基于位置预测的自适应任务分发方法、装置及相关组件与流程

本申请涉及物联网信息传播领域，特别涉及一种基于位置预测的自适应任务分发方法、装置、设备及一种可读存储介质。
背景技术：
：随着移动智能设备发展迅猛，功能也日趋完善，如智能手机、平板电脑、智能穿戴设备等，不但具有较强的存储、计算、网络通讯能力，同时还配备各式各样的传感器。为了更好的利用这些移动智能设备的感知、计算和存储资源，一种称为移动群智感知(mobilecrowdsensing,mcs)的新兴感知计算模式应用而生。简单而言，群智感知就是利用移动感知节点具备的感知功能，经过他们之间相互协作，共同完成单个感知节点难以完成的复杂的感知任务。群智感知作为实现物联网全面感知的重要手段，它采用普通用户携带的智能设备作为基本感知单元，解决了传统的无线传感器网络面临的难以大规模部署和部署成本高昂的问题。在群智感知任务分发过程中，通常任务分发都是泛洪的方式分发给平台中的用户，导致任务分发出去后，任务被执行的情况不理想，存在采集得到的数据不准确等情况。因此，如何提升群智感知任务执行效果，是本领域技术人员需要解决的技术问题。技术实现要素：本申请的目的是提供一种基于位置预测的自适应任务分发方法，该方法可以提升群智感知任务执行效果；本申请的另一目的是提供一种基于位置预测的自适应任务分发装置、设备及一种可读存储介质，具有上述有益效果。为解决上述技术问题，本申请提供一种基于位置预测的自适应任务分发方法，应用于群智感知，包括：根据历史任务执行位置记录将历史任务执行地点进行区域划分，得到若干任务执行区域；确定各所述任务执行区域中移动特征比对中心用户，得到中心用户；计算各历史用户与各所述目标用户间的相似度，得到相似度值；将所述中心用户作为聚类中心，根据所述历史用户与各所述中心用户间移动特征的相似度值将所述历史用户进行划分，得到若干类簇；当接收到对目标位置的群智感知任务分发命令时，将所述目标位置与预先划分的所述若干类簇进行区域特征匹配，得到目标类簇；调用markov模型对所述目标类簇中各用户进行位置预测，得到各用户在所述目标位置的预测概率值；选取所述预测概率值高于概率阈值的用户进行任务分发。可选地，根据移动群智感知系统中历史任务执行位置记录将历史任务执行地点进行区域划分，包括：确定各所述历史任务执行地点的任务执行半径，得到若干指定执行区域；判断各所述指定执行区域间是否存在重叠区域；当所述指定执行区域间不存在重叠区域时，将不存在重叠区域的各所述指定区域分别作为所述任务执行区域；当各所述指定区域间存在重叠区域时，判断存在重叠区域的第一区域与第二区域是否满足区域合并要求；如果满足，将所述第一区域与所述第二区域合并后作为所述任务执行区域；如果不满足，将所述第一区域与所述第二区域分别作为所述任务执行区域。可选地，所述判断存在重叠区域的第一区域与第二区域是否满足区域合并要求，包括：当所述第一区域与所述第二区域的感知任务执行任务需要的用户集合分别为n1、n2，重叠区域中所述第一区域与所述第二区域执行感知任务的用户集合分别为nc1、nc2时，计算重叠区域的用户覆盖率；其中，所述用户覆盖率ucr＝{nc1∪nc2}/{n1∪n2}；其中，nc1∪nc2为在地点n、o相交区域中执行感知任务的用户集的并集，n1∪n2为在地点n、o执行感知任务用户集的并集；判断所述用户覆盖率是否大于设定的阈值；当大于时，判定所述第一区域与所述第二区域满足区域合并要求；当小于时，判定所述第一区域与所述第二区域不满足区域合并要求。可选地，确定各所述任务执行区域中移动特征比对中心用户，包括：将各所述任务执行区域中任务执行概率最高的用户作为移动特征比对中心用户。