随着互联网、大数据等产业规模的扩张,移动设备几乎应用在生活的方方面面。位置服务平台为用户提供便利服务的同时也获取了大量的用户历史轨迹。历史轨迹中除基本的地理位置外还包含了其他丰富的隐藏信息,如用户行为习惯、城市热点位置等。通过对轨迹数据的挖掘能够提取有价值的用户行为等信息,能够帮助用户更好的规划路线,可应用在城市交通管理及商业广告的布置等场景。但随着用户出行方式的改变、大数据的迅猛发展和海量数据的爆炸式增长,怎样高效处理并利用这些蕴含着地理位置、移动时间、速度等丰富信息的轨迹数据成为了众多研究人员面临的难题。但如今,随着人工智能的兴起与发展,机器学习与深度学习技术使海量数据分析成为了可能,从而可以高效地从轨迹数据中挖掘出有价值的潜在信息。本文结合深度学习技术处理轨迹数据,针对处理后的轨迹数据序列搭建神经网络并进行训练,目的是学习长轨迹序列中的隐藏语义关系,深度挖掘数据特征,直至模型取得较好的预测效果。在针对轨迹数据的预处理上,使用机器学习领域的特征工程方法去除数据中的噪声和异常点等干扰,补全轨迹并提取重要位置。在预处理后的数据基础上对LSTM做了改进,将位置预测问题当做地点生成问题,通过嵌入层将轨迹从原先的空间映射到新的多维空间,构建带有静态注意力机制的双向LSTM并进行训练得到一个初步预测结果,也视作对抗生成网络中生成器生成的序列;最后结合SeqGAN对抗生成网络加强LSTM得到的预测结果,使用卷积神经网络作为判别器,使来自生成器的数据更加接近真实数据。经过大量实验结果表明,本文提出的基于深度学习的轨迹位置预测算法避免了传统数学方法中存在的离散、语义缺失等问题,充分分析了轨迹序列的时序语义特征,提高了长期预测能力,更好的反映了时间规律用户意图等信息。