移动群智感知,不同于传统的感知模式,其感知单元为持有智能设备的用户。在移动群智感知中,人们的日常生活和工作成为了“传感器”的一部分,个人移动设备中的传感器可以用来收集与环境、交通、医疗和安全等相关数据。移动群智感知是静态感知网络和物联网的结合,使得广泛感知的愿景成为可能。移动群智感知中,任务分配方案的可行性与参与者选择的合理性都会对感知系统的整体性能产生很大的影响。移动群智感知中的任务具有多种类型,根据任务的不同属性选定最合适的参与者并为其分配相应的感知任务,对于提高任务的完成质量与完成效率有着至关重要的作用。现有任务分配与参与者选择方法往往从平台角度出发,仅考虑平台的最大利益,很少将用户执行意愿纳入考虑。但从用户角度出发,移动设备的用户私有性、资源有限性等因素,往往会影响用户参与意愿,进而影响用户的长时参与水平。本文从用户角度出发,对用户意愿进行建模,以此提升用户参与水平。综合考虑用户特征、人物属性和实时环境等信息,提出了基于用户意愿的任务分配模型与参与者选择方法。(1)本文提出了一种基于指针网络的多任务分配方法。该方法首先基于真实轨迹数据D4D,使用Q-learning生成样本标签,从而构造数据集,其次设计了基于指针网络的seq2seq序列生成模型,用以实现多任务分配。通过仿真实验表明,基于指针网络的多任务分配方法其任务序列更贴近用户的个人意愿。(2)本文提出了一种基于卷积自编码器与全连接神经网络的参与者选择方法。该方法首先结合实际情况,提出了影响用户意愿的三类因素:用户因子、任务因子及环境因子,其中基于卷积自编码器将环境因子作为二维信号进行了降维表达。其次基于全连接神经网络构建了一个用户意愿回归模型,用以量化评估用户对于感知任务的执行意愿。最后,设计了一种综合考虑用户效用与用户意愿的混合参与者优选机制,使其能够适用于的不同感知场景下,增加其泛用性。通过仿真实验表明,本文提出的方法,能够较为准确地预测用户的实时意愿。并且,在不同感知场景下,综合考虑用户效用与意愿的参与者优选机制更具合理性。