可选地，将各所述任务执行区域中人物执行概率最高的用户作为移动特征比对中心用户，包括：计算各用户在各所述历史任务执行地点的地点活跃向量，得到目标向量值；其中，所述地点活跃向量v(u，i)为其中第i个元素表示用户u在地点i处执行任务后在下一个地点执行任务的总次数组成的向量；将所述目标向量值作为所述任务执行概率，并根据所述目标向量值筛选出各所述任务执行区域中地点活跃向量值最大的用户；将筛选得到的各所述任务执行区域中地点活跃向量值最大的用户作为所述中心用户。可选地，计算各历史用户与各所述目标用户间的相似度，包括：根据移动特征以及用户任务执行概率计算各历史用户与各所述目标用户间的相似度。可选地，调用markov模型对所述目标类簇中各用户进行位置预测，包括：调用markov模型对所述目标类簇中各用户进行变阶位置预测；其中，所述markov模型的阶数与预设时间范围内用户有效转移记录数量对应。本发明公开一种基于位置预测的自适应任务分发装置，包括：区域划分单元，用于根据历史任务执行位置记录将历史任务执行地点进行区域划分，得到若干任务执行区域；中心用户确定单元，用于确定各所述任务执行区域中移动特征比对中心用户，得到中心用户；相似度计算单元，用于计算各历史用户与各所述目标用户间的相似度，得到相似度值；类簇划分单元，用于将所述中心用户作为聚类中心，根据所述历史用户与各所述中心用户间移动特征的相似度值将所述历史用户进行划分，得到若干类簇；特征匹配单元，用于当接收到对目标位置的群智感知任务分发命令时，将所述目标位置与预先划分的所述若干类簇进行区域特征匹配，得到目标类簇；位置预测单元，用于调用markov模型对所述目标类簇中各用户进行位置预测，得到各用户在所述目标位置的预测概率值；任务分发单元，用于选取所述预测概率值高于概率阈值的用户进行任务分发。本发明公开一种基于位置预测的自适应任务分发设备，包括：存储器，用于存储程序；处理器，用于执行所述程序时实现所述基于位置预测的自适应任务分发方法的步骤。本发明公开一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现所述基于位置预测的自适应任务分发方法的步骤。本申请所提供的基于位置预测的自适应任务分发方法，该方法基于位置预测的自适应任务分发方法基于位置对应用场景进行建模，通过对感知用户执行任务的历史轨迹来挖掘用户之间的关联关系。确定各设定的任务执行区域的中心用户，并计算所有历史用户与各中心用户间的移动特征相似度，把与中心用户相似度高(即关联度高)的用户划分到同一类中，即把移动行为特征相似的用户形成一个类簇，一类用户理论上拥有高度相似的移动倾向，在接收到感知任务后确定与当前感知任务匹配的类簇，针对与当前任务关联度高的用户基于markov位置预测方法进行位置预测，对预测位置与当前任务执行位置关联度高的用户进行任务分发，避免了分发的执行用户无法满足任务的完成条件情况，提高了任务分发的效率以及任务执行效率，同时也提升了数据采集的准确度。本申请还公开了一种基于位置预测的自适应任务分发装置、设备及一种可读存储介质，具有上述有益效果，在此不再赘述。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请实施例提供的一种基于位置预测的自适应任务分发方法的流程图；图2为本申请实施例提供的一种历史任务执行位置记录图；图3为本申请实施例提供的一种归并示意图；图4为本申请实施例提供的一种滑动窗口示意图；图5为本申请实施例提供的基于位置预测的自适应任务分发装置的结构框图；图6为本申请实施例提供的基于位置预测的自适应任务分发设备的结构示意图。具体实施方式本申请的核心是提供一种基于位置预测的自适应任务分发方法，该方法下群智感知任务执行效果好；本申请的另一核心是提供一种基于位置预测的自适应任务分发装置、设备及一种可读存储介质，具有上述有益效果。为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。