当前,智能终端在人们的生活中发挥越来越大的作用,地理位置信息可以服务于智能交通领域,诸如交通流量和拥堵的预测以及解决方案的设计,车辆运行时候的导航路径规划等;也可以服务于社交网络和电子商务,根据用户的位置信息进行用户行为的分析和基于位置的推荐。在基于地理位置的服务中,从用户移动轨迹中提取用户感兴趣的位置是一项比较重要的工作。基于提取的位置进行用户下一位置的预测也是当今的研究热点。本课题对当前的国内外位置预测进行了充分的调研,重点研究了马尔科夫模型、随机森林模型和深度信念网络模型。针对传统预测模型考虑维度单一的问题,本课题将信念网络模型应用到位置预测当中,从用户轨迹的预处理、到从轨迹中提取出用户感兴趣的位置,再到基于提取位置的预测,设计了一套解决方案。模型引入的特征包括用户访问上一次位置、用户访问时间、用户停留时间和该地理位置的地理属性等。对比传统位置预测模型,该模型在准确度方面提高10%左右。基于当前开源的Spark分布式计算框架,本课题将基于深度信念网络的位置预测模型应用到实践中,完成了原型系统的设计和实现。该系统分为数据解析模块、位置提取模块、位置预测模块、数据可视化模块等,可以实现模型的训练和数据预测功能。最后对系统各项功能指标进行了测试,符合预期目标,而且系统能够稳定运行。