行人轨迹预测问题是数据挖掘领域中重点研究领域之一,这一研究是很多基于地理位置的应用服务的重要基础,如个性化兴趣点(PoI)推荐、地理位置相关的广告服务以及交通规划等。随着移动互联网的发展、传感器等感知设备的普及和信息采集能力的提升,为移动轨迹的研究提供了数据上的支撑。然而,由于以下两个方面的挑战,预测下一个可能出现的地点并非易事:1)收集到的轨迹数据的异质性和稀疏性;2)行人移动潜在的规律与时间因素依赖关系密切且复杂度高,并且采集过程数据具有一定模糊性和随机性。当前,大多数预测方法或通过挖掘用户行为模式,或根据轨迹构建序列模型来完成下一个地点的预测,上述方法在GPS等连续、高精度的轨迹预测中表现良好。但是用户在城市中移动形成的轨迹场景下,由于数据稀疏或数据丢失的现象存在,给用户的移动行为模式建模带来了困难,实际预测表现不佳。本文提出一个意图增强的循环神经网络深度学习模型(AI-RNN,AugmentedIntention Recurrent Neural Network)来完成下一个地点的预测任务。为了获取用户移动意图,设计了三种轨迹意图拓扑图的构造策略:随机选择策略、路径方向一致性策略和最大概率策略。利用了图卷积神经网络信息传播、聚合的特性融合了图中节点的信息,获得意图增强的位置嵌入表征,这一嵌入有效地编码行人移动模式,从而成功地完成下一个地点的预测。最后,通过在两个真实的数据集上的实验验证了本文提出的模型的有效性,从实验结果中看出在不同的数据集上相比其他模型,AI-RNN在预测准确度上有了一定的提升。最后本文分析了轨迹规律性、轨迹收集和轨迹长度的因素对模型预测性能的影响,并提出了未来可能的改进方向。