随着通信技术的进步和移动设备的广泛应用,移动互联网已经渗透到生活的点点滴滴,彻底颠覆衣食住行等领域的传统模式,日益火热的群智感知应运而生,在收集、分析和处理大量数据的场景下具有极大的优势。由于移动设备所处的环境不断变化,因此如何面向时空约束有效的进行用户激励是一个富有挑战性的问题。首先,感知任务存在显性时空关联性和隐性时空关联性;将显性时空关联的用户激励问题转化为集合覆盖问题,基于贪心算法来解决显性时空关联的用户激励问题;利用马尔可夫模型对用户进行时空预测,结合显性时空关联算法和马尔可夫预测模型,解决隐性时空关联的用户激励问题。然后,仿真数据实验和真实数据集实验证明显性时空关联算法和隐性时空关联算法的有效性。最后,基于时空关联性的的用户激励机制确保高质量数据的获取,系统整体的稳定性和健壮性。感知任务发布时考虑预算因素,如何在预算限制的情况下激励高质量的用户成为研究的问题。首先,结合信息熵模型和马尔可夫模型充分利用用户历史轨迹来预测用户的时空状态,结合集合覆盖和时空状态两个角度定义用户集对感知任务的贡献度,提出基于贡献度的贪婪算法激励预算限制下贡献度最大的用户。然后,仿真数据实验证明预算限制下高质量用户激励算法的有效性。最后,预算限制下的面向时空约束的用户激励机制降低系统成本,实现系统与优质用户双赢的局面,促进系统的良性循环。对比现有工作,本文创新性的研究显性和隐性时空关联下的用户激励机制,并充分考虑预算限制,仿真数据实验和部分真实数据集实验表明,基于时空关联性的用户激励机制以及预算限制下面向时空约束的用户激励在总花费、用户选择数、迭代次数以及总贡献度都要明显优于其他传统算法。本文所提的面向时空的用户激励机制实现群智感知平台与用户协同合作、互利双赢的目标,保证整个互联网高效稳定运行,并为后续研究提供建议和思路。