随着移动互联网的飞速发展,定位技术的进步,下一个位置预测已经成为了一项重要研究任务,这对于用户和商家具有重要意义。然而由于用户签到数据的稀疏性、相关特征的复杂关联,下一个位置预测存在巨大挑战。首先,现有下一个位置预测算法缺乏针对某一位置的具体行为模式分析,导致无法充分建模用户的历史行为模式及短距离出行模式。其次,现有模型使用的地理空间特征通常不包含公共交通特征,导致无法有效建模用户长距离出行模式。针对用户历史行为模式及短距离出行模式建模不充分的问题,本文提出了一种基于行为模式的位置预测模型。首先,利用兴趣点之间存在的通用时序特征构建签到时序图,并设计图嵌入方法来学习兴趣点上下文信息,由此捕捉兴趣点之间的非个性化时序特征。其次,根据用户的行为模式具有重复性、逆序性的特点,本文采用时间窗口捕捉用户行为模式的重复性,同时使用双向时间窗口捕捉用户行为模式的逆序性。进一步地,由于用户行为模式与地理特征高度相关,本文通过地理特征加权的方法对时间窗口内用户短距离出行模式进行建模。最后,结合用户行为模式特征以及非个性化时序特征,通过循环神经网络提取时间依赖关系对下一个位置进行预测。针对无法充分建模用户长距离出行模式的问题,本文通过改进时间窗口内行为模式的建模方法,提出了结合公共交通特征的兴趣点预测模型。首先,将公共交通数据集与兴趣点签到数据集进行关联,进而计算兴趣点之间公共交通便利性。然后,结合公共交通特征与地理空间特征对用户的出行模式进行建模。该模型能够同时对用户的长距离出行模式和短距离出行模式进行建模,弥补了地理距离空间特征只能对用户短距离出行模式进行建模的不足。本文在真实兴趣点签到数据集上进行了性能评估实验,利用评估指标对本文提出的模型与其他基准模型进行位置预测性能对比。实验结果证明了本文提出的基于行为模式的预测模型和结合公共交通特征的位置预测模型的有效性。并且通过消融分析,验证了预测模型中不同模块的有效性。