是當前三階馬爾科夫鏈集合到下一地點的概率的平均值，因此公式可以被重寫為如下形式，

用x_v,c,l來表示車輛v在三階馬爾科夫鏈為c的情況下轉移到地點l的轉移概率值。給定了整個地點的集合L^v那么x_v,c,l的表示可以按照如下方式計算，

其中|{(L^v):l_t+1^l_t^l_t-1^l_t-2}|表示的是在全部行駛軌跡數(shù)據(jù)集中當前車輛前面三個時刻訪問地點是l_t,l_t-1,l_t-2，下一個訪問地點是l_t+1所組成的訪問序列的數(shù)目，而|{(L^v):l_t^l_t-1^l_t-2}|表示的是軌跡數(shù)據(jù)集中所有的訪問地點三階序列是l_t,l_t-1,l_t-2的數(shù)目。圖4表示的是單一車輛的轉移矩陣的構建，該車輛v在歷史軌跡中挖掘的信息，在軌跡點組成為A，B，C時即車輛從A地點轉移到了B地點然后轉移到了C地點，在這種序列組合情形下，一共找到了兩種情形即頻數(shù)為2。這兩次轉移中分別取了E地點1次，F(xiàn)地點1次。同樣在軌跡序列為D，B，C情形下該車輛一共發(fā)生了5次，其中轉移到了E地點一次，F(xiàn)地點一次，G地點三次。具體計算過程為：根據(jù)圖4的地點轉移訪問記錄，然后根據(jù)上述公式計算序列與地點之間的轉移概率。以三階馬爾科夫鏈序列D，B，C發(fā)生的轉移概率為例，計算過程以及計算結果如下。

通過上述公式對單一車輛構建轉移矩陣，得到了圖4的結果。將矩陣疊加到車輛維度，便構成了如圖5所示的張量。其中？代表缺失值，表示該車輛在軌跡數(shù)據(jù)中找不到這樣的地點轉移。

對應圖2中第四步，最后需要對張量數(shù)據(jù)進行補全，則需要對張量進行分解還原，張量分解模型有很多，TD分解模型，CP分解模型，PITF分解模型。Tucker Decomposition(TD)是一種高階主成分分析方法，它的主要核心思想是：對于一個高維N維張量，將其分解為一個核張量(Core Tensor)和沿每個維度方向上的N個因子矩陣的乘積。CP分解是TD分解的特殊條件下的表示，核心張量的差別是CP分解中與TD分解的主要差異，CP分解核心張量對應為對角矩陣并且所有的元素相等。Rendle S和Schmidt-Thieme L在Canonical分解基礎上提出了Pairwise Interaction Tensor Factorization(PITF)的分解模型，PITF分解考慮因子矩陣兩兩維度之間的相互關系，應用到本發(fā)明地點預測問題，構建地點轉移張量

其中，v代表車輛，c代表三階馬爾科夫地點鏈，l代表車輛下一時刻地點，而就代表車輛v在行駛軌跡為三階馬爾科夫地點鏈c的情況下，下一時刻去向l地點的可能性。在張量中就表示車輛v的矩陣行為c，列為l所確定的三維小方塊所對應的區(qū)域值。f表示特征潛在因子的維度。因此，PITF考慮的是車輛和三階地點鏈，車輛和下一時刻地點，三階地點鏈和下一時刻地點之間的兩兩關系。表示的是車輛自身行駛偏好與下一時刻地點之間相互關系。表示車輛對下一時刻地點的f維隱式特征向量，表示下一時刻地點對車輛的f維隱式特征向量。表示的是三階馬爾科夫序列與下一時刻地點之間相互關系。表示對三階馬爾科夫序列下一時刻地點的f維隱式特征向量，表示下一時刻地點對三階馬爾科夫序列的f維隱式特征向量。表示的是車輛自身行駛偏好與三階馬爾科夫序列之間相互關系。表示車輛對三階馬爾科夫序列的f維隱式特征向量，表示對三階馬爾科夫序列車輛的f維隱式特征向量。需要注意的是，對上式主要關注的是以及之間的關系，因為對計算并不會產生影響，從直觀上考慮，車輛和當前序列信息是已經(jīng)發(fā)生的事實，不對其他維度造成影響，因此可以得到最終的三維張量元素表示為，

