下一个位置预测任务的目的是希望通过分析人类的移动轨迹数据,获取用户的移动行为规律信息,从而预测用户接下来最可能访问的位置,其在基于位置的社交网络服务中发挥着非常重要的作用。然而,实现准确、高效的位置预测仍然面临着诸多挑战。首先,人类的移动行为与时空因素高度相关,使得人们的出行规律经常表现出极其复杂的时空过渡模式。其次,轨迹数据存在稀疏性和异质性问题,严重影响了位置预测模型的移动规律建模效果。最近,大量基于循环神经网络的预测方法被提出用于下一个位置预测任务,虽然这些方法已经取得了显著的预测效果提升,但是其在长期规律信息建模以及模型计算效率方面仍存在进一步提升的空间。本文的主要研究内容如下:（1）为了有效捕获用户的移动规律信息,提出了一个基于时间上下文的自注意力网络位置预测模型。该模型利用所提出的两阶段自注意力机制在有限的内存资源下建模了更长的轨迹序列,有效地解决了循环神经网络长期规律信息易丢失以及计算效率低的问题,从而充分捕获了用户的长期移动规律。并且,该模型设计了一个多模态嵌入层,同时考虑了时序特征以及用户的个性偏好等多种因素,为位置预测模型提供了更加丰富的信息。最后在两个真实世界数据集上对位置预测效果进行了评估,结果展示所提出模型较最优基准方法在召回率指标上分别提升了12.57%和9.38%,证明了该模型性能的优越性。（2）为了进一步挖掘轨迹的全局时空序列特征,在时序自注意力位置预测模型的基础上提出了一个基于轨迹相似性度量的多任务位置预测模型。该模型将轨迹相似性度量任务作为辅助任务,通过多任务学习框架实现任务间的知识共享,从而帮助位置预测模型获取单任务情况下可能会忽略的潜在信息。并且,为了引入更多的空间因素信息,该模型设计了基于地理关键路径的轨迹相似性度量方法,可以有效地捕获影响人类移动行为的空间因素作用,从而实现更加优越的位置预测性能。最后在两个真实世界数据集上进行了大量的实验,实验结果表明所提出方法在两个数据集的召回率指标上分别取得了17.99%和18.84%的性能提升,验证了模型的有效性。