郭斌，翟書(shū)穎，於志文，周興社

1. 西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，陜西 西安 7101292. 西北工業(yè)大學(xué)明德學(xué)院，陜西 西安 710129

群智大數(shù)據(jù)：感知、優(yōu)選與理解

郭斌1，翟書(shū)穎2，於志文1，周興社1

1. 西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院，陜西 西安 7101292. 西北工業(yè)大學(xué)明德學(xué)院，陜西 西安 710129

移動(dòng)群智感知是一種新的大規(guī)模感知模式，它利用隨身攜帶的智能移動(dòng)終端（智能手機(jī)、可穿戴設(shè)備等）形成大規(guī)模、隨時(shí)隨地且與人們?nèi)粘Ｉ蠲芮邢嚓P(guān)的感知系統(tǒng)。通過(guò)廣大用戶參與獲取的感知數(shù)據(jù)具有多模態(tài)、富內(nèi)容、時(shí)空性、人本性等特征。以群智大數(shù)據(jù)為目標(biāo)對(duì)象，就其感知、優(yōu)選和理解等關(guān)鍵問(wèn)題進(jìn)行闡述和探討，并對(duì)筆者在該領(lǐng)域的最新研究成果進(jìn)行介紹。

移動(dòng)群智感知；群智大數(shù)據(jù)；數(shù)據(jù)優(yōu)選；人機(jī)混合智能；群體智能

1 引言

隨著嵌入式設(shè)備、無(wú)線傳感網(wǎng)絡(luò)、物聯(lián)網(wǎng)、智能移動(dòng)終端等的快速發(fā)展，集成感知、計(jì)算和通信能力的普適智能系統(tǒng)正在被廣泛部署，并逐步融入人類的日常生活環(huán)境中，普適計(jì)算獲取數(shù)據(jù)的能力也由此得以極大增強(qiáng)。在此背景下，城市和社會(huì)感知成為當(dāng)前信息領(lǐng)域的前沿研究熱點(diǎn)[1,2]。其總體目的在于對(duì)大量的數(shù)字腳印進(jìn)行挖掘和理解，從中獲取社會(huì)情境、交互模式以及大規(guī)模人類活動(dòng)和城市動(dòng)態(tài)規(guī)律，并把學(xué)習(xí)到的智能信息運(yùn)用到各種創(chuàng)新性服務(wù)中。

一般而言，城市感知任務(wù)具有范圍廣、規(guī)模大、任務(wù)重等特點(diǎn)。目前的城市感知系統(tǒng)還主要依賴于預(yù)安裝的專業(yè)傳感設(shè)施（如攝像頭、空氣檢測(cè)裝置等），具有覆蓋范圍受限、投資及維護(hù)成本高等問(wèn)題，使用范圍、對(duì)象和應(yīng)用效果受到了很多限制。例如，在一些沒(méi)有安置攝像頭的地方，難以對(duì)該地交通情況進(jìn)行實(shí)時(shí)監(jiān)測(cè)。在此背景下，一種新的感知模式—— 移動(dòng)群智感知（mobile crowdsensing）應(yīng)運(yùn)而生[3,4]。與傳統(tǒng)感知技術(shù)依賴于專業(yè)人員和設(shè)備不同，群智感知將目光轉(zhuǎn)向大量普通用戶，利用其隨身攜帶的智能移動(dòng)終端（智能手機(jī)、可穿戴設(shè)備等）形成大規(guī)模、隨時(shí)隨地且與人們?nèi)粘Ｉ蠲芮邢嚓P(guān)的感知系統(tǒng)。

移動(dòng)群智感知由眾包（crowdsourcing）、參與感知（participatory sensing）等相關(guān)概念發(fā)展而來(lái)。眾包是美國(guó)《連線》雜志2006年發(fā)明的一個(gè)專業(yè)術(shù)語(yǔ)，用來(lái)描述一種新的生產(chǎn)組織形式。具體就是企業(yè)/研發(fā)機(jī)構(gòu)利用互聯(lián)網(wǎng)將工作分配出去，利用大量用戶的創(chuàng)意和能力解決技術(shù)問(wèn)題。參與感知最早由美國(guó)加州大學(xué)的研究人員于2006年提出[5]，強(qiáng)調(diào)通過(guò)用戶參與的方式進(jìn)行數(shù)據(jù)采集。2009年2月，Alex Pentland教授等在美國(guó)《科學(xué)》雜志上撰文闡述“計(jì)算社會(huì)學(xué)”概念[6]，認(rèn)為可利用大規(guī)模感知數(shù)據(jù)理解個(gè)體、組織和社會(huì)，在計(jì)算目標(biāo)上與群體感知不一而同。以上幾個(gè)相關(guān)研究方向都以大量用戶的參與或數(shù)據(jù)作為基礎(chǔ)，但分別強(qiáng)調(diào)不同的層次和方面。2012年，清華大學(xué)劉云浩教授首次對(duì)以上概念進(jìn)行融合，提出“群智感知計(jì)算”概念[3]，即利用大量普通用戶使用的移動(dòng)設(shè)備作為基本感知單元，通過(guò)物聯(lián)網(wǎng)/移動(dòng)互聯(lián)網(wǎng)進(jìn)行協(xié)作，實(shí)現(xiàn)感知任務(wù)分發(fā)與感知數(shù)據(jù)收集利用，最終完成大規(guī)模、復(fù)雜的城市與社會(huì)感知任務(wù)。與基于傳感網(wǎng)和物聯(lián)網(wǎng)的感知方式不同，群智感知以大量普通用戶作為感知源，強(qiáng)調(diào)利用大眾的廣泛分布性、靈活移動(dòng)性和機(jī)會(huì)連接性進(jìn)行感知，并為城市及社會(huì)管理提供智能輔助支持。它可應(yīng)用在很多重要領(lǐng)域，如智能交通[7]、公共安全[8]、社會(huì)化推薦[9]、環(huán)境監(jiān)測(cè)[10]、城市公共管理[11]等。