因此三階張量模型的的參數(shù)Θ為四個因子矩陣形式，

其中，F(xiàn)表示特征向量的維度。接下來利用BPRC算法對參數(shù)Θ進行學習,貝葉斯個性化排序算法(Bayesian Personalized Ranking,BPR)的優(yōu)化算法提出的“排序”概念，就是將不可見數(shù)據(jù)融入到訓練模型。利用數(shù)據(jù)中的隱反饋來優(yōu)化排序結果。結合地點預測的概念可以理解為：張量中已經(jīng)存在的地點轉移序列在以后出現(xiàn)的概率比未出現(xiàn)的序列要大。以及，張量中已存在的地點轉移序列次數(shù)多的在以后出現(xiàn)的概率比出現(xiàn)次數(shù)小的地點轉移序列出現(xiàn)的概率大。將數(shù)據(jù)集由三維的<v,l_i,l_j>集合來表示，表示含義：相對于地點l_j，車輛v更傾向于轉移到地點l_i，在BPR中，對于地點集合L內的任意兩個地點l_i，l_j都滿足如下性質，

完全性

反對稱性

傳遞性

>_v是自定義的地點之間的序關系符號，表示的是在車輛用戶當前地點確定的情況下，序關系符號之前的地點出現(xiàn)的可能性大于序關系符號之后地點出現(xiàn)的可能性?！疟硎具壿嫽蜻\算，∧表示邏輯與運算。BPR算法首先有兩個獨立性假設：每個車輛用戶之間是相互獨立的，對單一車輛用戶不同地點之間的偏序關系也是獨立的。其算法的推導主要是基于最大化后驗概率。BPR的目標就是根據(jù)已知歷史數(shù)據(jù)中確立的偏序關系，迭代求解參數(shù)，使得這種偏序關系成立的可能性最大；其利用貝葉斯公式進行表示如下：

p(Θ|>_v)∝p(>_v|Θ)p(Θ)

其中Θ為所要優(yōu)化的參數(shù)也就是PITF中所有兩兩維度之間關系的隱式特征向量。根據(jù)BPR的獨立性假設：用戶之間的獨立性和偏序關系的獨立性對上述公式進一步分解然后根據(jù)伯努利方程優(yōu)化，最終可以得到如下公式：

∏_v∈Vp(Θ|>_v)＝∏_v∈Vp(l_i>_vl_j|Θ)

其中p(l_i>_vl_j|Θ)表示在兩個候選地點l_i和l_j，車輛選擇轉移到l_i地點的概率，因為數(shù)學概念中概率的形式都是在區(qū)間0～1上的，因此需要對數(shù)值進行歸一化。BPR選擇性質較好的邏輯斯蒂函數(shù)(logistic function)來將數(shù)值轉換成概率的形式，既：

公式中是一個與選擇的優(yōu)化模型相關的實值函數(shù)，這個函數(shù)表達的意思是對于車輛v來講，相比較于地點l_i和地點l_j選擇地點l_i可能性的分值。其中為用戶傾向于轉移到地點l_i的張量值,即為用戶傾向于轉移到地點l_j的張量值，即x表示張量中三個維度確定點的元素值，上面公式進而可以表示為，

為了求出后驗概率以及避免訓練過程中出現(xiàn)過擬合和迭代速度過慢，關于參數(shù)Θ的先驗函數(shù)選取為高斯分布，使用的先驗概率p(Θ)初始化參數(shù)數(shù)據(jù)，Θ～N(0,σ_θI)。

BPR算法只適用于隱反饋情況，即偏序關系對建立在歷史數(shù)據(jù)中轉移過的地點大于歷史數(shù)據(jù)中沒有轉移過的地點，但是放在顯式關系中時，從歷史數(shù)據(jù)中可以挖掘出兩個地點轉移的次數(shù)，假設在歷史數(shù)據(jù)中用戶v從地點A轉移到地點B 5次，但同時3次轉移到地點C，轉移到D地點0次。利用BPR進行衡量時能夠建立關系對B>C,B>D。但是兩種情況所成立的程度是不一樣的，從直觀上講，對B>C關系成立的程度要大于B>D關系成立的程度。這種情況需要被衡量進來。因此，需要使用基于置信權重的BPRC算法，是在BPR的基礎上，把不同情形下偏序關系成立置信度考慮在內。

