近年来,随着移动定位技术的成熟和流行,基于位置服务越来越受到人们的关注。位置预测技术作为其中重要部分,有着广泛的应用。目前位置预测方法中较为常用的是基于频繁模式挖掘和基于Markov模型的预测方法,然而这些方法存在挖掘频繁轨迹耗时较长,输入新的移动模式或移动模式不频繁时预测算法无法进行,Markov模型的阶数难以确定等的问题。这些常用的方法大都基于轨迹的空间特征,或者基于空间和时间特征,而没有考虑体现用户行为习惯的语义特征。针对这一问题,本文提出了一个同时考虑轨迹的时间、空间、语义多特征的位置预测方法。为了提高预测的准确率,首先将用户的行为和用户的活动范围分开考虑,并基于聚类后的行为习惯预测用户的行为;然后再将预测的行为和用户活动范围结合起来,得到最终的位置预测结果。通过将区域之间各步可达的转移概率保存起来,避免了重复计算,提高了预测的效率。本文主要贡献如下:首先,提出了基于轨迹空间、时间、语义多特征进行位置预测的新方法,在预测用户位置的同时,可获得用户的行为。其次,针对传统的获取停留点的方法中存在的问题,提出一种同时考虑距离、时间和方向的访问点提取方法,在此基础上,提取访问位置;针对传统位置预测中地图网格化方法所存在的问题,提出一种基于交叉路口和泰森多边形的地图划分方案。再次,针对目前的位置预测中未考虑用户行为习惯的问题,提出了考虑用户行为习惯的语义预测模型,通过对语义序列计算相似度并进行聚类,对用户行为进行预测;同时,提出了基于Bayes理论和Markov模型的空间预测模型,对用户位置进行预测,在此过程中,采用绕路距离获得可达的转移概率矩阵,有效避免了数据稀疏问题。最后,提出了基于语义模式树的语义匹配策略,可同时实现完全的和部分的语义匹配,提高了预测的准确率。