专利交易市场

本发明涉及一种基于深度强化学习的群智感知激励机制方法，获取参与者位置和移动轨迹信息，将参与者移动过程建模为马尔可夫决策过程，采用深度强化学习预测其在下一个激励周期内的移动轨迹，预测参与者在下一个激励周期结束时的位置分布，通过计算参与者的预测位置分布与数据请求方提供的感知数据目标分布的相对熵，选择大于相对熵阈值区域内的参与者进行激励。本发明避免在同一时间段内对所有参与者进行激励、对同一个参与者在所有激励周期内都进行激励，合理的激励机制解决群智感知参与者收集到的感知数据分布情况与数据请求方提供的目标数据分布之间差异较大、覆盖质量较低的问题；可被广泛应用于移动群智感知领域，降低激励参与者的成本。

本发明公开了一种基于合同理论激励机制的联邦学习方法、系统及装置，该方法包括：获取初始模型参数；接收经过终端设备训练后的局部模型；对局部模型进行聚合并将聚合后的局部模型发送至其他接入点，进行全局模型参数的更新；将更新后的全局模型下发至终端设备并进行迭代学习，判断到满足迭代完成条件；将最终模型发送至边缘云服务器。该系统包括：接入点、边缘服务器和终端设备。该装置包括存储器以及用于执行上述基于合同理论激励机制的联邦学习方法的处理器。通过使用本发明，将边缘云服务器的全局聚合的任务分散给与其连接的所有接入点完成，可以缓解边缘云服务器的处理局部模型的压力。本发明可广泛应用于联邦学习领域。

本发明公开了一种适用于服务者、服务接收者决策选择的激励机制方法，利用摄像头或传感器实时对服务者、服务接收者的行为进行监控，并将当服务者、服务接收者的异常行为上传至平台服务器，当本单服务完成后，平台服务器从智能合约处获取服务者在上一单服务完成后的最新信用积分，并返回给平台服务器，平台服务器再根据信用积分计算服务者、服务接收者的本单单价并发放酬金，最后，平台服务器更新本单的信用积分并保存至区块链，然后通过本单的信用积分规范服务者、服务接收者在下一个订单中的决策选择行为。

本发明涉及一种基于激励机制的D2D协作式缓存方法，其联合考虑激励成本及缓存放置策略的关系，从网络运营商（Network Operator，NO）的角度构建一个系统效用函数，并寻求可使网络运营效用最大化的缓存服务者的选取及缓存放置的联合最优解。

本发明属于车联网数据传输技术领域，具体涉及一种车联网中基于区块链和激励机制的数据共享方法；该方法包括：构建车载社交网络体系架构，在车载社交网络体系架构中，车辆根据激励机制进行数据共享，过程包括，构建簇员的效益函数；构建簇头的效益函数；构建基站的效益函数；采用三方‑四阶段Stackelberg博弈迭代算法对簇员的效益函数、簇头的效益函数和基站的效益函数进行求解，得到使系统效益最大化的数据共享决策；车辆根据数据共享决策进行数据共享；本发明使簇员车辆的用户体验质量逐渐趋于平稳，同时考虑了内容流行度和节点自私度进行动态定价，对簇头车辆的激励效果较好，进而可以为簇员车辆提供较好的服务质量。

本发明涉及通信技术领域，尤其涉及一种终端直通系统中采用激励机制的终端发现方法；所述方法包括构建了移动服务共享社区，以促进终端间的资源共享，缓解网络压力；基站采用激励机制根据候选终端的类型所能提供的功率以及获得的奖励制定出合同表示；基站将合同发送给候选终端，候选终端接收相应合同并按照合同要求参与终端发现或者拒绝所有合同；基站将候选终端确认后的合同发送给请求终端，请求终端选择出使得其能获得最大收益的候选终端的合同；基站让使自身收益最大的候选终端参与终端发现。本发明解决了现有技术下终端直通系统的发现方式中，由于终端中的服务差异性以及用户参与积极性不高，导致终端的高能量消耗问题。