綜上，群智感知作為一種全新的感知模式，為推動(dòng)社會(huì)與城市管理創(chuàng)新帶來(lái)了前所未有的機(jī)遇。與傳統(tǒng)網(wǎng)絡(luò)相異的感知方式也為其帶來(lái)了很多新的研究問(wèn)題，特別是群智感知將形成多模態(tài)、富內(nèi)容、具有時(shí)空和人本特征的數(shù)據(jù)，已有的模型和方法并不能很好地滿足其在數(shù)據(jù)處理和理解方面的需求，故而需要探索新的計(jì)算模型和方法。本文以群智大數(shù)據(jù)為目標(biāo)對(duì)象，就其感知、優(yōu)選和理解等關(guān)鍵問(wèn)題進(jìn)行闡述和探討，并對(duì)筆者在該領(lǐng)域的最新研究成果進(jìn)行介紹。

2 群智大數(shù)據(jù)概念與系統(tǒng)架構(gòu)

在對(duì)群智大數(shù)據(jù)背景進(jìn)行介紹的基礎(chǔ)上，本節(jié)對(duì)其基本概念和系統(tǒng)架構(gòu)進(jìn)行闡述。首先，介紹群智大數(shù)據(jù)的兩種產(chǎn)生模式及數(shù)據(jù)特點(diǎn)；然后，說(shuō)明人機(jī)混合智能及其協(xié)作模式；最后，給出群智大數(shù)據(jù)系統(tǒng)的典型架構(gòu)。

2.1 數(shù)據(jù)產(chǎn)生模式及特點(diǎn)

群智感知中用戶的參與性體現(xiàn)為兩種模式[12]：線下移動(dòng)感知參與，通過(guò)人在回路（human-in-the-loop）的感知模式貢獻(xiàn)數(shù)據(jù)；在線社交媒體參與，通過(guò)各種移動(dòng)社交媒體貢獻(xiàn)數(shù)據(jù)，移動(dòng)社交媒體能夠?qū)崿F(xiàn)虛擬空間交互和物理空間元素（如地理簽到、活動(dòng)等）的連接。把群體通過(guò)不同參與模式貢獻(xiàn)的數(shù)據(jù)稱為“群智大數(shù)據(jù)”。在信息科學(xué)技術(shù)不斷發(fā)展并融入人們?nèi)粘Ｉ畹谋尘跋?，人類的行為同時(shí)存在于物理和信息空間，因此群智大數(shù)據(jù)日益呈現(xiàn)出群體廣泛參與、數(shù)據(jù)時(shí)空交織、多維目標(biāo)關(guān)聯(lián)等特征。

群智大數(shù)據(jù)的兩種數(shù)據(jù)產(chǎn)生模式具有明顯區(qū)別，可分別稱其為顯式感知模式和隱式感知模式，如圖1所示。移動(dòng)感知參與屬于顯式感知模式，通過(guò)需求驅(qū)動(dòng)方式產(chǎn)生感知任務(wù)，并進(jìn)行任務(wù)分配和參與者選擇，用戶則根據(jù)任務(wù)需求貢獻(xiàn)數(shù)據(jù)。移動(dòng)社交媒體參與屬于隱式感知模式，用戶在使用各種既有社交服務(wù)（如微博、大眾點(diǎn)評(píng)等）的過(guò)程中產(chǎn)生了大量數(shù)據(jù)，而在貢獻(xiàn)數(shù)據(jù)時(shí)并沒(méi)有明確的感知任務(wù)需求，數(shù)據(jù)后期經(jīng)過(guò)二次加工利用，產(chǎn)生新的服務(wù)價(jià)值（如通過(guò)用戶在線簽到數(shù)據(jù)發(fā)現(xiàn)城市的熱點(diǎn)區(qū)域或異常聚集趨勢(shì)）。

圖1 群智大數(shù)據(jù)的兩種產(chǎn)生模式

由于數(shù)據(jù)產(chǎn)生過(guò)程中人類的參與，群智大數(shù)據(jù)相比傳統(tǒng)感知網(wǎng)絡(luò)數(shù)據(jù)具有許多新特點(diǎn)。一是群智數(shù)據(jù)通過(guò)人類線上、線下的多種參與方式獲得，同時(shí)產(chǎn)生于信息空間和物理空間，且由于人類的紐帶作用，不同空間數(shù)據(jù)實(shí)現(xiàn)時(shí)空交織和語(yǔ)義關(guān)聯(lián)。二是人類行為的不確定性和自發(fā)性等特征使得群智數(shù)據(jù)常包含較多的錯(cuò)誤或冗余，質(zhì)量良莠不齊，給數(shù)據(jù)的及時(shí)準(zhǔn)確處理造成了極大挑戰(zhàn)。三是群智數(shù)據(jù)體現(xiàn)人、機(jī)、物的融合，在數(shù)據(jù)獲取過(guò)程中還蘊(yùn)含了豐富的群體智能信息，如群體與感知對(duì)象的交互特征（如交互時(shí)間、地點(diǎn)、采集情境、采集模式等），為實(shí)現(xiàn)人類和機(jī)器智能融合，進(jìn)行高效數(shù)據(jù)處理提供了基礎(chǔ)（參見(jiàn)第4.4節(jié)）。

2.2 人機(jī)混合智能

人類與機(jī)器智能相結(jié)合的研究有著悠久的歷史。早在1950年圖靈就曾指出“數(shù)字計(jì)算機(jī)后期的發(fā)展可以這樣來(lái)展望，這些機(jī)器將不斷具有任何由人類才能完成的工作的能力”[13]。他后來(lái)還提出“圖靈測(cè)試”，對(duì)給定程序的智能程度進(jìn)行評(píng)估。這表明人類智慧和機(jī)器智能自人工智能研究誕生以來(lái)就一直是相互關(guān)聯(lián)的主題。人工智能領(lǐng)域先驅(qū)、美國(guó)麻省理工學(xué)院的利克萊德教授在1960年發(fā)表過(guò)一篇開(kāi)創(chuàng)性的論文[14]，提出“人機(jī)共生”思想，即讓人和計(jì)算機(jī)能夠共同合作，一起完成復(fù)雜任務(wù)。近期，中國(guó)工程院院刊發(fā)表人工智能2.0專題[15]，指出“人機(jī)混合增強(qiáng)智能”是人工智能2.0的5個(gè)重要發(fā)展方向之一。群智感知延續(xù)了這一思想，它嘗試通過(guò)人在回路的方式解決大規(guī)模的感知和計(jì)算問(wèn)題。特別是，群智感知很好地利用了人類和機(jī)器智能的互補(bǔ)性。

