随着信息通讯技术的发展,手机成为人类日常生活不可缺少的一部分,人类活动逐渐从现实空间延伸至网络空间。伴随手机用户出行、上网产生的海量手机位置更新数据、上网流量数据为研究人类现实空间、网络空间活动提供了数据基础。融合出行和上网数据,分析上网行为、出行行为间的关联,对手机用户个体出行行为进行预测建模,有助于理解人类移动模式,为用户提供更加精准的基于位置的服务,为城市交通规划、商业设施选址等提供决策基础。个体出行行为预测建立在深入理解人类活动特性的基础上,移动互联网时代网络空间的上网行为与现实空间的出行行为密不可分,当前个体出行行为预测建模较少考虑上网行为与出行行为间的关系。本文将出行行为理解为停留和移动两个部分,分析不同出行状态与APP使用间的关系,融合上网行为特征构建了个体停留行为预测模型、出行位置预测模型。本文主要包括以下研究内容:1)提出一种数据驱动的手机用户出行行为与APP使用行为的关联分析方法。利用手机基站位置更新数据分析个体出行特征;利用手机上网流量数据分析手机用户上网使用APP类别、频次、数据流量使用规律差异;数据驱动探索分析APP组合的使用与出行行为间的关联,发现个体在出行时倾向于更频繁地使用手机上网,平均使用APP种类数约为4类,平均上网记录数高出约5次。使用导航出行类、天气类、生活服务类为主的14个APP组合后个体出行距离增长概率更高。2)提出一种融合上网行为特征的手机用户停留行为预测模型。通过时空约束定义手机用户的停留行为,在考虑个体出行行为时空偏好的同时,融合手机用户使用的APP组合、上网流量、上网次数等上网行为特征、天气信息等外部特征,从时间、空间的角度特征交叉,构建从特征到模型均具有高可解释性的手机用户停留行为预测模型,模型预测准确率为80.31%。融合上网行为特征、天气等外部因素后,比仅使用个体出行特征进行预测提升了12.08%。3)提出一种基于Markov模型与多类机器学习模型融合的个体出行位置预测模型。本文构建传统的Markov出行位置预测模型;利用出行行为特征集、上网行为特征集、外部因素特征集,分别构建CART、GBDT、RF模型。充分考虑单模型预测结果的分类概率,提出了一种基于频率分布图的自适应融合策略,融合传统的Markov模型、机器学习多分类模型的预测结果。实验结果表明基于直方图的多模型融合位置预测模型的top1、top3准确率分别为73.58%、94.15%,优于基模型和投票法融合策略,且在30分钟为时间粒度时本方法预测效果较好。