随着移动互联网的快速发展和移动设备的进一步普及,大量蕴含着有用信息的轨迹数据被产生、分析和利用。其中GPS数据因为其较高的精准度受到广泛的研究,但由于涉及隐私问题并不是很容易获得,而且数据量较小。另一方面,运营商的通信数据覆盖面广泛,面向的用户群体多,有助于移动互联网用户行为的分析研究。本文通过对运营商的呼叫详情数据进行研究,分析用户轨迹和行为,进而对其身份进行分类识别。本文的主要工作如下:(1)基于运营商呼叫详情记录数据(CDR)进行用户活动语义的识别,并对用户活动序列进行聚类分析。论文中使用隐马尔科夫模型结合当地的地理信息,分析识别用户CDR数据所表示的活动信息并生成用户活动序列。根据用户每日活动特征用自组织映射算法对用户进行聚类,结合实际情况具体分析不同聚类结果的用户身份类别,并将用户分为四种类别:上班族、个体户、游客、无业居民。(2)基于用户活动序列的用户分类规则模型生成。论文根据用户聚类结果生成用户的类别标签,对有标签的用户活动序列数据使用序列分类规则挖掘算法生成基于活动序列的用户分类规则。并且结合我们所使用的用户活动序列数据的时间特性对原有的算法提出改进,使其应用于包含时间信息的序列时生成更为准确的分类规则。(3)完成旅游计算背景下的用户身份识别系统的框架设计及实现。该系统基于原始的CDR数据,结合当地POI数据,通过系统中各个模块之间的协作完成对用户身份进行分类识别的功能,并且使用Dj ango框架搭建的Web页面对身份分类识别结果中的统计特征进行可视化交互展示:包括用户身份类别的分布比例、不同类别用户的统计特征以及基于活动序列的用户身份分类规则在每一种类别中的分布情况。