7、交通数据采集与恢复：模型、算法及系统方案

交通数据采集与恢复：模型、算法及系统方案

在现代交通领域，交通数据的采集与恢复至关重要。下面我们将详细探讨相关的模型、算法以及系统解决方案。

1. 数据采集模拟设置

为了获取准确的道路数据，我们进行了一系列模拟设置。在一个面积为 32 平方公里的区域内，有总长度达 191.1 英里的道路数据需要采集。为了提高准确性，每条道路需要被感应 k 次（k = 3），并且每次感应给平台带来的利润 u 会逐渐降低，分别为每英里 2.5 美元、1.5 美元和 0.5 美元。这里有 M 个移动按需服务（MOD）司机（M = 1000），他们是随机挑选出来愿意为移动按需服务 - 众包传感（MOVE - CS）市场收集道路数据的参与者。模拟将持续 5 天，如果预算耗尽则会提前结束。

2. 模型评估

2.1 司机利润

• MOVE - CS 模型 ：部分司机在传感任务中获得负利润。从图 2.6a 可以看出，有 14.5%的司机由于在收集重复道路数据上花费过多，导致奖励远低于驾驶成本，从而出现负利润。
• LSTRec 模型 ：所有司机都能获得正利润。这得益于基于时空差异的传感奖励设计，考虑了司机接单利润的时空差异。进一步分析 LSTRec 的任务推荐结果发现，87.3%的推荐任务能让司机从低收益区域转移到高收益区域，符合他们即时获利的需求。
• 利润增长比例 ：与 MOVE - CS 模型相比，LSTRec 模型中 50%的司机利润增长了 320%，30%的司机利润增长了 880%。不过，也有