近年来,使用用户位置的历史轨迹信息挖掘用户的移动模式并进行位置预测成为研究热点。现有研究工作大部分仅使用了用户轨迹中的地理及时间属性,而没有使用语义信息。针对这个问题,本文对融合语义信息的位置预测技术进行了研究。论文主要工作如下:首先,本文对用户GPS轨迹进行访问地点挖掘,该方法主要负责将用户的GPS原始轨迹转换为地理轨迹和语义轨迹。需要对GPS轨迹进行两次处理,第一次通过设定的距离和时间阈值将GPS轨迹点转换为停留点;第二次使用基于密度的聚类函数将停留点聚类为有意义的地理位置,并通过反向地理编码将地理位置转化为语义位置。上述访问地点挖掘过程是位置预测的第一步。其次,本文基于数据挖掘中的频繁序列模式挖掘算法,实现了一种基于移动模式的语义位置预测方法。该方法通过融合用户轨迹的地理、时间和语义等多模信息,提高了位置预测的准确性。实验结果表明,与仅使用地理及时间属性的位置预测算法相比,基于移动模式的语义位置预测方法的准确率提高了 17.89%。最后,本文以Markov模型为基础,实现了一种基于Markov模型的语义位置预测方法。该方法通过用户当前轨迹序列与历史轨迹模式树进行匹配,选择出适合的Markov模型阶数,避免了 Markov模型阶数过低导致的不确定性和阶数过高导致的预测覆盖率低这两个缺点。经实验验证,相比多阶Markov模型的准确率,基于Markov模型的语义位置预测方法的准确率提高了8.96%。