Date : 2017
Type : Livre / Book
Type : Thèse / ThesisLangue / Language : anglais / English
Intelligence artificielle répartie
Système d'information géographique
Classification Dewey : 004
Résumé / Abstract : Les plateformes de crowdsourcing spatial (PCS) sont des systèmes qui permettent à des personnes, appelées commanditaires, de publier des tâches spatiales afin de trouver la main-d’œuvre pour les exécuter. Ces tâches spatiales exigent que leurs exécutants soient à un endroit donné, souvent dans une fenêtre de temps donnée, pour être accomplies. Quelques exemples de PCS sont Uber et TaskRabbit. Les PCS suscitent beaucoup d’intérêt dans la recherche, mais des pistes de recherche sont encore à explorer.Doan et al. [2011] a soutenu que l’objectif réside maintenant dans “la construction de plateformes générales de crowdsourcing qui peuvent être utilisées pour développer rapidement ces systèmes”. Depuis, peu de travaux ont porté sur la conception technique des PCS. En outre, il existe un écart entre ce qui est mis en oeuvre par les PCS de l’industrie et les propositions que l’on trouve dans la littérature scientifique. Nous proposons GENIUS-C, une architecture générique pour les PCS. Nous fournissons une implémentation de référence (IR) pour GENIUS-C, fonctionnant comme un cadre pour le développement de PCS. GENIUS-C et son IR sont destinés à combler les écarts entre le monde académique et industriel, et faciliter la compréhension et le développement rapide de PCS.Nous étudions également l’important problème de l’appariement des exécutants et des tâches d’un PCS. Comment peut-on trouver une ou plusieurs tâches adaptées à un exécutant (et vice versa)? Certains utilisent des techniques de système de recommandation, d’autres des approches d’optimisation. La plupart d’entre eux ne tiennent pas compte des dimensions spatio-temporelles des tâches et des exécutants. Ceux qui en tiennent compte ignorent les préférences des exécutants, des commanditaires ou du système lui-même. Dans ce contexte, nous identifions et modélisons le problème réel et récurrent suivant: une fois que l’exécutant est prêt à accomplir des tâches, quelle est la meilleure séquence de tâches à suivre en respectant ses contraintes spatio-temporelles? Comment cette séquence peut-elle être obtenue en tenant compte des préférences de l’exécutant, des commanditaires, du système lui-même ou d’une combinaison de ceux-ci? Nous nommons cette situation le Problème de la Recommandation de Trajectoire, auquel nous proposons une solution optimale, et étudions des heuristiques d’approximation pour le résoudre.
Résumé / Abstract : Spatial Crowdsourcing Platforms (SCP) are systems that allow people, called requesters, to publish spatial tasks in order to find suitable workforce to perform it. These spatial tasks require workers to be at a given location, usually within a given time window, to be accomplished. Some examples of SCPs are: Uber, BlaBlaCar and TaskRabbit. SCPs are source of much interest for academy, however several research opportunities remain.Doan et al. [2011] argued that the race is now on “toward building general crowdsourcing platforms that can be used to develop such systems quickly". Since then, little has been done to investigate the technical design of SCPs precisely. Also, there is a gap between what is done in commercial platform and in scientific literature. We propose GENIUS-C, a generic architecture for SPCs. We provide a reference implementation (RI) for GENIUS-C, that works as a framework for the development of SCPs. GENIUS-C and its RI are meant to fill the gap between the academic and industry world, and facilitate the understanding and the quick development of new SCPs.We also study the important problem of matching workers and tasks. How can we find one or more tasks suitable for a worker (and vice versa)? Some tackle this issue using recommender system techniques, others optimization approaches. Most of them do not take into account the spatiotemporal dimensions of tasks and workers. Others take it into account, but to ignore the preferences of either workers, requesters or the system itself. In this context, we identify and model the following common real-life problem: once a worker is willing to spend sometime accomplishing tasks, what is the best sequence of tasks to be followed respecting their spatiotemporal constraints? How can this sequence be obtained taking into account the preferences of the worker, the requesters, the system itself, or a combination of them? We name this situation the Trajectory Recommendation Problem (TRP), propose a feasible exact solution and study approximation heuristics for it.