随着移动通信和感知技术的迅速发展，涌现出大量创新性的应用和服务，特别是智能手机的普及，将我们迅速带入物联网时代(internetofthings，iot)，使得对现实世界更全面、更大规模地感知各种物理对象和环境状况成为可能。移动感知和移动互联网技术的进步触发了人们对日常携带设备(如智能手机、可穿戴设备等)或者车载传感器(如gps)的研究来监测那些不能被单一节点独立检测到的大规模现象。大量诸如此类的移动终端组成了一个无处不在的、具有强大感知能力的移动无线传感器网络，它们内在的流动性使一种新的快速增长的感知模式成为可能，可随时随地地感知人及周边环境信息，这些设备可以通过移动互联网实现有意识或者无意识的合作，用以进行任务分发、数据收集、数据处理等操作,使得人们可以及时地获取自身及其所处环境的状况，如城市环境监测、智能电网、交通状况、医疗保健等，它们大大扩展了人类感知世界的维度，改变了人们感知世界的方式，开启了移动互联的新领域-移动群智感知和计算大门。群智感知的任务分发，如何高质量将任务信息分发给指定监测区域内能收集感知数据的移动用户，且接受任务的用户有足够的能力去完成任务，成为一个重要研究课题。当前的任务分发过程采用类似泛洪方式，未对用户进行筛选，用户在移动过程具有随机性，当前任务分发方式很大程度上可能无法满足任务的完成条件(比如要在指定时间与地点完成任务)。实施例一：为解决上述问题，本实施例提供一种基于位置预测的自适应任务分发，该方法通过对感知用户执行任务的历史轨迹来挖掘用户之间的关联关系，提升了整体感知任务执行效果。请参考图1，图1为本申请实施例提供的基于位置预测的自适应任务分发方法的流程图；该方法主要包括：步骤s110、根据历史任务执行位置记录将历史任务执行地点进行区域划分，得到若干任务执行区域。对mc系统中的历史记录，出现的地点进行统计，记为集合l。由于mc系统中出现的地点繁杂，需要对这些位置信息进行分类整合，以简化后续数据分析。本实施例中对于区域划分方式不做限定，可以直接将各历史任务执行区域分别作为任务执行区域进行分析，也可以将预设范围内相对距离小于预设值或存在相交的区域进行合并等，可以根据需求进行设定。步骤s120、确定各任务执行区域中移动特征比对中心用户，得到中心用户。中心用户主要用于进行用户移动特征比对，根据比对结果将用户划分为移动特征相似的若干类簇。因此，确定的中心用户尽量保证各中心用户间移动特征差异较为明显的用户。由于上述步骤中根据地理位置将历史任务执行地点划分为若干任务执行区域，各任务执行区域间空间特征存在差异，因此可以简单地随意挑选各人物执行区域内任意一位用户作为该区域的中心用户；为保证各中心用户间相对距离的最大化，可以将各任务执行区域中距离中心位置最近的用户作为中心用户；为保证各任务执行区域中至少存在一个接收并执行任务的用户，也可以将历史群智感知任务中任务执行较为活跃的用户作为中心用户等，可以根据不同的需要确定中心用户。步骤s130、计算各历史用户与各目标用户间的移动特征相似度，得到相似度值。移动特征指用户在历史任务执行过程中的移动行为特征，比如用户1在预设时间范围内从a→b→d。移动行为特征主要反映用户在mc(mobilecrowedsensing移动群智感知)系统中，用户更倾向于在哪个地理位置执行任务。本实施例中对于移动特征的度量方式以及移动特征的相似度计算方式也不做限定。其中，对于移动特征的度量，可以从移动速度、移动时间以及相应的空间位置进行分析相似度可以计算各移动特征间的相对距离等。步骤s140、将中心用户作为聚类中心，根据历史用户与各中心用户间移动特征的相似度值将历史用户进行划分，得到若干类簇。根据相似度值进行类簇划分的方式可以参照相关技术中的类别划分方式，在此不再赘述，划分的类簇个数与中心用户数量匹配。