随着定位技术的快速发展,很多设备都可以获取轨迹数据,例如移动电话和基于GPS（Global Positioning System）的设备,这些设备能够完整地获取移动对象（人类、动物、车辆等）所产生的轨迹数据。在此情况下,对移动对象的轨迹进行预测变得越来越有必要,同时也具有重要的研究意义。本文以语义轨迹预测为研究问题,具体通过围绕轨迹预测的方法展开研究,主要研究工作内容如下:（1）基于Attention机制的轨迹预测在对轨迹进行预测时,通常利用传统的LSTM（Long-Short Term Memory）构建预测模型,但该预测模型对轨迹序列在隐藏层上的状态值进行计算时,状态值在时间上具有顺序依赖性,即计算当前时刻的状态值?时需要用到上一时刻的状态值?_-1,所以造成预测速度的下降。而且在预测下一时刻的位置时,忽略了隐藏层每个单元的状态值对预测结果影响程度的不同,因此造成预测的准确率下降。本文提出了一种基于Attention机制的轨迹预测方法（Trajectory Prediction Method based on Attention Mechanism,TPM-AM）。首先,将移动对象的原始轨迹转换为预测模型易于接受的轨迹序列,即按照移动对象的编号划分轨迹序列,轨迹序列按照滑动窗口大小和时间步长度划分输入向量,且输入向量按照批次输入到预测模型中。其次,采用SRU（Simple Recurrent Units）构建预测模型,由于SRU是一种轻度循环的单元,该预测模型在对输入的轨迹向量进行计算时,使得每个状态维度是独立的,从而解决了LSTM在时间上的顺序依赖性,加快了计算处理的速度,减少了预测的时间。最后,将Attention机制应用到SRU中,为隐藏层每个单元的输出权重进行分配,因为Attention机制不但将隐藏层的状态值进行匹配度计算,而且进行选择性的学习,从而提高了预测的准确率。利用大都会运输署的公开数据集进行实验验证,实验结果表明:TPM-AM与LSTM相比,预测速度快了3.4倍,同时,准确率提高了1.8%。（2）基于时空语义图卷积网络的语义轨迹预测在基于Attention机制的轨迹预测的基础上,进行语义轨迹预测的相关研究。在对轨迹进行预测时,现有的方法大多数都是基于轨迹的时空特性展开,忽略了移动对象的其他高层语义特性,比如,移动对象的速度、运动方向、运动状态等信息,语义轨迹与普通的轨迹相比具有更加丰富的信息。而且由于传统方法经常忽略轨迹数据时空特性之间的相互依赖性,尤其是当轨迹的数据量太大时,在不同的时刻,多个移动对象的轨迹点会出现重合,在此情况下,会造成预测准确率下降,而且预测效率也会下降。于是,本文提出了一种基于时空语义图卷积网络的语义轨迹预测方法（Semantic Trajectory Prediction Method based on Spatial-Temporal-Semantic Graph Convolution Network,STPM-STSGCN）。首先,为了能够更加充分地提取轨迹的高层语义特性,将轨迹序列与相关语义信息组合,比如,在经纬度中嵌入移动对象的速度、方向、运动状态等信息,从而生成具有语义信息的语义轨迹序列。然后,将具有语义的轨迹序列转换为时空语义图,即将多条轨迹序列按照时间划分为多个时空语义图中,并且利用图卷积网络对时空语义图进行深度特征提取,即利用时空语义卷积块对时空语义图进行卷积操作。最后,利用TPM-AM进行预测分析。实验证明:STPM-STSGCN与TPM-AM相比,预测速度快了0.17倍,同时,准确率提高了1.19%。（3）语义轨迹预测原型系统在理论研究的基础上,本文设计并实现了语义轨迹预测原型系统,该系统具有轨迹数据输入、轨迹数据预处理、预测模型训练、语义轨迹预测、预测结果展示等功能。原型系统可以很方便地进行训练操作和预测操作,并且为输入数据和输出结果提供良好的可视化效果,能够方便地呈现出预测结果。