基于位置的社交网络(Location-based Social Network,LBSN)飞速发展,已经渗透到我们生活的方方面面,理解人类轨迹模式是推荐系统等研究的基础。近年来循环神经网络(RNN)在处理时序序列问题方面,取得了成就,在用户轨迹行为预测方面同样效果显著。用户轨迹行为预测是通过挖掘用户轨迹行动并在此基础上进行预测。目前用户轨迹行为预测的问题在于数据的稀疏性、异质性;用户轨迹行为复杂的时间依赖性;用户轨迹行为的周期性等等。本文主要研究基于表示学习的轨迹预测算法,包括轨迹属主预测和用户轨迹下一位置预测。在轨迹属主预测方面,之前的相关研究没有更好的融合位置节点信息,不能够提取到对于轨迹预测而言相对重要的特征;在用户轨迹下一位置预测方面,没有进行侧重的位置节点向量表示学习,在所有存在的节点中进行预测。虽然取得了一定的成果,但效果仍然不是很好。通过对不同的预测问题的特性研究,设计合适的表示学习方法,进行位置节点、轨迹的低维特征表示;设计合适的神经网络模型进行轨迹的特征提取。本文的主要研究内容如下:(1)提出了一种基于卷积神经网络的轨迹属主预测算法。构建轨迹中位置节点的关系网络图,通过有偏置的随机游走获取轨迹序列,然后由此生成位置节点的低维实值向量表示;考虑到轨迹属主分类在于不同轨迹之间的差异性,因此通过卷积神经网络进行轨迹的特征提取;最后进行轨迹的属主分类。(2)提出了一种基于轨迹和用户表示学习的下一位置预测算法。通过融合每一个位置节点邻居节点的特征信息进行位置节点低维实值向量表示,在进行轨迹的特征表示学习之后,考虑将下一位置预测范围从所有位置节点约束至轨迹末尾位置节点的邻居节点,以此来提高下一位置预测准确率。总体来说,本论文主要包括轨迹中位置节点的表示学习和轨迹的特征提取两个方面,同时在用户轨迹下一位置预测中对轨迹预处理和轨迹下一位置预测约束进行了研究。通过在真实的数据集上进行大量的实验对比,验证了本文提出的方法在轨迹属主预测和用户轨迹下一位置预测的准确率上都有很大的提升。