近年来,像智能手机、平板电脑等各种方便携带、成本低廉、计算能力强、具备短距离无线通信能力的智能设备得到了迅速普及,这推动了移动机会网络的蓬勃发展。移动机会网络与传统网络的不同之处在于:机会网络是通过利用用户节点在移动过程中彼此之间相遇而实现节点之间通信的一种移动网络,因此,机会网络中用户之间通信的最基本的前提就是需要用户彼此的接触。所以,对移动机会网络中用户的移动特性和模型进行分析,是移动机会网络的重要研究内容之一。移动机会网络中的用户移动模型应该在最大程度上符合现实中的移动场景,因此目前最准确、可靠的建模方法就是采集现实场景中移动用户的移动数据,然后分析得到移动模型。但是,目前用户移动数据采集与特性分析系统存在网络接口单一、数据采集维度低、所收集到的数据不能全面的反应移动用户行为等问题。本文给出了移动数据采集系统和用户移动模型分析系统的设计方案,通过JAVA语言实现了数据采集系统,详细介绍了该数据采集系统的核心模块:蓝牙扫描模块、GPS模型、WiFi扫描模块、云端服务器模块。同时,针对收集到的数据分析了用户的移动特性。现有的机会网络用户移动模型不能很好的对用户的相遇进行预测,因此,本文基于移动用户真实移动数据,提出了利用长短时记忆网络的方案对移动用户的相遇行为进行预测。首先,采集移动用户的蓝牙扫描数据、GPS轨迹数据以及WiFi扫描数据,经过处理后,获得移动用户相遇时间序列,并使用Word2Vec模型将时间序列进行向量化;然后,搭建长短时记忆网络神经网络模型,对其进行训练,获得用户相遇预测模型。利用采集到的其中6位移动用户的数据进行测试验证,平均预测准确率为93.6%。预测结果表明,本文提出的基于长短时记忆网络的移动用户相遇预测模型具有较高的准确率。在对移动用户相遇概率预测的基础上,为了能更好的刻画移动用户相遇时的时间、空间信息,本文提出基于隐马尔可夫模型的移动用户相遇持续时间和相遇地点的预测方法。首先,在获得移动用户相遇时间序列的基础上,通过分析、处理移动用户的数据,获得与移动用户相遇序列相对应的相遇持续时间序列和相遇地点时间序列;接着,以用户相遇序列为观测状态,分别以相遇持续时间和相遇地点为隐藏状态建立隐马尔可夫模型,并通过数据对模型进行训练,从而得到相应的相遇持续时间预测模型和相遇地点预测模型;最后,利用采集到的其中6位移动用户的数据进行测试验证,在移动用户相遇持续时间预测上,平均预测准确率为72.1%;在移动用户相遇地点预测上,平均预测准确率为80%。预测结果表明,本文提出的基于隐马尔可夫模型的移动用户相遇持续时间和相遇地点预测模型具有一定的可行性。通过以上工作,本文在真实场景下移动用户数据的基础上,建立了机会网络中用户间相遇的预测模型,实现了对机会网中移动用户间相遇概率的预测,同时实现了对移动用户相遇持续时间和相遇地点的预测。由于时间、人力有限,今后在数据收集上应该考虑更长的时间、更多的用户节点,这样才能更好的反应用户的移动特性;同时,对于算法模型,还需要优化处理,已达到更好的预测准确率。