移动物联网与定位技术为持续获取大规模轨迹数据提供了便利,如何基于历史轨迹数据实现移动对象未来位置的准确预测是当前研究的热点。由于轨迹序列数据的稀疏性、轨迹采样频率的不一致性和城市交通场景的复杂性,这给实现轨迹的精确预测带来了困难和挑战。怎样多方面考虑移动轨迹趋势变化的影响因素,怎样在轨迹预测中考虑路网结构和交通路况多变性以提高预测精度的同时降低轨迹预测精度对采样频率的敏感性是研究难点。针对上述问题,本文主要从以下两个方面进行研究:提取车辆移动行为动态特征,结合轨迹序列数据构建数据特征空间,在此基础上对移动轨迹预测方法进行研究;提取区域连通关系和区域的未来路况状态,结合区域位置序列构建轨迹特征表达,在此基础上对车辆移动区域的位置预测方法进行研究。本论文主要研究工作和贡献如下:（1）考虑到车辆移动行为等因素对轨迹预测建模的影响,本文提出了一种基于特征关联的车辆轨迹预测算法。主要内容包括:1.结合车辆移动行为特征、交通环境特征对原始轨迹的表达能力进行增强,获取轨迹的多维特征;2.对多维特征做关联性分析和重要性分析,去除高冗余、低贡献特征;3.基于特征向量表达的轨迹数据,结合LSTM网络构建轨迹预测算法模型。（2）考虑到轨迹采样频率和区域路况对轨迹预测建模的影响,本文提出了一种基于连通区域未来路况的车辆轨迹预测算法。主要内容包括:1.根据轨迹的分布情况划分网格,将移动轨迹序列转化为网格位置序列;2.根据路网中路段的连接关系获取区域连通关系,考虑路况的时空变化和路网连通结构,通过嵌入区域连通关系的方式提出一种路况预测方法;3.结合路况预测输出及区域连通关系提取连通区域的路况特征,融合网格位置信息构建轨迹数据的特征向量空间,结合相应的深度学习网络构建轨迹预测算法模型。本论文在多个真实出租车轨迹数据集上对以上两种算法进行实验验证。实验结果表明了本文提出的算法在车辆的移动轨迹预测问题上具有较好的效果。该研究成果为轨迹预测提供了新思路,对相关的研究工作具有一定的参考价值。