移动通讯技术和定位技术的发展使得研究者可以获取大量人群的移动数据、捕捉用户的移动轨迹。这些带有用户行为特征的轨迹数据通过挖掘可以得出很多有意义的结论。在过去的一些工作中,研究者往往关注更多地是人群移动模式中的常规模式,这些研究能揭示群体行为的一般规律。同时,有着长尾分布的一些不常见移动模式常常被研究者忽视。大规模活动会引起一个群体表演出异常移动模式,而通过挖掘这些异常模式的出现规律和在总体中的分布状况,是否可以反向地检测大规模活动?针对该问题,本文提出一种基于个体移动模序异常的大规模活动检测模型,可以利用大规模活动对群体移动的影响规律在用户轨迹数据集上完成大规模活动检测。研究首先基于某高校校园网WIFI数据和一卡通交易数据通过数据融合,解决数据重合和数据冲突的问题,利用数据互补生成用户移动轨迹。经过半监督聚类进行用户筛选后,使用语义聚类和模序提取算法为每位用户构建移动模序集合。根据集合的统计分析结果提取异常模序特征并添加额外特征构建模型的训练数据集。在该数据集上使用交叉验证组织数据,利用欠采样和阈值移动法解决样本不均衡问题,然后利用改进的梯度提升决策树(GBDT)算法预测每一天每一个建筑是否举办大型活动。最终对比本文模型和常规的人群聚集算法,证明本文模型获得了更好的预测效果。研究一方面深入研究了人类群体的移动模式,进一步揭示了人类移动与外界因素的影响规律。另一方面这种对无备案的大规模聚集性活动检测也对以监管为主的新型公共安全事件管理有重要意义。