● 人類智能：人類具有學(xué)習(xí)和推理能力，比如語(yǔ)言、識(shí)別、預(yù)測(cè)、決策等。同時(shí)把一些可作為群智感知輸入或者參數(shù)的個(gè)體或者社會(huì)情境也稱為人類智能，比如社交關(guān)系、協(xié)作性、用戶偏好、移動(dòng)規(guī)律等。但是，人類的記憶力和運(yùn)算速度受到限制，數(shù)據(jù)貢獻(xiàn)的水平參差不齊，常會(huì)引入錯(cuò)誤或低質(zhì)量數(shù)據(jù)。

● 機(jī)器智能：狹義上機(jī)器智能的定義是人工智能，即機(jī)器表現(xiàn)的推理能力、計(jì)算能力、知識(shí)表達(dá)、解決問(wèn)題的能力等。廣義的機(jī)器智能還包含系統(tǒng)的運(yùn)行狀態(tài)、網(wǎng)絡(luò)連接等情境信息。然而，至今仍有許多問(wèn)題（如圖像標(biāo)注、物體識(shí)別等）機(jī)器還不能達(dá)到很好的性能。

群智感知的主要特點(diǎn)是在大規(guī)模問(wèn)題求解過(guò)程中有人類的參與。然而，人和機(jī)器的能力需要一種有效的方式來(lái)協(xié)調(diào)，以便實(shí)現(xiàn)感知和計(jì)算能力的增強(qiáng)。一個(gè)通用的群智感知系統(tǒng)框架包括3個(gè)層面的元素，包括物理層的群智感知、網(wǎng)絡(luò)層的數(shù)據(jù)傳輸、計(jì)算層的數(shù)據(jù)處理。其中，群智感知層利用大量的移動(dòng)或可穿戴設(shè)備捕捉感知目標(biāo)的相關(guān)數(shù)據(jù)；數(shù)據(jù)傳輸層需要通過(guò)基礎(chǔ)網(wǎng)絡(luò)或者機(jī)會(huì)網(wǎng)絡(luò)把信息傳輸?shù)胶笈_(tái)服務(wù)器；數(shù)據(jù)處理層則負(fù)責(zé)保證數(shù)據(jù)質(zhì)量和智能分析提取信息。在不同層次，人類和機(jī)器智能可通過(guò)不同的方式進(jìn)行協(xié)作，如圖2所示。

● 在群智感知層，計(jì)算服務(wù)器負(fù)責(zé)將復(fù)雜的任務(wù)分解，并分配給合適的群組來(lái)完成任務(wù)，人類參與者則依靠自己的知識(shí)和經(jīng)驗(yàn)執(zhí)行所分配的任務(wù)。

● 在數(shù)據(jù)傳輸層，在群智感知環(huán)境下，由于網(wǎng)絡(luò)的弱連接性[3]（如受網(wǎng)絡(luò)未覆蓋、用戶網(wǎng)絡(luò)使用習(xí)慣等影響），常需要通過(guò)機(jī)會(huì)網(wǎng)絡(luò)連接降低感知數(shù)據(jù)的傳輸延遲，而用戶的移動(dòng)性和交互性則是機(jī)會(huì)網(wǎng)絡(luò)動(dòng)態(tài)連接的實(shí)現(xiàn)基礎(chǔ)。

圖2 人類與機(jī)器智能的協(xié)作方式

● 在數(shù)據(jù)處理層，人類的認(rèn)知能力和專家經(jīng)驗(yàn)可以協(xié)助機(jī)器更高效、準(zhǔn)確地完成數(shù)據(jù)處理任務(wù)，特別是在一些任務(wù)不能夠通過(guò)現(xiàn)有的機(jī)器智能技術(shù)得到好的解決的情況下。

“一項(xiàng)政策如果不落實(shí)到社區(qū)，就不可能落實(shí)到相關(guān)當(dāng)事人?！蓖跽褚珡?qiáng)調(diào)，應(yīng)通過(guò)對(duì)老年人身體狀況的認(rèn)定調(diào)查，根據(jù)其身體狀況進(jìn)行分級(jí)分類并提供相應(yīng)的服務(wù)。因此，老年照護(hù)統(tǒng)一需求評(píng)估體系是養(yǎng)老服務(wù)體系的關(guān)鍵環(huán)節(jié)和重要組成部分。而當(dāng)前中國(guó)還沒(méi)有建立這套體系，老年人照護(hù)需求和失能等級(jí)情況不清，這成為當(dāng)前養(yǎng)老服務(wù)體系沒(méi)有發(fā)展起來(lái)的重要障礙。

2.3 群智大數(shù)據(jù)系統(tǒng)架構(gòu)

一個(gè)典型的群智大數(shù)據(jù)系統(tǒng)具有如圖3所示的架構(gòu)，包括數(shù)據(jù)源層、數(shù)據(jù)采集與傳輸層、數(shù)據(jù)處理與計(jì)算層、應(yīng)用層。

● 數(shù)據(jù)源層：人類通過(guò)兩種途徑貢獻(xiàn)群智數(shù)據(jù)，分別為移動(dòng)感知和移動(dòng)社交網(wǎng)絡(luò)。采用云—端融合的方式進(jìn)行數(shù)據(jù)存儲(chǔ)和處理，可根據(jù)需求在本地或服務(wù)器端完成數(shù)據(jù)存儲(chǔ)和計(jì)算任務(wù)。訪問(wèn)控制是本地端的一個(gè)重要功能，用戶可以決定其數(shù)據(jù)由誰(shuí)訪問(wèn)以及訪問(wèn)的范圍。

● 數(shù)據(jù)采集與傳輸層：多種移動(dòng)網(wǎng)絡(luò)技術(shù)都可以被群智感知利用，包括機(jī)會(huì)網(wǎng)絡(luò)（如藍(lán)牙、Wi-Fi）和基于基礎(chǔ)設(shè)施的網(wǎng)絡(luò)（如3G/4G）等。群智感知網(wǎng)絡(luò)應(yīng)該使數(shù)據(jù)上傳對(duì)參與者透明，并且能夠包容不可避免的網(wǎng)絡(luò)中斷。此外，該層還具有任務(wù)優(yōu)化分配和對(duì)參與者進(jìn)行激勵(lì)等功能。

● 數(shù)據(jù)處理與計(jì)算層：采用機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和推理技術(shù)等實(shí)現(xiàn)對(duì)多源異構(gòu)群體貢獻(xiàn)數(shù)據(jù)的關(guān)聯(lián)、融合和理解，其中人類智能與機(jī)器智能的協(xié)同計(jì)算為關(guān)鍵內(nèi)容。