通过对mc平台中用户移动历史数据进行分析，将移动行为特征关联度高(相似性高)的用户会被划分为一类，即把移动行为特征相似的用户所形成一个类簇，这个一类用户理论上拥有高度相似的移动倾向，当某个地点有任务需要执行时，可以对该地点移动倾向较高的一类用户进行任务分发，保证了任务精准分发，对于那些移动倾向较低的一类就不需要分发，保证了任务在空间特征上的用户可实现率，提升任务分发的精确度，减少不必要的开销。步骤s150、当接收到对目标位置的群智感知任务分发命令时，将目标位置与预先划分的若干类簇进行区域特征匹配，得到目标类簇。例如，当接收到对位置a的群智感知任务时，匹配各类簇中与位置a最接近的类簇，将其作为目标类簇。步骤s160、调用markov模型对目标类簇中各用户进行位置预测，得到各用户在目标位置的预测概率值。具体调用markov模型进行位置预测的步骤可以参照相关技术中的介绍，在此不再赘述。除目标类簇外的类簇与当前任务执行位置不匹配，仅对于目标类簇中用户进行位置预测，该手段不仅可以简化计算过程，提升任务分发效率，同时可以减低无用功的产生。步骤s170、选取预测概率值高于概率阈值的用户进行任务分发。例如，当类簇1内对用户1计算的出现于目标位置的预测概率值为89％，用户2的预测概率值为56％，用户3的预测概率值为78％，概率阈值为60％，则选取用户1以及用户3进行任务的分发。另外，为保证任务执行人数，预测概率值可以上下浮动，比如当超过预测概率值的人数少于最低人数限制时，可以适当降低概率阈值，从而挑选至少满足最低人数限制的用户进行任务分发。需要说明的是，上述介绍中仅以根据历史用户进行任务分发的过程进行介绍，此外，还可以对新进入目标位置的新用户进行任务的分发，该过程可参照现有技术中的相关介绍，在此不再赘述。另外，步骤s110至步骤s140为进行当前群智感知任务分发前的准备工作，该工作执行起点不做限定，可以在任务分发前的任意时间节点完成，比如可以在接收到感知任务分发命令后完成，也可以在空闲时间完成，为保证任务分发效率，尽量在空闲时间进行上述工作。另外，步骤s110至步骤s140并非需要在进行任务分发前进行，即一次类簇划分可以用于多次任务分发，在需要更新类簇以及相关数据时再启动，当然也可以在每次任务分发前均进行，在此不做限定。基于上述介绍，本实施例提供的基于位置预测的自适应任务分发方法基于位置对应用场景进行建模，通过对感知用户执行任务的历史轨迹来挖掘用户之间的关联关系。确定各设定的任务执行区域的中心用户，并计算所有历史用户与各中心用户间的移动特征相似度，把与中心用户相似度高(即关联度高)的用户划分到同一类中，即把移动行为特征相似的用户形成一个类簇，一类用户理论上拥有高度相似的移动倾向，在接收到感知任务后确定与当前感知任务匹配的类簇，针对与当前任务关联度高的用户基于markov位置预测方法进行位置预测，对预测位置与当前任务执行位置关联度高的用户进行任务分发，避免了分发的执行用户无法满足任务的完成条件情况，提高了任务分发的效率以及任务执行效率，同时也提升了数据采集的准确度。实施例二：上述实施例中对于步骤s110中进行区域划分方式不做限定，可以直接将各历史任务执行区域分别作为任务执行区域进行分析，也可以将预设范围内相邻或相交的区域进行合并等。为简化计算过程，优选地，根据移动群智感知系统中历史任务执行位置记录将历史任务执行地点进行区域划分的过程具体可以包括以下步骤：1、确定各历史任务执行地点的任务执行半径，得到若干指定执行区域；2、判断各指定执行区域间是否存在重叠区域；当指定执行区域间不存在重叠区域时，将不存在重叠区域的各指定区域分别作为任务执行区域；3、当各指定区域间存在重叠区域时，判断存在重叠区域的第一区域与第二区域是否满足区域合并要求；4、如果满足，将第一区域与第二区域合并后作为任务执行区域；如果不满足，将第一区域与第二区域分别作为任务执行区域。如图2所示为一种历史任务执行位置记录图，其中字母表示群智感知中执行过任务的地点，圆圈表示这些地点允许执行任务的范围，即指定执行区域。