Nuovi approcci nei sistemi di crowdsensing mobile

Il mobile crowdsensing (MCS) è una tecnica che permette a gruppi di persone con dispositivi mobili di raccogliere dati. Questo può essere fatto usando smartphone, tablet o dispositivi indossabili, che spesso hanno sensori integrati. L’idea principale è sfruttare la forza collettiva di tante persone per raccogliere informazioni sull’ambiente. Queste informazioni possono essere utili per vari usi, come monitoraggio del traffico, rilevamento ambientale e salute pubblica.

Con la diffusione dei dispositivi mobili, ci si aspetta che il numero di questi strumenti aumenti notevolmente. Entro il 2025, potrebbero esserci oltre 18 miliardi di dispositivi mobili in tutto il mondo. Ognuno di questi dispositivi può svolgere compiti di rilevamento, permettendo agli individui di partecipare alla raccolta di dati.

Il MCS ha diversi vantaggi rispetto alle reti di sensori tradizionali. Ha costi infrastrutturali più bassi, una copertura più ampia e una maggiore flessibilità. Gli utenti possono portare i loro dispositivi ovunque, rendendo più facile raccogliere dati in diverse località. Questo approccio ha suscitato interesse da parte di ricercatori e professionisti del settore.

#Come Funziona il Mobile Crowdsensing

In un tipico setup di MCS, ci sono tre componenti principali: richiedenti di dati, una piattaforma di mobile crowdsensing (MCSP) e unità mobili (MUs). I richiedenti di dati sono persone o organizzazioni che hanno bisogno di dati specifici. La MCSP agisce come intermediario che raccoglie le richieste di dati e pubblica compiti di rilevamento per le MUs. Le MUs sono le persone che usano i loro dispositivi per completare questi compiti.

Quando i richiedenti di dati vogliono informazioni, inviano le loro richieste alla MCSP. Questa piattaforma converte le richieste in compiti specifici che le MUs possono svolgere. Le MUs decidono se partecipare a questi compiti in base allo sforzo richiesto e al pagamento che riceveranno per completarli.

Le MUs esprimono la loro disponibilità a partecipare inviando offerte di rilevamento alla MCSP. Queste offerte includono l’importo di denaro che si aspettano di ricevere per completare il compito. La MCSP esamina queste offerte e decide quali MUs saranno assegnate a quali compiti, cercando di bilanciare il proprio reddito con la soddisfazione delle MUs.

#Sfide nel Mobile Crowdsensing

Ci sono sfide significative nel coordinare la raccolta di dati nei sistemi MCS. Queste sfide nascono principalmente da obiettivi contrastanti e incertezze.

1. Obiettivi Contrapposti: Le MUs e la MCSP spesso hanno obiettivi diversi. Le MUs vogliono guadagnare il più possibile minimizzando lo sforzo, mentre la MCSP mira a massimizzare il proprio reddito assegnando compiti alle MUs al costo più basso possibile. Questi interessi in competizione possono generare conflitti durante le assegnazioni dei compiti.

2. Incertezza: Sia le MUs che la MCSP spesso non hanno informazioni complete sui compiti e su di loro. Ad esempio, le MUs potrebbero non sapere quanto sforzo richiederà un compito prima di provarlo. Scoprono solo l’impegno dopo aver completato il compito. Allo stesso modo, la MCSP potrebbe non avere informazioni accurate sulle capacità e le preferenze delle MUs.

Queste due sfide devono essere affrontate affinché il MCS funzioni in modo efficiente.

#Soluzione Proposta: Approccio Decentralizzato

Per affrontare queste problematiche, è stato sviluppato un nuovo approccio decentralizzato, che combina teoria del matching con apprendimento online. Questo metodo è chiamato "collision-avoidance multi-armed bandit with strategic free sensing" (CA-MAB-SFS).

In sostanza, questo approccio permette alle MUs di apprendere sui propri sforzi, riducendo al minimo i conflitti con le altre MUs. Imparando quanto sforzo richiede ogni compito nel tempo, le MUs possono prendere decisioni migliori su quali compiti partecipare. L’algoritmo CA-MAB-SFS permette anche alle MUs di offrire a volte di svolgere compiti gratuitamente, il che li aiuta ad acquisire esperienza e a comprendere meglio lo sforzo necessario.

#Unità Mobili e Caratteristiche dei Compiti

Ogni MU può completare solo un compito alla volta. Ogni compito ha caratteristiche diverse a seconda del tipo, come rilevamento della temperatura o scattare una foto. Il tempo necessario per completare questi compiti è composto da tre parti principali: il tempo speso per raccogliere dati (rilevamento), elaborare quei dati (elaborazione) e inviare i risultati (comunicazione).

Il tempo necessario per ogni parte varia in base al tipo di compito e alla specifica MU che svolge il compito. È anche importante tenere presente che le MUs hanno risorse energetiche limitate, rendendo essenziale per loro gestire i propri sforzi in modo saggio.

#Comprendere il Modello di Sistema

Una panoramica semplificata del sistema comprende un insieme di MUs e una MCSP che pubblica compiti. Le MUs possono scegliere tra questi compiti, ma i dettagli di ciascun compito, come il consumo energetico e il tempo richiesto, spesso non sono chiari prima di iniziare.

