近年来,随着移动定位技术的成熟和流行,基于位置服务越来越受到人们的关注。位置预测技术是其中重要部分,并有着广泛的应用。目前,位置预测方法中较为常用的是基于Markov模型的预测方法,然而这类方法存在很多问题,例如：没有有效的划分区域、没有考虑用户特性以及只基于当前位置进行预测。因此,基于Markov模型的新的位置预测方法的研究迫在眉睫。本文以传统的基于Markov模型的位置预测理论为基础,并针对其中存在的问题加以改进。建立了包括离线数据处理、线下模型训练和线上位置预测的完整位置预测方案,使得预测准确率更高,系统适用范围更广。本文的主要贡献如下：首先,针对GPS数据远比其他数据更容易获取的特点,提出只基于用户历史GPS数据进行位置预测的方案,使得位置预测方法更符合实际、应用范围更广其次,针对传统位置预测中将地图网格化的方法所存在的问题,提出一种新的划分方案,从GPS数据中提取兴趣点,并依据兴趣点将地图进行更有意义的划分。再次,针对传统Markov模型预测方法没有考虑用户特性的问题,提出一种聚类算法,将用户聚类为用户组并为每个用户组建立预测模型,实验证明可以有效的提高预测的准确率。最后,针对传统基于Markov模型的位置预测方法存在的问题,提出了建立混合多步Markov模型的方法,考虑了轨迹上的多个位置,并给出了每个位置对预测的影响系数。另外,因为用户每次的移动行为并不一定完全符合用户的习惯,所以提出一种贝叶斯方法,可以仅根据当前轨迹选择最符合该轨迹的模型进行预测。同时,解决了难以为新加入系统的用户和数据稀疏的用户进行预测的问题。通过理论分析和实验评估,证明了本文提出的基于混合多步Markov模型位置预测方法符合理论上的可行性和操作上的正确性。