随着互联网和定位技术的高速发展,智能化移动设备逐渐成为生活中不可或缺的一部分,产生了海量的轨迹数据。国内外学者利用这些数据展开了不同的研究。而轨迹预测作为轨迹研究的重要部分,具有广泛的应用场景,可以为用户提供更好的服务,为政企各界的决策提供重要依据,例如:各种基于位置的用户服务、人群拥塞预警、网络资源分配与移动性管理等,有助于社会和谐发展,实现经济效益的增长。近年来,对于轨迹预测的研究持续升温,有关方法被相继提出与应用。然而,目前的许多研究挖掘出的轨迹点仅通过一系列难以理解的数字标号表示,对于停留点的提取也缺乏时间一致性。另一方面,常规的轨迹预测模型没有充分利用轨迹的上下文信息,并且只预测下一个停留的位置,研究成果的预测准确性仍有提高的空间。针对以上问题,本文对基于机器学习的轨迹预测方法进行研究,主要完成了如下工作:(1)研究了轨迹信息的处理方法。通过轨迹预处理、空间信息提取、时间和方向信息添加等一系列流程,将轨迹数据转换成更易理解的语义信息。提出了一种基于多级聚类的空间信息提取方法。首先基于时空一致性扩展的停留点提取方法,利用滑动窗口与区域一致性扩展算法,提取出具有时空相对一致性的停留点。再基于启发式的增长聚类方法,提取停留区域点。之后与移动点合并,最终转换为生活中的地点名称,使轨迹数据能表示出用户的活动场所及移动过程。(2)研究了基于深度学习的轨迹预测方法。对处理后的轨迹信息进行特征向量提取、构建预测模型,充分利用上下文信息,提高预测准确率。本文运用自然语言处理中的Word2Vec模型将空间信息转换为词向量,结合时间、方向特征构建特征向量序列。根据特征序列内部的时序关系,基于深度学习中的LSTM模型和双向LSTM模型预测轨迹的下一个位置,包含停留区域点和移动点。(3)利用真实生活中的GPS数据进行仿真实验,分析了不同参数情况下的模型性能。实验结果表明,本文所提的方法可以有效地预测轨迹的下一个位置。本文的研究成果可以更好地表示轨迹的语义信息,同时提高预测效果,具有有效性和实用性。