其中，c与d、h与i存在重叠区域，其它指定执行区域间不存在重叠部分，则可以将不存在重叠部分的指定执行区域a、b、e、f、g、j、k分别作为任务执行区域。进一步判断存在重叠区域的c与d、h与i间的重叠区域是否满足合并要求，经过合并要求的判别后c与d、h与i均满足合并要求，对这些地点进行归并，归并后如图3所示。其中，区域合并要求具体可以为重叠部分面积限制条件，也可以为重叠部分用户数量限制条件等，比如一种区域合并要求可以为：判断重叠部分用户分别占所属两指定区域用户数的比例是否均大于10％，当重叠区域有15人，重叠区域所属的两指定区域第一区域以及第二区域分别有100人，则重叠部分用户分别占所属两指定区域用户数的比例均为15％，大于10％，将第一区域与第二区域合并。其中，为保证任务执行效果的同时尽量增加感知任务的人数，提升数据准确率，优选地，判断存在重叠区域的第一区域与第二区域是否满足区域合并要求的过程具体可以包括以下步骤：3.1、当第一区域与第二区域的感知任务执行任务需要的用户集合分别为n1、n2，重叠区域中第一区域与第二区域执行感知任务的用户集合分别为nc1、nc2时，计算重叠区域的用户覆盖率；其中，用户覆盖率ucr＝{nc1∪nc2}/{n1∪n2}；其中，nc1∪nc2为在地点n、o相交区域中执行感知任务的用户集的并集，n1∪n2为在地点n、o执行感知任务用户集的并集；3.2、判断用户覆盖率是否大于设定的阈值；3.3、当大于时，判定第一区域与第二区域满足区域合并要求；3.4、当小于时，判定第一区域与第二区域不满足区域合并要求。因为在任务执行区域上有重叠部分，满足了任务执行的地理位置需求；当用户覆盖率(ucr)大于设定的阈值时，把两个地点的用户合并，可以增加这两个地点执行感知任务的人数。上述方法对mc系统中地点集合进行整合可以保证任务执行效果，采集得到的数据可以较为精确地反映实际待采集情况。实施例三：上述实施例中对确定中心用户的方式不做限定，本实施例对该方式进行详细介绍。由于在群智感知任务分发至各用户移动终端的过程中，有一些任务信息会被用户当作垃圾处理而未被执行，为保证用户执行任务的效率(这里的执行效率指任务分发出去后，用户执行率，即接受到任务并把任务完成)，优选地，可以将各任务执行区域中人物执行概率(即用户执行率)最高的用户作为移动特征比对中心用户。具体地，执行区域中人物执行概率(即用户执行率)最高的判定方式本实施例中不做限定，比如可以将优选地，将各任务执行区域中人物执行概率最高的用户作为移动特征比对中心用户的过程具体可以为：1、计算各用户在各历史任务执行地点的地点活跃向量，得到目标向量值；其中，地点活跃向量v(u，i)为其中第i个元素表示用户u在地点i处执行任务后在下一个地点执行任务的总次数组成的向量。地点活跃向量v(u，i)是一个n维度向量，第i个元素表示用户u在地点i处执行任务后，在下一个地点执行任务的总次数。2、将目标向量值作为任务执行概率，并根据目标向量值筛选出各任务执行区域中地点活跃向量值最大的用户；3、将筛选得到的各任务执行区域中地点活跃向量值最大的用户作为中心用户。目标向量值越大用户接收到任务后执行的概率最高，将筛选得到的各任务执行区域中地点活跃向量值最大的用户作为中心用户可以保证每次任务分发过程均有用户响应并进行有效数据采集，保证任务的正常完成。实施例四：计算各用户与中心用户间相似度时可以通过提取移动行为特征后进行相对距离的计算，也可以在移动行为特征外添加其他特征比如任务响应特征、任务执行时间特征等，上述实施例中对此不作限定。其中，优选地，计算各历史用户与各目标用户间的相似度具体可以为：根据移动特征以及用户任务执行概率计算各历史用户与各目标用户间的相似度。