随着智能移动终端、便携式传感设备的普及和实时定位等技术的发展,时空数据变得更易于采集、获取,并展现出极大的应用价值。基于群智感知的各类应用的蓬勃发展,使得围绕空间众包的研究工作成为热点。任务分配作为空间众包领域的核心研究问题之一受到了广泛关注,但目前的研究未能关注到众包环境中的实体间的相互影响和其在时空维度上的复杂相关性,同时忽略了动态变化的空间环境对于工人对任务的偏好差异的影响。为了解决以上问题,本文聚焦于在线场景下众包系统的动态性,针对众包实体预测、众包知识图的时空表征学习以及基于众包知识图和强化学习的任务分配等重要内容进行研究,取得的研究成果如下:（1）提出了基于地理分区的预测框架解决在线场景中的众包实体预测问题。在地理分区的基础上,首先基于众包实体在时空维度上展现的复杂相关性和供需关系存在平衡点的事实,提出了卷积时空注意力模型（Convolutional SpatioTemporal Attention Network,Conv-STAN）来预测众包实体的数量分布。然后进一步设计了基于聚类和时间加权的投票预测方法（Cluster-based Time-weighted Voting,CT-Voting）,赋予近期的历史事件以更高的时间影响力,实现对众包实体上线的空间点事件的预测。在真实数据集中大量实验证明,相较于其他基线方法,我们提出的预测框架表现出了更好的预测性能。（2）提出了集成众包知识图的强化学习任务分配框架（Reinforcement Learning framework integrating Crowdsourcing Knowledge Graph for Task Assignment,CKGRLTA）来解决空间众包中一个全新的问题:基于动态变化环境的任务分配优化问题。首先,为了表征动态变化的众包环境并描述各类实体的语义连接,本文中定义了由工人、任务、地理位置点等多种实体组成的众包知识图,设计了新颖的基于异构知识图的实体嵌入表示学习方法,准确捕捉实体的语义特征。之后将学习到的实体嵌入表征用于众包知识图的状态表示,进一步提出了有效的状态表示学习方法（Crowdsourcing Knowledge Graph to Vector,CKG2Vec）,来量化工人基于整个众包环境对任务的偏好差异,以及设计了基于局部子图的增量更新策略（Local Subgraph-based Incremental Update Strategy,LSG-Incr Update）来进一步模拟众包知识图中的实体交互及随之发生的变化,不断传递语义增量。最后在任务分配框架中集成众包知识图,基于强化学习的思想,设计了新颖的状态、动作、奖励和有效的DQN来实现空间众包的任务分配。通过真实数据集上的多组对比实验证明了我们提出的任务分配框架的有效性。