随着GPS定位设备和互联网的普及,收集人类历史出行轨迹变得越来越容易。在收集到大量历史轨迹数据后,人们便想从中挖掘出有用的信息,比如固定的出行模式等。根据挖掘出的固定的出行模式,我们可以在只观察到用户的部分出行轨迹时就能较为准确地预测其最终的出行目的地。出行目的地的预测有多种用途,如:在商业领域上，可以提供出行建议、精准广告投放等业务,在无需用户参与的前提下,满足用户的潜在需求;在城市安全领域,可以缩小疑犯追踪、走失行人的排查范围,节省城市安全成本;等。本文回顾了出行目的地预测问题的研究进展,总结了目前研究存在的一些问题:基于历史相似轨迹的预测方法常因无法准确定义相似度而使预测误差较大;基于马尔科夫模型的预测方法的预测精度较高,但马尔科夫模型假设车辆出行满足马尔科夫性质,因此割裂了出行位置之间的前后时间联系;模型一般视轨迹的各个位置为独立的质点,这也割裂了位置在空间上的联系;时间的因素常被现有模型所忽略,但很明显,时间是影响人类出行重要的因素。本文采用深度学习中的循环神经网络来预测用户的出行目的地。循环神经网络已被证明拥有出色的记忆能力,非常适合处理轨迹序列。本文使用分类的方法,首先预处理用户轨迹常见的区域,将其划分为一定精度的网格,然后以网格代替用户轨迹,预测目的地也采用预测目的地网格的方式预测。深度学习中的嵌入技术,已被证明适合用于学习离散型数据的特征,本文将使用嵌入的技术来学习网格和时间的特征。本文还提出了回归型概率分布的概念,以概率大小来体现预测网格之间的远近关系,从而改造常规分类预测为回归型分类预测。实验表明,这种预测方式,相对常规分类预测和传统的马尔科夫预测模型,能够显著缩小预测误差。