大数据全球化已成为主流时代,随着其技术、产业、应用等方面不断升级,所产生的数据信息日益级数化增长。针对大数据存储量大、类别繁多、解决效率快、价值密度低等特点,引入张量模型对其进行有效表示和高效分析,进而处理与挖掘其复杂的潜在关联。但是随着张量规模的快速增加,其占据更多的内存空间和消耗更多的计算时间,继而出现了“维度灾难”问题。为了降低维度灾难计算的复杂性,高阶张量模型采用张量链分解为多个相互串联且独立的低阶张量,可对其进行分布式存储和并行计算,以此来降低噪声、减少存储空间、提高计算效率。因此,本文设计了一种基于张量链的并行架构,并应用于多用户多元多阶马尔科夫人类行为的轨迹预测,研究把多用户时空分布相互依赖关系引入至高阶张量模型中,增加了用户相互相关性,使模型预测效果更精准。然后利用Z-特征分解和联合特征分解方法计算得到特征张量,并预测其行为轨迹。接着结合张量链分解优势,在并行架构中对轨迹模型进行并行计算,来优化整体的计算效率。针对大数据的流式特性,研究增量式特征张量的计算方法,利用历史数据的计算结果来得到更新后的特征张量,避免重构模型反复消耗资源的问题。对多用户多元多阶马尔科夫张量模型进行了行为轨迹预测实验,对比分析得出该模型加入用户影响力后预测准确率明显提高,基于张量链的并行计算中也达到了预测准确率提升,内存开销降低和计算效率提高的优势,而基于增量式特征张量也减少了重复计算的时间。