● 應(yīng)用層：包括各種由群智大數(shù)據(jù)驅(qū)動(dòng)的應(yīng)用和服務(wù)，包括社會(huì)情境感知、城市計(jì)算、環(huán)境污染監(jiān)測(cè)等。筆者之前發(fā)表的綜述文章對(duì)群智大數(shù)據(jù)的應(yīng)用進(jìn)行了詳細(xì)的分類和總結(jié)[12]。

3 研究挑戰(zhàn)及進(jìn)展

圖3 群智大數(shù)據(jù)系統(tǒng)架構(gòu)

作為一個(gè)新的研究領(lǐng)域，群智大數(shù)據(jù)具有一系列新的研究挑戰(zhàn)和問(wèn)題，下面分別介紹其進(jìn)展。

3.1 群智高效感知

群智感知依賴參與用戶的移動(dòng)終端具備的各種傳感和計(jì)算能力等進(jìn)行感知。與傳統(tǒng)感知網(wǎng)絡(luò)相比，參與式感知節(jié)點(diǎn)具有規(guī)模大、分布廣、能力互補(bǔ)等特點(diǎn)，而任務(wù)則具有需求多樣、多點(diǎn)并發(fā)、動(dòng)態(tài)變化等特征。挑戰(zhàn)在于如何選擇合適的參與者，以高效完成城市感知任務(wù)。需研究針對(duì)感知任務(wù)需求的參與者優(yōu)選方法，根據(jù)任務(wù)的時(shí)空特征、技能需求及用戶個(gè)人偏好、移動(dòng)軌跡、移動(dòng)距離、激勵(lì)成本等設(shè)定優(yōu)化目標(biāo)和約束，并進(jìn)行選擇。

3.2 群智數(shù)據(jù)優(yōu)選

由于不同用戶在活動(dòng)范圍上有一定重疊，群智感知采集到的數(shù)據(jù)中可能存在大量冗余。而大量未經(jīng)訓(xùn)練的用戶作為基本感知單元會(huì)帶來(lái)感知數(shù)據(jù)多模態(tài)、不準(zhǔn)確、不一致等質(zhì)量問(wèn)題。挑戰(zhàn)在于如何在數(shù)據(jù)冗余、質(zhì)量良莠不齊情況下實(shí)現(xiàn)優(yōu)質(zhì)數(shù)據(jù)選擇和收集。

Uddin M Y S等人[25]研究了災(zāi)后現(xiàn)場(chǎng)照片在容延網(wǎng)絡(luò)環(huán)境下的傳輸問(wèn)題，在數(shù)據(jù)上傳前根據(jù)時(shí)空和內(nèi)容相似度約束進(jìn)行照片選擇，提高了群智感知數(shù)據(jù)移交效率。Wang Y等人[26]基于位置和拍攝角度研究了最大效用和最小選擇兩種數(shù)據(jù)選擇問(wèn)題。Wu Y等人[27]提出了一種帶寬和存儲(chǔ)約束下的群體圖像感知數(shù)據(jù)傳輸方法，能通過(guò)數(shù)據(jù)選擇有效降低傳輸成本。Wu Y 等人[28]提出一系列攝影采集規(guī)則，實(shí)現(xiàn)對(duì)群體貢獻(xiàn)視頻數(shù)據(jù)的融合和集成。Tuite K等人[29]通過(guò)群體感知收集建筑物照片，用于城市3D建模，它通過(guò)向參與者實(shí)時(shí)可視化呈現(xiàn)已收集到的數(shù)據(jù)促進(jìn)參與者實(shí)現(xiàn)對(duì)感知對(duì)象的多角度覆蓋。Kawajiri R等人[30]采用動(dòng)態(tài)激勵(lì)機(jī)制提高感知任務(wù)不同側(cè)面的覆蓋。

3.3 群智數(shù)據(jù)理解

如何對(duì)跨空間多源異構(gòu)群體數(shù)據(jù)進(jìn)行關(guān)聯(lián)和融合，并實(shí)現(xiàn)對(duì)感知目標(biāo)的高效理解是群智大數(shù)據(jù)的又一挑戰(zhàn)。Chen S等人[31]利用群體軌跡數(shù)據(jù)構(gòu)建室內(nèi)地圖，通過(guò)挖掘的用戶訪問(wèn)模式過(guò)濾異常數(shù)據(jù)。Cranshaw J等人[32]提取眾包用戶簽到數(shù)據(jù)中的時(shí)空特征和頻率信息實(shí)現(xiàn)細(xì)粒度朋友關(guān)系識(shí)別。Redi M等人[33]采用社交網(wǎng)絡(luò)中共享的圖片信息對(duì)興趣地點(diǎn)進(jìn)行畫(huà)像。Zheng Y等人[34]根據(jù)檢測(cè)圖像的ORB特征數(shù)量對(duì)群體貢獻(xiàn)圖像的模糊度進(jìn)行評(píng)估。微軟亞洲研究院研究人員利用手機(jī)數(shù)據(jù)進(jìn)行用戶相似度匹配和好友推薦①，并且提出了基于多源用戶貢獻(xiàn)數(shù)據(jù)的空氣質(zhì)量預(yù)測(cè)模型[35]。

4 代表性工作

近五年來(lái)，在國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目“移動(dòng)社交中感知數(shù)據(jù)收集的機(jī)會(huì)路由與交互式內(nèi)容移交”、國(guó)家“973”計(jì)劃項(xiàng)目“城市大數(shù)據(jù)三元空間協(xié)同計(jì)算理論與方法”等支持下，筆者團(tuán)隊(duì)開(kāi)展群智大數(shù)據(jù)感知計(jì)算方向研究，下面就一些代表性工作進(jìn)行介紹。

