随着移动网络技术的迅速发展与手机等移动终端的普及,以及Twitter、微博、Instagram等基于位置的社交网络的兴起,用户越发热衷于分享自身日常活动与地理位置信息。社交网络庞大的用户群体为理解人类活动提供了多样化、大体量的数据支撑,其中蕴含了用户日常活动模式的丰富信息。挖掘数据隐含的深层信息,理解人类的活动模式,对现代城市的规划、建设、运营、发展具有重要的意义。此外,以主要活动模式为基础,能够识别出具有明显离群性的异常群体和相应的活动,并对相关人群、时间、空间进行重点关注,有助于城市治安维护、群体事件防范等工作。现有研究对用户活动类别语义的挖掘工作较为充分,但活动分析模型仍局限于孤立的活动语义识别,缺乏涵盖活动之间时空关系的模型表示,和基于时空活动模型的群体活动挖掘、异常检测等研究。针对上述问题,本文将时空数据与活动类别语义信息结合,提出一种刻画个体活动过程的时空活动链模型,并采用带有时间信息的异构图模型对时空活动链进行表示,通过时间异构图中节点的嵌入来获取活动过程的向量表征,进而通过聚类分析,实现了基于时空活动异构图与聚类的群体活动的模式分析及异常识别。本文的具体研究内容包括:一、基于语义的时空活动链构建。基于活动链理论,将时空数据与活动类别语义信息结合,提出描述个体活动过程的时空活动链。为获取活动语义信息,融合空间、时间及文本特征,建立基于XGBoost分类器的个体活动语义识别方法,并通过实验验证了识别算法的有效性;二、基于异构图模型的时空活动链表示与嵌入。将时空活动链、活动语义、用户访问空间位置建模为异构图中具有不同类别的节点,并按照活动时序关系生成包含时间戳的边,构建带有时间信息的异构图模型。该模型既描述了单次活动的语义、地点、类别等特征,同时也刻画不同的活动之间的时空关系,隐含了活动模式信息。之后,进一步采用基于元路径的节点嵌入方法,获取包含时空活动信息的多类型节点嵌入向量,进而获得时空活动链的向量表征,作为聚类分析及异常识别的基础。向量表征的可视化结果表明该嵌入具有良好的表示能力;三、基于聚类的群体异常活动识别。以时空活动链节点的向量表征为基础,采用无监督聚类算法获得了城市居民群体的主要时空活动模式;在此基础上,将特征空间中严重偏离主要模式的离群数据视为异常活动。通过实验发现,群体的时空活动链挖掘结果反映了常见的城市居民活动模式,本文所提模型及方法能够有效地从社交签到数据分析中挖掘出群体活动模式信息,并识别群体的异常活动。