现代工业和科技的发展不仅给人们的生活带来了诸多便利,同时也使人们的生活习惯发生了巨大的变化。研究表明,很多慢性病的发生都与人们长期的不良行为习惯有关系。为了预防这些慢性病的发生,首先需要研究人们的日常行为,进而对不健康的目标行为进行干预。在这篇文章中,首先对用户行为数据处理的相关技术和国内外发展现状做了详细介绍,然后本文重点研究和讨论的是人们行为数据的收集、分析、以及预测。文中介绍了关于数据收集的关键技术,以及由作者自己设计的数据收集软件。基于自建数据集以及其他公开数据集,文中使用机器学习技术对用户动作行为进行识别,比如步行、上下电梯、跑步等等。本文采用最近邻算法(K-Nearest Neighbors,KNN)和支持向量机(Support Vector Machine,SVM)两种常用的机器学习算法。KNN是一种效率相对较高的监督学习算法。SVM算法是一种计算复杂度较高的监督学习算法,它对于线性不可分的类别进行空间转换使其空间可分。本文的研究问题之一便是在文中所用的数据集下,这两种算法是否能有效的识别出用户行为。基于用户的行为识别以及用户地理位置的变化,可以生成用户行为时空序列数据。文中对比了两种序列预测的技术:一阶马尔科夫链和Active-LeZi,在用户行为以及用户地理位置预测上的性能。一阶马尔科夫链是最简单的马尔科夫模型,它假设当前的状态只与前一时刻的状态相关。而Active-LeZi则是一种较为复杂的变阶马尔科夫模型,根据数据本身的规律,当前状态可能与之前多个连续状态相关。本文的第二个研究问题是这两种模型在用户行为和位置预测中的性能比较。本文的实验结果表明了,首先,KNN和SVM算法在用户行为识别上效果有差异,分别在两种数据集上的识别率高于对方;其次,一阶马尔科夫链在动作行为预测上明显优于Active-LeZi,而在用户位置预测中两种方法各有优缺。总体来说,文中所使用的机器学习技术对于所定义的应用场景都具有较好的效果。最后,本文讨论了这篇论文的主要贡献和不足之处,对于在用户行为干预上的应用前景进行了分析,并对全文进行总结。