随着移动互联网和各种移动终端的普及,基于位置的服务已经成为人类生活方式的一部分。各种移动终端设备产生了大量用户轨迹数据,蕴含着巨大的商业价值,对用户轨迹数据进行信息挖掘已经成为研究热点。本文研究重点是基于用户GPS轨迹,对用户的位置以及用户行为进行预测。这个问题分为两子问题,首先是对用户原始轨迹进行停留点提取,得到用户停留点序列以及停留点权重;然后基于用户停留点序列和对应的停留点权重对用户位置和用户行为进行预测。目前有关用户行为预测的研究中,部分侧重于挖掘轨迹之外的用户信息,但是包含这些信息的数据较少,不易获得。其实轨迹本身还蕴含着很多可用信息,目前挖掘这些信息能够对预测提供更有用的帮助,所以不少研究也在进行轨迹数据信息挖掘。但是用户速度、停留时间等行为特征在时序上表现出的规律性不强,如果直接对用户的多个行为特征同时进行预测,将会导致计算复杂高。另外现有的预测任务,位置与行为分开预测,忽略了用户行为与用户位置之间的相关关系,使得预测效果不佳。本文的主要工作如下:挖掘用户轨迹信息,实现同时对用户位置与用户行为进行预测。在停留点提取阶段,使用启发式阈值法和逻辑回归算法相结合的方法,实现停留点提取的同时,得到停留点权重——用户行为的体现,表示多种用户行为信息的概括性特征,解决了行为特征分散导致规律性不强的问题。在预测阶段把停留点和对应的停留点权重合并,得到新的元素序列,实现用户位置和用户行为在预测中能够相互影响的效果。然后基于该数据对新元素进行向量化,最后使用LSTM(Long Short-Term Memory)对用户位置以及用户行为进行预测。为了能够便捷快速地得出启发式阈值法的基本处理单元以及逻辑回归模型的样本,本文基于地理网格对空间区域进行划分,并针对空间划分导致的停留点割裂问题,提出轨迹归并算法。另外为了适应网格划分,特征提取等操作,提出一种轨迹预处理算法。最终通过实验,验证了算法的可实现性,在预测性能上有较大提升。