随着智能移动设备的日益普及和无线网络技术的飞速发展,时空众包（Spatiotemporal Crowdsourcing）作为一种新兴的众包模式应运而生。在时空众包中,时空任务分配是直接关乎平台收益与用户体验的核心研究问题。传统的时空任务分配方法通常仅基于当前时刻可用参与者和任务,依靠参与者明确的移动模式进行任务分配。然而,时空任务往往在未来执行,提交时间和执行期的时间跨度较长。同时,参与者的未来移动模式通常是动态且随机的。因此,传统任务分配方法仅可得到局部最优解。为提升分配质量,基于预测的时空众包任务分配方法受到越来越多的关注。该方法通过对未来状态进行预测,在匹配参与者和任务时同时考虑当前时刻与未来状态,进而提升时空任务全局分配质量。然而,当前基于预测的时空众包任务分配方法仍面临以下亟待解决的难题。第一,由于移动模式的动态性和随机性、较长的预测时间跨度、多属性共因等因素,对未来状态的准确预测往往是极其困难的。第二,针对难以实时获取动态轨迹的现实复杂场景,如隐私敏感平台,传统方法由于轨迹数据缺失致使难以预测未来移动模式,影响任务分配质量。第三,由于预测偏差、参与者放弃执行等原因,导致已预约参与者缺席等突发情况发生,降低了原分配方案的可靠性。为解决上述难题,本文开展了三个主要研究工作,具体贡献如下:（1）为提高预测准确度,将除轨迹外其它动态属性引入预测过程中,提出了基于参与者位置和偏好联合预测的时空众包任务分配方法。针对参与者位置和偏好均具有动态性的问题,提出了多属性联合预测模型,通过捕捉长期和短期信息对预测的影响提高了位置和偏好预测的准确度。在此基础上,设计了基于贪心策略的多属性联合任务分配算法,实现了最大化平均任务完成数量的目标,并分析了算法的时间复杂度和理论近似率。为验证所提出方法的有效性,本文在多个真实GPS轨迹数据集和签到数据集上实验。结果表明:与独立预测参与者位置和偏好的方法相比,本文提出的联合预测模型同时提高了位置和偏好预测的准确度;在改变任务和参与者限制条件下,相较于对比方法,将平均完成任务数量提高了 40%以上。（2）针对部分时空众包平台出于隐私保护而难以采集参与者轨迹的情况,提出了基于图神经网络预测的时空众包任务分配方法,利用历史匹配信息辅助预测,提高了预测准确度。面向基于事件的社交网络场景,设计了一种基于图神经网络的匹配度预测模型,通过归纳式学习方式,基于历史匹配信息挖掘参与者和任务的匹配模式,进而预测与新任务的匹配程度。以此为基础,设计了基于贪心策略的任务分配算法,在同时满足参与者和时空众包任务双方约束下,最大化全部任务匹配度。为验证所提出方法的有效性,本文在多个基于事件的社交网络数据集上测试和评估。结果表明:本文提出的匹配度预测模型在预测准确度上均优于现有预测模型,且发现任务的时空属性对预测有益;在任务分配方面,所提方法均优于现有方法,获得了更优质的分配集合,提高了用户体验。（3）针对因突发事件致使原分配方案质量受损情形,提出了面向参与者缺席的时空众包任务动态重分配方法,保障了分配策略可靠性。由于预测时间跨度较长,预约的参与者可能因临时事件或预测偏差而缺席,进而影响原分配方案质量。为了打破分配不变性准则,本文设计了主动和被动监听组件,动态判断是否出现上述情形,触发重分配任务。同时,设计了两种候选参与者和任务的选择方法,缩小了可行解的搜索范围,加快了调整速度。为实现重分配过程中最小化调整且最大化总匹配度的目标,本文使用多目标优化算法优化重分配方案。为验证所提方法有效性,本文在三个真实数据集上对时空任务重分配方法进行了测试和评估。实验结果表明:无论在单触发任务还是多触发任务情形,本文所提方法在保证最小化调整的同时提升了约10%的总匹配度。