信息-物理-社会协同感知：从单一空间到跨空间融合的演化

今天，FCS给大家分享一篇优青论坛专栏论文——《Cyber-physical-social collaborative sensing: from single space to cross-space（信息-物理-社会协同感知：从单一空间到跨空间融合的演化）》的读者给我们带来的论文解读。如果您也同样对这篇论文感兴趣，或者也想把您阅读我们期刊论文的感受分享给更多的小伙伴，欢迎在文后留言或者与我们联系。

原文信息：

Cyber-physical-social collaborative sensing: from single space to cross-space

Frontiers of Computer Science,2018,12(4):609-622

Fei YI, Zhiwen YU, Huihui CHEN, He DU, Bin GUO

01

协同感知

协同感知是一种感知计算框架，其通过汇集以及协同分析不同感知单元的传感数据实现对研究对象的准确和全面的认识。传统的协同感知技术主要解决面向单一感知空间的研究问题，随着物联网、移动计算以及可穿戴技术的革新，数据的跨空间融合趋势推动了协同感知技术向多元空间的演化。本文首先梳理了协同感知技术在解决单一感知空间研究问题的发展脉络。然后，将其理念扩展到跨空间融合的协同感知技术，并提出了一个实现跨空间融合协同感知的参考模型框架。最后，本文针对跨空间融合的协同感知技术，提出了一些潜在的科学问题以及对应的关键技术。

02

面向单一空间的协同感知

针对不同的研究问题，相应的感知对象数据主要存在于下列三类数据空间：物理、信息和社会空间。早期的协同感知主要面向其中某个单一的数据空间展开研究，因此，本文首先将协同感知的发展脉络根据研究对象数据分布空间的不同，划分为以下三类：面向物理空间、面向信息空间以及面向社会空间的协同感知。

2.1 面向物理空间的协同感知

无线传感器网络的部署为我们感知物理世界信息提供了便利的平台，面向物理空间的协同感知技术也主要依赖于无线传感器网络。其中，无线传感器网络感知节点具有不同的感知能力，能够提供同构或者异构的数据信息。同构的信息是指感知数据来自相同类型的传感器节点，异构则说明感知信息汇集自不同类型的传感器。例如，在环境感知中，温度信息是一种同构的数据，需要不同位置相同类型的温度传感器获取。然而，在感知交通信息这类较为复杂的物理空间问题中，则需要获取来自摄像头和磁感线圈等不同类型的传感数据（异构）。进一步，本文也主要以环境信息监测和城市交通控制这两类应用为主题，较为详细的介绍了面向物理空间协同感知的相关工作。

2.2 面向信息空间的协同感知

随着社交网络的兴起与发展，以Twitter、新浪微博和Facebook为代表的移动互联网应用广泛流行，为研究人员获取用户在网络信息空间的行为数据提供了新的平台和途径。其中，用户在无意识中使用社交网络服务产生了大量的行为交互数据，这类数据被称为用户的“数字脚印”（digital footprint），其在一定程度上反映了用户的偏好等行为规律和特征，具有丰富的研究价值。因此，用户的“数字脚印”数据成为面向信息空间的协同感知主要的研究内容。具体上，用户的“数字脚印”主要涵盖两类数据：1）用户的位置轨迹信息，以及2）用户产生的文本内容，协同分析这两类“数字脚印”能够帮助理解个体/群体的行为规律。以用户行为建模和感知社会热点事件两类研究方向为主，本文详细介绍了面向信息空间协同感知的相关工作。

2.3 面向社会空间的协同感知

可穿戴感知技术的发展扩展了传统传感器节点的定义和范畴。随着智能手机、手表以及智能眼镜等具有一定感知和计算能力的便携式设备的普及，每一个携带这类设备的用户都可以被视为感知节点，同时结合“参与式感知”（participant sensing）的理念，研究人员提出了“移动群智感知”（mobile crowd sensing）这一感知计算框架用于解决社会空间的协同感知问题。具体上，“移动群知感知”强调每个用户都是潜在感知节点，不同研究问题的感知任务可以分发给用户完成，系统则需要协同处理来自用户采集的数据，实现对问题的求解。这一过程主要面临两大类研究问题：1）如何进行感知用户的选择，以及2）如何实现高效的任务分发。本文也主要根据这两类研究话题，详细介绍了面向社会空间协同感知的相关工作。

03

跨空间协同感知

不同于面向单一空间的协同感知计算框架，本文提出的跨空间协同感知进一步地融合了来自不同数据空间的感知信息。具体上，单一空间的数据只反应了研究对象在该空间的数据特征，跨空间融合感知将提供一个全面以及详细的感知对象信息。例如，传感器网络采集的空气污染信息（物理空间）与社交网络中用户关于空气污染的评论内容（信息空间）可以相互补充与增强，从而实现更加细粒度的环境信息感知。具体上，跨空间的协同感知主要融合来在不同空间的感知数据，挖掘不同空间数据之间的关联关系，从而解决更复杂的感知问题。

