当代定位技术的飞速发展使得运营商能够通过智能移动设备获取大规模用户的地理位置信息,同时对位置信息的挖掘可以实现多种基于位置的服务,为运营商创造收益。在基于位置的服务场景中,位置预测作为其中的基础研究问题,对理解用户空间移动模式具有重要作用。本文基于运营商数据构建用户位置预测系统,在该位置预测系统中,为实现更精准的决策制定、提升用户体验,如何应对时空轨迹的复杂场景、提高位置预测模型的精度成为本文着重解决的问题。现有的位置预测研究中,研究者通过融合位置轨迹中的时空特性、位置语义等因素以提升位置预测的精度。然而,这些研究将用户活动作为位置语义时,缺少挖掘活动语义的序列特性及其对移动模式的影响,使位置预测的精度提升十分有限。本文针对该问题,提出了两个基于用户活动语义序列特征的位置预测模型。首先基于人工提取的活动语义序列特征构建了ACP-RNN(Activity+Context+Profile+RNN)模型,验证了活动语义的序列特征对移动模式的影响;并结合上下文特征、用户画像,进一步提升了模型的预测性能。其次,利用循环神经网络中的循环结构自动提取活动语义的序列特征,构造了具备三层对称循环结构的位置预测模型TS-RNN(Three-layer Symmetrical Recurrent Neural Network),避免了人工提取特征的繁琐与局限性,且获得了更高的预测精度;同时TS-RNN模型结构的对称性,使其既可以基于用户的活动语义序列预测位置,也可以基于位置序列预测用户活动,突破了现有位置预测模型专门面向位置预测场景的局限性。本文采用匿名化的运营商数据对两个位置预测模型进行分析和验证,证明了基于活动语义序列特征的位置预测模型的性能优势。最终的位置预测系统不仅实现了位置预测性能的提升,还提出了节省人工特征提取的模型方案,扩展了位置预测模型的功能。