近年来,随着全球定位系统、无线移动通信技术和无线网络等定位追踪技术的快速发展和智能终端的普及应用,人们的工作和生活模式发生了极大的变化,同时也产生了移动对象的位置数据和轨迹数据。这些数据资源蕴含着大量的信息,迫切需要研究者对其进行有效的分析与挖掘,将挖掘所得的知识应用于实际的决策支持。本文着重从移动情境感知环境下的用户行为模式挖掘方法展开研究,主要研究内容和成果包括以下几个方面:（1）移动情境感知环境下的个体用户行为模式挖掘方法。为了解决个体用户行为模式挖掘中情境的多样化和动态化等特点带来的挑战,本文提出了一种移动情境感知环境下的用户行为模式挖掘算法。该方法采用一种嵌套键值模型,对多源异构的移动情境感知信息进行有效融合和存储,提出了基于规则的多维序列模式挖掘算法MSP及其改进算法UTDMSP,MSP和UTDMSP能够从用户移动情境感知信息和交互行为中发现全局频繁和局部频繁的用户行为模式,识别用户长期保持的行为习惯和兴趣偏好,以及近期习惯和偏好的变化新趋势。基于真实数据集的实验结果表明,本文所提出的模型和算法能够有效地发现用户长期生活规律和近期偏好的变化,有助于企业开展个性化精准营销,促进情境感知服务商业模式的持续发展。（2）移动情境感知环境下的个体用户Top-N高效用行为模式挖掘方法。为了解决个体用户行为模式挖掘中缺少考虑运营模式对个体收益的影响的问题,本文以网约出租车驾驶员高效用运营行为模式挖掘为例,提出了个体用户Top-N高效用行为模式挖掘算法,结合驾驶员当前情境可以识别高预期收益的载客订单。通过对出租车历史运营数据中载客起讫点的位置坐标数据进行时空聚类,识别城市中出租车载客的时间和空间分布特征。以当前载客起点为根节点构建高效用序列树,并采用节点效用和路径效用两个剪枝策略减少候选集的产生。结合高效用序列树和实时情境构建了可动态更新的载客订单推荐算法,以提高出租车驾驶员的预期收益。真实数据集上的实验结果表明,高效用载客订单挖掘算法能够有效地识别高效用序列,可以为提高出租车驾驶员的预期收益提供决策支持。（3）移动情境感知环境下的群体用户行为模式挖掘方法。为了解决群体用户行为模式挖掘中缺少考虑群体用户行为与城市空间结构密切相关的问题,本文以城市居民通勤行为模式挖掘为例,提出了一个城市居民通勤行为模式挖掘框架,研究出租车运营轨迹蕴含的城市居民通勤行为模式以及通勤行为与城市的空间结构之间的关联性。构建了基于网格热度的密度峰值聚类算法GridH-DPC,对经网格映射后的出租车载客起点和讫点进行聚类;提出了工作居住指数,将聚类后的区域功能特征划分为居住区、中立区和工作区,分析了城市居民的通勤行为模式与城市空间结构之间的关联性;基于居民通勤距离和通勤数量将城市居民通勤划分为高频短途、高频长途、低频短途和低频长途四种模式,分析了城市居民通勤行为模式的时空特征。基于真实出租车运营数据集的实验结果表明,本文提出的分析框架、聚类算法GridH-DPC能够有效地从多维异构的出租车运营轨迹数据中挖掘出城市居民通勤行为模式,可以为城市规划和城市交通监管提供决策依据和参考。（4）移动情境感知环境下的社区用户行为模式挖掘方法。为了解决社区用户行为模式挖掘中轨迹聚类算法忽略轨迹之间的语义关系的问题,本文提出了一种基于网络社区检测的语义轨迹聚类算法STCCD,可以从网络的角度更好地度量轨迹的语义相似性,捕捉轨迹之间的局部关系和全局关系,获得较高质量的轨迹聚类效果。本文构建了一种泛化的语义相似度函数,用来度量语义轨迹之间的相似性;然后构建了相似性矩阵,再利用相似性矩阵构建网络,从而将语义轨迹转换为语义轨迹网络;最后利用社区检测算法来划分轨迹网络,得到轨迹的社区划分。真实语义轨迹数据集的数值实验结果表明,本文提出的相似性度量方法、轨迹聚类算法能够有效地捕捉语义轨迹的相似性、挖掘语义轨迹的聚类信息,发现相同兴趣爱好者社区的活动规律和兴趣偏好,识别社区用户的行为模式,可以为智慧旅游等基于社交网络的推荐提供智能决策辅助。本文针对轨迹数据的异构性、序列性、层次性、时空同步性和语义性等诸多特性,提出了涉及轨迹数据表示、相似性度量方法、效用函数、频繁序列模式、高效用模式和聚类算法等移动情境感知环境下的用户行为模式挖掘方法关键技术的解决方法。本文所获得的关于用户行为模式挖掘的研究成果可以辅助企业制定营销策略、协助政府制定政策以及提升社会服务设施智能监管等。