Data quality guided multi task allocation based on bi-level deep reinforcement learning in crowdsensing

Zhu, Xiao

doi:10.1016/j.comcom.2026.108619

Data quality guided multi task allocation based on bi-level deep reinforcement learning in crowdsensing

2026-07-01

0

PRE

AI

DOI：10.1016/j.comcom.2026.108619

原文链接

原文求助

摘要

En 中文

任务分配机制设计的合理性直接决定了工人参与任务的意愿和数据感知的质量。工人在收集高质量数据的过程中需要投入更多时间和资源。因此，缺乏合理的补偿，工人完成感知任务的积极性将显著降低。设计有效的激励机制以解决任务分配中的质量问题具有重要意义。大多数现有激励机制仅根据工人的参与时长提供奖励，甚至直接提供固定奖励。此类激励机制忽视了工人的感知成本和数据质量，导致激励效果不显著和感知质量不稳定等问题。本文提出了一种基于双层深度强化学习和博弈论的数据质量引导的多任务分配框架（DQBDRL）。DQBDRL以数据质量为核心优化目标，并将其嵌入奖励函数设计中，综合考量时空移动成本和数据质量收益。该方法通过合理的激励机制维持工人完成高质量感知任务的积极性，平衡平台与工人的利益，有利于系统的长期稳定发展。最后，该方法在真实数据集上与三种基线方法进行对比，结果表明其有效性。

Keyword:

Task assignment

Profit maximization

Deep reinforcement learning

Dueling DQN

Data quality guided multi task allocation based on bi-level deep reinforcement learning in crowdsensing

摘要

期刊

机构

引用论文