1.一种以最小化支付为目标的移动群智感知激励方法，其特征在于：平台和智能手机用户的交互过程体现为一个反向拍卖机制，步骤如下：步骤201：平台发布一个时间窗口W＝[Ts，TE]，其中Ts和TE分别为时间窗口的开始时间和结束时间，即平台请求从Ts到TE的感知数据；

步骤202：设智能手机用户集合为U＝{1，2，...，n}，每个用户向平台提交一个标书Bi＝([si，ei]，bi)，其中[si，ei]是用户i能完成感知任务的用户时间窗口，每个标书都存在一个真实代价ci，si和ei可以是任何时间点，bi是用户i完成该任务的报价，即用户i希望获得的报酬；

步骤203：初步选择阶段，平台选择两个互不相交的用户子集S′1，S″1，使得所选用户的总的代价之和最小；

步骤204：权重竞争阶段，在S′1和S″1中寻找可相互替代的用户组，根据用户数量分配权重进行带权竞争，胜者将属于最终用户集合，为每个入选者计算关键报酬；

步骤205：平台通知最终入选用户；

步骤206：最终入选用户在自己提交的时间窗口内感知数据，将数据提交平台；

步骤207：平台为每个入选用户通过在线形式支付报酬；

在步骤202中，平台选择用户的问题形式化表示为

min∑i∈Spi

其中pi为用户i的报酬； 上述形式化问题的本质是：寻找一个用户的子集，使得子集中的用户的报酬之和最小，并且被选择用户的用户时间窗口能覆盖需求时间窗口；

在步骤203中，初步选择阶段的步骤如下：

步骤301：初始化集合S′1、S″1为空；

步骤302：将标书矢量B转化为区间图G′1(V′1，E′1，w)，图中每个顶点vi对应一个用户i，顶点上的权重为该用户的报价bi，所有顶点的权重构成权重构成权重矢量w，如果用户时间窗口之间有重合，则在相应顶点之间形成一条边；

步骤303：将区间图G′1(V′1，E′1，w)转化为流图G″1(V″1，E″1，w，a，s，t)；

步骤304：利用最小费用最大流算法找出流值为2的从顶点s到t的流，将产生的两条互不相交的路径存入A和A’；路径上的带权边对应的用户分别存入集合S′1和S″1，结束；

在步骤303中，将区间图转化为流图的步骤如下：

步骤30301：增加顶点s和t到区间图中，对于任何顶点vi∈V′1，如果有TS∈[si，ei]，则增加一条边连接s和vi，同样地，如果有TE∈[si，ei]，则增加一条边连接t和vi；

步骤30302：对于图中每条边(u,v)，将其转化为两条有向边和，边上权重为w＝w＝0,设置相应的容量为a＝a＝1；

步骤30303：将图中每个带权顶点vi∈V′1转化为两个不带权的顶点v′i和v″i,增加边，其边上权重为w＝bi,设置容量为a＝1.将vi的入边转化为,将vi的出边转化为，转化完成；

在步骤204中权重竞争阶段的步骤如下：

步骤401：初始化集合S2为空；

步骤402：取得只包含A and A’上顶点及相关联的边的子图G2(V2，E2，w，s，t)；

步骤403：对于任意顶点v，定义Pre(v)为顶点所在路径的前趋顶点，定义Next(v)为顶点所在路径的后继顶点，对于子图上任意边∈E2,u∈A,v∈A’，寻找是否存在对应的边∈E2，如果存在则将顶点u,v,Pre(v)和Next(u)合并为顶点di；

步骤404：重复步骤403，直到求出所有的di；

步骤405：设s＝d1,d2,…,dk+1＝t为步骤404找到的所有合并顶点，这些顶点是路径A和A’的公共交点，并且将路径A和A’分割成了k个子路径，定义Ai为路径A上从di到di+1子路径，定义A＇i为路径A’上从di到di+1子路径；

步骤406：定义函数c( )为路径上权重的总和，对于子路径Ai∈A，如果转步骤407，否则转步骤408；

步骤407：将子路径Ai上的每个用户j放入集合S2中，计算其支付报酬为步骤408：将子路径A′i上的每个用户j放入集合S2中，计算其支付报酬为步骤409：重复步骤406-步骤408，直到所有子路径都被计算过；

步骤410：对于任意用户i∈U\S2，将其支付数额设置为0；

步骤411：返回集合S2和向量p，集合S2即为入选的最终用户集合，向量p为每个用户的支付数额，结束。