1.一种基于DQN的时空众包任务分配方法，其特征在于该方法包括以下步骤：步骤1、从环境获取到工作者Wi和其可选择的任务列表Ti；具体包括：步骤1.1、在时刻i，请求者发布时空众包任务到众包平台中；

步骤1.2、在某一工作者Wi到来后，获取到一系列的众包任务；

步骤1.3、根据约束，筛选为一个可选任务列表Ti；

步骤2、提取工作者Wi的特征向量和可选任务列表Ti的特征向量，连接成特征向量fsi，具体步骤如下：步骤2.1、提取可选任务列表Ti的特征向量fti；

对于回报，表示为该任务的收益在所有可用任务中的排名；

对于成本，考虑为两部分，一部分是拾取成本，即获取任务在所有的任务中的排名；另一部分是交付成本，即完成任务在所有的任务中的排名；

对于任务类型，考虑任务发起在一天的不同阶段；

对于位置，通过geohash方法对它们进行编码；

步骤2.2、提取工作者Wi的特征向量；

将工作者Wi的特征向量fwi表示为其最近完成任务的特征的加权均值；

步骤2.3、将工作者Wi和可选任务列表Ti的特征向量组合成完整的特征向量fsi；通过联合fti和fwi，获得了fsi；将fsi作为DQN的输入；

步骤3、通过神经网络预测出推荐给Wi的可能性，具体步骤如下：步骤3.1、将特征向量fsi分别放入代表工作者的Q网络和代表请求者的Q网络中，预测出推荐行为(ai)在两个网络的分数；

在所述Q网络包括第一线性层、第二线性层、第三线性层、第一soft‑attention层、第二soft‑attention层、第一self‑attention层和第二self‑attention层；其中：第一线性层、第二线性层之间为第一soft‑attention层和第一self‑attention层；第二线性层、第三线性层之间为第二soft‑attention层和第二self‑attention层；

第一线性层用于将特征向量fsi转化为更高维度的特征；

层数为8的第一soft‑attention层和层数为8的第一self‑attention层用于计算工作者Wi与可选任务列表Ti间不同组合的特征权重；

第一self‑attention层后为第二线性层，有助于保持网络的稳定；

第二线性层之后层数为1的第二soft‑attention层和层数为1的第二self‑attention层，使得Q网络能够计算工作者Wi与可选任务列表Ti间的高阶成对交互；

第三线性层将每个元素的特征简化为一个值；

步骤3.2、将两个分数加权平均后，排序成一个推荐列表；

步骤4、当工作者Wi获得推荐列表后，认为Wi按照顺序依次浏览后，选取其中一个完成；

步骤5、根据工作者Wi完成任务的情况，量化推荐列表作为评价(ri)；

步骤6、统计成功的转移过程(Si，ai，ri，Si+1)和失败的转移过程(Si，ai，0，Si+1)，将其放入训练池中；

步骤7、使用训练池中的数据，训练代表工作者的Q网络；

步骤8、使用训练池中的数据，训练代表请求者的Q网络；

其中在步骤2.2中：在已完成的任务中，工作者Wi完成的时间离时刻i越近，特征向量的占比越高。

2.根据权利要求1所述的一种基于DQN的时空众包任务分配方法，其特征在于，在步骤

2.2中：

在不同的时刻，可选任务的数量是不同的，限制任务的最大数量，设定为maxT；

当可选任务的数量不够时，使用0进行填充，以固定fsi的数量。