随着移动定位设备的不断发展,包括通话详单数据(CDRs)、GPS、WiFi在内的大量时空数据为城市范围上的人群分析提供了强有力的支撑,推动了近些年来人群流量预测[1-4]、城市事件检测[5-8]等领域的飞速发展,这种群体层面上的轨迹建模可以协助对城市范围上的安全风险进行预警,为公共安全与城市管理提供保障。然而当前研究还存在一些不足,当前人群流量预测框架普遍弱化了外部特征与人群流量间的复杂关联,且忽视了移动模式信息(旅游、通勤模式等)在人群流量预测中的作用。而当前城市事件检测框架则忽视了人群轨迹与社交媒体信息的融合,且对于异常模式的挖掘也存在局限性。因此本文基于轨迹大数据对人群流量预测与城市事件检测框架进行了改进,主要工作与创新点如下:(1)提出了基于时空流量与人群移动模式两个视角的流量预测框架MV-RANet,通过人群移动模式信息的融合、以及基于多通道、残差-注意力机制的时空与外部特征间的复杂关系的精准建模,进一步优化了人群流量预测框架。在CDR数据以及TaxiBJ[9]两组真实数据集上的实验证明了我们提出框架的有效性;(2)提出了基于多域数据的城市事件检测框架ED-BiGAN,通过多通道机制完成了社交媒体与人群轨迹特征的充分融合,并基于双向生成对抗网络实现了城市事件的检测与挖掘。在CDR和微博数据集以及纽约事件检测数据集[10,11]上的测试结果证明了 ED-BiGAN的优越性;(3)提出了人群流量预测模型中城市事件信息的融合方案,通过基于残差-注意力机制的融合框架,进一步提升了人群流量预测的精度,尤其是在潜在城市事件发生时的鲁棒性。