当前复杂系统的研究热点之一,就是对人类移动行为的普遍规律和性质进行深入挖掘。最近10年,伴随人类行为动力学研究的发展,人们发现之前被简化处理的人类移动行为普遍存在非泊松统计特征。理解和预测人类的移动行为具有重要理论意义,在预防传染病、交通规划和商业服务等领域有广泛的应用价值。微博是最具代表性的社交网络之一,对其签到行为进行研究可以深入理解人类移动行为的规律和机理。本文利用理论推导、数理统计和实证分析等研究方法,从微博签到时间间隔入手,探究了微博用户签到行为的影响因素和机制。研究发现,微博签到的时间间隔具备周期性和阵发性等特征,时间间隔分布服从幂律分布。签到行为主要受到兴趣的驱使,签到信息也会受到转发、评论等网络人际关注的影响,可以减轻一个周期中兴趣的衰减程度。在兴趣驱动模型中引入该变量,用来描述存在网络人际关注的条件下签到兴趣的衰减过程。通过公式推导和建模仿真,发现网络人际关注会对签到行为会产生正向作用。另外探究了胖尾出现的条件,当时间间隔单位与数据时间跨度差别较大(3到4个数量级)时,才能出现明显的胖尾分布。许多模型只适用于特定场景,并且包含特殊的前提假设,局限性较大。本文介绍了具备普适意义的熵模型:随机分组模型的数学推导过程,结合人类运动行为的特征,将系统的熵引入到模型中,改进了随机分组模型。只需要使用群组的数量N、成员的数量M以及系统的熵S这三个变量,就可以计算系统的概率分布。使用三个人类运动数据集对改进的模型进行了检验,结果表明改进后的模型可以更好地描述人类运动分布的统计特征。