近年来,移动智能设备的迅速普及和应用,促进了移动群智感知的快速发展。参与移动群智感知的用户在移动互联网平台上留下了大量的位置感知数据,能够用于智能交通、社会化推荐、城市动态感知等。这些群智感知位置数据按照时间顺序连接起来,构成了丰富的用户轨迹信息,为充分利用群体智慧获得用户兴趣偏好进行移动群智感知的个性化推荐,以及针对个人兴趣偏好和行人流量变化分析提供了可行性条件。然而,（1）传统的个性化路径推荐主要关注兴趣点的受欢迎程度,而未充分利用路段的受欢迎程度,因此兴趣点和路段的受欢迎程度之间的权衡对个性化路径推荐的影响需要进一步研究。（2）利用群智感知采集行人流量数据,各种商业活动对于附近的行人会产生不同程度的吸引力,因此需要研究活动的吸引力对行人流量预测的影响问题。（3）数据感知场景下,数据源产生感知数据后向上层传输,因为群智感知的数据生成速率对感知数据的质量产生影响,需要对群智感知的数据生成速率进一步研究。群智感知中的丰富的位置数据,可以应用于多种场景,如融合群智感知的位置数据,研究兴趣点和路段相融合的个性化路径推荐、活动对行人流量预测的影响以及个性化的活动放置问题。群智感知数据在传输时,可以通过基础设施网络（如4G、5G和Wi Fi等）进行上传,还可以借助于车联网这种新兴的网络进行传输。数据源将感知的数据上传至服务器,仅依靠基础设施网络不能满足多样的群智感知数据的传输要求。因此本文以车载群智感知作为典型的移动群智感知场景,研究以信息的年龄为度量指标刻画移动群智感知的数据传输性能,从而满足群智感知对数据质量的要求。具体来讲,本文的主要贡献如下:（1）传统的个性化路径推荐问题中主要关注兴趣点的受欢迎程度,未充分挖掘路段的受欢迎程度,从而造成了路径上的用户体验的未充分优化。针对上述问题,本文提出了融合兴趣点与路段的个性化路径推荐算法,以优化个性化路径推荐,提高用户在推荐行程上的用户体验。通过对数据集中感知位置数据的分析,根据兴趣点的受欢迎度和基尼系数挖掘受欢迎的路段,并利用引力模型在种类空间中评估受欢迎路段的引力评分。最后提出了在多限制条件下,融合了兴趣点和受欢迎路段的个性化推荐算法。该方法不仅考虑了用户的偏好和限制条件,而且融入了来自吸引力路段的用户体验。据目前所知,这项工作首次将吸引力路段融入了传统的个性化路径推荐。实验结果表明,在查全率、查准率以及总用户体验的指标上,本文提出的算法性能优于基线算法;主要原因在于在推荐过程中融入了用户喜欢的受欢迎的路段而提升了用户体验。（2）兴趣点之间的不同种类商业活动对附近的行人会产生不同程度的吸引力,从而造成路段上的行人流量变化,这将影响商业活动的潜在收益。针对上述问题,本文提出了基于吸引力的矩阵分解和流量预测模型,以预测不同的商业活动在不同位置时的影响对行人流量造成的变化。首先通过从感知位置数据中提取用户的历史轨迹,构建历史轨迹中的兴趣点-兴趣点流量矩阵。其次利用不同的类别属性对行人流量的吸引力不同的思想,构建了基于吸引力的矩阵分解模型。最后,对矩阵分解模型进行参数估计和优化后,根据优化后的参数和预测模型进行矩阵流量预测。该方法能够在活动放置者确定活动集合和活动放置位置后,预测活动放置后兴趣点之间的行人流量。实验结果表明,提出的基于吸引力的流量预测模型在均方根误差和矩阵相似度的指标上,优于其他基于概率的矩阵分解模型的变种算法。（3）商业活动放置在不同的位置时,会带来不同的行人流量从而影响经营者潜在收益（第四章的衍生问题）,因此商业活动的放置问题亟待解决。针对上述问题,本文提出了商业活动的个性化放置算法,以解决商业活动位置的选择困境。首先通过群智感知的位置信息,提取出用户的轨迹;再根据轨迹中路段的上下文信息,利用Skip-gram模型学习路段的潜在向量表示。此外,根据商业活动的放置历史记录,优化融入流量因素的成对偏好排序模型,学习活动的潜在向量表示。最后,根据学习到的路段和活动向量表示点积排序结果,为活动推荐top-N路段。该方法能够为活动放置者提供决策支持。验结果表明,由于学习到的潜在向量表示考虑了上下文信息,融入了包含流量因素的多种特征,该方法在查准率和平均倒数排名的指标上优于其他基线算法。（4）车流空洞场景对车载感知网络中的数据传输产生影响,进而影响了感知数据质量的问题。针对上述问题,本文提出了基于信息年龄的感知数据生成速率优化算法,以优化在车流空洞场景下传输的感知数据的质量。在车流空洞场景中,通过建立了车联网中的数据传输模型,以最小化总平均开销为目标,对感知数据生成速率算法进行优化,以提高群智感知的数据质量。当数据源以优化后的速率生成感知数据,使得总平均开销最低,不仅使信息年龄较小,而且使传输开销较低。实验结果表明,本文提出的感知数据生成速率优化算法,在总平均开销的指标上优于随机生成感知数据的算法和按指定概率生成感知数据的算法。