随着移动互联网、定位技术的高速发展和智能便携设备的普及,以人工智能为主导的技术与应用正在改变着人们的生活。其中,基于位置的服务是重要的技术支持之一。位置预测是基于位置的服务重要组成部分,在推荐系统和城市资源规划等领域发挥着重要的作用。目前,基于全球定位系统（GPS）的轨迹数据在位置预测任务中受到广泛关注,GPS轨迹数据属于时空序列数据,不仅包含时间和位置信息,轨迹序列中还蕴含丰富的上下文信息。传统位置预测方法大多关注GPS轨迹中的位置序列,未充分挖掘轨迹中的上下文信息,导致预测效果不佳。基于GPS轨迹的位置预测还面临诸多问题,其一,出行方式是影响位置预测结果的重要上下文信息之一,现有研究没有充分关注历史轨迹中用户的出行方式对于位置预测结果的影响,这导致模型是针对混合出行方式轨迹进行建模预测,在没有足够多的训练数据支持情况下,模型的泛化能力不足。其二,历史轨迹中不同位置对于预测结果影响的权重是不同的,现有研究没有关注历史轨迹中对位置预测结果影响较大的位置,降低了模型预测精度和训练效率。其三,现有研究大多是将历史轨迹中停留位置或者兴趣点提取出来,从而将位置预测问题转化为分类问题,这是对位置预测问题的变相简化,导致预测结果受限于历史到达过的位置。针对上述问题,本论文基于真实GPS轨迹数据,提出结合出行方式的位置预测模型。该模型首先根据时间阈值对轨迹进行分割,进行预处理与特征提取;再通过改进的深度森林算法识别轨迹中的出行方式,根据出行方式识别结果将轨迹按不同出行方式分类,针对不同出行方式构建对应的位置预测模型;最后采用加入注意力机制（Attention）的双向长短期记忆网络（Bi LSTM,Bi-directional Long Short-Term Memory）模型进行位置预测。模型中注意力机制和LSTM中双向传播机制用来发掘历史轨迹中不同位置对于预测结果的影响,提高模型预测精度。模型最终预测结果为用户将要到达的实际位置,使预测结果不局限于用户在历史轨迹中到达过的位置。在真实GPS轨迹数据集上进行的对比试验表明,本论文所提出的基于改进深度森林的出行方式识别模型在出行方式识别任务中取得了较好的结果,准确率达到81.56%,优于随机森林模型,可以作为本论文位置预测模型提供轨迹分类依据。本论文所提出的位置预测模型在出行方式识别任务辅助下,将原始轨迹段按不同的出行方式进行分类,提高了位置预测模型总体泛化能力,其精确度比未结合出行方式的模型提升了12.8%,这表明本论文所提出模型和算法具备较高的可行性和有效性。