I. INTRODUCTION Successful society

I. INTRODUCTION

Successful society and city management relies on urban and community dynamics monitoring to provide essential information for decision making. In traditional sensing techniques such as wireless sensor networks (WSNs), distributed sensors are leveraged to acquire real-world conditions. There has been a growing body of studies on WSNs, however, commercial sensor network techniques have never been successfully deployed in the real world due to several reasons, such as insufficient node coverage, high installation/maintenance cost, and lack of scalability.

Mobile Crowd Sensing (MCS) presents a new sensing paradigm based on the power of mobile devices. The sheer number of user-companioned devices, including mobile phones, wearable devices, and smart vehicles, and their inherent mobility enables a new and fast-growing sensing paradigm: the ability to acquire local knowledge through sensor-enhanced mobile devices – e.g., location, personal and surrounding context, noise level, traffic conditions, and in the future more specialized information such as pollution

– and the possibility to share this knowledge within the social sphere, healthcare providers, and utility providers. The information collected on the ground combined with the support of the cloud where data fusion takes place, make MCS a versatile platform that can often replace static sensing infrastructures, and enabling a broad range of applications including urban dynamics mining, public safety, traffic planning, environment monitoring, just to name a few.

A formal definition of MCS is: a new sensing paradigm that empowers ordinary citizens to contribute data sensed or



Daqing Zhang

Telecommunication Network & Services Department
Institut TELECOM SudParis
Evry Cedex, France [e-mail]

generated from their mobile devices, aggregates and fuses the data in the cloud for crowd intelligence extraction and people- centric service delivery. Similar to participatory sensing [1], MCS has sensed data from mobile devices as inputs. Nevertheless, it additionally “reuses” the user-contributed data from mobile Internet services (mostly mobile social network services), which is often termed as the participatory media [2]. In other words, the user-contributed data are used for a second purpose. MCS further explores the integration and fusion of the data from heterogeneous, cross-space data sources. We use the following example to showcase its characters.

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:

I. GIỚI THIỆU Quản lý thành công xã hội và thành phố dựa vào đô thị và cộng đồng năng động giám sát để cung cấp các thông tin cần thiết để đưa ra quyết định. Trong truyền thống thám kỹ thuật chẳng hạn như các mạng không dây cảm biến (WSNs), phân phối cảm biến được thừa hưởng để có được các điều kiện thực tế. Đã có một cơ thể ngày càng tăng của các nghiên cứu trên WSNs, Tuy nhiên, thương mại cảm biến mạng kỹ thuật đã không bao giờ được thành công triển khai trong thế giới thực do một số lý do, chẳng hạn như phạm vi bảo hiểm không đủ nút, chi phí cài đặt cao, bảo trì và thiếu khả năng mở rộng.Cảm biến đám đông di động (MCS) trình bày một mô hình cảm biến mới dựa trên sức mạnh của thiết bị di động. Số lượng tuyệt của người dùng-companioned thiết bị, bao gồm cả điện thoại di động, mặc thiết bị, và xe thông minh, và tính di động vốn có của họ cho phép một mô hình cảm biến mới và phát triển nhanh: khả năng để có được kiến thức địa phương thông qua tăng cường cảm biến điện thoại di động-ví dụ như, vị trí, bối cảnh cá nhân và xung quanh, mức độ tiếng ồn, tình trạng giao thông, và trong các thông tin chuyên biệt hơn trong tương lai chẳng hạn như ô nhiễm- và khả năng chia sẻ kiến thức này trong lĩnh vực xã hội, nhà cung cấp chăm sóc y tế, và nhà cung cấp tiện ích. Thông tin thu thập trên mặt đất kết hợp với sự hỗ trợ của các đám mây mà phản ứng tổng hợp dữ liệu diễn ra, làm cho MCS một nền tảng đa năng có thể thay thế thường tĩnh viễn thám cơ sở hạ tầng, và tạo điều kiện cho một loạt các ứng dụng bao gồm đô thị động lực khai thác mỏ, an toàn công cộng, quy hoạch giao thông, môi trường theo dõi, chỉ cần đến tên một vài.A formal definition of MCS is: a new sensing paradigm that empowers ordinary citizens to contribute data sensed or Daqing ZhangTelecommunication Network & Services DepartmentInstitut TELECOM SudParisEvry Cedex, France [e-mail] from their mobile devices, aggregates and fuses the data in the cloud for crowd intelligence extraction and people- centric service delivery. Similar to participatory sensing [1], MCS has sensed data from mobile devices as inputs. Nevertheless, it additionally “reuses” the user-contributed data from mobile Internet services (mostly mobile social network services), which is often termed as the participatory media [2]. In other words, the user-contributed data are used for a second purpose. MCS further explores the integration and fusion of the data from heterogeneous, cross-space data sources. We use the following example to showcase its characters.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) 2:

