随着科技的飞速发展,可穿戴智能设备如今变得无处不在,移动群智感知基于这些智能设备为智慧城市的发展提供了新的可能。如今,智能设备内置了各种价钱低廉但功能强大的传感器,如陀螺仪传感器、GPS、加速度传感器、相机和麦克风等。移动群智感知充分发挥这些智能设备的作用,合理利用这些内置传感器,把参与式感知扩展到了一个新的高度,一方面参与感知的用户收集数据,另一方面获得感知用户贡献的数据。任务分配是移动群智感知中的一个研究重点,主要研究如何将感知任务合理的分配给用户,从而保证感知质量,最大化感知覆盖率,提高移动群智感知过程的高效性。本文研究了移动群智感知中的任务分配方法,主要研究内容如下:1.提出了一种基于知识图谱链接预测的任务分配方法。首先,深入分析移动群智感知中感知用户和感知任务潜在关系特征,尤其是两者共有属性特征,建立了移动群智感知知识图谱。其次,通过基于图推理的链接预测方法挖掘感知用户与感知任务的深层链接关系,找出与感知任务相似度较高的感知用户。最后,根据预测的用户与任务契合度选择符合该任务要求的高质量感知用户,从而提高感知质量。通过在不同的数据集上进行实验,其结果表明,本文提出的方法在感知数据质量和覆盖率方面优于其他对比方法。2.提出了一种基于多模态轨迹的任务分配方法。首先,将感知用户传感器的声音数据和速度数据进行处理,与轨迹数据相结合,形成感知用户的速度灰度图和声音灰度图。其次,利用卷积神经网络将速度灰度图和声音灰度图进行融合,形成多模态轨迹灰度图,融合感知用户行为特征和区域用户覆盖特征。最后,基于多模态轨迹灰度图的覆盖相似度选择感知用户,选择相似度较低的感知用户,从而保证所选感知用户覆盖范围最大化。通过实验结果证明,本文提出的方法有效提高了区域覆盖率。3.提出了一种面向多任务并发的用户选择方法。首先,感知用户根据感知任务的位置规划自己的感知路径,基于任务要求的完成时间,选择自己要执行的感知任务。其次,根据感知用户选择的感知任务计算感知用户的相似度矩阵,利用多维缩放方法计算相似度矩阵对应的坐标系,并基于K-Means算法对感知用户进行聚类分析。最后,根据用户相似度选择感知用户,在相似度较高的感知用户中选择部分优质感知用户,从而保证所有感知任务都有充足数量的用户,满足任务对感知质量的要求。鉴于仿真实验的结果,证明该方法有效地提高了任务完成的效率,同时减小了感知用户的移动距离。