高维矩阵型时间序列数据集在现实生活中无处不在,在对城市交通状态和空气质量的监测、社会关系网络、动态进出口网络等领域都广泛存在。其数据的广泛性吸引了大批的研究者们对高维矩阵型时间序列数据集的研究和分析。近年来研究者们针对高维矩阵型时间序列数据建立了具有因子结构的时间序列模型,并将高维矩阵型时间序列数据的因子模型广泛应用于大数据的相关分析,受到越来越多的关注。虽然目前相关的研究工作大多数都集中在对向量值时间序列数据上,但对于矩阵值或高阶张量时间序列数据集的研究也在逐渐普遍。Wang等提出了关于矩阵型时序数据的因子模型,模型在实现显著降维的同时又保证了数据的矩阵结构和时间动态,相关学者对此模型的估计方法和相关理论进行了诸多研究。本文针对Wang等提出的矩阵型时序数据的因子模型,提出了四种满足模型可识别的假设条件,通过比较本文应用了拟似然的估计法求出了参数的估计,并通过模拟验证了估计的有效性。最后,本文将模型应用于我国省际之间的人口流动网络数据中,并研究了其网络结构的动态变化规律。