Department of Computer Science

Yan Zhao modtager prestigefuld pris for Ph.d.-afhandling

Yan Zhao modtager prestigefuld pris for Ph.d.-afhandling

Yan Zhao, nyligt ansat adjunkt på Institut for Datalogi, har fået tildelt den prestigefulde ACM SIGSPATIAL China Charter Doctoral Dissertation Award for sin Ph.d.-afhandling “The Research of Relevant Theory and Techniques for Spatial Crowdsourcing”. Hun modtager prisen ved en ceremoni i forbindelse med ACM China Turing-konferencen i 2022.

ACM’s priser, som bliver uddelt af en række kinesiske akademiske institutioner for at fremme yngre forskeres akademiske og forskningsmæssige arbejde, er yderst attraktive og gives kun til de absolut bedste afhandlinger inden for datalogi og ingeniørvidenskab.

ÆRE OG MOTIVATION

Ifølge bedømmelseskomitéen får Yan Zhao prisen, fordi hendes afhandling adresserer væsentlige effektivitetsproblemstillinger på det område, der inden for spatial crowdsourcing kaldes task assignment. Hun har dermed bidraget til den videre udvikling af forskningen inden for spatial crowdsourcing

- Det er en stor ære for mig at modtage denne pris, og jeg er sikker på, at den vil kunne fremme min videre karriere som forsker. Den motiverer mig også til at fortsætte mit arbejde inden for spatial crowdsourcing, siger Yan Zhao.

Yan Zhao har i løbet af sit Ph.d.-studie publiceret tolv peer-reviewed artikler inklusive otte artikler som first author eller co-first author i de mest prestigefulde publikationer inden for sit forskningsområde.

SPATIAL CROWDSOURCING

Spatial crowdsourcing handler grundlæggende om, hvordan man bedst organiserer en gruppe mennesker, der skal udføre en opgave ved at bevæge sig til en specifik fysisk lokation. Madudbringningstjenester, Uber, osv. er konkrete eksempler på det.

Der er et stort antal forskningsområder involveret i spatial crowdsourcing, men kerneområdet – og det område, som er Yan Zhaos fokus – er task assignment, eller opgavetildeling. For at tildele de rette opgaver til de rette folk (benævnt ”workers”) anvender man en spatial crowdsourcing server, der sikrer, at opgaverne kan udføres uden at bryde med de begrænsninger i tid og sted, som selve opgaven og de, der skal udføre dem, er underlagt.

Der kan være flere forskellige mål med at anvende spatial crowdsourcing. Det kan være at optimere ruteplanlægningen, så et bud kan nå at aflevere det største antal varer mellem udgangspositionen og destinationen. Det kan også være at maksimere det antal opgaver, man kan tildele, eller helt overordnet at maksimere indtjeningen ved en given tjeneste.

EFFEKTIV ALGORITME

I sin afhandling foreslår Yan Zhao en præcis og effektiv task assignment-algoritme, som anvender en såkaldt tree-decomposition-teknik. Hver worker har opgaver fælles med andre workers, hvilket betyder, at de er indbyrdes afhængige. Tree-decomposition-teknikken gør det muligt at isolere disse afhængigheder og efterfølgende organisere de nu isolerede workers i en balanceret træstruktur, hvor søskende-knuderne er uafhængige af hinanden. Træet bliver derefter traverseret for at opnå det optimale assignment.

Afhandlingen indeholder også en beskrivelse af effektiv task assignment baseret på de enkelte workers’ tidsmæssige præferencer og et studie af Predictive Task Assignment (PTA), hvis mål er at maksimere antallet af tildelte opgaver i et scenario, hvor både workers og opgaver kommer dynamisk ind i systemet, uden at lokationen på forhånd er kendt.

Derudover introducerer Yan Zhao også et nyt spatial crowdsourcing problem benævnt Coalition-based Task Assignment (CTA), hvor opgaverne eventuelt kræver mere end én worker for at udføre dem, hvis den samlede gevinst for de involverede workers skal maksimeres.

YDERLIGERE INFO

  • ACM (Association for Computing Machinery)
  • SIGSPATIAL: Special Interest Group on Spatial Information

KONTAKT

Adjunkt Yan Zhao
Institut for Datalogi, Aalborg Universitet 
Mail: yanz@cs.aau.dk

Department of Computer Science, Aalborg University

Selma Lagerlöfs Vej 300  ・ 9220 Aalborg East, Denmark 
Telephone: +45 9940 9940  ・ Mail: info@cs.aau.dk

Contact department management