本發(fā)明中提出的置信權重C_vij用來表示車輛v相比較于l_j地點更傾向于l_i地點的成立程度，計算公式如下所示：

其中，T_i和T_j分別表示i和j兩個地點在歷史數(shù)據(jù)中出現(xiàn)的轉移次數(shù)。

最終得到求解的目標函數(shù)如下所示：

v表示車輛，V表示所有車輛的集合，L_v表示車輛v經(jīng)過的所有地點的集合，L_v^t表示車輛v在t時刻可能出現(xiàn)地點的集合。參數(shù)Θ求解過程中需要首先進行參數(shù)的初始化，本實施例中關于參數(shù)Θ的初始化選取為高斯分布，選取的高斯分布符合Θ～N(0,σ_ΘI)，為了減少未知的超參數(shù)的數(shù)量方便后續(xù)求解，使用高斯分布的方差直接設定為λ_ΘI，λ_Θ為與模型有關的正則化參數(shù)，I為單位矩陣。當然，本領域技術人員知道，根據(jù)目標的不同，也可以對參數(shù)Θ進行其它方式的初始化，如均勻分布初始化等。

利用隨機梯度下降算法對參數(shù)Θ進行求解，其中，θ表示參數(shù)的集合，Θ表示參數(shù)集合的集合，求解公式如下，

參數(shù)更新公式如下，λ為步長

迭代求解最優(yōu)參數(shù)，并根據(jù)最優(yōu)參數(shù)還原張量的元素值。

下面，需要將張量元素值轉換成概率，這樣才能夠進行不同車輛之間的對比，這也是進行選擇時最關注的點。采用top one概率方法進行概率的轉換，計算公式如下

其中s_i表示目標的得分即張量中的元素，φ(s_i)＝exp(s_i)，n表示相同車輛相同三階馬爾科夫鏈所確定的張量元素的總個數(shù)。通過概率的轉換后就能夠得到每一輛車處于某一地點時下一時刻去往不同地點的概率。

當然，本領域技術人員亦可采用其它方法進行張量元素的歸一化，如min-max標準化，Z-score標準化方法等。

圖6是本發(fā)明實施例中基于地點預測的眾包車輛選擇方法流程圖。具體流程如下：

首先，給定時間點t以及小時間槽Δt，獲取車輛在道路網(wǎng)上的靜態(tài)分布，車輛網(wǎng)中車輛是動態(tài)改變的，因此需要有一個時間槽Δt來緩沖車輛網(wǎng)車輛的位置。例如，在早上8：00鐘進行車輛選擇分發(fā)眾包任務，則需要在幾分鐘之前來獲取車輛的位置，車輛不一定都處于路口處，但是由于道路網(wǎng)的限制，車輛在行駛后必將出現(xiàn)在某一路口。通過提前量就可以固定當前位置處的所擁有車輛(在某一時刻其真實位置不一定處于這里)。根據(jù)車輛的靜態(tài)分布得到道路行駛候選車輛下一時刻去往各地點的概率的預測結果。利用道路r_ij來表征任務t，假定每一條道路會有相同或不同的眾包任務需要執(zhí)行。構建二維車輛與任務的二分圖，其概率矩陣表示為，

其中v_j表示第j輛車，1≤j≤m，m表示車輛總數(shù)，t_i表示第i項任務，1≤i≤n，n表示任務總數(shù)，r_j表示第j輛車執(zhí)行任務時的消耗，r_j>0，p_ij表示車輛v_j執(zhí)行任務t_i的概率，每項任務t_i都傾向于選擇正在駛向路口i的車輛v_j，因此利用數(shù)學公式定義車輛v_j執(zhí)行任務t_i的效率為p_ij/r_j；

根據(jù)效率對車輛進行選擇執(zhí)行相應道路的任務使得安排成功的概率最大，其目標函數(shù)為P，

s.t.

