本项目属于计算机科学与技术学科。

人类行为的感知与理解一直是科学界关注的重要基础研究问题，在健康卫生、公共安全、城市规划等领域具有广泛应用前景。2015年美国DARPA将人类行为建模列为六大颠覆性基础研究领域之一，斯坦福大学、麻省理工学院均参与了相关研究计划。2017年2月，Science杂志推出关于"预测"的专题，其中将人类行为预测列为下一个前沿研究领域。现有用户行为的研究常常通过书面问卷调查、面谈或Web社交网络，收集人类活动数据，分析理解人类行为规律和特征。这种方法很难做到广泛采样，而且在线行为属于虚拟行为，与真实世界具有时空特征的用户行为和交互有着本质的区别。

移动网络环境用户行为感知与理解面临两个关键问题：其一用户行为具有时空交织与复杂多变特性，感知方法必须具有泛在准确性；其二感知目标粒度多样、系统运行环境资源受限，需解决计算模型的高效适应性。

基于此，本项目近十年来在国家自然科学基金、国家"973"计划等项目资助下，遵循"多维情境融合、多模数据互补、多元空间协同"的学术思路，创造性地从"泛在准确、高效适应"两个维度开展了移动网络环境下个体、群组、社群三个不同粒度用户行为的感知与理解方法研究，发现了个体移动与群组交互规律，揭示了社群结构与用户行为之间的作用机理，构建了用户移动预测与群组社交拓扑模型，提出了多维情境融合的用户行为识别与交互语义理解方法。重要科学发现点包括：

1.在个体行为感知理解方面，构建了多维异构情境融合的用户行为识别与预测模型；提出了一种移动环境能源有效的自适应层次化行为识别方法，通过优化时域特征和频域特征的抽取比例，获得较高的行为识别率，并且降低系统能耗；提出了基于用户历史轨迹数据的移动行为识别方法，设计了一种基于状态转移矩阵的高阶移动预测算法，可准确预测地点序列；通过个体行为感知理解，为个性化服务提供方法支撑。

2.在群组交互感知理解方面，发现了移动网络环境群组交互规律，提出了云端协同的群组交互空间结构识别方法和多模态群组语义交互识别方法；构建了群组社交拓扑模型，提出了融合近因效应、用户角色、用户情境等多维因素的群组排序与推荐方法；通过群组交互感知理解，提高了群组实时协作效率。

3.在社群活动感知理解方面，揭示了社群结构与用户行为之间的作用机理，提出了基于跨模态节点链接聚类的增量式社群发现方法和基于机会传播与多维特征匹配的渐进式社群发现方法，有效提升了社群发现的准确性和适应性；提出了基于跨空间异构社群互补协作的信息传播模型与自适应传播算法，可有效降低信息传输延迟，提高任务成功率；通过社群活动感知与理解，实现了精准高效的社群服务。

研究成果奠定了移动网络空间用户行为感知与理解的方法体系，得到包括20余位IEEE Fellow/ACM Fellow在内的国际国内同行认可。ACM/IEEE Fellow、SIGKDD'16程序主席、IBM TJ Watson研究院高级研究员Charu C. Aggarwal博士在其最新书籍《Recommender Systems》中指出：所提出的自适应行为感知方法有效解决了个体差异性问题，为实现个性化推荐奠定了基础；加拿大工程院院士、IEEE Fellow、《IEEE Network》主编、加拿大滑铁卢大学Xuemin Shen教授等认为：通过引入社会因素有效提升了群组交互感知的准确性，促进了智能设备、个体用户和社群之间的机会式连接；IEEE Fellow、《ACM Transactions on Sensor Networks》发起人及首任主编、微软亚洲研究院常务副院长Feng Zhao博士指出：所提出的信息传播算法通过巧妙地利用跨空间交互协作有效提高了移动环境下的信息传播性能。

共发表论文152篇，SCI收录90篇，7篇入选ESI高被引论文，包括国际权威期刊IEEE Transactions on Mobile Computing、IEEE Transactions on Knowledge and Data Engineering、ACM Computing Surveys，国际顶级会议ACM UbiComp、IEEE INFOCOM等，Google Scholar总他引4000余次。获得国际会议最佳论文奖6次（UIC2009、GPC2012、AMT2012、CPSCom2013、BigDataScience2014、UIC2017）。8篇代表性论文Google Scholar他引1500余次（其中SCI他引418次），单篇最高他引362次（其中SCI他引164次）。项目组成员1人获国家自然科学基金杰出青年基金资助，1人入选中组部万人计划科技创新领军人才，1人入选国家中青年科技创新领军人才计划，1人入选中组部万人计划青年拔尖人才，1人获国家自然科学基金优秀青年基金资助，2人入选教育部新世纪优秀人才计划，3人入选陕西省青年科技新星。