随着社交网络的蓬勃发展,大众普遍使用社交应用记录和分享自己的日常生活。同时,社交应用也提供着各种功能强大的社交服务,其中签到服务就是社交应用的主流服务之一。在签到服务中,用户使用带有定位功能的移动设备向服务器发送自己所在的地理位置进行签到。签到数据具有时空特性且反映了用户的行为习惯,同时可以基于这些签到数据挖掘出用户的行为模式,从而为位置推演提供一个新的维度。通过分析当前位置推演方法,发现当前位置推演中由于轨迹数据稀疏性、隐式位置访问等导致的无法推演新访问地点、地点访问推演精度低,其中某些方法又存在推演用户的隐式地点时,需要额外的预备知识或者计算开销过大等问题。在分析了现有的挖掘用户行为模式的方法后,发现目前类Apriori方法的挖掘结果失去了签到点间的时空关联特性,而时间序列频繁模式挖掘算法的时间开销又无法接受。针对上述问题,本文提出一种基于签到序列模式的隐式位置访问推演技术(记作PBHLI算法)。首先,详细地阐述了用户签到模式及隐式位置推演的相关知识和问题定义,包括签到地点去重算法和签到序列子轨迹生成算法,为面向社会网络的时空特性位置隐私推演技术的实施打下了基础。其次,在PBHLI算法中,利用历史轨迹数据生成签到序列模式并计算其签到模式概率,基于签到序列模式概率对可能包含隐式地点的访问轨迹数据进行扩展,设计了一种基于签到模式概率的签到序列扩展算法。通过签到序列扩展算法增加了候选集数量,从而降低了轨迹数据的稀疏性,提高了隐式位置访问概率计算的精度。最后设计了一种采用贝叶斯模型基于用户签到模式的隐式位置推演算法。该算法可以有效地推演隐式位置。通过真实数据集的实验与现有方法对比,验证了本文提出的基于签到序列模式的隐式位置访问技术在推演用户隐式位置与非隐式位置的正确率,且具有良好的时间开销。