近年来,计算机和通信技术飞速发展,5G也日趋成熟,促使着智能设备的迅速普及,各式各样的移动众包平台进入大众视野,例如滴滴打车、美团外卖、Foursquare等,涵盖了众多应用领域。相比于AMT、Wikipedia等早期的传统众包平台,移动众包应用的任务特征和工人行为更加复杂并具有动态性。对于任务请求方在众包平台所发布的任务,众包工人“自由”、“自愿”地选择接受或拒绝任务是众包应用场景的一个基本特征,因此有效的任务分配策略是决定任务能否成功地被所需数量的工人接受并完成的关键因素。在移动众包应用中,任务的时效性、任务位置动态分布、工人移动轨迹不确定性等复杂多变的时空因素,以及工人的兴趣爱好多样性等个性化因素,都为移动众包任务分配这一核心问题提出了挑战。本文针对移动众包动态场景以及工人自愿接受任务的原则,构建基于用户轨迹预测的移动众包任务分配模型,其主要包括移动用户轨迹预测算法和任务分配算法。主要工作如下:1.提出移动用户上下文相关的轨迹预测算法。本文通过对工人历史轨迹数据进行挖掘,分析出工人上下文相关的移动模式,并构建工人上下文相关的移动规则:最后根据移动规则对工人将要到达的位置区域进行预测,为接下来的移动众包任务分配提供基础。2.基于移动用户轨迹预测方法所得的工人下一步到达的区域,本文提出若干种将区域内的任务分配给到达这个区域工人的算法,分别是基于任务数量最大的任务分配,旨在使分配出去的任务数量尽可能的最大化;基于工人质量最优的任务分配,目的是使得分配出去的任务收集回来的答案准确率尽可能的高;基于成本最优的任务分配,该方法既保证收集回来的任务答案质量较高,也能确保工人的距离成本不会太大。3.本文选择了社交网站Gowalla收集的时空数据和移动众包实验平台收集的真实任务分配数据作为实验数据集,分别对提出的移动用户轨迹预测算法和任务分配算法进行了对比实验和验证。结果表明,本文提出的模型算法有较好的准确性和分配结果。基于用户上下文轨迹预测的移动众包任务分配方法,通过预测移动用户的轨迹位置,移动众包平台可以将时空任务分配给最有可能去执行该任务的工人,提高工人接受任务并完成任务的概率,最终提高时空任务分配的成功率。最后本文选择了真实世界的数据作为实验数据集,对提出的基于移动用户轨迹预测的任务分配模型进行了对比实验和验证,实验结果表明,本文提出的算法都有较好的运行效果和效率。