由于智能设备和无线通信技术的普及,产生了大量描述物体运动历史的时空轨迹。其中,活动轨迹通过关联活动信息与时空轨迹来丰富传统的轨迹数据。这些轨迹数据包含有大量的用户活动信息,能够加深我们对人类行为的理解。然而现有的时空轨迹研究,忽略了丰富的用户活动信息,缺少对用户行为的个性化分析。因此,在本文中,我们利用活动轨迹的时间和活动属性来建模用户活动,分析用户行为相似性以及预测用户行为状态。总体来讲,本文的主要贡献如下:(1)在用户行为相似度任务中,以往工作主要采用活动地点的时间和空间信息,忽略了和用户行为关联最紧密的活动信息。因此,本文提出了基于活动轨迹嵌入的用户行为相似度算法,该算法首先利用高斯混合模型拟合活动时间分布并将时间进行分段,然后根据滑动窗口扫描用户活动轨迹获取用户和轨迹特征,最终基于散列的相似度计算方法来比较用户之间的行为相似度。大量的实验验证了我们提出方法的性能和效率。(2)在用户行为预测任务中,已有工作主要通过用户历史活动记录以及社交关系来进行预测,缺乏对用户行为偏好的挖掘。因此,本文提出了基于活动轨迹嵌入的用户行为预测算法,该算法首先通过段向量模型提取用户行为偏好特征,然后结合用户行为偏好和历史活动记录,并通过注意力机制分析各个特征对行为状态的影响,预测下一步行为状态。真实数据集上的实验表明了我们方法的性能和效率。