近年来,随着物联网、云计算、移动互联网和无线通信网络等技术的不断演进,“智慧旅游”利用互联网等技术和便携的终端设备,为游客量身定制适需的旅游产品,提高用户的旅行体验。其中,对用户位置的预测和用户旅行路线的规划是其中广泛关注的问题。本文研究了基于路径语义的移动预测方法,以及基于强化学习的个性化旅行规划问题,对两个子问题分别进行深入研究,并对研究内容的不足和可能改进的方向进行描述。首先,论文总结了移动预测的相关技术和研究内容,分析了时空特征的分类和特点;以及总结了传统旅行商问题和本文相关的强化学习理论。其次,针对传统的基于区域位置和基于兴趣点的位置预测忽略了移动的细节,从而导致在预测的准确率和地理精度上难以权衡的问题,本文设计了一种基于路径的移动预测框架,包括路径序列提取和预测模型训练。其中路径序列提取既剔除区域位置引入的轨迹噪声,又能避免区域粒度与预测准确率之间的冲突,实现了原始轨迹精确的重构。在路径序列的提取中,通过对原始GPS(Global Position System)轨迹绘制相似点图来提取候选交叉点,进一步,通过聚类方法去除冗余交叉点,最后合并交叉点之间的相似轨迹为典型路径。预测模型采用长短期记忆神经网络对所构造的轨迹序列进行了训练和预测,实验表明,基于路径的预测在地理精度上远高于基于区域位置的预测,并一定程度提高了准确率。再次,传统的旅行规划方法针对兴趣点规模扩大导致效率较低,以及用户旅行偏好的重要性等问题考虑的并不全面。本文综合考虑了用户的个性化偏好,在多重代价约束前提下,引入了结合指针机制的序列到序列的神经网络,通过深度强化学习算法A3C(Asynchronous Advantage Actor-Critic)进行了路线优化。相比较而言,通用启发式搜索算法容易陷入局部最优解,且搜索效率较低。通过实验验证,所提出的路线规划算法,收敛性良好,解的质量和搜索效率上都有所提升。论文最后对全文进行了总结并指出了未来的发展趋势,针对一些不足提出相关的改进方向,为进一步的优化奠定基础。