本實施例中利用Kuhn-Munkres算法求解車輛與道路任務的最大匹配，KM算法是以匈牙利算法基礎并融合進了可行頂點標記，KM算法最重要的是可行頂點標記的概念，通過權值的轉換得到可行頂點標記，然后利用經(jīng)典的匈牙利算法來尋找匹配，如果沒有找到，則對可行地點標記進行修改，一直到找到一種完美匹配方式，這時的匹配方式為最佳匹配。匈牙利算法是解決運籌學中指派問題最經(jīng)典的算法，該算法的主要理念就是增廣路徑，通過增廣路徑來找到頂點之間的匹配，最終找到一種最優(yōu)的車輛選擇方案。

當然，不限于KM算法，本領域技術人員根據(jù)目標函數(shù)的特點，亦可選用其它方法進行求解，如貪心算法，匈牙利算法等。

評價指標：

本發(fā)明對地點預測準確率和眾包車輛選擇準確率進行評價，因此需要對兩種準確率進行評價指標的設定。對于地點預測的準確率進行評價借用推薦系統(tǒng)的思想，利用Top-N進行評價。即對N個預測結果返還給車輛如果車輛下一時刻真實行駛地點會出現(xiàn)在這N個結果內時，則將此次返回結果標記為正確。由于本文中涉及的地點預測是一個靜態(tài)的概念，即固定某一時刻，統(tǒng)計該時刻時車輛的空間分布，根據(jù)當前位置進行地點的預測，因此需要對數(shù)據(jù)集進行采樣。在本實驗中選取24個整點時刻，計算這24個整點時刻時出現(xiàn)在道路網(wǎng)的車輛的下一地點的準確率，然后取均值代表算法的準確率。定義數(shù)學公式如下，

其中|V|表示數(shù)據(jù)集中車輛的總數(shù)量，|T|表示選取的采樣時刻的總數(shù)量，本文中是24。S_v和N_v分別表示正確預測的總數(shù)量和所有參與眾包機制的車輛的總數(shù)量。

接下來是對眾包車輛選擇評價指標的定義，本文中眾包機制對于車輛選擇是指定相應的車輛到相應的道路上執(zhí)行任務，因此評價指標用來衡量安排的準確性，數(shù)學定義如下，

其中N_right表示眾包對車輛選擇后車輛正確執(zhí)行任務的總數(shù)量。N_total表示所有被選擇的車輛的總數(shù)量。

數(shù)據(jù)集：

選取上海市中心區(qū)域的12.6km×12.9km的區(qū)域作為實驗區(qū)域，如圖7所示，選取了此區(qū)域中的主次干道及比較大的道路，單獨制作了區(qū)域的路網(wǎng)圖，并將每一個交叉路口標出，這些交叉路口就是實驗所用到的重要信息，用路口來表征軌跡點的轉移，地點的預測也是利用路口來表示，并且任務就是兩個路口所確定道路上的任務。

在本發(fā)明中對車輛的消耗定義為r_j，其中消耗包括油耗，時間消耗等等，在本實驗中選取出租車作為實驗對象，因此將車輛的消耗設置為相同的值，在現(xiàn)實情況中可以根據(jù)車輛反饋的消耗信息得到相應的r_j值。

在本發(fā)明進行的實驗中，選取了4天的數(shù)據(jù)作為訓練集(S_train)，選取一天的數(shù)據(jù)作為測試集(S_test)，對于基本的信息統(tǒng)計見表1。

表1實驗數(shù)據(jù)的基本統(tǒng)計

實驗結果：

在發(fā)明中，利用的是兩步來完成眾包車輛選擇工作，首先使用的是地點預測類型，然后再利用二分圖最大匹配對車輛完成選擇，因此，本實驗將從這兩個角度來進行實驗結果的比較。

首先，使用常規(guī)馬爾科夫鏈和隨機預測(RANDOM)的方式進行實驗結果的對比。對道路結構進行分析得到，不同的馬爾科夫鏈的階數(shù)對實驗的結果是有影響的。因此實驗中對不同馬爾科夫階數(shù)與不同的方法進行了對比，實驗結果如圖8、9、10所示。從圖中可以看出，本文提出的基于張量分解的預測方法的預測精準度要高于常規(guī)的馬爾科夫鏈算法以及隨機預測算法，從而證明了本文中預測算法的有效性。

同樣從圖中可以看到隨著候選地點個數(shù)的增加預測的準確率也在增加，當候選集中候選地點的個數(shù)增大到5個時，預測準確率基本上能到100％，這是由于道路相鄰的路口基本控制在4個左右，也就是常識中的十字路口。因此，該預測算法同樣符合現(xiàn)實情況。

