面向空间众包平台合作的利益分配方法研究

作     者：王孝威 

作者单位：苏州大学 

学位级别：硕士

导师姓名：刘安

授予年度：2022年

学科分类：12[管理学] 0202[经济学-应用经济学] 02[经济学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020205[经济学-产业经济学] 081104[工学-模式识别与智能系统] 08[工学] 082303[工学-交通运输规划与管理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：空间众包 激励机制 利益分配 沙普利值 联邦学习 

摘      要：随着智能手机的普及以及移动互联网的发展,空间众包成为了共享经济时代下传统众包发展的新方向。空间众包的核心操作是任务分配,即将具有时空特征的任务分配给空闲的工人。多个空间众包平台的存在使得合作成为可能,各平台以共享任务与工人的方式进行合作,帮助其他平台完成原本难以完成的任务,从而实现更优的任务分配以及总收益的扩大。此外,空间众包平台也能利用大数据来驱动更智能的任务分配,基于联邦学习技术共享各自的数据资源协作训练得到性能更优的模型,为平台决策提供辅助与支撑并带来更多的利益。在这两种模式下,平台合作均能够带来更多的利益,而如何激励各平台积极参与合作,并分配这些利益至关重要。公平的利益分配作为有效的激励机制之一,能够促进各平台合作的意愿。然而现有空间众包中的激励机制主要研究对象是工人,其设计目标通常是最大化平台效益或最小化社会代价,不适用于多平台合作场景中的利益分配问题;联邦学习中现有的激励机制方法在平台动态加入合作的场景下无法增量式地衡量与更新每个平台的贡献并进行利益分配。因此,本文关注这两种合作模式中高效的利益分配方法研究与实现。具体贡献主要为以下两个方面:(1)跨平台任务分配中的利益分配方法研究。本文基于沙普利值提出了一个公平的利益分配方法来激励各平台参与合作。此外,考虑到该方法的指数级时间复杂度限制了其实用性,因此基于任务分配的特性,利用任务与工人的时空信息及相关的辅助信息,提出了一个高效的近似方法。最后,在真实数据集上通过充分的实验验证了所提出的方法的高效性与有效性。(2)跨平台联邦学习中的利益分配方法研究。沙普利值是一个重要的贡献衡量及利益分配方法,本文提出适用于动态场景的沙普利值贡献衡量及利益分配方法,并利用联邦学习模型训练时保存的梯度、参数等中间信息设计了一个高效的近似方法。在两个真实数据集上验证了所提出的方法在不同的实验设置下的高效性与有效性。