随着智慧城市建设对城市交通信息分析利用需求的不断增长和用户时空轨迹数据的不断积累,基于位置的数据挖掘开始被广泛研究。人们希望能够更加准确地掌握城市发展中存在的交通问题和需求,以便于更加有效地采取应对措施。此外,基于位置的数据挖掘还可以辅助进行与位置相关的商业活动。在基于位置的数据挖掘研究中,位置表示学习是一项十分重要的基础研究任务。位置表示学习的目标是为每个位置学习一个嵌入的隐含特征向量表示。目前已有的大部分位置表示方法都只考虑了轨迹数据中位置的空间和序列关系,而忽略了在一条轨迹中用户到达特定位置的时间信息的影响。考虑到用户的到达时间可以明确地反映位置的功能特征,所以将到达时间信息嵌入到位置表示学习中是非常有必要的。本文提出了一种融入时间信息的位置表示学习方法(Time-Aware Location Embedding,TALE),从时空轨迹数据中对位置的分布式向量表示进行学习。在该方法中我们基于层次softmax模型设计了一种新颖的树结构,将轨迹数据中的时间信息作为多叉树的子节点加入到树中。为了对TALE模型学习得到的向量效果进行验证,我们进行了位置向量类比实验,实验结果表明TALE模型学习得到的向量取得了更好的类比准确率。由于位置表示学习将位置的特征信息表示成低维的隐向量,而这些向量中隐含的位置特征信息可以辅助我们更好地完成一些与位置相关的任务,本文进一步研究了两个基于位置的预测问题,即用户位置预测和位置流量预测。为了更好地完成这两个预测任务,我们将位置表示学习模型得到的向量表示作为输入融入到时间序列预测模型中,来预测用户的下一个位置以及位置的下一时刻流量。本文采集了北京市连续五个工作日的手机信令数据作为时空轨迹数据集进行了实验。实验结果表明,与传统的方法相比,融入位置表示学习的预测模型能够获得更高的准确率。在不同的位置表示学习方法中,融入时间信息的位置表示学习模型TALE可以更加显著地提高两个任务的预测准确率,进一步表明了 TALE模型可以更好地学习位置的隐含特征向量表示。