在移动互联网、定位技术、无线通讯技术和智能移动设备高速发展的背景下,大量移动对象的位置可以被有效的定位和追踪,由此产生了海量的移动对象时空轨迹数据,同时极大地推动了位置社交网络的发展。利用这些时空轨迹数据对移动对象进行位置预测和位置推荐是大数据时代人类移动性研究的重要方向,也是地理信息科学、计算机科学、社会学以及复杂性科学等领域共同关注的重要研究议题,在位置社交网络服务、智能交通管理、智能警务、移动计算、环境监测、灾害管理、流行病传播、智慧城市建设等方面有着重要的实际应用价值和学术价值。随着大数据、人工智能、深度学习、高性能计算等技术的发展,为人类移动性建模和预测问题的研究带来了新的机遇。然而,在大规模轨迹数据上挖掘移动对象的移动行为规律,需要应对诸多挑战,包括数据稀疏性、偏好异质性、时空异质性、序列长期依赖性和模型的计算效率等等。针对这些挑战,本课题从位置社交网络中兴趣点推荐和车辆移动位置预测两类具体任务出发,以时空轨迹数据为研究对象,以移动对象未来的位置预测和服务推荐为主要研究目标,开展了若干研究工作。主要研究成果如下:(1)针对传统基于矩阵分解的兴趣点推荐方法在低维潜在空间中使用简单/固定的内积估计复杂的用户-兴趣点交互带来的限制,以及用户-兴趣点矩阵的数据稀疏性问题,本文综合考虑兴趣点推荐任务中用户、兴趣点、兴趣转移模式和空间上下文的联合作用,提出了一种融合地理-序列偏好和距离度量分解的兴趣点推荐方法。首先,对度量空间进行分解来学习用户和兴趣点在度量空间中的位置,利用欧式距离代替矩阵分解方法的内积表示,通过用户和兴趣点的欧式距离建模用户的一般偏好。进一步,考虑到用户兴趣的动态变化特征,利用连续签到位置的欧式距离建模用户的兴趣转移模式。然后,线性融合两种类型的距离,并将地理距离作为权重因子进行约束,构建融合用户一般偏好、兴趣转移模式和地理影响的兴趣点推荐统一框架。最后,在两个真实数据集上进行了大量实验,证明了该方法的有效性和优越性。(2)传统浅层兴趣点推荐模型难以有效融合时空上下文信息和建模用户在空间和时间上的个性化差异,现有研究未能准确建模用户签到序列中存在的长期依赖关系和隐藏的主要行为意图,因此,本文提出了一种基于时空门控循环单元和注意力机制的兴趣点推荐方法。首先,构建了时空门控循环单元网络,通过融合用户移动的连续地理距离信息和时间间隔信息,同时建模用户的序列偏好和个性化时空偏好。然后,通过引入注意力模型并集成到时空门控循环单元网络中,学习用户签到序列中隐藏的主要行为意图。通过实验表明,该方法在精度上优于几类典型的兴趣点推荐方法。(3)循环神经网络虽然在兴趣点推荐中被成功应用,但循环结构的计算依赖于整个时间序列的隐藏状态,难以有效提高模型的效率和充分学习空间维度的高阶特征交互。因此,本文提出了一种基于时空扩展卷积生成网络的兴趣点推荐方法。首先,引入条件概率生成模型,通过使用一个可以并行化计算的堆叠式扩展因果卷积网络和残差结构建模用户移动序列。然后,利用连续的地理距离信息建模用户的个性化空间偏好,并融合两种类型的时间周期性模式来建模用户的个性化时间偏好。通过实验表明,与几类最先进的兴趣点推荐方法相比,该方法在精度和效率上均具有明显的优势。(4)为解决车辆移动位置预测任务中建模轨迹序列长期依赖的难题,以及现有基于循环神经网络和卷积神经网络模型计算效率较低的问题,本文提出一种基于分层注意力机制和扩展卷积生成网络的车辆移动位置预测方法。首先,对大规模的车辆轨迹数据建立精细化的地理网格表示,获取移动轨迹的网格编码序列,并代替原始轨迹数据作为预测模型的输入。然后,引入一个简单高效的生成模型,通过融合分层注意力机制、扩展因果卷积网络和残差结构学习车辆移动轨迹的深层次重要特征和时空移动规律。通过实验表明,该方法不仅能够有效学习序列长期依赖关系,进而获得了更高的预测精度,而且模型的运行效率也有较大提升。本文的研究成果不仅可以为移动对象位置预测与位置推荐问题提供新的思路和技术储备,而且可以进一步丰富现有的时空数据挖掘和机器学习等基础理论,具有重大理论意义和实用价值。该论文有图46幅,表18个,参考文献226篇。