人类移动性的探索长久以来一直受到自然、经济、社会等各个学科领域的学者的关注。一方面,人类每天的日常活动地点变幻莫测,令人难以捉摸。另一方面,人类移动性的探索在行为监测、人口迁移等方面也具有重大的应用价值。探索人类的移动性最重要的一点就是对人群未来轨迹的预测,它可以直接折射出人类的生活方式和移动规律。目前深度学习技术和大数据技术的快速发展,能够更加深度地分析轨迹中的移动模式。本文的主要内容为针对用户的历史轨迹使用了基于深度学习的神经网络模型,分析其移动模式并预测未来的移动轨迹。本文考虑了历史轨迹中的时间特性、空间特性及时空特性下轨迹的长期依赖关系,主要工作与创新如下:1.提出了一个基于编码器-解码器模型的人群移动预测神经网络模型,该模型使用了机器翻译中的序列到序列模型来建模用户移动轨迹,且同时考虑历史轨迹和当前轨迹的双重影响。其中,编码器编码历史轨迹并生成内容向量记录其移动模式,当前轨迹与生成的内容向量作为解码器的输入来解码当前轨迹,从而生成未来轨迹。此外,本章考虑了冗长轨迹对移动模型的影响,使用了数据的逆置和双向循环神经网络模型两个方法来缓解该问题。2.在编码器-解码器模型的基础上,提出了一个使用了图卷积的神经网络模型。该模型不仅能够考虑历史轨迹和当前轨迹的双重影响,还考虑了历史轨迹的空间关系。通过历史轨迹的时间维度上的排列顺序,建立了其中各个地点的有向图和邻接矩阵,然后使用了图卷积的近似线性模型对各个地点间空间关系建模,使得该模型能够同时考虑轨迹的时空间特性。3.提出了一个基于卷积神经网络的轨迹预测模型,该模型解决了冗长轨迹造成的历史轨迹遗忘问题。首先使用一维卷积捕捉历史轨迹的短期移动模式,紧接着平均池化方法被用来表示全部轨迹中的各个子轨迹,接下来使用一个全连接神经网络捕捉子轨迹间的移动模式来表示历史轨迹的长期移动模式。通过捕获的长短期移动模式来预测未来轨迹。最后,通过大量的实验与现有模型进行比较,表明本文模型表现更好,在未来的地点预测中精度更高。尽管本文模型用于人群移动轨迹的预测,但同时也可以很方便的推广到各种序列数据的预测任务。