随着Web2.0技术的推广应用,涌现出各类在线社交网站。借助这些社交网站,用户可以分享内容、表达观点、建立私密关系等,因而社交网站对丰富人们的情感、文化和娱乐等需求起到了很好的作用。与此同时,用户在社交网站上也留下大量的行为痕迹。基于这些行为信息,挖掘用户在线行为规律,预测用户在线行为,对舆情分析、网络安全、社会安全、信息推荐和商品营销等领域都具有极其重要的意义。本毕业论文就是要利用某高校用户对社交网络的访问数据,分析用户的社交网络访问行为特性并揭示用户在线行为背后的内在机理。具体研究工作及贡献包括:(1)基于个体层面和群体层面分析了用户连续两次在线访问行为之间的时间间隔分布,研究了用户时间间隔序列的相关性和活跃性等特征,并揭示了其背后的内在机制;(2)分析了用户访问行为中的记忆特性,发现用户的在线行为具有较强的短记忆性,其分布服从高斯分布。并据此建立了马尔科夫过程模型,用于解释用户访问行为中的记忆特性;(3)基于上述所发现的访问行为特性,本文进行了用户访问行为的时间序列预测研究。针对用户历史访问数据,采用ARIMA模型和Holt-Winters三参数指数平滑法对点击流时间序列进行预测分析,通过建立模型来预测数据的未来走向,并分析比较两模型的优劣。