4.1 群智大數(shù)據(jù)感知與計(jì)算模型

與傳統(tǒng)靜態(tài)感知不同，群智感知數(shù)據(jù)采集首先面臨的挑戰(zhàn)是如何從泛在、移動(dòng)的感知源中選擇合適的參與者，并利用其交互協(xié)作完成復(fù)雜感知任務(wù)。因此對(duì)用戶偏好、時(shí)空情境、移動(dòng)規(guī)律、社會(huì)交互行為及社會(huì)關(guān)系等進(jìn)行建模和理解是群智感知的重要基礎(chǔ)。在對(duì)群體情境進(jìn)行建模的基礎(chǔ)上，針對(duì)智慧城市感知任務(wù)的多樣性及多側(cè)面數(shù)據(jù)覆蓋需求約束，需構(gòu)建統(tǒng)一的感知任務(wù)描述模型，為實(shí)現(xiàn)群體時(shí)空情境驅(qū)動(dòng)的任務(wù)高效分發(fā)和數(shù)據(jù)優(yōu)選提供支持[12]。

針對(duì)群智感知生態(tài)系統(tǒng)的3個(gè)主體：參與者、任務(wù)和數(shù)據(jù)分別進(jìn)行建模。首先，構(gòu)建了參與者情境感知模型，對(duì)個(gè)體的時(shí)空情境、偏好、移動(dòng)規(guī)律、群體交互及社群結(jié)構(gòu)等進(jìn)行統(tǒng)一表達(dá)，構(gòu)建多層次、多粒度的情境表達(dá)框架。其次，構(gòu)建了統(tǒng)一的感知任務(wù)描述模型，能對(duì)不同類型的感知任務(wù)進(jìn)行定義和發(fā)布，支持復(fù)雜的需求約束描述。最后，對(duì)感知數(shù)據(jù)進(jìn)行建模，包括其類型、內(nèi)容、采集時(shí)的情境信息（如拍攝角度、距離等）。3個(gè)模型彼此關(guān)聯(lián)，如聯(lián)合情境感知模型和任務(wù)描述模型為任務(wù)分發(fā)提供支撐，結(jié)合3個(gè)模型實(shí)現(xiàn)數(shù)據(jù)優(yōu)選。整體模型如圖4所示。

在實(shí)現(xiàn)層面，采用語(yǔ)義網(wǎng)、圖論等理論和方法對(duì)群體時(shí)空情境、感知數(shù)據(jù)、任務(wù)約束等基本概念及概念之間的關(guān)系進(jìn)行統(tǒng)一建模。針對(duì)高級(jí)情境語(yǔ)義獲取、情境沖突消解等需求，采用OWL DL（web ontology language, description language）②和SWRL（semantic web rule language）實(shí)現(xiàn)本體推理與規(guī)則推理相結(jié)合的混合情境推理方法，以支持高層次情境語(yǔ)義識(shí)別。

4.2 群體感知多任務(wù)優(yōu)化分配

在城市規(guī)模群智感知平臺(tái)中，感知任務(wù)常并發(fā)出現(xiàn)，為提高感知資源的有效利用率，需要對(duì)感知能力進(jìn)行優(yōu)化組合。其中，參與者數(shù)量與任務(wù)數(shù)量的比例影響了感知能力優(yōu)化組合的方式（如圖5所示）。針對(duì)參與者匱乏情況，提出改進(jìn)的基于最小費(fèi)用最大流模型的多任務(wù)感知參與者發(fā)現(xiàn)方法，在降低任務(wù)完成成本的同時(shí)，能提高感知任務(wù)的完成率；針對(duì)參與者資源充足情況，提出基于線性加權(quán)的多目標(biāo)優(yōu)化方法，實(shí)現(xiàn)最小化移動(dòng)距離和激勵(lì)成本的均衡優(yōu)化。通過(guò)多任務(wù)協(xié)同優(yōu)化實(shí)現(xiàn)了群體感知資源的有效利用和高效任務(wù)分發(fā)[36]。

圖4 群體感知能力與感知任務(wù)統(tǒng)一表達(dá)模型

圖5 面向多任務(wù)的感知能力優(yōu)化組合

與靜態(tài)感知節(jié)點(diǎn)不同，如果沒(méi)有合理的激勵(lì)機(jī)制，智能移動(dòng)設(shè)備用戶很難積極參與群體感知任務(wù)?，F(xiàn)有的激勵(lì)機(jī)制主要面向促進(jìn)用戶參與和多貢獻(xiàn)數(shù)據(jù)，但對(duì)數(shù)據(jù)質(zhì)量評(píng)估不足，會(huì)出現(xiàn)低質(zhì)量用戶獲得較高收益的情況，從而影響群體參與感知的效果和參與者積極性。針對(duì)該問(wèn)題，提出一種面向質(zhì)量的動(dòng)態(tài)參與者激勵(lì)機(jī)制[24]。該機(jī)制定義了基于時(shí)空特征的任務(wù)評(píng)估模型，能結(jié)合在線社區(qū)用戶簽到數(shù)據(jù)計(jì)算區(qū)域熱度，并對(duì)任務(wù)成本進(jìn)行估算；利用任務(wù)覆蓋率、聚類中心距離等評(píng)價(jià)指標(biāo)提出多側(cè)面數(shù)據(jù)質(zhì)量評(píng)估方法；最后，提出基于質(zhì)量估計(jì)的參與者動(dòng)態(tài)收益分配機(jī)制，相比一般基于報(bào)價(jià)的激勵(lì)機(jī)制能在給定預(yù)算的前提下，提高移交數(shù)據(jù)的質(zhì)量。

4.3 多維語(yǔ)義驅(qū)動(dòng)的數(shù)據(jù)優(yōu)選

群體參與式數(shù)據(jù)采集存在數(shù)據(jù)冗余、質(zhì)量良莠不齊等問(wèn)題，需研究數(shù)據(jù)優(yōu)選方法，提高感知數(shù)據(jù)質(zhì)量。以圖像為例，現(xiàn)有工作主要基于內(nèi)容進(jìn)行質(zhì)量評(píng)估，計(jì)算效率低。利用群體與感知對(duì)象交互時(shí)產(chǎn)生的多維物理情境信息（如光強(qiáng)、加速度、拍攝角度等），提出群體數(shù)據(jù)質(zhì)量評(píng)估模型，提高數(shù)據(jù)處理效率。

