The Urban Sensing Scenario. Route p

The Urban Sensing Scenario. Route planning [3] is a common type of application of MCS. With participatory sensing, we can collect GPS trajectory data from vehicles and compute the optimal route when answering a query with departure and destination points. However, for a more complex query, that is, to generate an itinerary for a visitor to a city given the time budget (start time, end time). It is not possible to leverage the single trajectory dataset. Further information such as POIs in the city, categories of each POI, the best time to visit the POIs, user preferences to different types of POIs, are further needed. These information can be obtained by reusing the user-contributed data from a mobile social network service (e.g., FourSquare). A similar example is noise mapping [4], which is also a popular type of MCS application. With participatory sensing, we can get the noise map using mobile audio sensing. But people may wonder the causes of noise in a specific place, which often correlates with the category (e.g., market, school, street) of that place. This, however, can be obtained from a LBSN check-in dataset. Therefore, with MCS, we can leverage both online and offline data contributed by participants and explore cross-space data fusion to nurture novel applications.

Numerous and unique research challenges arise from the mobile crowd sensing paradigm, ranging from styles of data collection, proper incentive mechanisms, quality of user-contributed data, cross-space data fusion, and so on. Further, MCS essentially represents a hybrid of human and machine intelligence, which has been little explored before. The key contribution of this paper can be summarized as follows:

 Give a literature history and the definition of MCS, and explain the evolution from participatory sensing to MCS;

 Clarify the technical foundation of MCS—the optimal fusion of human and machine intelligence, and present the key research issues of MCS;

 Propose a reference framework of MCS and discuss the future research trends.

Kết quả (Việt) 1:

The Urban Sensing Scenario. Route planning [3] is a common type of application of MCS. With participatory sensing, we can collect GPS trajectory data from vehicles and compute the optimal route when answering a query with departure and destination points. However, for a more complex query, that is, to generate an itinerary for a visitor to a city given the time budget (start time, end time). It is not possible to leverage the single trajectory dataset. Further information such as POIs in the city, categories of each POI, the best time to visit the POIs, user preferences to different types of POIs, are further needed. These information can be obtained by reusing the user-contributed data from a mobile social network service (e.g., FourSquare). A similar example is noise mapping [4], which is also a popular type of MCS application. With participatory sensing, we can get the noise map using mobile audio sensing. But people may wonder the causes of noise in a specific place, which often correlates with the category (e.g., market, school, street) of that place. This, however, can be obtained from a LBSN check-in dataset. Therefore, with MCS, we can leverage both online and offline data contributed by participants and explore cross-space data fusion to nurture novel applications.Nhiều và những thách thức độc đáo nghiên cứu phát sinh từ các mô hình cảm biến điện thoại di động đám đông, khác nhau, từ phong cách thu thập dữ liệu, cơ chế khuyến khích thích hợp, chất lượng của dữ liệu người dùng đóng góp, cross-không gian phản ứng tổng hợp dữ liệu, và như vậy. Hơn nữa, MCS chủ yếu đại diện cho một lai của trí thông minh của con người và máy, mà đã được khám phá ít trước khi. Sự đóng góp quan trọng của bài báo này có thể được tóm tắt như sau: cung cấp cho một lịch sử văn học và định nghĩa của MCS, và giải thích sự tiến hóa từ cảm biến có sự tham gia để MCS;  làm rõ nền tảng kỹ thuật của MCS-sự hợp nhất tối ưu của trí thông minh của con người và máy, và hiện nay các nghiên cứu quan trọng các vấn đề của MCS;  đề xuất một khung tham khảo của MCS và thảo luận về các xu hướng trong tương lai nghiên cứu.

Kết quả (Việt) 2:

Các đô thị Sensing Scenario. Route Kế hoạch [3] là một loại phổ biến của các ứng dụng của MCS. Với khả năng có sự tham gia, chúng tôi có thể thu thập dữ liệu GPS quỹ đạo từ các phương tiện và tính toán lộ trình tối ưu khi trả lời một truy vấn với phát và nơi đến. Tuy nhiên, đối với một truy vấn phức tạp hơn, đó là, để tạo ra một hành trình cho một người truy cập vào một thành phố với ngân sách thời gian (thời gian bắt đầu, thời gian kết thúc). Nó không phải là có thể tận dụng các dữ liệu quỹ đạo duy nhất. Thông tin chi tiết như POI trong thành phố, loại đối với mỗi điểm, thời gian tốt nhất để ghé thăm các địa điểm ưa thích, sở thích của người sử dụng với các loại khác nhau của POI, đang tiếp tục cần thiết. Những thông tin có thể được thu được bằng cách tái sử dụng các dữ liệu người dùng đóng góp từ một dịch vụ điện thoại di động mạng xã hội (ví dụ, FourSquare). Một ví dụ tương tự là tiếng ồn lập bản đồ [4], mà còn là một loại phổ biến của ứng dụng MCS. Với khả năng có sự tham gia, chúng tôi có thể nhận được các bản đồ tiếng ồn sử dụng cảm biến âm thanh di động. Nhưng người ta có thể tự hỏi những nguyên nhân của tiếng ồn trong một địa điểm cụ thể, mà thường tương quan với các thể loại (ví dụ như, chợ, trường học, đường phố) của nơi đó. Điều này, tuy nhiên, có thể được lấy từ một LBSN nhận dữ liệu. Vì vậy, với MCS, chúng ta có thể tận dụng cả hai dữ liệu trực tuyến và ngoại tuyến đóng góp của người tham gia và khám phá xuyên không gian dữ liệu hợp nhất để nuôi dưỡng các ứng dụng mới. Nhiều độc đáo và thách thức nghiên cứu phát sinh từ đám đông di động cảm ứng mô hình khác nhau, từ phong cách của bộ sưu tập dữ liệu, khuyến khích thích hợp cơ chế, chất lượng của dữ liệu người dùng đóng góp, cross-không gian dữ liệu hợp nhất, và như vậy. Hơn nữa, MCS cơ bản đại diện cho một lai của trí tuệ con người và máy móc, mà đã được ít khám phá trước đây. Sự đóng góp quan trọng của báo cáo này có thể được tóm tắt như sau:  tặng một lịch sử văn học và định nghĩa của MCS, và giải thích sự tiến hoá từ cảm biến có sự tham gia để MCS;  Xác định rõ nền tảng kỹ thuật của MCS-fusion tối ưu của con người và máy thông minh, và trình bày các vấn đề nghiên cứu quan trọng của MCS;  Đề xuất một khung tham chiếu của MCS và thảo luận về các xu hướng nghiên cứu trong tương lai.