空间众包由工人、任务请求者和平台组成,有效的任务分配算法能够兼顾三方利益,实现分配效果全局最优。任务分配问题最大的难点在于动态性,任务是随机出现且有时效性,工人自由地加入或离开,导致平台无法及时获取工人和任务相关信息,增加任务分配的难度。如何在动态情况下实现更好的任务分配效果,仍然是一个尚未完全解决的问题。本文针对该问题开展了以下工作:首先,针对空间众包模型理想化问题,本文结合应用背景,提出合理的工人和任务模型。为工人增加技能属性,任务增加类型属性,根据二者匹配程度赋予不同的分数,在此基础上将其建模为一个以最大化任务分配总分数为目标,受工人和任务时间和空间约束的优化问题。采用批处理模式进行任务分配,在每个时间片,将最大分数问题转化为二分图匹配问题。其次,针对批处理模式下任务分配局部最优的问题,本文提出基于预测的任务分配算法,即在任务分配中,通过历史数据对未来时间片的任务分布情况进行预测,使工人不断地出现在任务较多的区域,提升任务分配的效果。再次,由于工人会有欺骗行为,导致任务完成存在失败的概率,本文提出可靠性来衡量任务完成概率。可靠性定义包含工人可信度、任务类型和工人技能匹配程度。工人可信度由初始可信度和完成任务情况决定,对工人完成的任务记录,实现可信度的动态更新;同时,可靠性受到任务类型和工人技能的影响,当工人技能和任务类型一致时,可靠性会增加。进而提出基于可靠性的任务分配算法,提升可靠性高任务分配的优先级,降低任务完成失败的概率,提高任务完成数量和质量。最后,使用真实的数据集对提出的算法的性能进行评估,本文通过与其他算法的对比,验证提出算法在提高任务分配效果中的有效性。