本实施例介绍一种基于相对熵的思想根据移动特征以及任务执行概率计算各历史用户与各目标用户间的相似度的方式，具体计算公式如下：mt为用户状态转移概率矩阵，valueij表示某用户在地点i处执行任务后再去j执行任务情况下在地点j处执行任务时间累计和，value表示该用户执行任务的总时间。矩阵mt可以直观反映出用户在mc系统中，用户更倾向于在哪个地理位置执行任务。v(u,i)为地点活跃向量，表示用户u在地点i处执行任务后，在下一个地点执行任务的总次数。上式表示用户p相对于用户q之间的移动特征的差异性计算，同理可知，把上述表达式中符号p与q位置互换，就可以得到用户q与用户p之间的差异性。根据相对熵的主要性质可知dpq≠dqp，需要单独计算两个用户彼此之间的差异值，用户p与用户q之间的差异应为两者之和。即相似度为：sim(p,q)＝1/(dpq+dqp)该方法不但考虑到了用户地点活跃度也考虑到了用户的转移特征，根据上述方式计算得到的相似度值以及中心用户作为聚类中心，按照与中心用户相似度的大小进行聚类操作，保证了每个地点所形成的类簇中有着高度相似性，与不同类簇的聚类中心尽可能相互排斥，从而保证了同类内的高相似性，不同类间的低相似性。此外，除了可以基于上述计算方式外，还可以选用其它计算方式，比如余弦相似性计算、peason相似性计算，计算出用户之间的地点活跃向量的相似性，本实施例中对于相似度计算的具体选用的方法不做限定。实施例五：常用markov模型为一阶模型，即根据最邻近的历史记录预测当前位置，一般只根据最近记录进行预测精度相对较低，而一般mc系统中存储的历史记录包含多条移动记录，比如用户1在某个时间段内从a→b→r，为提升预测精度同时充分利用历史记录信息，调用markov模型对目标类簇中各用户进行位置预测的过程具体可以为：调用markov模型对目标类簇中各用户进行变阶位置预测；其中，markov模型的阶数与预设时间范围内用户有效转移记录数量对应。在mc平台由步骤s110可得到任务执行区域集合p，地点m定义为markov过程的第m个状态，则状态空间可表示为(x1，x2……，xn)。此情景下的移动模型便定义为{x，t}，其中t表示某个时间集合。在mc系统中，每次需要执行感知任务时，可以利用markov模型对各个用户未来的可能出现的地点进行预测。对于任务执行区域集合p，根据任务执行区域集合p中每条用户执行任务数据实现整理归类，将每条用户的数据按照时间条件的约束实现离散化，离散后的集合可定义为：{(tj,xi)|j∈{1，2，3……n}；t∈{1，2，3……n}}根据历史记录得到用户状态转移概率矩阵mt与用户在各地点出现的概率向量pa。在状态a下需要执行感知任务时，根据当前可用用户集u{u1，u2，……un}，获取每个用户的执行任务历史记录，具体步骤如下：(1)根据用户历史记录计算出有哪些记录是在状态a下执行过感知任务，如果出现v→m→n→b→a、c→d→e→a、g→f→a这样的记录，其中第一条记录v状态不在有效的滑动窗口中。(滑动窗口即mc系统定义的一个有效时间长度内如图4中虚线框)(2)在有效的滑动窗口t内，数据集合中某条位置记录序列为v→m→n→b→a其中该记录序列中v状态不在有效的滑动窗口t中，所以预测该用户的位置需要对标准的markov模型进行3阶化处理。(3)其它用户记录根据用户每一种步数完成次数的权重来进行计算。为加深对上述过程的理解，本实施例介绍一种具体k阶markov模型下计算方式，如下所示：设某用户在某时刻出现在感知地点集合p中各地点的概率分布为pa，mt为概率转移矩阵。根据历史分布，s+m时刻的概率分布为：pa(s+m)＝pa(s+m-1)*mt＝...＝pa(s)*(mt)m使用相关系数来表示权重，并对s+m之前的各步结果进行加权操作，如下所示：上式中，ξi表示s+m之前的每一步中所占的权重，且ξi≥0。对于ξi如何计算可以根据用户历史记录，在多步操作中，根据每一步操作所占的比重来获得。