社会计算作为一门新兴学科，是社会学与计算机科学的交叉领域。从宏观层面上看，社会计算使用计算技术来研究现实社会的诸多问题，从而促进人类的社会活动。过去的工作中，有关于Facebook、Twitter等虚拟现实社会的集群行为的研究，但是对人的现实移动行为的研究较少；有对个体的移动行为的研究，但不能满足人们对大量人群的移动行为的理解；有大规模集群行为方面的研究却往往是与动物相关的。近年来，得益于普适计算的迅速发展，对人的集体活动的研究也因为数据获取上的重大突破而成为了社会计算最重要的研究课题之一。研究现实社会人群分布与活动的问题对保障人类社会生活的安全和提高人类生活的质量有重大意义，例如群体事件预警与发现，交通控制管理，城市规划等。　　将大量人群的GPS数据流作为一个整体来研究，从宏观的角度分析人群空间分布，可以监控社会安全。在具有显著信息社会特征的大中型城市，复杂网络的社会环境，使得突发危机事件形成和演化的表象显得愈加无序和混沌。防范、临控和处置突发危机事件的难度越来越大，危机信息管理和危机应急决策更需要智能化处理系统的帮助。我们首先用运动点群的空间分布来表示人群分布状态，然后用分形特征来描述点群的聚集程度。为从特征向量中去除干扰因素，保留主要相关信息，我们用PCA进行降维。自然灾害或特殊事件会引起人群分布状态的异常，我们提出的NPA(邻近点累积)算法可以很好地检测出这种异常。在levy-flight模拟数据上的实验表明该方法是有效的、可靠的。　　将大量分布在城市道路上的传感器捕捉到的车流数据作为一个整体来研究，可以发现人们驾车出行的模式。我们将同一时刻从各个传感器获得的数据排成一张图，交通流就可以表示为随时间变化的图像序列。在这样的图像区域中我们提取了一种Arctan特征，交通流就转变成了高维轨迹。为计算这些轨迹之间的相似性，我们提出了一种新的链式相似度。最后我们用层次聚类泫来发现模式和从交通数据中移除异常。在明尼苏达交通数据集上的实验结果表明，我们的方法能检测出异常并挖掘出两个交通流模式。随着经济与交逦的发展，驾车是城市居民出行的主要方式之一，车流即是人流。模式分析的结果为进一步研究社会和人的动态性的提供了有益的信息。公共突发事件的检测和交通预测都需要可靠的历史数据，我们挖掘出的模式正好满足了这个要求。挖掘出的模式是突发事件的检测和交通预测的基础，所以有益于对公共突发事件快速做出反应和减少交通堵塞。而且，人们还可以参考发现的模式来制定更合理的出行计划。另外，虽然在挖掘模式没有考虑感应器具体位置关系，但是，每个感应器的实际经纬度位置是可知的，所以我们的研究还有助于基于位置的服务和城市规划。