基于移动用户行为分析的城市功能区识别研究是用户行为分析研究领域的重要研究内容之一。与传统的城市功能区识别研究相比,这类研究使用用户的行为数据,通过用户的行为规律识别用户群体,再根据用户的群体类别和分布规律识别城市功能区。这种研究具有一定的难度,首先主要体现在如何根据用户的行为数据对用户进行合理的分群进而获得用户类别,其次需要根据用户的分布规律和用户类别标签对基站类型进行分类从而识别城市功能区。针对这些研究点,本文做了如下两点研究:1.改进模糊聚类(Fuzzy C-Means,FCM)算法,设计一种基于用户行为兴趣相似度的动态分群算法。该方法改进传统的模糊聚类算法,主要解决的问题是根据用户行为兴趣度对用户进行动态分群,实现步骤如下:首先使用自组织特征映射(Self-organization feature Map,SOM)神经网络进行初聚类,获得模糊聚类的初始聚类参数;然后定义用户行为兴趣指标衡量用户对某一业务的行为兴趣度,并通过用户行为兴趣相似度算法计算用户间的相似度;最后通过设置用户平均隶属度阈值来评判分群结果是否合理,从而实现用户的动态分群。实验结果表明,该方法相比于传统的模糊聚类算法能更好地用于移动用户的分群。2.在用户行为分析的基础上,设计一种基于用户行为分析的城市功能区识别算法。该算法主要解决的问题是通过基站的用户属性对城市功能区进行识别,实现思路如下:首先通过泰森多边形的思想使用基站对地图进行分割,并按时间窗口序列统计基站用户的特征分布,得到基站特征矩阵;其次,使用主成分分析(Principal Component Analysis,PCA)方法对特征矩阵进行降维从而提取出主要特征作为滤波器;然后构建并训练基于时间窗口序列滤波器的卷积神经网络(Convolutional Neural Network,CNN)分类器,并使用此分类器对基站进行分类;最后,通过使用分类得到的基站类别,对基站覆盖区域进行识别,从而达到城市功能区识别的目的。本文通过TensorFlow系统搭建神经网络进行实验,实验结果表明,该方法相比于传统的城市功能区识别算法能够有效地识别城市功能区域。