1.一种众包环境下的多阶段任务分配方法，其特征在于，包括：

基于众包工人的历史运动轨迹，利用预先训练的基于深度学习的轨迹预测模型，对众包工人未来预设时间段的运行轨迹进行预测；

基于发布的众包任务以及众包工人的预测运行轨迹，通过匹配计算确定每个任务点的候选机会式工人集合；以及，以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，获得众包任务对应的最佳工人，实现离线任务分配；

将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，并基于打包后任务集中若干任务的中心位置，从剩余的未分配任务的工人中进行任务分配，实现在线任务分配；

所述通过匹配计算确定每个任务点的候选机会式工人集合，具体为：基于发布的众包任务的任务点相关信息，以及众包工人在未来预设时间段内运行轨迹对应的轨迹点，利用Geohash算法确定每个任务点对应的候选机会式工人集合；

所述将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，具体为：基于众包任务对应任务点的地理位置信息进行Geohash编码，根据精度范围要求，确定编码长度，在指定半径范围内对其所覆盖范围半径内的任务进行打包，将其覆盖区域的Geohash编码的中心位置作为打包后的任务的中心位置；

所述离线任务分配的执行阶段为所述预设时间段内；所述在线任务分配的执行时刻为所述预设时间段结束前的预设时刻；

所述候选机会式工人的确定需满足如下约束：

候选机会式工人在在线任务分配执行前完成分配任务；以及候选机会式工人在众包任务的感知范围内；

所述以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，具体为：选择能单个完成多任务的候选工人，在保证最大化完成任务空间覆盖率的同时将招募机会式工人的预算的花销降到最低。

2.如权利要求1所述的一种众包环境下的多阶段任务分配方法，其特征在于，所述基于深度学习的轨迹预测模型采用长短时记忆网络，以众包工人的历史运动轨迹为输入，获得预测的运行轨迹。

3.一种众包环境下的多阶段任务分配系统，其特征在于，包括：

轨迹预测单元，其用于基于众包工人的历史运动轨迹，利用预先训练的基于深度学习的轨迹预测模型，对众包工人未来预设时间段的运行轨迹进行预测；

离线任务分配，其用于基于发布的众包任务以及众包工人的预测运行轨迹，通过匹配计算确定每个任务点的候选机会式工人集合；以及，以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，获得众包任务对应的最佳工人，实现离线任务分配；

在线任务分配，其用于将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中仍未完成的众包任务基于地理位置进行打包，并基于打包后任务集中若干任务的中心位置，从剩余的未分配任务的工人中进行任务分配，实现在线任务分配；

所述通过匹配计算确定每个任务点的候选机会式工人集合，具体为：基于发布的众包任务的任务点相关信息，以及众包工人在未来预设时间段内运行轨迹对应的轨迹点，利用Geohash算法确定每个任务点对应的候选机会式工人集合；

所述将离线任务分配后且在线任务分配启动前未分配的众包任务以及在线任务分配启动时，离线任务中未完成的众包任务基于地理位置进行打包，具体为：基于众包任务对应任务点的地理位置信息进行Geohash编码，根据精度范围要求，确定编码长度，在指定半径范围内对其所覆盖范围半径内的任务进行打包，将其覆盖区域的Geohash编码的中心位置作为打包后的任务的中心位置；

所述离线任务分配的执行阶段为所述预设时间段内；所述在线任务分配的执行时刻为所述预设时间段结束前的预设时刻；

所述候选机会式工人的确定需满足如下约束：

候选机会式工人在在线任务分配执行前完成分配任务；以及候选机会式工人在众包任务的感知范围内；

所述以能够完成的任务数量为选择指标从候选机会式工人集合中进行工人选择，具体为：选择能单个完成多任务的候选工人，在保证最大化完成任务空间覆盖率的同时将招募机会式工人的预算的花销降到最低。

4.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑2任一项所述的一种众包环境下的多阶段任务分配方法。

5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑2任一项所述的一种众包环境下的多阶段任务分配方法。