移动用户作为移动通信网络的服务对象，他们的行为一直是网络关注的重点，尤其是用户的移动行为。用户移动行为是网络在建设和服务中的重要参考。目前，第五代移动通信技术(5G)对用户的移动行为分析提出了新的要求。本文结合5G网络面临的挑战，围绕移动通信网络中用户移动行为的分析预测以及移动数据的应用展开研究，主要完成了三部分研究工作。　　首先，研究了移动用户的活动区域发现问题。由于5G将要部署密集的毫米波微基站，用户的移动会在更小的粒度上变得更加频繁。结合这一特点，本文研究了如何从转移数据中找出对用户有意义的活动区域的问题。基于这个背景，本文研究了带有噪音的社区发现问题，并设计了两种求解算法。同时，为了衡量社区划分质量的优劣，定义了反映社区内部紧密度的评价指标。算例表明本文提出的方法优于经典的社区发现算法，能够切实给出用户的重要活动区域。　　其次，研究了用户的位置预测问题和移动模式发现问题。对用户的位置预测问题，通过计算用户的移动熵，筛选可预测性高的用户，设计了一种基于马尔科夫链的位置预测算法，联合使用1阶和2阶马尔科夫链，并通过设定概率阈值提高预测的准确率。对用户移动模式发现问题，设计了一种基于聚类的用户移动模式发现算法，该算法将一个用户在某较长时段中的历史移动序列按时间单元（比如自然天）划分成子序列，定义子序列之间的距离，对各子序列的移动轨迹按距离进行聚类，并求出每一类的移动模式，从而得到用户的各种典型移动模式，有助于掌握用户的惯常移动行为。使用实际用户的移动转移数据对所提出的算法进行了仿真实现和性能分析，验证了方法的可行性和有效性。　　最后，研究了5G移动系统中将会面临的跟踪区灵活划分问题。提出了两种跟踪区划分算法。一种是基于谱方法的跟踪区划分算法，将跟踪区划分问题转化为对分组大小和形状有要求的图划分问题，使用谱划分思想得到满足要求的划分。另一种是基于位置矩阵的跟踪区划分算法，提出了基站小区位置矩阵的概念，并在位置矩阵上实现对跟踪区的划分。通过计算实例中对两个方法进行了仿真实验，结果验证了所提出的两种算法的可行性。