随着商业互联网的蓬勃发展以及移动通信技术的快速升级,人们可以随时随地完成一系列众包任务,例如汇报当前道路堵车信息以及当前该区域的天气信息等。这些任务带有明显的时间和空间属性,从而产生了时空众包这一计算范式。时空众包不仅方便了人们的日常生活,也推动了像美团、优步等时空众包平台的发展,在今后智慧城市建设中发挥着日益重要的作用。在时空众包中,任务分配不仅是基础,更是关键所在,一个合理的任务分配,是时空众包得以成功的重要保障,因此,越来越多的专家和学者们开始研究时空众包任务分配问题。然而,由于传统研究下的任务数据传输大多是从终端直接到云端,因此会存在传输时延过长的问题;此外,传统的众包任务分配研究主要是在固定的时间间隔内进行,并没有与现实生活中任务和工人动态出现的情况相贴合,因此导致众包任务分配效率低下,从而这也使得人们参与众包任务的积极性大大降低。因此,为了有效解决上述的两个问题,本文提出了一种基于雾计算的时空众包动态分配算法。本文的研究内容如下:（1）提出了一种新颖的云-雾-Io T的三层雾计算任务分配架构,发挥临近用户雾节点的优势,减小任务处理的时延;（2）利用深度学习中的门控循环单元（GRU）模型,可以更准确的预测未来时刻的任务数量;（3）运用强化学习中深度Q网络（DQN）和双重深度Q网络（DDQN）设计自适应时间分批处理算法动态地调整每个时间批次的大小;（4）应用Kuhn-Munkres（KM）算法匹配每个时间批次中的任务和工人,从而使平台的收益在总体上最大。