空间轨迹数据能够反映了人类日常活动信息和活动规律。大量的用户物理空间位置信息和移动轨迹数据,构成了基于位置的社交网络,蕴含着丰富的用户个体行为特征以及群体用户社交行为规律的信息,通过对社交网络进行深入的分析与挖掘,不仅可以从微观角度发现个体的行为规律,还可以从宏观角度发现群体(社区)的共性特征。因此,研究基于用户时空行为日志数据的用户社交关系及演化规律,对个性化推荐、应用服务推荐、群体事件检测、群体行为分析等具有重要的意义。本文的主要工作包括以下几个方面:(1)提出了基于行为轨迹数据的用户网络构建方法。表示学习旨在将研究对象的语义信息表示为稠密的低维实值向量,是准确刻画研究对象的有效方法之一。本文首先采用关联规则的相关模型和方法,对空间轨迹数据进行兴趣区域的分析及标准化;然后,引入自然语言处理领域的词表示方法(Word2vec),提出SpaUser2Vec模型,对空间个体行为进行向量化表示,应用向量之间的运算方法构建用户个体之间的关系网络。(2)提出了基于行为轨迹数据的用户网络的演进方法。首先对用户关系变化趋势进行分析,提出了基于层次聚类的趋势聚类方法,分析关系网络中个体之间关系变化的趋势。而后,对用户社区演化的分析,采用时间片划分和Louvain社区发现算法对用户社区的演化进行分析,进行社区发现结果的评估,发现影响用户社区演化的主要因素。(3)进行了实证分析。本文采用某高校学生个体空间轨迹数据对本文提出的方法和模型进行实验,实验结果表明,本文提出的方法能够有效的表示学生个体的行为特征;能够从微观角度反映个体之间的关系变化趋势;也能够从宏观角度体现关键事件对社区演化的影响。因此,本文基于空间轨迹数据的社交关系分析与挖掘研究,对个体行为分析和群体事件检测具有重要的理论意义和应用价值。