Ogni volta che la MCSP pubblica un compito, le MUs possono inviare offerte di rilevamento con proposte di pagamento basate sulla loro comprensione dello sforzo richiesto. La MCSP esamina queste offerte e fa assegnazioni dei compiti basate sulle proprie preferenze e sulle proposte ricevute.

#Gioco di Assegnazione dei Compiti

L’assegnazione dei compiti può essere vista come un gioco tra MUs e la MCSP. In questo gioco, ciascuna parte ha i propri interessi. Le MUs vogliono migliorare i loro guadagni selezionando compiti che possono completare con il minimo sforzo, mentre la MCSP cerca di minimizzare i propri costi scegliendo MUs che richiedono pagamenti più bassi.

Per raggiungere questo approccio bilanciato, si utilizza la teoria del matching per garantire che nessuna delle due parti possa fare meglio cambiando l'assegnazione attuale dei compiti. L’obiettivo è raggiungere un abbinamento stabile dove tutti i partecipanti siano soddisfatti delle assegnazioni fatte.

#Affrontare l’Informazione Incompleta

L'informazione incompleta è una grande sfida nel MCS. Le MUs potrebbero non sapere quanto sforzo ci vorrà per completare un compito fino a quando non lo provano. Inoltre, le MUs non sono consapevoli delle preferenze e degli sforzi delle altre MUs, il che può portare a competizione per gli stessi compiti.

Per gestire questi problemi, l’approccio CA-MAB-SFS consente alle MUs di apprendere gradualmente sui loro sforzi richiesti attraverso l’esperienza. Questo li aiuta a prendere decisioni più informate e diminuisce la probabilità di sovrapposizione delle offerte per gli stessi compiti.

#Panoramica dell'Algoritmo CA-MAB-SFS

Il vantaggio dell'algoritmo CA-MAB-SFS risiede nella sua struttura decentralizzata. Ogni MU opera in modo indipendente, imparando dalle proprie esperienze senza dover condividere informazioni con le altre MUs.

Quando le MUs ricevono rifiuti per le loro offerte, possono scegliere di svolgere alcuni compiti gratuitamente. Questa strategia consente loro di raccogliere informazioni preziose sui requisiti dei compiti e migliorare le loro proposte future.

Questo algoritmo porta le MUs a trovare gradualmente assegnazioni stabili dei compiti, dove i loro interessi si allineano con quelli della MCSP, portando infine a una maggiore soddisfazione per entrambe le parti.

#Valutazione delle Prestazioni

Le prestazioni dell'algoritmo CA-MAB-SFS possono essere valutate attraverso diversi parametri:

1. Benessere Sociale: Questo è il beneficio complessivo ottenuto sia dalle MUs che dalla MCSP. È la somma di tutte le utilità ricevute dalle MUs e dalla MCSP.

2. Tempo Medio di Completamento dei Compiti: Questo parametro valuta la velocità con cui vengono completati i compiti.

3. Efficienza Energetica: Questo misura quanto efficacemente viene utilizzata l’energia durante l'esecuzione dei compiti.

4. Stabilità e Coppie di Blocco: Meno coppie di blocco indicano un’assegnazione dei compiti più stabile, dove le MUs e la MCSP sono soddisfatte dei loro compiti.

#Risultati dell'Approccio Proposto

Le simulazioni dell'algoritmo CA-MAB-SFS mostrano che migliora efficacemente sia la soddisfazione dei lavoratori che l'utilità guadagnata dalla MCSP. I risultati indicano che in varie condizioni, questo algoritmo riduce significativamente il tempo medio necessario per completare i compiti rispetto agli approcci tradizionali.

Inoltre, il numero di coppie di blocco tende a diminuire, indicando che le MUs sono più soddisfatte dei compiti assegnati. Al contrario, gli algoritmi esistenti spesso lasciano molte MUs insoddisfatte, portando a un'assegnazione dei compiti complessivamente meno efficiente.

#Conclusione

Il mobile crowdsensing rappresenta un metodo potente per raccogliere dati sfruttando gli sforzi collettivi di individui con dispositivi mobili. L'algoritmo CA-MAB-SFS proposto affronta efficacemente le sfide poste da obiettivi contrastanti e informazioni incomplete nell'assegnazione dei compiti.

Consentendo alle MUs di imparare individualmente mentre si minimizzano i conflitti e si garantiscono assegnazioni stabili, questo approccio migliora l'efficienza e l'efficacia complessiva dei sistemi di mobile crowdsensing. Con la continua crescita della tecnologia mobile, questi metodi saranno cruciali per massimizzare il potenziale del MCS.

In sintesi, la decentralizzazione dell'apprendimento all'interno del MCS offre un futuro promettente per le metodologie di raccolta dati, migliorando la soddisfazione di tutti i partecipanti coinvolti. Questo è essenziale per sviluppare sistemi più reattivi e flessibili in vari settori applicativi, dalla salute pubblica al monitoraggio ambientale.