例如，在感知地点集合有4个状态，在滑动窗口作用下最多有3个状态有效，预测某用户出现在哪个状态的分布如下：表1：基于加权的自适应k阶markovchains分布时刻所处状态权重初始分布转移矩阵s2ξ1pa(s)(mt)3s+11ξ2pa(s+1)(mt)2s+24ξ3pa(s+2)mt表2：示例预测结果所处状态1234pa(s)ξ1*p21(s)ξ1*p22(s)ξ1*p23(s)ξ1*p24(s)pa(s+1)ξ2*p11(s+1)ξ2*p12(s+1)ξ2*p13(s+1)ξ2*p14(s+1)pa(s+2)ξ3*p41(s+2)ξ3*p42(s+2)ξ3*p43(s+2)ξ3*p44(s+2)pa(s+3)pa1(s+3)pa2(s+3)pa3(s+3)pa4(s+3)其中，pij(s+1)为s+1时刻用户从状态i转为状态j的概率。由上表可知，用户s+3时刻最有可能出现在概率为argmax[pam(s+3)]所对应的状态。依照本实施例提供的通过自适应变阶markov模型预测类簇中用户位置出现的概率，结合概率值来进行任务分发，可以保证感知任务可以被高效执行。实施例六：下面对本申请提供的基于位置预测的自适应任务分发装置进行介绍，请参考图5，图5为本申请实施例提供的基于位置预测的自适应任务分发装置的结构框图；本实施例提供的基于位置预测的自适应任务分发装置可以与上述实施例中介绍的基于位置预测的自适应任务分发方法相互对照。本实施例提供的基于位置预测的自适应任务分发装置主要包括：区域划分单元210、中心用户确定单元220、相似度计算单元230、类簇划分单元240、特征匹配单元250、位置预测单元260、任务分发单元270。其中，区域划分单元210主要用于根据历史任务执行位置记录将历史任务执行地点进行区域划分，得到若干任务执行区域；中心用户确定单元220主要用于确定各任务执行区域中移动特征比对中心用户，得到中心用户；相似度计算单元230主要用于计算各历史用户与各目标用户间的相似度，得到相似度值；类簇划分单元240主要用于将中心用户作为聚类中心，根据历史用户与各中心用户间移动特征的相似度值将历史用户进行划分，得到若干类簇；特征匹配单元250主要用于当接收到对目标位置的群智感知任务分发命令时，将目标位置与预先划分的若干类簇进行区域特征匹配，得到目标类簇；位置预测单元260主要用于调用markov模型对目标类簇中各用户进行位置预测，得到各用户在目标位置的预测概率值；任务分发单元270主要用于选取预测概率值高于概率阈值的用户进行任务分发。本实施例提供的基于位置预测的自适应任务分发装置群智感知任务执行效果好。可选地，区域划分单元具体可以包括：确定子单元，用于确定各历史任务执行地点的任务执行半径，得到若干指定执行区域；第一判断子单元，用于判断各指定执行区域间是否存在重叠区域；第一判定子单元，用于当指定执行区域间不存在重叠区域时，将不存在重叠区域的各指定区域分别作为任务执行区域；第二判断子单元，用于当各指定区域间存在重叠区域时，判断存在重叠区域的第一区域与第二区域是否满足区域合并要求；第二判定子单元，用于当第一区域与第二区域满足区域合并要求时，将第一区域与第二区域合并后作为任务执行区域；第三判定子单元，用于当第一区域与第二区域不满足区域合并要求时，将第一区域与第二区域分别作为任务执行区域。可选地，第二判断子单元，用于当各指定区域间存在重叠区域时，计算重叠区域的用户覆盖率；其中，用户覆盖率ucr＝{nc1∪nc2}/{n1∪n2}；其中，nc1∪nc2为在地点n、o相交区域中执行感知任务的用户集的并集，n1∪n2为在地点n、o执行感知任务用户集的并集；第一区域与第二区域的感知任务执行任务需要的用户集合分别为n1、n2，重叠区域中第一区域与第二区域执行感知任务的用户集合分别为nc1、nc2，判断用户覆盖率是否大于设定的阈值；当大于时，判定第一区域与第二区域满足区域合并要求；当小于时，判定第一区域与第二区域不满足区域合并要求。