在冗余處理方面，已有工作主要考慮圖像相似度進(jìn)行冗余發(fā)現(xiàn)，而語(yǔ)義層面的冗余則未考慮。針對(duì)具體感知任務(wù)，語(yǔ)義冗余可通過(guò)時(shí)空情境信息、拍攝角度、遠(yuǎn)近等進(jìn)行刻畫(huà)。提出基于分層金字塔樹(shù)的冗余發(fā)現(xiàn)方法（如圖6所示）[37]，樹(shù)的每一層非葉子節(jié)點(diǎn)代表任務(wù)特征約束（如時(shí)間、地點(diǎn)、拍攝角度），葉子節(jié)點(diǎn)表示數(shù)據(jù)。每一層根據(jù)不同的約束閾值可以形成不同分支。某層分支涵蓋的數(shù)據(jù)代表該層以上特征聯(lián)合聚類的結(jié)果。該方法能根據(jù)數(shù)據(jù)流和任務(wù)的語(yǔ)義約束，在線構(gòu)造分層金字塔樹(shù)，實(shí)現(xiàn)滿足多維覆蓋的群體感知冗余數(shù)據(jù)分組，進(jìn)而采用時(shí)間優(yōu)先或質(zhì)量?jī)?yōu)先方式進(jìn)行數(shù)據(jù)移交決策。

圖6 基于分層金字塔樹(shù)融合的數(shù)據(jù)優(yōu)選

在群智感知較弱的網(wǎng)絡(luò)環(huán)境下，數(shù)據(jù)往往需通過(guò)參與者節(jié)點(diǎn)機(jī)會(huì)式協(xié)作構(gòu)成移動(dòng)自組織網(wǎng)絡(luò)，以實(shí)現(xiàn)機(jī)會(huì)式數(shù)據(jù)移交。一般機(jī)會(huì)網(wǎng)絡(luò)采用“攜帶—連接—復(fù)制”的方式，在節(jié)點(diǎn)相遇時(shí)互相復(fù)制對(duì)方的數(shù)據(jù)，以提高數(shù)據(jù)移交效率，但同時(shí)帶來(lái)存儲(chǔ)空間要求高、數(shù)據(jù)交換成本高等問(wèn)題。前面提到由于群體感知的分布式、自發(fā)式采集特點(diǎn)，會(huì)產(chǎn)生大量冗余和低質(zhì)數(shù)據(jù)，如果全部移交則帶來(lái)不必要的負(fù)擔(dān)。在傳統(tǒng)機(jī)會(huì)網(wǎng)絡(luò)基礎(chǔ)上，引入數(shù)據(jù)選擇策略，形成“攜帶—連接—選擇—復(fù)制”移交方式[38]。在實(shí)現(xiàn)層面，為實(shí)現(xiàn)高效冗余數(shù)據(jù)發(fā)現(xiàn)，將根據(jù)任務(wù)約束需求，采用分層金字塔樹(shù)模型對(duì)每個(gè)參與者感知的數(shù)據(jù)進(jìn)行表達(dá)。如圖6所示，在參與者節(jié)點(diǎn)（如N1和N2）相遇時(shí)，不直接交換數(shù)據(jù)，而是先移交雙方的樹(shù)結(jié)構(gòu)，并進(jìn)行自頂向下的融合（嫁接、剪枝和替換等），在語(yǔ)義層面發(fā)現(xiàn)雙方冗余或缺失的數(shù)據(jù)。針對(duì)語(yǔ)義缺失數(shù)據(jù)（N1有而N2沒(méi)有的分支）進(jìn)行分支“嫁接”工作；針對(duì)語(yǔ)義冗余數(shù)據(jù)，根據(jù)多維情境判別雙方數(shù)據(jù)質(zhì)量，利用高質(zhì)量數(shù)據(jù)替換對(duì)方的低質(zhì)量數(shù)據(jù)。

4.4 群體智能融合計(jì)算

圖7 群智大數(shù)據(jù)與群體智能

群體數(shù)據(jù)采集過(guò)程是用戶和感知對(duì)象的交互過(guò)程，除獲取的直接數(shù)據(jù)內(nèi)容外，還隱含了豐富的群體智能信息。如圖7所示，這里將“群體智能”定義為群體與感知對(duì)象的交互特征（簡(jiǎn)稱群物交互特征，如交互時(shí)間、地點(diǎn)、采集情境、采集模式等）及感知社群的豐富情境信息（如社群結(jié)構(gòu)、社會(huì)關(guān)系、移動(dòng)規(guī)律、偏好等）?，F(xiàn)有群體貢獻(xiàn)數(shù)據(jù)分析和處理方法主要針對(duì)數(shù)據(jù)內(nèi)容（如圖像、視頻等），存在計(jì)算量大、效率低等問(wèn)題，特別是在計(jì)算資源受限的移動(dòng)設(shè)備上存在使用限制。群物交互特征等群體智能一方面融合了用戶的認(rèn)知、分析與決策等智能信息，另一方面體現(xiàn)了感知群體的統(tǒng)計(jì)特征與規(guī)律，為理解群體貢獻(xiàn)數(shù)據(jù)語(yǔ)義（如關(guān)注度、社會(huì)性、事件演化規(guī)律）等提供了重要依據(jù)。

針對(duì)靜態(tài)和動(dòng)態(tài)感知對(duì)象分別開(kāi)展群體智能融合數(shù)據(jù)理解研究。靜態(tài)感知對(duì)象以群體公共信息采集為背景[11]，針對(duì)群體貢獻(xiàn)數(shù)據(jù)數(shù)量大、富冗余等特點(diǎn)，采用時(shí)空情境及行為關(guān)聯(lián)方法實(shí)現(xiàn)快速動(dòng)態(tài)分組。對(duì)各分組計(jì)算其群體社交結(jié)構(gòu)、時(shí)空分布、群體—感知對(duì)象交互信息熵等隱式群體智能，采用多標(biāo)簽分類和啟發(fā)式規(guī)則相結(jié)合方法進(jìn)行語(yǔ)義標(biāo)注。由此發(fā)現(xiàn)不同粒度群體和公共信息間的隱含關(guān)聯(lián)，提高群體感知信息推送的精準(zhǔn)度。動(dòng)態(tài)感知對(duì)象以城市熱點(diǎn)事件感知為背景[39]，基于個(gè)體/群體行為的共性和差異性對(duì)事件進(jìn)行演化分析和多側(cè)面呈現(xiàn)。首先，提出梯形框模型刻畫(huà)可視感知情境，通過(guò)群體感知數(shù)據(jù)融合得到不同位置網(wǎng)格的累積權(quán)重，并對(duì)事件定位；進(jìn)而基于個(gè)體/群體與事件交互行為規(guī)律進(jìn)行子事件發(fā)現(xiàn)和演化分析，在此基礎(chǔ)上根據(jù)群體感知情境（角度、遠(yuǎn)近等）的差異性進(jìn)行數(shù)據(jù)選擇和分粒度事件呈現(xiàn)。通過(guò)融合群體智能實(shí)現(xiàn)對(duì)熱點(diǎn)事件的實(shí)時(shí)感知與多側(cè)面刻畫(huà)。

