学位论文简介
近年来，空间众包已成为一种广受认可的新兴经济范式。现有的单平台空间众包模式受限于自身资源与单一分配机制，面临着工人和任务时空分布不均、响应延迟以及平台间“数据孤岛”导致的服务瓶颈等问题。为解决上述挑战，本文面向跨平台空间众包，从动态任务分配、工人激励机制、智能招募决策、轨迹数据感知等方面展开研究，主要创新性研究成果如下：
为解决空间众包中工人和任务时空分布不均的问题，构建了跨平台动态任务分配框架。引入混合批处理机制与跨平台激励机制，在此基础上，提出了基于Kuhn-Munkres算法的最优分配方法与密度感知的贪心分配算法，实现了全局分配效率与平台收益的平衡优化。
为提升高价值任务筛选过程的自适应能力以及外部工人的参与积极性，建立了基于智能决策的外部工人招募机制。提出了自适应阈值选择方法，设计了基于博弈的任务分配算法和基于模拟退火的优化算法，在保障各参与主体收益的同时，显著提升了全局分配效率与公平性。
为应对跨平台场景中基于工人移动轨迹的任务分配面临的模型复杂性高、求解困难等挑战，提出了轨迹感知跨平台分配框架。在本地平台中，利用基于Traclus的轨迹划分算法将工人轨迹划分为子轨迹，实现本地任务的高效实时分配；未匹配的剩余轨迹片段与滞留任务将上传至第三方平台。在第三方平台中，设计了基于形状相似性和空间相似性的轨迹片段聚类算法，进而提出面向轨迹簇的全局分配优化策略。此外，提出了两种任务匹配算法以适应不同场景下对分配精度与响应速度的差异化需求。
主要学术成果
Tianyue Ren, Xu Zhou, Kenli Li, Yunjun Gao, Ji Zhang, Keqin Li. Efficient Cross Dynamic Task Assignment in Spatial Crowdsourcing[C]. 2023 IEEE 39th International Conference on Data Engineering (ICDE). 2023: 14201432. (CCF A 类会议，第一作者)
Tianyue Ren, Zhibang Yang, Yan Ding, Xu Zhou, Kenli Li, Yunjun Gao, Keqin Li. Win-Win Approaches for Cross Dynamic Task Assignment in Spatial Crowdsourcing[J]. IEEE Transactions on Knowledge and Data Engineering (TKDE), 2025. (CCF A 类期刊，第一作者)
Yang Huang, Yumeng Liu, Xu Zhou, Tianyue Ren, Zhibang Yang, Keqin Li, Kenli Li. Optimizing Dynamic Task Assignment in Spatial Crowdsourcing: Bilateral Preference-aware Approaches[J]. IEEE Transactions on Mobile Computing (TMC), 2025. (CCF A 类期刊，通讯作者)
