随着宽带无线接入技术和移动终端技术的飞速发展,人们迫切希望能够随时随地在移动过程中享受互联网的信息和服务,移动互联网应运而生并迅猛发展。各种基于位置服务的设备都要求提供移动设备的准确位置。目前,虽然定位系统的可靠性和准确性有所提高,但是由于GPS系统、移动设备、无线网络的局限性,定位系统有时难以精确追踪物体,需要可靠的方法预测移动对象的将来位置。本文提出了两种移动对象轨迹预测的方法:融合语义特征的移动对象轨迹预测方法SG和融合动态环境的移动对象概率路径预测方法P3D。融合语义特征的移动用户轨迹预测方法SG首先将用户的地理轨迹转化成包含语义行为的轨迹,挖掘出语义模式集,同时在语义轨迹中分析移动用户的公共行为,将具有相似语义行为的用户进行聚类,挖掘出每个聚类的地理模式集。基于挖掘到的用户个体语义模式集和相似用户地理模式集,构造用来索引和局部匹配的模式树STP-Tree和SLP-Tree。通过对STP-Tree和SLP-Tree的索引和局部匹配,引入一个加权函数对给定移动用户的最近运动进行预测。融合动态环境的移动对象概率路径预测方法P3D通过动态选择轨迹来动态建立预测模型。P3D的优点:1)要被预测的目标轨迹在模型建立之前被选择,可以针对和目标轨迹相关的轨迹建立模型。2)不像惰性学习方法,P3D基于少量选定的参考轨迹,用精确的学习方法在可接受的时延内得到准确的预测模型。3)如果预测运动和准确的结果不匹配,P3D可以通过动态重构建新模型进行持续自校正。在大量真实和人工轨迹数据集上的实验结果表明:本文SG方法的准确性和性能较传统方法都有显著提高。P3D通过自校正持续预测,可以动态调整预测结果,相比没有自校正持续预测方法,性能有了明显的提升。