随着3G/4G网络的发展和移动互联网的兴起,基于位置的服务(Location-Based Service,LBS)逐渐普及,为人们生活提供了诸多便利。在提供服务的同时,LBS也将具体的用户(如行人、车辆等)抽象为移动对象,采集了大量的移动对象轨迹数据。对这些移动对象轨迹数据进行挖掘,可以为LBS提供用户的兴趣爱好、行为习惯等信息,从而可以提供更精准的服务。在众多移动对象数据挖掘技术中,对LBS服务提升最有帮助的是移动对象轨迹的位置预测,即通过移动对象历史轨迹数据,对未来一个时间点或一段时间内的移动对象位置进行预测。移动对象轨迹数据的位置预测为LBS提供了根据用户行为模式估计用户下一时刻的位置的能力,可以应用于精准推荐、路径规划等服务中。位置预测的准确度直接影响了服务的效果,因此,需要研究更高效、准确的移动对象轨迹位置预测算法。本文的主要贡献总结如下:(1)首先介绍了时空轨迹数据预处理方法并具体地定义了移动对象位置预测问题,然后针对轨迹中位置过多引起的维度灾难问题,提出了一种位置分布式表示模型LDRM,将轨迹位置表示为位置嵌入向量。在不忽略移动对象运动规律的同时,有效降低了位置序列数据的维数,提高了训练模型的效率。同时,LDRM模型也可以运用到移动对象短期位置预测中,并通过实验证明了该模型的准确性。(2)针对较长轨迹中的移动对象位置预测问题,采用基于长短时神经网络LSTM的位置预测模型,结合LDRM位置表示模型,提出了LDRM-LSTM算法,对移动对象轨迹序列进行建模,从而对较长序列中的移动对象位置进行预测。实验结果表明,LDRM-LSTM算法效果远高于原始的LSTM模型及其他经典的位置预测算法。(3)利用地理信息系统的地标信息,在原始的移动对象轨迹中融入语义特征,对用户停留位置的语义进行标注,并提出了网格语义权重模型GSWM。将GSWM模型和LSTM算法结合,提出了网格语义位置预测算法GSWM-LSTM,对移动对象下一个停留点的语义进行预测。实验结果表明,GSWM-LSTM算法在预测较短时间内的语义位置时效果良好,在预测较长时间内的语义位置时效果下降较快,但仍高于基于概率的位置预测算法。