为方便研究人员理解跨空间协同感知的运行机理，本文提出了一个通用的参考模型框架。如下图所示，该框架自底层向上共包含了四个层面的内容：跨空间的数据感知、协同分析与处理、混合学习以及应用实现。

具体上，框架中的底层主要表示跨空间的感知数据获取与采集，其包含了来自物理、信息以及社会空间的感知数据。这一层主要强调了在解决实际问题中，跨空间协同感知首先要获取多个数据空间的信息，从而实现更全面的问题刻画与理解。基于获取的跨空间数据信息，在协同分析与处理层，本文提出了多个关键的技术模块用于具体问题的求解，其主要包括：数据的匿名化处理、海量数据的存储、跨空间的数据关联、跨空间的实体匹配以及人机协同处理。此外，框架的第三层主要涵盖不同类型的数据分析概念与方法，其包括了基于个体、群体以及社群智能的数据分析理念，同时也涵盖了面向环境与社会智能的数据分析模块。针对不同的研究问题，需要混合不同类型的数据分析方法，挖掘不同层面的智能。最后，应用层涵盖了各类涉及跨空间数据协同感知的研究内容，主要包括了以城市计算和移动群知感知等为主的应用场景。针对上述不同的技术模块，本文还进行了详细的说明与解释，为研究人员提供了详细的参考。

04

关键技术挑战

在本文提出的跨空间协同感知参考框架中，存在有多个关键技术挑战，其主要包括：（1）人机协同计算，（2）跨空间实体匹配，以及（3）跨空间的数据关联。

4.1 人机协同计算

人机协同计算主要提出了如何高效的将人的智能与机器智能有机结合，实现相辅相成共同促进的作用。具体上，人的智能与机器智能在处理问题中具有不同的优势，例如：人类在特征识别与决策建立中具有机器不可替代的作用，然而机器在处理、存储和计算大规模数据的时候具有人类无法超越的优势。在实际的问题解决中，如何协调这两种不同特征的智能是人机协同计算研究的关键点。本文主要将人的智能划分为显式与隐式两种，显式智能主要是指人直接的参与到与机器协同处理问题的过程中，例如：利用经验或专家知识干预并优化机器学习的过程。这一过程涉及了人机交互的逻辑，本文主要提出了包括：串行、并行以及交互迭代的人机交互逻辑。此外，隐式智能与机器智能的协同是指人无意识产生的行为数据指导或激发了机器智能对问题研究的深入分析。例如：用户在城市的行为轨迹数据能够帮助机器学习模型用于识别城市不同的功能区，进一步理解城市的动态特征。

4.2 跨空间实体匹配

在跨空间协同感知中，同样一个实体，在不同空间具有不同的数据信息，如何识别匹配不同空间的同一实体成为关键的技术挑战。例如，一个用户通常有多个社交网络账号，如何识别并匹配不同社交网络中该用户的账号信息对于跨空间的数据融合具有重要的意义。针对这一问题，本文总结了两类技术用于解决跨空间的实体匹配问题：1）基于网络拓扑结构的实体匹配，以及2）基于内容相似性的实体匹配。其中，基于网络拓扑结构的匹配方法强调实体在不同空间中与已知对象具有相似的网络拓扑结构关系；基于内容相似性的匹配方法则注重挖掘实体在不同空间中产生数据内容的相似性来进行实体的识别与匹配。

4.3 跨空间的数据关联

人在某一空间的活动可能会影响其在其他空间的行为，例如，一个用户在网络上浏览的购物信息将影响他在线下商场购物时的选择和偏好。同样的，一个社会热点事件也将在不同空间产生不同的影响。如何挖掘这类跨空间的数据关联关系成为跨空间协同感知的一项关键技术挑战。针对这一问题，本文提出了跨空间话题模型用于挖掘不同空间数据之间的关联关系。具体上，跨空间话题模型主要将行为与交互信息转化为语义描述文本，进而通过话题建模来挖掘跨空间不同交互与行为之间的关联关系。

05

总结

本文主要梳理了协同感知计算从单一空间到跨空间融合的演化，通过对相关工作的介绍与分析汇总，为研究人员提供了详细的方法和技术参考。此外，本文提出了一个通用的参考模型，用于理解和实现跨空间的协同感知。针对跨空间协同感知框架中的技术细节，本文还提出了多个关键技术与挑战，主要包括：人机协同计算、跨空间的实体匹配，以及跨空间的数据关联，如何解决这些问题将成为本研究领域未来发展的关键。

注：本文为该读者的阅读笔记，未经原论文作者和FCS期刊审读。仅供广大读者参考。