基于地理位置的服务是一种为用户提供与地理位置相关的信息的服务。它利用无线网络来对移动设备进行定位,并以此为基础,对用户的移动位置信息进行建模与挖掘。随着智能设备的普及,获取由空间地理位置提供的信息越来越便捷,而这些位置数据中蕴含着丰富的信息,如用户的兴趣爱好,行为模式等。其中,位置预测与位置推荐是两项重要的技术,能够让用户拥有良好的体验,具有较高的应用价值。本文的主要工作包括如下内容:(1)提高稀疏轨迹点下位置表示性能——基于路网的位置表示方法该方法利用多边形来近似表示位置区域,其中路网节点作为位置多边形的顶点。然后通过将多边形分解为三角形的集合,以简化位置区域的构成。在GeoLife和T-Drive数据集上的实验结果表明,该方法在轨迹点较少的情况下,依然能够有效地表示出位置区域。(2)融合连续时间信息的位置预测模型——基于连续时序的马尔科夫模型利用传统的马尔科夫模型进行位置预测时,若按照用户位置划分序列节点,则会丢失时间信息;若按照时间段划分序列节点,则会丢失部分位置转移信息。为了解决这个问题,本文提出了基于连续时序的马尔科夫模型。该模型通过对用户的位置转移时间点建立高斯混合模型,从而发现用户可能发生位置转移的时间点,以此作为马尔科夫模型状态转移节点。该方法不但保留了时间信息,而且几乎没有丢失位置转移信息,解决了上述问题。通过在GeoLife数据集上进行实验,结果表明该方法不但可以准确预测某时间点的用户位置,而且提高了位置预测的准确率。(3)提高位置推荐性能的方法——基于时间衰减因子的位置推荐方法在位置推荐方面,传统基于协同过滤的方法和基于奇异值分解的方法在实践中已经被证明具有良好的推荐效果,然而用户的位置移动行为往往随着时间的进展,有着较大的变化。本文提出的基于时间衰减因子的位置推荐方法通过将不同时间的数据进行分割,并赋予一个未知的衰减因子,然后通过建立损失函数,并最小化该损失函数,学习该未知的因子。最后利用学习到的因子对不同时间段产生的推荐结果进行加权。在Gowalla数据集上的实验结果表明,本文提出的方法相比于传统方法,准确率与召回率都有较大的提升,具有更好的推荐效果。