Facebook、Twitter、微博等大规模在线社交网站的迅猛发展,预示着社交网络已经成为人们获取信息、发布信息、社会交往的关键平台。大量的节点用户积极参与到信息的产生与传播的过程中,使得信息呈现出内容全面丰富、传播快速准确、传播范围广、影响程度深等特性。一个优秀的信息传播及其预测演化模型可以使人们对舆论、营销等传播方式有更精准和直观的领会,有利于发现传播方式的薄弱环节,进而预判其可能带来的风险水平,拟定相关的控制措施。尤其对威胁社会治安、引起社会动荡的网络舆论进行有效的控制及引导具有明确的正向社会意义。然而,当前的信息传播及其预测演化模型大多存在两方面的问题:一是以信息内容和网络拓扑结构为传播条件,并未考虑到网络中节点用户的社会性或传播主体情感性的传播因素;二是现有的多数模型主要考虑传播用户的静态属性,而忽略网络用户行为或兴趣会随时间变化的情况,不具备信息传播预测的能力。为解决以上问题,本文对微博社交网络中的信息传播及其演化预测进行研究。主要研究内容包括以下两个方面。(1)利用社会归属网络中的三元闭包原则,本文提出了一种基于机会、信任和动机的混合社会因素信息传播模型构建方法。首先,将用户之间的兴趣相似度作为接收某条信息的机会度量。其次,传播过程中的信任阈值是由当前节点用户的网络影响力和内容贡献共同决定的。然后,考虑网络中的每个用户总是会选择最大利益的信息进行传播扩散的博弈特点,利用博弈演化理论作为用户选择传播的动机。最终,提出了一种基于PageRank算法的博弈选择信息传播模型(GCIP-PageRank模型)构建方法。实验结果证明提出的模型取到了较好的结果。(2)综合微博社区的结构特性和具有时间序列的数据,本文提出了一种基于时间序列的信息传播预测模型(TSPIP模型)。首先,对微博热点事件进行时间序列检测(包括平稳型事件和非平稳型事件),并将非平稳型事件传播序列转化为事件传播序列和平稳型事件传播序列。其次,采用线性回归模型建立数据量和解释变量之间的量化关系,并通过相关系数和假设检验来选择最佳的解释变量。最后,在模型中引入解释变量和关联数据,利用Local Linear Trend和Regression的状态空间模型构建微博热点事件传播的动态时间序列预测模型,进行时间序列分析,得到事件发展趋势和周期等特性。在真实数据集上的实验证明,对于具有突发流量的微博热点事件的传播预测方法是有效的。