随着传感、通信和移动计算的进步,移动群智感知(Mobile Crowdsensing,MCS)成为新的感知环境、收集数据和提供信息服务的模式。当今,移动互联网发展迅速,有许多大规模和复杂的感知任务需要拥有专业技能的人士才能完成,而MCS可以通过一组移动用户嵌入在其中的传感器,以协作方式来执行大规模的感知任务。移动群智感知平台由于其低成本,覆盖范围广和高感知精度特性,具有广泛的应用前景和优于传统传感器网络的巨大优势,应用在环境监测、野生动物栖息地监测、实时交通跟踪、污染监测、灾害管理等诸多方面。在MCS应用中,请求者发布感知任务并提供奖励以激励参与者,参与者是执行感知任务的移动用户,并向平台提交感知数据,平台负责管理任务并协调请求者和参与者。在MCS应用中,空间位置在参与者的潜在成本中占有主导地位,并且对MCS任务感知结果的质量也起着重要的作用。因此,如何降低MCS任务的感知成本,特别是旅行成本,减轻了参与者用户和请求者的负担,成为提高整个资源效率的关键问题。尤其是在多任务分配环境下,考虑到时空多样性和相关约束,这使得很难选择合适的工人来执行任务,这一问题变得更加复杂和具有挑战性。并且现有的研究大多数基于静态场景,即在任务分配前工人与任务的时空信息已全部获知。但在真实应用场景中,工人和任务都会动态出现,并会随时离开。当工人的位置远离任务时,不仅会降低任务分配的成功率,还会增加工人的时间成本和旅行开销。准确的移动性预测在研究中变得越来越重要,没有将实时位置与历史移动轨迹结合,使预测的移动轨迹准确性低。针对上述任务分配研究中存在的挑战和问题,论文主要内容包括:(1)基于半马尔科夫模型预测的任务分配算法:本文提出了基于半马尔科夫预测的动态任务分配问题,其目的是降低工人的旅行开销,并提高系统总效用。首先使用半马尔科夫模型估计工人和任务的位置分布。然后,设计了一个基于预测的任务分配算法(Dynamic task assignment,DTA),根据工人-任务匹配对的连接概率以及旅行开销,定义了效用函数,在满足时间约束的条件下,选择效用最大的工人-任务匹配对。通过真实数据集的实验结果表明,DTA算法在系统总效用和旅行开销方面拥有更好的性能。(2)基于注意力机制的神经网络预测的任务分配算法:提出了一种新的MCS基于预测的任务分配框架,通过利用同步感知方式来显著降低旅行成本。首先,本文使用基于注意力机制的神经网络模型根据历史和当前的签到记录捕获用户的生活模式。基于预测出的移动轨迹,将原来的任务分配问题转化为模式匹配问题。为了权衡两个优化目标旅行开销和任务覆盖率,提出了基于贪心的最优分配方案,命名为GTA算法。最后,在两个真实数据集进行综合实验,验证了本文提出GTA算法的有效性。