5 結(jié)束語(yǔ)

本文對(duì)群智大數(shù)據(jù)這一新興研究領(lǐng)域進(jìn)行了闡述，對(duì)群智數(shù)據(jù)的跨空間性、時(shí)空交織性、人機(jī)智能融合等特性進(jìn)行了刻畫(huà)。在此基礎(chǔ)上，論述了群智大數(shù)據(jù)面臨的幾大研究挑戰(zhàn)，包括群智高效感知、群體數(shù)據(jù)優(yōu)選、群智數(shù)據(jù)理解，并介紹了筆者在這方面的研究進(jìn)展。群智大數(shù)據(jù)對(duì)人類社會(huì)和信息科技的發(fā)展將起到積極促進(jìn)作用，將推動(dòng)人—機(jī)—物三元環(huán)境的和諧融合以及大量“以人為中心”的應(yīng)用和服務(wù)創(chuàng)新，同時(shí)更多的研究和技術(shù)挑戰(zhàn)也等待著人們不斷發(fā)現(xiàn)和解決。

[1] SHETH A. Citizen sensing, social signals,and enriching human experience[J]. IEEE Internet Computing, 2009, 13(4): 87-92.

[2] ZHANG D, GUO B, YU Z. The emergence of social and community intelligence[J].Computer, 2011, 44 (7): 21-28.

[3] 劉云浩. 群智感知計(jì)算[J]. 中國(guó)計(jì)算機(jī)學(xué)會(huì)通訊, 2012, 8(10): 38-41.LIU Y H. Crowd sensing and computing[J].Communications of the CCF, 2012, 8(10):38-41.

[4] GAN TI R K, FAN Y, HUI L. Mob il e crowdsensing: current state and future challenges[J]. IEEE Communications Magazine, 2011, 49 (11): 32-39.

[5] BURKE J A, ESTRIN D, HANSEN M, et al.Participatory sensing[C]//ACM SenSys Workshop on World Sensor Web, October 31-November 3, 2006, Boulder, USA. New York: ACM Press, 2006: 1-5.

[6] LAZER D, PENTLAND A, ADAMIC L, et al.Life in the network: the coming age of computational social science[J]. Science,2009, 323(5915): 721.

[7] ZHOU P, ZHENG Y, LI M. How long to wait? predicting bus arrival time with mobile phone based participatory sensing[C]// The 10th International C o n f e r e n c e o n M o b i l e Sy s t e m s,Applications, and Services, June 25 - 29,2012, Low Wood Bay, UK. New York:ACM Press, 2012: 379-392.

[8] L E E R, WA K A M I YA S, S U M I YA K.Discovery of unusual regional social activities using geo-tagged microblogs[J].World Wide Web-internet & Web Information Systems, 2011, 14(4): 321-349.

[9] ZH EN G Y, X IE X. L e a r n i n g t r ave l recommendations from user-generated GPS traces[J]. ACM Transactions on Intelligent Systems and Technology, 2011,2(1): 1-29.

[10] MAISONNEUVE N, STEVENS M, OCHAB B.Participatory noise pollution monitoring using mobile phones[J]. Information Polity,2010, 15(1): 51-71.

[11] G U O B, C H E N H, Y U Z, e t a l.FlierMeet: a mobile crowdsensing system for cross-space public information reposting, tagging, and sharing[J]. IEEE Transactions on Mobile Computing, 2015,14(10): 2020-2033.

[12] GUO B, WANG Z, YU Z W, et al. Mobile crowd sensing and computing: the review of an emerging human-powered sensing paradigm[J]. ACM Computing Surveys,2015, 48(1): 1-31.

[13] TURING A M. Computing machinery and intelligence[J]. Mind, 1950, 59(263): 433-460.

[14] L I C K L I D E R J C R. M a n-c o m p u t e r symbiosis[J]. IRE Transactions on Human Factors in Electronics, 1960, HFE-1(1): 4-11.

[15] PAN Y H. Special issue on artificial intelligence 2.0[J]. Frontiers of Information Technology & Electronic Engineering,2017, 18(1): 1-2.

[16] LEE J, HOH B. Sell your experiences: a market mechanism based incentive for participatory sensing[C]//2010 IEEE International Conference on Pervasive Computing and Communications (PerCom), March 29- April 2,2010, Mannheim, Germany. New Jersey: IEEE Press, 2010: 60-68.

[17] CH EN B B, CH AN M C. M o b i ce n t:a credit-based incentive system for disruption tolerant network[C]// 2010 IEEE INFOCOM, March 14-19, 2010, San Diego, USA. New Jersey: IEEE Press,2010: 1-9.

[18] KAWAJIRI R, SHIMOSAKA M, KAHIMA H.Steered crowdsensing: incentive design towards quality-oriented placecentric crowdsensing[C]// The 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing,September 13-17, 2014, Seattle, USA.New York: ACM Press, 2014: 691-701.

[19] REDDY S, ESTRIN D, SRIVASTAVA M.Recruitment framework for participatory sensing data collections[C]//The 8th International Conference on Pervasive Computing, May 17-20, 2010, Helsinki,Finland. New York: ACM Press, 2010:138-155.

[20] ZHANG D, XIONG H, WANG L, et al.Crowdrecruiter: selecting participants for piggyback crowdsensing under probabilistic coverage constraint[C]// The 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing,September 13-17, 2014, Seattle, USA.New York: ACM Press, 2014: 703-714.

[21] XIAO M, WU J, HUANG L, et al. Multitask assignment for crowdsensing in mobile social networks[C]// 2015 IEEE Conference on Computer Communications,April 26- May 1, 2015, Hong Kong,China. New Jersey: IEEE Press, 2015:2227-2235.

[22] XIAO M J, WU J, HUANG L, et al. Online task assignment for crowdsensing in predictable mobile social networks[J].IEEE Transactions on Mobile Computing,2017, 16(8): 2306-2320.

