位置大数据统计信息的发布有助于用户按需规划行程,错峰出行以缓解交通堵塞,同时也为不断建设的智慧城市提供各种基于位置的应用,令用户获得人性化、智能化、安全化的服务。然而,位置信息中不但包含用户具体的实时位置及移动轨迹,还能折射出生活习惯、健康状况、兴趣爱好、经济条件等个人隐私,对原始位置信息不加处理的发布将导致用户隐私泄露近而产生一定危险。因此,解决位置信息的隐私保护问题是位置大数据的首要任务。深度学习以数据驱动为本质特点,特别适合大数据环境下非线性数据模型的分析和挖掘。本文将深度学习技术应用于位置大数据的统计发布建模,实现对位置大数据统计发布结构的有效预测和隐私保护。针对传统位置大数据统计发布结构不合理、划分发布方法效率低下的问题,提出一种基于时空长短期记忆神经网络的位置大数据统计发布结构预测方法和差分隐私发布方法,使位置大数据统计发布数据的可用性得到提升并加快执行效率。首先对二维空间进行细致划分并采用自底向上方法进行合并,构建合理的空间划分结构。然后,将划分结构矩阵组织为三维时空序列,并使用深度学习模型提取时空特征,实现对发布结构的预测。最后结合预测发布结构进行差分隐私预算分配和Laplace噪声添加,实现位置大数据统计发布信息的隐私保护。通过实际位置大数据集的实验,证明了所提方法在提高发布数据查询精度和运行效率方面的优势。为了进一步提高位置大数据统计发布结构的预测精度,通过对位置大数据统计信息时空特性的综合分析,提出一种基于时空残差网络的深度学习预测模型。按照时间关系将划分结构矩阵分别组织成时间相邻序列和时间周期序列,设计残差网络来同时捕捉其中的时间依赖关系和空间依赖关系,为每个残差网络的输出分配不同的权重并将它们融合。最后,通过聚合函数来处理各个残差网络融合后的输出结果,以获得未来时间段的发布结构。通过实际位置大数据集的实验,证明所提方法提高了位置大数据统计发布结构的预测精度。