人群移动轨迹预测对多个城市计算的相关课题都有重要作用,如城市规划、交通工程、商业决策等等。得益于移动互联网和大数据技术的蓬勃发展,捕获整个城市范围内人群的移动轨迹数据已经成为可能,而深度学习技术的应用也大大提高了对人群轨迹序列的建模能力。已有相关研究数据主要来源于志愿者设备采集、手机应用签到记录等,数据覆盖的人口数通常为数万至十数万规模,在城市范围内不具有代表性;另外,由于数据采集场景的复杂性和缺少真实可信的标签参照,轨迹数据携带的噪声往往难以清洗,人为设置固定的指标阈值和清洗规则甚至会过滤删除部分有效数据,进一步降低了预测模型的性能。针对以上问题,本文主要关注如何提升面向海量带标签噪声的城市位置数据的移动轨迹预测方法的性能。本文将其拆解为三个子问题:一是如何构建轨迹预测模型,根据用户此前的轨迹数据预测其下一时刻的位置;二是如何实现对输入数据中标签噪声的识别,即对轨迹数据准确性进行表征和量化评估;三是如何在此前轨迹预测模型的基础上,考虑和利用数据准确性的表征结果,实现整体场景下预测性能的提升。本文的主要工作有以下几点:首先,基于深度学习模型,本文实现了从分布式日志大数据处理到移动轨迹预测的完整流程,提出了结合双向门控循环单元和注意力机制的预测模型,在真实城市基站位置数据集上进行了测试,提高了预测的准确性。同时对轨迹数据中的标签噪声问题进行分析,并验证了其对预测模型的影响。其次,针对标签噪声的识别问题,本文基于深度表征学习方法设计了用户轨迹数据的校验模型及其无监督式训练方法,并验证了其对标签噪声量化评估的合理性。最后,通过利用权重分配的思想去校准神经网络参数,本文将前两者模型结合起来,提出了完整的带校验网络的移动轨迹预测方法,有效提高了海量带标签噪声的城市位置数据场景下移动轨迹预测模型的性能。