随着移动终端技术的不断发展,移动互联网用户的数量呈现飞速的增长,越来越多的用户通过移动终端,比如手机、平板电脑等设备,从互联网中获取自己需要的资源。这个过程会产生海量的移动通信数据,通过分析这些移动性数据,我们可以掌握用户的移动规律和活动轨迹,深入理解用户的行为特征和移动模式,帮助我们实现移动互联网用户的移动性预测。移动性预测模型的研究是理解人们日常生活习惯、社交关系、个人喜好等行为的重要课题,可以帮助我们解决如应用推荐、疾病预防、城市规划、人口迁徙、国防建设等各种实际问题,对促进移动通信技术的发展有着积极的影响和重大的研究意义。移动通信的过程中,用户产生的数据是海量的,传统的数据处理技术已经无法满足我们的存储和分析要求。所以,本文通过Hadoop分布式软件平台来实现对用户的移动性数据的分析和预测。本文首先介绍了 Hadoop的架构,及其进行大数据存储和计算的基本流程和工作原理。在基于Hadoop的平台上,构建了移动互联网用户的移动性预测模型。随后,研究了用户轨迹里重要位置的提取方法,并基于Point of Interests(POI)识别率指标对这些算法进行了评估与对比,选取出最理想的方法完成了数据的预处理。接着,本文对移动互联网用户进行了移动性分析,来判断用户位置的可预测性。并在熵算法基础上提出了瞬时熵与转移概率结合的算法,完成了对用户轨迹里的每个访问位置的可预测性的判断。可预测性分析的实验结果为移动性预测提供了有力的依据。最后,本文实现了移动互联网用户的移动性预测,并针对传统算法的缺陷提出了改进预测性能的方法,提高了移动性预测的准确度。