随着移动互联网的普及以及获取地理坐标的移动设备无处不在,我们能够获取到海量的用户地理坐标数据。通过这些地理坐标数据,我们能够揭示用户的日常活动区域。但是,用户上报位置坐标的行为具有随机性,使得获取到的地理坐标数据不连续且具有稀疏性,为我们分析不同时期下用户的位置分布提供了巨大的挑战。同时,目前主流的基于轨迹的研究都是针对于某一个位置点的预测,通常这种位置点都是地图上的兴趣点,例如景点,公园或者商圈。但是针对于轨迹缺失的问题,通过预测某一个位置点是无法解决问题的。用户在某个轨迹缺失时间段内,其出现的地点具有多种可能性,因此本文采用位置分布代替位置点去对缺失时间段内的轨迹进行补全。本文针对轨迹稀疏等原因导致的缺失轨迹的情况,提出了一种轨迹补全的方法,所作的工作如下:1、本文提出了采用Google S2编码方式对海量的用户坐标进行离散化,同时根据城市的人口分布情况,对低频出现的地段进行聚合,从而达到使用不同等级的Google S2编码进行离散化,降低位置编码的规模。2、区别于大多数轨迹研究中轨迹嵌入(embedding)是随着模型训练而自适应训练的,本文设计了一种嵌入模型,同时加入位置点间的层级关系,来学习位置点间的潜在表征形式。3、本文提出了一种改进的双向递归模型来捕获分布中的固有时间变化,从而对轨迹进行补全。4、本文的实验是在超过1000万次位置上报的大型现实数据集中执行的,验证了模型的有效性。实验结果表明,基于Google S2编码的离散化表示,能够很好的降低模型的计算规模,从而减少模型上的时间开销。基于层级关系和轨迹数据而训练出来的轨迹嵌入,能够很好的捕获到位置点间的关系。最后基于改进的双向神经网络能够对缺失的轨迹进行补全。