随着数据采集技术的进步,越来越多的个体移动轨迹数据被采集和记录,为个体移动行为模式的研究提供了数据基础。个体出行目的地预测作为该研究领域的重要分支,为个性化服务推荐、交通导航等基于位置的服务（Location-based Service,LBS）提供了决策支持。然而,精准实时的目的地预测存在较大挑战。一方面,个体的移动意图被其所处的多元时空语境深刻影响;另一方面,由于路网的空间结构约束及个体内驱性的周期移动规律,个体出行具有复杂的时空模式。轨迹的时空语义及关键的出行时空特征能够深度影响及刻画个体的出行模式,但现有研究未完全考虑这些因素的重要作用,导致个体出行过程建模的粒度与精度不够,难以满足实时精准的目的地预测需求。鉴于此,本文提出一种综合时空语义与关键出行特征的车辆目的地预测方法,实现端到端的精准出行目的地预测。该方法包括轨迹时空语义提取、关键出行特征探测和模型构建三部分:1)轨迹时空语义提取:基于兴趣点数据集与词频-逆词频方法,构建覆盖研究区域的空间语义地图,采用Word2Vec词嵌入方法对提取的轨迹空间语义进一步编码;提取月周日多层次的出发时间语义,对其进行启发式的循环模糊编码,实现时间连续性与用户时间特征空间分布各向异性的学习。2)关键出行特征探测:从原始出行轨迹数据中提取驾驶状态信息,包括转向角、行驶速度及已行驶距离。设计轨迹时空注意力机制,基于驾驶状态计算各轨迹点的位置重要性,并以此为注意力机制的启发项,探测并捕获能描述用户出行过程的关键时空特征,即位于重要路网位置的轨迹点特征和关键时频特征。3)模型构建:结合车辆轨迹及轨迹时空语义作为预测模型输入,利用双层长短期记忆（Long Short-Term Memory,LSTM）学习输入序列的长期依赖关系,并基于时空注意力机制对关键出行时空特征进行探测与表达,最终通过残差网络实现目的地预测。为了验证方法的有效性,本文以8名用户2019整年的私家车轨迹数据集为研究对象,与5种基准模型的预测效果进行对比。实验结果表明本文方法针对不同出行模式的轨迹数据集均能显著提高目的地预测精度。消融实验证明轨迹时空语义及时空注意力机制的有效性。此外,本文还进一步验证了时空语义编码方法的合理性,揭示了注意力机制的工作原理,探讨了影响模型预测的相关因素。最后,通过原型系统实现及算法的实地部署,展示了本文算法实际落地的潜在价值。本文提出的轨迹时空语义及时空注意力机制可为个体移动研究中关键出行特征的构建与学习提供参考。