[23] K A R A L I O P O U L O S M, T E L E L I S O,KOUTSOPOULOS I. User recruitment for mobile crowdsensing over opportunistic networks[C]//IEEE INFOCOM’15, April 26-May 1, 2015, Hong Kong, China. New Jersey:IEEE Press, 2015: 2254-2262.

[24] GUO B, CHEN H, NAN W, et al. TaskMe:toward a dynamic and quality-enhanced incentive mechanism for mobile crowd sensing[J]. International Journal of Human Computer Studies, 2017, 102(6): 14-26.

[25] U D D I N M S, WA N G H, S A R E M I F,et al. Photonet: a similarity-aware picture delivery service for situation awareness[C]// 2011 IEEE 32nd Real-Time Systems Symposium, November 29-December 2, 2011, Vienna, Austria. New Jersey: IEEE Press, 2011: 317-326.

[26] W A N G Y, H U W, W U Y, e t a l.S m a r t p h o t o: a r e s o u r c e-a w a r e crowdsourcing approach for image sensing with smartphones[C]//The 15th ACM International Symposium on Mobile Ad Hoc Networking and Computing, August 11-14, 2014, Philadelphia, USA. New York: ACM Press, 2014: 113-122.

[27] WU Y, WANG Y, HU W, et al. Resourceaware photo crowdsourcing through disruption tolerant networks[C]// 2016 IEEE 36th International Conference on Distributed Computing Systems (ICDCS),June 27-30, 2016, Nara, Japan. New Jersey: IEEE Press, 2016: 374-383.

[28] WU Y, MEI T, XU Y Q, et al. Movieup:automatic mobile video mashup[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2015, 25(12): 1941-1954.

[29] TUITE K, SNAVELY N, HSIAO D Y, et al.PhotoCity: training experts at large-scale image acquisition through a competitive game[C]// The SIGCHI Conference on Human Factors in Computing Systems,May 7-12, 2011, Vancouver, Canada. New York: ACM Press, 2011: 1383-1392.

[30] K A W A J I R I R, S H I M O S A K A M,KASHIMA H. Steered crowdsensing:incentive design towards quality-oriented place-centric crowd sensing[C]// The 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing,September 13-17, 2014, Seattle, USA.New York: ACM Press, 2014: 691-701.

[31] CHEN S, LI M, REN K, et al. Crowd map:accurate reconstruction of indoor floor plans from crowdsourced sensor-rich videos[C]// 2015 IEEE 35th International Conference on Distributed Computing Systems, June 29- July 2, 2015, Columbus,USA. New Jersey: IEEE Press, 2015: 1-10.

[32] CRANSHAW J, TOCH E, HONG J, et al.Bridging the gap between physical location and online social networks[C]//The 12th ACM International Conference on Ubiquitous Computing, September 26-29,2010, Copenhagen, Denmark. New York:ACM Press, 2010: 119-128.

[33] REDI M, QUERCIA D, GRAHAM L T,et al. Gosling. Like partying? your face says it all. predicting the ambiance of places with profile pictures[C]// The 9th International AAAI Conference on Web and Social Media, May 26-29, 2015,Oxford, UK. [S.l.:s.n.], 2015: 295.

[34] ZHENG Y, SHEN G, LI L, et al. Travinavi:self-deployable indoor navigation system[C]// The 20th Annual International Conference on Mobile Computing and Networking, September 7-11, 2014, Maui,USA. [S.l.:s.n.], 2014: 471-482.

[35] ZHENG Y, LIU F, HSIEH H P. U-Air:when urban air quality inference meets big data[C]//The 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, August 11-14,2013, Chicago, USA. New York: ACM Press, 2013: 1436-1444.

[36] LIU Y, GUO B, WANG Y, et al. TaskMe:multi-task allocation in mobile crowd sensing[C]// The 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing, September 12-16,2016, Heidelberg, Germany. New York:ACM Press, 2016: 403-414.

[37] GUO B, CHEN H, HAN Q, et al. Workercontributed data utility measurement for visual crowdsensing systems[J]. IEEE Transactions on Mobile Computing, 2017,16(8): 2379-2391.

[38] CHEN H, GUO B, YU Z. CooperSense: a cooperative and selective picture forwarding framework based on tree fusion[J].International Journal of Distributed Sensor Networks, 2016(1): 1-13.

[39] CHEN H, GUO B, YU Z, et al. Toward real-time and cooperative mobile visual sensing and sharing[C]//The 35th Annual IEEE International Conference on Computer Communications, April 10-14,2016, San Francisco, USA. New Jersey:IEEE Press, 2016: 1-9.

Crowdsensing big data: sensing,data selection, and understanding

GUO Bin1, ZHAI Shuying2, YU Zhiwen1, ZHOU Xingshe1
1. School of Computer Science, Northwestern Polytechnical University, Xi’an 710129, China 2. Northwestern Polytechnical University Ming De College, Xi’an 710129, China

Mobile crowdsensing (MCS) has become an emerging paradigm for large-scale sensing. It empowers ordinary citizens to contribute data sensed or generated from their mobile devices (e.g., smartphones, wearable devices), aggregates and fuses the data in the cloud for crowd intelligence extraction and human-centric service delivery. The data contributed by the crowd in MCS systems presents the features such as multi-modal, rich-content, spatio-temporal, and human-centric.The key challenges and techniques about crowdsensing big data were discussed. The recent progress of our group in this promising research area was described.

mobile crowdsensing, crowdsensing big data, data selection, human-machine intelligence, crowd intelligence

s: The National Key Basic Research Program of China(973 Program)(No.2015CB352400), The National Natural Science Foundation of China(No.61332005,No.61373119)

TP393

A

10.11959/j.issn.2096-0271.2017052

郭斌（1980-），男，博士，西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師，主要研究方向?yàn)槠者m計(jì)算、群智感知計(jì)算。

翟書(shū)穎（1981-），女，西北工業(yè)大學(xué)明德學(xué)院講師，主要研究方向?yàn)槲锫?lián)網(wǎng)與大數(shù)據(jù)分析。

於志文（1977-），男，博士，西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師，主要研究方向?yàn)槠者m計(jì)算與智能感知。

周興社（1955-），男，博士，西北工業(yè)大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師，主要研究方向?yàn)樾畔⑽锢砣诤嫌?jì)算。

2017-04-10

國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃（“973”計(jì)劃）基金資助項(xiàng)目（No.2015CB352400）；國(guó)家自然科學(xué)基金資助項(xiàng)目（No.61332005,No.61373119）