空间众包中预算感知的在线任务分配

移动互联技术的普及催生了各类空间众包应用。其中部分应用服务于请求者（预算提供方），他们向平台提交一批任务与固定预算，期望寻找合适工人以最大数量完成任务。平台着重优化分配策略，以寻找预算消耗更少的工人-任务配对来满足请求者需求。现有关于带预算约束任务分配的研究多聚焦于静态离线场景，其中所有工人与任务的时空信息预先已知。然而，真实空间众包平台上工人通常动态出现，现有方案难以应对。本文正式定义了空间众包应用中一个新颖问题：预算感知在线任务分配（BOA）。BOA旨在预算约束下最大化已分配的工人-任务配对数，其中工人动态出现在平台上。为解决BOA问题，我们首先提出一种高效的基于阈值的贪心算法Greedy-RT，其利用随机生成的阈值来剪枝具有较大出行成本的配对。与简单贪心算法相比，Greedy-RT在对抗模型中表现良好，但其在随机模型中不稳定，因为随机生成的阈值可能导致匹配规模质量较差。我们随后提出改进算法Greedy-OT，其可从历史数据中学习近似最优阈值，从而在两种模型中均显著提升匹配规模。最后，我们在真实与合成数据集上通过大量实验验证了所提方法的有效性与高效性。