空间众包中的任务分配是指在满足给定的约束条件下,将空间众包平台上的多个任务分配给多个工人。为了简化算法设计,目前大多数任务分配方法都假设任务和工人是固定不变的。然而在实际应用中,无论工人还是任务都在实时动态地变化。如果能捕捉到这种动态性并用于任务分配,那么将会形成一种三赢的局面:工人可以提前到达任务现场,完成更多的任务;任务发布者的任务会被更快地完成,获得更好的用户体验;平台能够有效地配置工人资源,提高平台的总收益。针对目前工作存在的上述缺点,本文具体工作如下:1.本文提出了一种序列化时空残差神经网络对历史数据进行分析和挖掘。该网络通过序列化输入不同时间粒度的历史数据来捕捉不同时间粒度上的时间依赖性,并利用卷积神经网络来捕捉空间依赖性。真实数据集上的实验验证了模型的有效性。对于任务请求密集的区域,预测效果更加显著。为了减轻异常数据对模型的影响,还对输入序列进行了平滑操作,提升了约7%的精确度。2.为了提高预测模型的准确度,现有工作常常使用外部信息(比如天气等数据)。然而,外部信息不仅非常复杂、难以收集,也往往具有噪音,难以在模型中充分利用。针对这一问题,提出了使用原始时空数据来隐式地捕捉外部信息的观点,并设计了三种注意力机制来提高强相关信息的正面效果。在真实数据集上验证了模型的有效性,从天气方面验证了模型能够有效地捕获外部信息。3.为了提高工人、任务发布者、平台三方的收益,本文提出了基于任务预测结果的顺风型任务分配机制。该机制设计了一种路径规划方案来提高工人得到的任务订单数量,同时设定了任务完成效率比来保证任务发布者的用户体验。通过实验验证了该任务分配机制的有效性。