近年来,汽车行业进入体验经济时代,人们对汽车的智能化需求越来越高。汽车的人机交互方式发生巨大变革,车载系统成为影响用户体验的关键因素。出行前目的地预测在用户即将出发前为其预测目的地,方便车载系统提供地点推荐、路线规划、反馈路况等更智能的服务,对汽车出行分布分析、辅助城市交通系统规划等具有重要意义,受到研究者和业界的广泛关注。目前出行前目的地预测研究侧重于采用地点之间的映射关系,而忽略了用户的个性化出行特征,这些特征对于预测任务至关重要;此外,这些研究往往基于用户历史目的地的统计概率进行预测,难以预测用户少去或未去过的地点,因此预测准确性受限。本文旨在解决上述问题,提高出行前目的地预测的准确性,问题的解决具有以下难点:（1）从稀疏数据中挖掘复杂的用户-地点映射关系,对用户个性化出行特征进行有效建模;（2）提取由用户、时间、地点组成的出行三元组中的关键信息;（3）对车辆出行网络中用户出行深层次信息的有效挖掘。针对以上难点,本文提出基于嵌入学习的车辆目的地预测模型,以嵌入的形式表示用户出行特征及地理位置特征,并基于节点嵌入生成预测结果。本文的主要工作如下:（1）介绍了车辆目的地预测课题的研究背景、研究意义及国内外研究现状,总结现有方法的优缺点,分析数据集中的用户出行时空规律,提出本文模型的设计思路。（2）提出基于嵌入组合学习的预测模型:通过出行三元组（用户、出发时间、出发地）中各元组的嵌入学习,实现对用户、时间及地点的特征建模以解决难点（1）;提出基于多层感知机的嵌入组合机制,从各元组嵌入中抽取关键信息组合,形成三元组的组合嵌入表示以解决难点（2）;设计目的地概率排序优化方法,更新嵌入和模型中的参数;基于出行三元组嵌入与候选目的地嵌入生成目的地预测结果;最后通过实验验证所提模型的有效性。（3）提出基于嵌入传播学习的预测模型:基于图神经网络的思想设计了嵌入传播机制以解决难点（3）,将节点的邻域信息传播至目标节点嵌入,挖掘车辆出行网络中节点间深层次的交互信息;提出节点相关性排序优化方法更新模型参数;最后将出行三元组嵌入输入预测模型中生成预测结果,并进行实验验证。（4）根据所提模型设计并实现了车辆目的地预测系统,包括车辆目的地预测和POI推荐等功能,实现用户出行前目的地预测并对其可能感兴趣的地点进行推荐。