近些年,随着无线通信网络的发展、智能终端设备的普及、移动定位技术的提升以及基于位置的服务(LBS)蓬勃发展,位置服务与社交网络的融合应运而生,随即产生了新型的社交网络——基于地理位置的社交网络(Location-Based Social Networks, LBSN)。LBSN 网络提供给用户随时随地分享位置的服务,在用户中使用率很高,使其积累了大量的用户签到(Check-in)数据。LBSN网络中的签到数据记录了用户的移动轨迹,隐含着人们多样的移动行为模式和习惯偏好;同时LBSN网络中的社交数据,将零散的个体用户联系起来,能够揭示用户之间的社交行为和相互关联性。LBSN网络使用户线上虚拟身份与线下现实身份有机结合,为探讨现实生活中人们的行为带来了便利。基于线上数据对用户行为建模,能有效洞察线下用户的行为动机,了解用户的活动规律和需求,挖掘其行为上的共性与个性,并有助于对用户未来的移动位置进行预测。现实生活中,若能提前预知用户的位置,则可指引各行业有效地做出决策,例如:商户更加精准地投放广告、政府更加合理地规划城市、运营商更加灵活地管理资源等。由此可见对人类移动行为的研究和移动位置预测对于社会生活有着深远的意义。但现有位置预测算法由于人类移动数据的不完整和稀疏性,以及对用户行为挖掘的不充分,导致预测准确度存在一定局限。因此本文基于LBSN网络用户移动行为的全面分析,深入研究了位置预测算法,主要工作如下:(1)提出基于用户签到行为倾向性的位置预测算法。本文首先从空间和时间角度分析了 LBSN中用户的签到数据,通过对数据的分析,全面地归类出用户五个维度的行为特征。依据五个维度的行为特性及其概率分布的倾向性,自适应地选择倾向性最强的特征作为预测依据,并自动使用匹配该特征的模型进行位置预测。实验结果表明,所提预测算法能有效地描述用户移动行为,并能较准确地预测出用户的下一个位置。(2)提出了基于复杂网络中社团发现思想的位置预测算法。研究发现,基于行为相似性进行用户聚类可以有效地捕获网络中的社团结构。为此本研究首先通过对轨迹模式的建模确定地理行为相似的用户群,对社交关联度建模确定社交行为相似的用户群;然后采用叠加聚类和二次聚类两种系统架构分别完成用户聚类和用户数据融合;最后实现位置预测。本文采用实验的方式验证了算法有效性,结果证明用户聚类能显著提升预测准确度。