随着社交网络的兴起,个体产生海量签到数据,成为分析个体出行移动规律和目的地预测等研究领域的重要数据源。预测个体出行目的地,在交通流量预测、位置推荐和疫情防控等方面都具有典型意义。如何获取高效的个体嵌入表征,如何对个体行为进行建模是本文中重点研究的问题。针对个体出行目的地预测研究问题,本文提出了两种预测方法。(1)基于指数衰减和神经网络模型的预测方法。现有的模型缺少对个体复杂出行模式的关注,本文融合时间序列、事件描述和出行位置等多元信息,构建基于事件感知的表征学习技术,获得个体在潜在空间中的低秩向量表达。针对传统方法对数据中潜在信息挖掘不充分等问题,本文在对个体出行轨迹进行频繁序列模式挖掘的基础上,结合指数衰减模型提出了类别重要性衰减学习策略,强调不同历史轨迹对当前移动状态产生的影响,获得高效的个体嵌入表征。最后,本文将个体嵌入表征作为循环神经网络的输入,有效地捕获到基于事件感知的个体出行时空转移规律,提高出行目的地预测的准确度。(2)基于注意力机制和神经网络的预测方法。为了进一步提升模型效率,本文还设计了一种融合注意力机制和神经网络的多模块嵌入循环神经网络,该网络由历史注意力模块和循环神经网络模块构成,仅使用个体出行的位置序列、时间信息,就可以学习到个体的周期和序列转移规律。本文将个体出行轨迹分为当前状态和历史状态两部分,其中,历史状态作为历史注意力模块的输入,通过设计基于权重自学习的历史注意力学习机制来捕获个体周期性转移规律。另外,本文将当前状态输入到循环神经网络模块中,捕获个体序列转移模式。实验表明,该方法在简化网络结构、提高网络效率的同时,可以获得准确的预测结果。为了验证上述两种预测方法的有效性,本文在两个具有代表性的社交网络签到数据集Twitter和Foursquare上进行实验。实验结果表明,两种预测方法在个体出行目的地预测研究问题上,均可提高预测的准确度。