在当今社会,各种智能化设备的兴起贡献出大量的轨迹数据,如车载GPS、手机、公交卡等。这些轨迹数据包含着丰富的人类行为信息,可以通过多模态轨迹数据挖掘,从而实现多种应用。用户的轨迹数据包含着丰富的语义信息,它在一定程度上体现着用户所在城市的变化,挖掘用户的轨迹数据在个性化推荐、城市规划、安全等领域起着越来越重要的作用,因此轨迹数据的研究越来越受到相关学者的关注。随着城市化的发展,用户轨迹数据日益增多,如何从海量的轨迹数据中挖掘有用的信息面临着巨大的挑战。并且人类的轨迹多种多样,如何从中挖掘人类社交关系与移动模式面临着许多难题。截止到目前,国内外在这方面的研究已经取得一定的成果,研究的内容主要是移动模型聚类、异常轨迹数据检测、轨迹预测等,其中很大一部分研究重点关注在在线社交网络和单源轨迹数据,在捕捉用户离线物理空间中的社交关系和多模态轨迹数据挖掘方面的研究较少,并且以准确的方式构建用户的移动模式和寻找相似的城市兴趣点仍然是一个具有挑战性的问题。基于以上问题,本文提出一个用户社交关系学习与城市物理感知学习框架并重建用户离线社交结构与城市物理空间结构,其中包括用户社交空间感知和物理空间感知两大部分的研究,主要工作如下:第一,在用户社交空间感知方面,本文使用WiFi技术进行被动定位采集用户轨迹数据,在处理无线信号的稳定性方面,本文提出使用滑动窗口的解决方法。为了高效获取用户数据,本文将MAC地址标识用户并提出了过滤机制的方法,分析了采用不同数量的WiFi探测器对定位精确度的影响。另外,本文提出一种检测用户协同位置的方法并利用用户之间的协同位置信息构成用户社交上下文信息,这种方法可以从个人层面获得用户更详细的社交信息和确切的互动信息。重要的是,本文使用skip-gram模型对包含丰富社交关系的上下文信息进行学习并改进了负采样的选词策略,运用余弦相似度原理重构用户社会结构,并利用t-SNE将高维的词向量投影到2D空间进行离线的社交关系解释。本文也定义了不同用户之间的社交距离并以此对用户之间的社交结构进行视觉检查。最后,本文定义了用户的社交群组,应用DBSCAN密度聚类算法验证用户的社会结构、F-Measure算法评价聚类结果。第二,在城市物理空间感知方面,本文将用深圳市公开的用户轨迹数据,包括手机轨迹数据、交通卡的轨迹数据、出租车的轨迹数据与公交车的轨迹数据。为了更好地表达点分布模式的局部差异,本文选择500m作为理想阈值将深圳市切分为上千个区块,并将多模态的轨迹数据按照一个小时的间隔切分为子数据集,对不同时间段的轨迹数据进行去重、排序、去噪等处理,使用PNPoly算法判断用户轨迹所在的区块,然后根据用户轨迹数据的时序性建立区块之间的连接,通过构建区块之间的有向连接图构建移动模型。在兴趣点提取方面,本文定义了兴趣点功能性分类,同时提出一种兴趣点排名算法POIRank,量化了不同功能区域对城市的影响。对比深圳市总体规划(2010~2020年)和借鉴相关学者对深圳人口日变化的分布规律研究的成果,实验表明兴趣点排名算法产生热点区域整体上符合物理上存在的兴趣点分类。最后,本文提出一种方法组建城市兴趣点上下文信息,使用skip-gram模型挖掘一天中不同时间段兴趣点之间人类移动模型,找出相似的兴趣点并对相似兴趣点进行聚类与评估。实验结果证明本文可以有效地重构真实的用户社交结构和物理空间结构,并可以进行准确的社交关系解释和物理空间解释。