圖11、12體現(xiàn)馬爾科夫鏈階數(shù)對實驗結果的影響，三階馬爾科夫鏈能夠很好的描述道路網(wǎng)結構，規(guī)避掉一些不合理的情況。從圖中可以看到2階情況都要比一階高20％左右，但是在本文提出的算法中2階馬爾科夫鏈預測與3階馬爾科夫鏈預測的準確率相當。為了驗證這種情況出現(xiàn)的原因，對比兩種情況做了相關的實驗如圖13所示。

本發(fā)明中是對24個整點時刻進行采樣然后求平均，為了找到原因，對24個時刻的預測準確率進行對比，通過圖13可以發(fā)現(xiàn)3階預測的波動要比2階大，這是因為當利用歷史軌跡數(shù)據(jù)組成3階張量時，數(shù)據(jù)會變的十分稀疏即數(shù)據(jù)集中能夠找到這種組合的轉移相對較少，有的有可能就只有一次，但是2階的情況則比較多。通過3階馬爾科夫鏈進行張量分解預測得到結果與2階馬爾科夫鏈進行張量分解預測得到結果相當從側面也可以印證，本算法能夠在稀疏數(shù)據(jù)集中得到不錯的結果。

為了驗證算法的優(yōu)越性，實驗中還與非馬爾科夫鏈的預測算法做了對比，預測結果如圖14所示。

通過對比發(fā)現(xiàn)馬爾科夫鏈更適合軌跡數(shù)據(jù)的預測，這是因為地點轉移具有很強的馬爾科夫性質。本文中所提出的基于張量分解的軌跡預測算法所得到的結果是最好的，從而證明了三階馬爾科夫鏈與張量分解相結合的算法的有效性。

本發(fā)明最終的任務是對車輛選擇準確率的判斷，由于本文中所介紹的算法是分兩步完成的，第一步是基于張量分解的地點預測算法，第二步是基于預測的眾包車輛選擇算法。上述內容已經(jīng)完成了對地點預測的實驗對比，下面將對最終的車輛選擇準確率進行對比。結果如圖15所示。

其中張量預測+KM代表的是本文所提出的基于三階張量的地點預測算法和二分圖KM最大匹配算法的結合，常規(guī)MC預測+KM代表的是普通的三階馬爾科夫鏈與二分圖KM最大匹配算法的結合，隨機預測+KM代表的是隨機預測與KM算法的結合，張量預測+貪心代表的是本發(fā)明提出的基于三階張量的地點預測算法和貪心選擇算法的結合，最優(yōu)一項說明的是車輛選擇存在的最優(yōu)情況，由于車輛的自主行駛的特性，因此并不是所有時刻的車輛都能覆蓋所有的道路，比如一條道路上會存在沒有車輛行駛的實際情況，但是車輛選擇算法會有安排。因此根據(jù)實際的車輛行駛情況，會存在一種最優(yōu)的情況即無論如何安排準確率存在一個最高的限制。從圖中可以看出本文所提出的算法具有較高的準確率，驗證了算法結合的有效性。

對KM算法與貪心算法的對比，可以看到本文所提出的算法要優(yōu)于貪心算法，由于在某些時刻的數(shù)據(jù)稀疏性例如凌晨，這些時候KM算法會退化成貪心算法，本實驗中所應用的貪心算法也是考慮實際應用后的算法，因此兩個算法差距并不大，但仍可以說明KM算法要優(yōu)于貪心算法，這個結論也在其他應用中得到證實。

綜上所述，本文中所提出的基于張量分解的地點預測算法和基于預測的眾包車輛選擇算法都分別優(yōu)于其他對比算法，從而證明了本發(fā)明方法的有效性，能夠應用到眾包任務執(zhí)行中。

為了說明本發(fā)明的內容及實施方法，本說明書給出了一個具體實施例。在實施例中引入細節(jié)的目的不是限制權利要求書的范圍，而是幫助理解本發(fā)明所述方法。本領域的技術人員應理解：在不脫離本發(fā)明及其所附權利要求的精神和范圍內，對最佳實施例步驟的各種修改、變化或替換都是可能的。因此，本發(fā)明不應局限于最佳實施例及附圖所公開的內容。