近年来，随着移动智能终端设备的普及以及社交网络规模的高速增长，为了满足日益增长的用户需求，越来越多的科研工作者开始投入到移动社交网络的研究热潮中。在移动社交网络中，节点的移动特性主要依赖于人的行为模式。人们的日常活动通常有着较高的规律性，如何利用这些规律来设计预测移动社交网络的发展趋势的方法具有重要的研究意义。　　当前已有大量关于移动社交网络的研究，这些研究主要采用静态聚合网络的建模方式。这些模型忽视了移动社交网络时变的动态本质，存在一定的局限性。单一的静态网络研究会导致大量有价值的信息丢失，本文提出的暂态演化建模的方法。该方法研究移动社交网络结构时变的特征，预测其未来的发展趋势。中心性是衡量网络中节点重要性的重要指标。因此，本文考虑暂态中心性来分析和预测移动社交网络的变化趋势。主要研究工作包括：　　1)研究移动社交网络中暂态演化模型。考虑三种暂态中心性：暂态度中心性、暂态介数中心性和暂态接近中心性。通过真实数据集中的数据对节点暂态中心性过去与未来的相关性进行分析，发现了移动社交网络中节点暂态中心性具有规律性和周期性，验证了节点暂态中心性的可预测性。基于这种可预测性，设计了四种基于时窗的暂态中心性预测方法来预测网络中节点未来时刻的暂态度中心性、暂态介数中心性、暂态接近中心性，并通过分析真实值与预测值之间的误差评估了这些预测方法的性能。结果表明，在 MIT数据集中，最近时窗加权平均方法的性能最好；在ZJU数据集中，最近时窗加权平均方法和周期时窗平均法都是性能较好的；在Infocom06数据集中，最近时窗平均方法的性能最好。　　2)研究移动社交网络中基于 K阶马尔科夫链的预测模型。对于不同连接特性的移动社交网络数据集，已提出的预测方法得到的预测误差和稳定性等性能也不同。为了提高预测方法的普适性，本文进一步提出一种基于 K阶马尔科夫链的预测模型。结果表明，当阶数K=2时，基于K阶马尔科夫链的预测模型在预测误差和稳定性方面优于四种基于时窗的暂态中心性预测方法。