随着定位技术、无线通讯和互联网等相关技术的飞速发展和逐渐成熟,人们已经收集了来自不同类型对象的大量移动数据。随着移动对象的数据逐渐增长,对数据的分析和理解在很多领域有了更加深刻的影响,如生态学研究、交通管理、移动通讯管理和重点人群监控等。不同对象的移动规律分析和挖掘的角度可以分为群体层面和个体层面两个层次。从宏观群体层面向下看,由于个体行踪往往受其所在的特定群体的行为影响,群体行为的挖掘结果能够为个体行为的挖掘和解释提供指引;从微观个体层面向上看,由于群体是由一系列具有相似行为的个体所组成,群体行为通常是由一系列的个体行为在群体层面上的综合表现,对个体行为的挖掘可以为群体行为挖掘打下坚实的基础。综合基于位置数据的行为模式挖掘相关研究背景和现状分析,不难发现群体行为模式和个体行为模式的分析和挖掘虽然出发的角度和层面不尽相同,但却拥有同样重要的作用和影响。因此,本文从宏观和微观两个角度、群体和个体两个层面分别进行了相关行为模式挖掘算法的探索、研究以及成果可视化。本文主要工作分为如下三部分:(1)针对一类规模相对较大、日常行为相对稳定、活动范围具有一定封闭性的正式群体,本文提出了一种基于多源数据的人群分布预测方法。首先,将不同类型数据相互融合、剔除异常位置数据、统一数据格式并根据一定采样频率统计人群分布历史数据;其次,从群体自身特点与环境因素(天气和特殊活动信息)两方面分析影响群体行为的主要因素,选取特征信息建立特征空间;其次,基于皮尔逊相关系数进行数据有效性检测,结合历史数据与更新数据选取适当训练集;在此基础上,采用基于贝叶斯分类器及最大后验准则的预测器给出初步预测结果;最后,引入基于误差的学习方法对初步预测结果进行修正,以适应群体行为的近期变化趋势。在实验环节,以高校群体为例,采用上海某高校闵行校区的多源数据对师生群体分布情况进行了分析和预测,验证了上述方法的有效性。(2)针对典型的个体行为模式—周期行为,本文提出了一种包含数据预处理、周期检测和周期行为挖掘三个阶段的检测算法。a)在数据预处理环节中,针对位置数据中可能包含的异常位置数据偏差过大和采样不均匀问题,提出了异常位置数据修正算法和基于分层均值插补的非均匀数据重采样算法;b)在周期检测环节中,针对移动对象在同一地点的位置数据并不完全相同的问题,首先设计了基于核函数的参考地点检测方法并基于参考地点将时空数据转化为二值序列;其次引入离散傅里叶变换与自相关函数结合的方法完成二值序列的周期检测;c)在周期行为检测环节中,首先采用周期与类别分布矩阵共同表示一个周期行为;其次引入KL距离计算类间的差异程度并通过层次聚类法完成由二值序列到不同周期行为的聚类过程,其中周期行为的数目由检测代表性误差来确定。在实验环节,采用了上海市某区中小学生的移动历史数据验证了上述个体行为模式挖掘算法的有效性,实验结果与学生的实际日常行为吻合。(3)针对本文算法的实验结果,开发了一套基于Java Web的行为模式挖掘展示系统。通过交互的地图及热力图、动态折线图、可选累积柱状图、多功能表格等形式帮助用户直观了解相关技术与成果。首先,基于MVC设计模式搭建整个系统;其次,设计并实现系统主要功能模块以及可扩展的数据库结构;最后,部署到Tomcat服务器上进行网页测试并给出实例展示。