随着3G网络的快速发展和3G用户数目的迅速增长，越来越多的国内外研究人员参与到3G网络数据分析的研究中。本文使用Hadoop存储、运算平台和Hive等工具，解析海量3G网络数据，达到了90%的DPI应用类型识别率，实现了3G应用识别和不同终端的匹配，从信令面和数据面的角度研究3G网络，分析不同移动用户的行为特征，例如各类应用流量分布、各类终端流量分布、用户基站访问次数等维度的分析；接着，本文使用基站合并算法对用户移动路径中的噪音进行消除并自定义规则提取用户路径，进一步分析用户的移动性。最后，本文使用朴素贝叶斯分类器方法，在将近1TB规模的数据的支持下，通过新用户的各类应用短期流量、终端类型、移动性等特性预测其长期的流量使用情况，并通过实验进一步证明了该方法的可行性和有效性，平均预测准确性可以达到80%以上。本文的方法克服了大规模数据存储和操作困难的缺点，并从更丰富的用户特征来预测用户长期的流量使用情况，不仅能为研究人员，也能为业界提供有力的技术背景支持。