随着无线通信技术的迅猛发展,越来越多的用户使用智能手机上网,同时城镇化的快速发展也使得人们的移动范围越来越大,给城市规划、道路和基站建设带来了新的挑战。为了合理的进行城市规划和基站建设,必须充分了解用户的移动行为。然而,城市空间中用户众多,用户个体之间的行为差异性大,使得研究个体行为的意义有限。实际网络中,将所有用户作为整体来研究,会呈现出一定的移动规律。为了合理建设城市和规划现有网络,需要对用户移动行为进行深入的分析和建模,并基于用户移动行为改进现有的城市建设,并对未来作出指导。本文主要通过蜂窝无线网络中采集的深度包解析数据,对用户的移动性进行分析,并挖掘城市的兴趣区域,主要研究内容及创新点包括:首先,给出了蜂窝网络中典型的四种数据类型及其内在价值,接着介绍了大数据存储技术HDFS、计算技术Spark、Web技术SSM框架,并搭建了用于数据分析和算法实现的大数据平台。其次,对用户的移动性进行了详细的分析,包含移动距离、移动范围以及移动模式,并对比了不同发达程度的城市之间用户移动性的差异,结果表明:用户移动距离近似符合幂律分布,回转半径近似符合指数分布,轨迹凸包面积近似符合截断幂律分布,且城市经济越发达,其用户的移动性越强。用户轨迹的频繁模式表明,移动模式与时间有很强的关系,一天中不同的时间人们具有不同的移动规律。然后,利用高斯混合模型来挖掘城市的功能区,以基站区域的用户移动行为作为特征,建立了基站用户数与功能类型之间的关系,挖掘出基站区域属于每种功能类型的概率分布,然后对各功能区域的用户移动行为进行研究。研究结果表明:该模型可以挖掘出城市中具有典型用户移动特征的所有功能区。最后,给出了一种基于概率的HITS模型来挖掘城市中的兴趣区域,并使用Spark实现模型的分布式计算,挖掘出工作日和节假日、一天内不同时刻不同功能类型的兴趣区域,并对兴趣区内用户移动行为进行研究。研究结果表明:工作日和节假日、一天内不同时刻的兴趣区域分布存在一定差异,但是主体区域变化不大,而且不同功能类型的兴趣区具有不同的用户移动特征。论文基于蜂窝网络中采集的海量深度包解析数据从多个维度研究了用户的移动行为,分析结果可以为城市规划、基站建设提供指导,促进城市的快速发展,提高蜂窝网络资源的利用效率。