时空数据挖掘一直是数据挖掘中一个重要研究领域。通过对时空数据的处理,能从中发现提高生产效率、提升生活质量的知识。由于基于位置的社交网络(LBSN)迅速崛起,位置挖掘也迎来了新的挑战和机遇。一些研究者将位置挖掘引入推荐系统,从而诞生了一些个性化位置推荐服务。另一些研究者则将LBSN数据集用于发现城市规律,其中发现流行社交位置便是一个重要的研究课题。所谓流行社交位置,是指大多数人日常生活中经常访问的位置。目前研究者们的研究主要是从LBSN中挖掘流行社交位置,而对这些位置在何时被大量访问的关注却很少。事实上详细的时间信息对于流行社交位置有着十分重要的意义,因为任何一个地方不可能全天都是人群聚集的,他们有一个特定流行时段,例如工作时段对于中央商业区就是特定的流行时间。本文目的是从LBSN数据集中挖掘带有时间标签的流行社交位置,这些时间标签代表了位置何时被大量访问。为了解决此问题,本文设计了SPLMTL(Socially Popular Location Mining with Time Label)算法,首先找到被个体用户频繁访问的位置,分析每个位置的时间信息,得到个体用户带有时间标签的频繁社交位置集合;而后整合所有用户带有时间标签的频繁社交位置,计算这些带时间标签的位置在群体用户中的流行度,找到符合要求的带时间标签的流行社交位置。为得到个体用户带有时间信息的频繁社交位置,本文提出位置访问率LVR(Location Visit Rate)参数来量化LBSN数据集中的时间信息,其数值为用户在同一时间访问同一地点的时段数(例如天、季度、月等)与所有观测时长的比值。LVR可以从用户的访问数据中找到用户喜欢在何时访问何地,这些与时间配对的地点就是用户带有时间标签的频繁位置。最终,在真实数据集上进行实验,验证算法正确性并观察各个参数对算法性能的影响。实验证明,本文提出的SPLMTL算法能较为准确的发现带时间标签的流行社交位置。