近年来,随着移动终端设备的普及,定位技术的迅猛发展,位置信息的获取变得越来越容易。基于位置的服务已经成为生活中常见的服务,可以分为基于当前位置的服务和基于将来位置的服务。其中,基于将来位置的服务需要更精确地预测用户将来的位置,在信息推荐、空间规划、安全监管等领域具有重要的应用价值。在位置预测研究中,对数据进行预处理是必要的步骤。数据具有时效性,利用陈旧的数据进行位置预测将产生误差,因此需要在数据预处理阶段进行时效性判定。另外,由于位置数据具有复杂的时间和空间特征,需要对数据进行建模和分析。Markov模型因其简单、高效、可以很好地表示时序数据,被广泛地用于位置预测。但是,Markov模型未考虑历史状态对将来状态的影响,所以在进行位置预测时结果的准确率不够高,而且会出现在历史数据中找不到当前状态则无法进行预测的情况,即零频问题。针对上述问题,本文提出利用新停留点比例来判定数据时效性,并利用高阶Markov模型进行位置预测。为了更加充分地利用用户的历史数据,研究了可以不断进行降阶操作的高阶Markov模型,并综合考虑时间特征,以此提升预测精确度。对于多次降低阶数后仍然搜索不到当前状态的情况,通过分析用户移动模式的方法辅助进行位置预测。最后,在实际数据集GeoLife上开展数据时效性判定和位置预测实验。实验结果表明,利用新停留点比例来判定数据时效性是可行的,有效的。同时,利用结合时间特征的变阶Markov模型可以获得较高的位置预测精度,结合用户移动模式分析可以更好地解决可能产生的零频问题。