I. GIỚI THIỆU xã hội thành công và quản lý thành phố dựa trên giám sát đô thị và năng động cộng đồng để cung cấp thông tin cần thiết cho việc ra quyết định. Trong kỹ thuật cảm biến truyền thống như các mạng cảm biến không dây (WSNs), cảm biến phân tán được tận dụng để có được các điều kiện thực tế. Hiện đã có một cơ thể đang phát triển của nghiên cứu trên WSNs, tuy nhiên, kỹ thuật mạng cảm biến thương mại đã không bao giờ được triển khai thành công trong thế giới thực vì nhiều lý do, chẳng hạn như bảo hiểm không đủ nút, lắp đặt cao / chi phí bảo trì, và thiếu khả năng mở rộng. Điện thoại di động đám đông Sensing (MCS) trình bày một mô hình cảm biến mới dựa trên sức mạnh của các thiết bị di động. Số lượng tuyệt đối của các thiết bị sử dụng companioned, kể cả điện thoại di động, các thiết bị đeo được, và các phương tiện thông minh, và nhanh nhẹn vốn có của họ cho phép một mô hình cảm biến mới và phát triển nhanh: khả năng tiếp thu kiến thức địa phương thông qua các thiết bị di động cảm biến được nâng cao - ví dụ, vị trí , thông tin cá nhân và hoàn cảnh, mức độ tiếng ồn, điều kiện giao thông xung quanh, và trong tương lai chuyên biệt hơn như ô nhiễm - và khả năng để chia sẻ kiến thức trong các lĩnh vực xã hội, các nhà cung cấp chăm sóc y tế, và các nhà cung cấp tiện ích. Các thông tin được thu thập trên mặt đất kết hợp với sự hỗ trợ của các đám mây, nơi dữ liệu nhiệt hạch xảy ra, làm cho MCS một nền tảng linh hoạt mà có thể thường xuyên thay thế cơ sở hạ tầng viễn tĩnh, và tạo điều kiện cho một loạt các ứng dụng bao gồm cả khai thác năng động đô thị, an toàn công cộng, quy hoạch giao thông, giám sát môi trường, chỉ cần đến tên một vài. Một định nghĩa chính thức của MCS là: một mô hình cảm biến mới mà trao quyền cho người dân để đóng góp dữ liệu cảm nhận hoặc Daqing Zhang Mạng Viễn thông & Sở Dịch Vụ Institut TELECOM SudParis Evry Cedex, Pháp daqing.zhang@it-sudparis .eu tạo ra từ các thiết bị di động, uẩn của họ và cầu chì các dữ liệu trong điện toán đám mây để khai thác thông tin tình báo và đám đông người- cung cấp dịch vụ trung tâm. Tương tự như cảm biến có sự tham gia [1], MCS đã cảm nhận được dữ liệu từ các thiết bị di động như đầu vào. Tuy nhiên, nó thêm "reuses" dữ liệu người dùng đóng góp từ các dịch vụ Internet di động (chủ yếu là các dịch vụ mạng xã hội di động), thường được gọi là các phương tiện truyền thông có sự tham gia [2]. Nói cách khác, các dữ liệu người dùng đóng góp được sử dụng cho một mục đích thứ hai. MCS sâu hơn vào hội nhập và hợp nhất các dữ liệu từ không đồng nhất, xuyên không gian các nguồn dữ liệu. Chúng tôi sử dụng các ví dụ sau đây để giới thiệu nhân vật của mình. 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.