随着全球导航卫星系统（Global Navigation Satellite System,GNSS）产生的移动对象轨迹数据的大量增加以及城市道路交通系统的快速发展,道路交通监控和预测问题在城市交通管理中起着至关重要的作用。其中,运动物体的精确轨迹预测成为一个重要的研究方向,是影响城市车流量监控、无人车辆调度控制等应用的关键技术。但是,现有的大多数预测方法仅考虑轨迹数据单一的时间特征或空间特征,因此预测准确性受到限制。本文深入研究了基于GNSS数据的移动对象轨迹预测领域,从基于统计学的方法和基于神经网络的方法两大方向开展了理论研究创新和应用实践,融合了轨迹时空特征的多特征轨迹预测方法能够利用轨迹的二维空间信息,又能提取轨迹的时间特征,同时在额外多特征的辅助下,最大程度地保留了轨迹的特征丰富性,从而实现对轨迹预测精度的提升。本文主要研究成果与创新包括:1、针对现有的GNSS轨迹特征提取方法效率较低的问题,本文提出了一种基于深度学习的轨迹时空特征提取网络,该时空特征提取网络包含空间特征提取和时间特征提取两大部分。对于空间特征的提取,首先提出一种一维轨迹序列到二维轨迹图像的生成算法。接着使用带有两个卷积层和两个池化层的空间特征提取卷积神经网络（Convolutional Neural Networks,CNN）提取轨迹图像不同深度的空间特征;对于时间特征的提取,首先将原始一维轨迹进行子轨迹切割,在此基础上利用单隐层双向长短期记忆网络（Bidirectional Long Short-Term Memory,Bi-LSTM）提取轨迹的双向时间特征。然后将空间和时间特征拼接成时空特征向量。在公开的波尔图真实出租车数据集上进行轨迹时空特征提取实验,结果表明提出的轨迹图像生成算法有效保留了原始轨迹的时空信息。与T-CONV（Trajectory-Convolution）中的图像生成算法相比,在图像生成速率基本不变的前提下,将轨迹图中轨迹点的完整度平均提高了 111.9%,轨迹图的稠密度提升了61.3%。2、针对现有的轨迹预测方法难以融合多源异构特征的问题,本文提出了一种针对文本、GNSS数据等异构特征融合的轨迹预测模型。首先通过词嵌入模型,从轨迹数据中构造出不同的特征向量,利用轨迹画像生成模型得到轨迹分类向量。此外,对于特殊的文本数据,通过地名提取模型得到更复杂的辅助特征。通过本文提出的多特征融合模型,整合了不同维度的向量,增加了预测特征的多样性。在公开的波尔图真实出租车数据集上进行实验,与基于统计学的方法相比,预测误差减少了 10%以上;而与基于神经网络的方法多层感知机模型（Multi-Layer Perceptron,MLP）、循环神经网络（Recurrent Neural Network,RNN）、T-CONV相比,预测误差平均减少了 4.9%。3、结合时空特征提取模型和多特征融合模型,本文构造了一个完整的轨迹预测框架TCL（Trajectory-CNN-LSTM）,实现一维轨迹数据的输入,精确预测坐标的输出。为了验证TCL框架性能,本文搭建了一个集成演示平台,整合了轨迹预测、文本地名提取及轨迹标注可视化、轨迹画像可视化三大模块,实现了本地轨迹数据的动态演示。