可选地，中心用户确定单元具体可以为响应用户确定单元，用于将各任务执行区域中任务执行概率最高的用户作为移动特征比对中心用户。可选地，响应用户确定单元具体包括：计算子单元，用于计算各用户在各历史任务执行地点的地点活跃向量，得到目标向量值；其中，地点活跃向量v(u，i)为其中第i个元素表示用户u在地点i处执行任务后在下一个地点执行任务的总次数组成的向量；筛选子单元，用于将目标向量值作为任务执行概率，并根据目标向量值筛选出各任务执行区域中地点活跃向量值最大的用户；确定子单元，用于将筛选得到的各任务执行区域中地点活跃向量值最大的用户作为中心用户。可选地，相似度计算单元具体可以用于：根据移动特征以及用户任务执行概率计算各历史用户与各目标用户间的相似度。可选地，位置预测单元具体可以用于：调用markov模型对目标类簇中各用户进行变阶位置预测；其中，markov模型的阶数与预设时间范围内用户有效转移记录数量对应。需要说明的是，本申请具体实施方式中的基于位置预测的自适应任务分发装置中的各个单元，其工作过程请参考上述方法实施例中对应的具体实施方式，在此不再赘述。实施例七：下面对本申请提供的基于位置预测的自适应任务分发设备进行介绍，具体对基于位置预测的自适应任务分发设备的介绍可参照上述基于位置预测的自适应任务分发方法，该设备主要包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序时实现上述基于位置预测的自适应任务分发方法的步骤。本申请提供的基于位置预测的自适应任务分发设备可以保证数据的高可用性。请参考图6，本申请实施例提供的基于位置预测的自适应任务分发设备的结构示意图，该基于位置预测的自适应任务分发设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在基于位置预测的自适应任务分发设备301上执行存储介质330中的一系列指令操作。基于位置预测的自适应任务分发设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm等等。上面所描述的基于位置预测的自适应任务分发方法中的步骤可以由本实施例提供的基于位置预测的自适应任务分发设备的结构实现。实施例八：下面对本申请实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的基于位置预测的自适应任务分发方法可相互对应参照。本申请公开的一种可读存储介质，其上存储有程序，程序被处理器执行时实现基于位置预测的自适应任务分发方法的步骤。该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，设备，存储介质和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的装置，设备，存储介质和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个移动终端中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该产品存储在一个存储介质中，包括若干指令用以使得一台移动终端(可以是手机，或者平板电脑等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、终端或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或
技术领域：
内所公知的任意其它形式的存储介质中。以上对本申请所提供的基于位置预测的自适应任务分发方法、装置、设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。当前第1页12