随着移动信息技术的迅猛发展,利用智能移动设备上网已经成为了人们日常生活不可或缺的元素。用户的移动生活方式也随之改变,在移动上网的过程中会随着场景的切换访问不同类型的内容,使用户的行为模式呈现复杂性和动态性的特点。研究表明,线上的浏览信息和线下的场景移动信息都反映了人类特定的社会角色以及行为习惯,具有关联性。而移动上网数据可以反映用户的场景移动行为和线上访问行为,已成为挖掘用户行为模式的重要入口。随着城市化进程的加快,城市监管和社会治理的压力日益加大,用户行为模式研究的作用也日益凸显。如何通过移动上网数据对用户的行为模式进行分析和挖掘,已成为近年来城市监管、个性化服务、智慧交通等领域的研究热点。因此,本文基于移动上网记录和基站信息数据集,对包含场景移动和线上访问信息的用户行为模式进行研究,主要研究内容如下:1、基于移动用户上网记录（Usage Detail Records,UDR）,分析了场景移动行为以及线上访问行为的流量模式、多样性、关联性、可预测性和时间稳定性等特征。结果表明,用户的场景移动以及线上访问行为模式可以通过UDR数据集统计挖掘,且将场景和上网内容信息结合可以提高行为的可预测性。2、提出了一种包含场景移动信息和线上访问信息的加权异构网络表示方法,以发现相似行为模式的用户群。为了表征用户行为特征以及挖掘用户行为模式,本文基于移动上网数据集构建用户、时间、场景、上网类型的加权异构网络。由于异构网络的结构复杂,分析、计算的复杂性较高,因此,本文设计多种元路径提取用户行为特征,进行异构网络节点嵌入,以得到节点的低维表达。采用对嵌入向量聚类的方法发现了相似行为模式的群体。3、为了进一步发现和预测用户的行为模式,以用户群为单位,构建了状态共享的球形隐马尔可夫模型。针对个体行为数据稀疏、群体行为缺乏个性化的问题,本文以相似行为模式的用户群为单位构建状态共享的模型。由于嵌入空间中具有丰富的语义信息,本文以场景和上网类型的嵌入向量作为隐马尔科夫模型的观测序列,以对嵌入向量判别能力更强的Von Mises Fisher（VMF）作为发射概率分布。由于用户共享隐藏状态以及VMF分布作为发射概率分布,本文需要重新定义似然函数并设计相应的参数更新方法,学习得到共享的隐藏状态。利用本文模型可以发现用户典型行为模式,并对用户下一时隙的场景和上网类型进行预测,预测准确率较高。