随着基于位置社交网络(Location-based Social Network,LBSN)的蓬勃发展,位置预测是近几年学术领域和工业领域中的重要研究问题。位置预测在许多领域中发挥着重要的作用,人们的未来移动模式可以通过他们的个人偏好和访问历史反映出来。现如今,智能媒体的普及使得人们可以在社交平台上分享景点、餐馆、酒店等有关的经验和攻略。位置预测是通过对这些数据进行分析与学习从而对用户未来的位置信息进行预测,预测结果可以应用于景点推荐、路径规划等领域。本文分别从以位置为中心预测给定位置的访问量和以用户为中心预测用户下一时刻的位置两个方面进行分析研究,本文的贡献主要分为以下两点:1.提出一种以位置为中心对位置未来访问量进行预测的模型框架(Deep Factorization Machine for Location Prediction,DFMLP)。DFMLP考虑了来自社交网络数据的多个维度的签到特征,即用户偏好、位置吸引力、时间特征、空间特征和天气特征。更具体地说,我们通过因子分解机组件去除用户-位置签到矩阵的稀疏性以及学习用户和位置的低阶特征交互。设计一个特征提取建模组件用来处理时-空-天气特征。然后,利用一个深度神经网络组件用于融合多个维度的签到特征以捕获高阶潜在属性。另外,我们根据用户在每一个位置的签到次数对该位置进行非均匀加权。进一步,考虑到可训练样本的稀疏性问题我们设计了一种负样本的采样算法。根据在两个典型数据集上的实验得出,所提出的方法对比着基准方法有较好的预测效果。2.提出了一种以用户为中心预测用户下一位置的模型框架(Recurrent Location Prediction Network,RLPN)。首先,利用矩阵分解推断出用户-位置签到矩阵的缺失值,得到用户的整体偏好。然后利用Long Short-Term Memory(LSTM)学习用户的长短期偏好。为了缓解预测中所面临的数据稀疏性问题和冷启动问题,考虑两个方面的社交关系,即与用户签到位置相似度高的朋友关系和地理位置上与用户距离较近的邻居关系。为了考察该方法的鲁棒性和准确性,在两个典型数据集上的实验表明,RLPN对比着基准方法表现出最佳的预测性能。